Estudio demuestra que la inteligencia artificial puede predecir la desnutrición infantil con alta precisión

Un estudio innovador demuestra cómo la inteligencia artificial puede predecir la desnutrición infantil con meses de antelación, permitiendo intervenir antes de que se agrave.
Cuando la tecnología salva vidas antes de que la emergencia llegue: un sistema de inteligencia artificial desarrollado en Kenia permite detectar el riesgo de desnutrición infantil con hasta seis meses de antelación, ofreciendo una oportunidad real de actuar a tiempo.
Cuando la tecnología salva vidas antes de que la emergencia llegue: un sistema de inteligencia artificial desarrollado en Kenia permite detectar el riesgo de desnutrición infantil con hasta seis meses de antelación, ofreciendo una oportunidad real de actuar a tiempo (Midjourney - RG) - Cuando la tecnología salva vidas antes de que la emergencia llegue: un sistema de inteligencia artificial desarrollado en Kenia permite detectar el riesgo de desnutrición infantil con hasta seis meses de antelación, ofreciendo una oportunidad real de actuar a tiempo.
Rubén García Díaz

Publicado por Rubén García Díaz

Periodista especializado en parenting, infancia y crianza

Creado: Actualizado:

Cada día, millones de familias enfrentan el desafío de asegurar una alimentación adecuada para sus hijos e hijas. La desnutrición infantil sigue siendo una de las principales causas de morbilidad y mortalidad en menores de cinco años, especialmente en países con recursos limitados. En concreto, según UNICEF, “cada día mueren 13.800 niños y niñas menores de 5 años por causas evitables, con casi la mitad de estas muertes vinculadas a la desnutrición”. ¿Se podría reducir esta cifra si existiera una forma de anticiparse al riesgo antes de que la desnutrición se manifieste?

Un equipo internacional de investigadores ha desarrollado un modelo basado en inteligencia artificial (IA) capaz de predecir con precisión dónde y cuándo los niños estarán en riesgo de desnutrición aguda. El estudio se ha centrado en Kenia, pero sus implicaciones podrían ser globales: esta metodología es aplicable en más de 80 países que utilizan los mismos sistemas de información en salud.

Esta innovación no solo representa un avance científico, sino también una herramienta que podría transformar la manera en que los gobiernos y las organizaciones planifican intervenciones nutricionales. Y para los padres y madres, abre un horizonte donde la prevención puede ser la clave para proteger la salud de sus hijos.

Fig. 1. Establecimientos de salud donde se recopilaron datos DHIS2 [arriba a la izquierda]. Las instalaciones están más concentradas en las zonas occidental y central de Kenia, en parte debido a la mayor densidad de población en estas regiones. También utilizamos datos de teledetección, es decir, la Productividad Primaria Bruta (PBP) mensual promedio durante el período de estudio [arriba, centro]. La desnutrición aguda es el resultado objetivo, y su prevalencia en Kenia, específicamente la prevalencia mensual promedio, se muestra utilizando la escala IPC AMN [arriba, derecha]. En la parte inferior se muestran ejemplos de subcondados de valores de PBP y resultados de desnutrición obtenidos mediante teledetección (en) de los datos DHIS2 para los subcondados de Turkana West y Kuria West [abajo], que se sabe que tienen riesgos de desnutrición mayores y menores, respectivamente
Fig. 1. Establecimientos de salud donde se recopilaron datos DHIS2 [arriba a la izquierda]. Las instalaciones están más concentradas en las zonas occidental y central de Kenia, en parte debido a la mayor densidad de población en estas regiones. También utilizamos datos de teledetección, es decir, la Productividad Primaria Bruta (PBP) mensual promedio durante el período de estudio [arriba, centro]. La desnutrición aguda es el resultado objetivo, y su prevalencia en Kenia, específicamente la prevalencia mensual promedio, se muestra utilizando la escala IPC AMN [arriba, derecha]. En la parte inferior se muestran ejemplos de subcondados de valores de PBP y resultados de desnutrición obtenidos mediante teledetección (en) de los datos DHIS2 para los subcondados de Turkana West y Kuria West [abajo], que se sabe que tienen riesgos de desnutrición mayores y menores, respectivamente

Detalles del estudio: la IA al servicio de la salud infantil

El estudio fue desarrollado por un consorcio liderado por Microsoft AI for Good junto con investigadores de la University of Southern California, Amref Health Africa y el Ministerio de Salud de Kenia. Utilizaron datos clínicos reales recogidos a través del sistema DHIS2 (District Health Information Software 2) entre 2019 y 2024, abarcando 320 subcondados del país.

El equipo creó modelos de aprendizaje automático (machine learning) —específicamente regresión logística y gradient boosting— para prever la prevalencia de desnutrición aguda, clasificada según la escala internacional IPC Acute Malnutrition. Los algoritmos se entrenaron con datos como tasas de bajo peso al nacer, suplementación nutricional, prácticas de lactancia, y también con datos satelitales sobre productividad agrícola (como el índice GPP, Gross Primary Productivity).

Figura 2. Nuestro marco para pronosticar las tasas de desnutrición aguda a nivel de subcondado en Kenia. Se utilizan diferentes conjuntos de indicadores para entrenar los modelos de aprendizaje automático, donde el rendimiento de los modelos se evalúa en un conjunto de pruebas de retención.
Figura 2. Nuestro marco para pronosticar las tasas de desnutrición aguda a nivel de subcondado en Kenia. Se utilizan diferentes conjuntos de indicadores para entrenar los modelos de aprendizaje automático, donde el rendimiento de los modelos se evalúa en un conjunto de pruebas de retención.

¿El resultado? Estos modelos fueron capaces de predecir con hasta seis meses de antelación dónde aumentaría la desnutrición, con una precisión que superó ampliamente los métodos tradicionales usados hasta ahora por las autoridades sanitarias kenianas.

Figura 3. El modelo de refuerzo de gradiente (GB) entrenado con datos de GPP detectados de forma remota (GB: GPP) superó ligeramente la línea base del promedio de ventana (WA: PO), particularmente en horizontes de pronóstico de 3 y 6 meses. El GPP también logró un desempeño competitivo (en AUC) con las características clínicas (CF) en DHIS2. PO: resultado previo, S: indicador de subcondado.
Figura 3. El modelo de refuerzo de gradiente (GB) entrenado con datos de GPP detectados de forma remota (GB: GPP) superó ligeramente la línea base del promedio de ventana (WA: PO), particularmente en horizontes de pronóstico de 3 y 6 meses. El GPP también logró un desempeño competitivo (en AUC) con las características clínicas (CF) en DHIS2. PO: resultado previo, S: indicador de subcondado.

Aplicaciones prácticas en la salud infantil

Las conclusiones del estudio son contundentes: la inteligencia artificial puede anticipar el riesgo de desnutrición infantil con alta precisión. Por ejemplo, el modelo de gradient boosting logró una puntuación AUC de 0.86 (siendo 1.0 el valor perfecto) en sus predicciones a seis meses vista, mientras que el modelo convencional apenas alcanzaba 0.73.

Este tipo de tecnología permitiría a los gobiernos y organizaciones familiares preparar intervenciones nutricionales antes de que sea demasiado tarde. Desde campañas de suplementación hasta mejoras en saneamiento, pasando por apoyos a la lactancia o transferencias económicas a hogares vulnerables.

Pero más allá de las políticas públicas, este hallazgo tiene un potencial transformador en la forma en que entendemos la prevención en salud infantil. Nos recuerda que la nutrición no es solo cuestión de lo que se pone en el plato, sino de entender las condiciones que rodean al niño: acceso a servicios, salud materna, seguridad alimentaria del hogar, incluso las condiciones climáticas.

Una madre keniana con su hijo, en el contexto de un estudio pionero que utiliza inteligencia artificial para predecir la desnutrición infantil con meses de antelación. La investigación, liderada por Microsoft AI for Good, ha demostrado que es posible anticiparse al riesgo y mejorar la respuesta sanitaria en más de 80 países con datos similares.
Una madre keniana con su hijo, en el contexto de un estudio pionero que utiliza inteligencia artificial para predecir la desnutrición infantil con meses de antelación. La investigación, liderada por Microsoft AI for Good, ha demostrado que es posible anticiparse al riesgo y mejorar la respuesta sanitaria en más de 80 países con datos similares (Midjourney - RG)

También subraya una necesidad latente: contar con buenos sistemas de recolección de datos en salud infantil, como el DHIS2, que puedan alimentar estos modelos. Países como España, aunque no enfrentan los mismos niveles de desnutrición, sí podrían aplicar estas herramientas para anticipar brotes de obesidad infantil o déficits nutricionales en zonas vulnerables.

No hay que olvidar, además, desde el punto de vista local, que la desnutrición infantil no es una cuestión ajena a países como España. Aunque no sea uno de los principales focos de este problema grave de salud en la infancia, sin ir más lejos, UNICEF España alertaba recientemente de que aumentan los hogares españoles donde los niños no pueden consumir fruta y verdura a diario. Por lo tanto, este tipo de avances apoyados en el desarrollo de la inteligencia artificial también son de interés para nuestra sociedad.

Referencias

  • Pablo A. Cano, Robie A. Hennigar, Pablo Bueno. Forecasting acute childhood malnutrition in Kenya using machine learning and diverse sets of indicators. PLOS ONE, 2025. DOI: 10.1371/journal.pone.0322959

Recomendamos en