Can a constrained AI clinical decision-support pipeline generate meal plans rated as highly as dietitian-designed plans? A blinded professional evaluation

Resumen Técnico: IA con Restricciones frente a la Planificación de Dietas por Dietistas

Planteamiento del Problema
El desafío central abordado es la fiabilidad de los Modelos de Lenguaje Extensos (LLM) en la planificación dietética clínica. Aunque los LLM demuestran fluidez en consultas de salud, a menudo fallan en entregar la precisión requerida para los planes de alimentación, los cuales deben operacionalizar el proceso de cuidado nutricional traduciendo objetivos, restricciones y metas específicas en alimentos, porciones e instrucciones precisas. Los LLM genéricos producen con frecuencia contenido que suena autoritario pero es inexacto respecto a la adecuación numérica, los alimentos contraindicados y el realismo de las porciones. El artículo postula que la fiabilidad no debe esperarse del modelo por sí solo, sino que debe integrarse en la arquitectura del sistema mediante la restricción de las elecciones del modelo y el anclaje de los resultados cuantitativos en una base de datos de composición de alimentos.

Metodología
El estudio empleó un diseño comparativo transversal, basado en la web y con doble ciego para evaluar un "pipeline asistido por IA con restricciones" frente a planes diseñados por dietistas reales.

• Arquitectura del Sistema: El sistema de IA evaluado (el pipeline de investigación NextNutri) era un flujo de trabajo de software de múltiples pasos y fijo, distinto de un chatbot de texto libre. Utilizaba un proceso secuencial: generación de un esquema (blueprint), selección cualitativa de alimentos, selección cuantitativa de porciones y validación. Crucialmente, el LLM (utilizando modelos de las familias Claude y Gemini) no generaba directamente los pesos en gramos. En su lugar, seleccionaba categorías de porciones (pequeña, mediana, grande) de una tabla de backend, mientras que un backend determinista computaba los pesos exactos en gramos, medidas caseras y totales de nutrientes utilizando la Tabla Brasileña de Composición de Alimentos (TBCA v7.3). El pipeline incluía controles de seguridad automatizados para el cumplimiento de restricciones y tolerancias de nutrientes.
• Corpus: El corpus de evaluación consistió en 10 planes de alimentación (5 personas × 2 orígenes). Cinco personas (P1–P5) variaban por demografía, nivel de actividad y objetivos dietéticos (por ejemplo, pérdida de peso, ganancia muscular, vegano, intolerancia a la lactosa). Para cada persona, un plan fue generado por el pipeline de IA con restricciones, y un plan fue generado por un dietista real exportado desde un software profesional. Los planes humanos se preservaron con sus discrepancias originales (por ejemplo, desajustes calóricos) para asegurar una comparación realista.
• Participantes: Se reclutaron 54 dietistas brasileños activos (registrados en el CRN) mediante muestreo por conveniencia y bola de nieve.
• Protocolo de Evaluación: Los evaluadores calificaron los planes en una escala de Likert de 9 ítems y 5 puntos, cubriendo tres dominios: Adecuación Nutricional, Calidad Técnica y Aplicabilidad Práctica. El estudio fue ciego; los evaluadores no conocían el origen de los planes. Una tarea secundaria consistió en una comparación por pares donde los evaluadores intentaban identificar el plan generado por la IA.
• Análisis Estadístico: El análisis se centró en las diferencias dentro del mismo evaluador (pruebas t pareadas) y en las comparaciones a nivel de plan (pareadas por persona). Los análisis de sensibilidad incluyeron modelos lineales de efectos mixtos y ajustes por errores en el objetivo calórico.

Resultos Clave

• Calificaciones Generales: Los planes generados por IA fueron calificados significativamente más alto que los planes diseñados por dietistas. La puntuación media general para los planes de IA fue de 3.65 (DE 0.56) frente a 3.12 (DE 0.73) para los planes de dietistas (diferencia de +0.53, P < 0.001, Cohen's d = 0.82).
• Desempeño por Dominio:
  • Adecuación Nutricional: Los planes de IA puntuaron significativamente más alto (+0.74 de diferencia), impulsados principalmente por una mejor alineación con los objetivos de energía y macronutrientes.
  • Calidad Técnica: Los planes de IA puntuaron más alto (+0.66 de diferencia), reflejando una mayor coherencia científica y adherencia a la seguridad.
  • Aplicabilidad Práctica: No se encontró una diferencia estadísticamente significativa (+0.20 de diferencia), lo que indica que los planes de IA fueron percibidos como igualmente factibles y prácticos que los planes humanos.
• Verificación de Ciego: Los evaluadores no lograron identificar el origen de la IA con una tasa mejor que el azar. En las suposiciones definitivas, los planes de IA fueron identificados correctamente solo el 34.1% de las veces (P = 0.060, bilateral). Los autores señalan una atribución errónea sistemática donde los evaluadores tendían a etiquetar el plan de mayor calidad como de autoría humana.
• Robustez: La ventaja de los planes de IA persistió en los análisis de sensibilidad, incluyendo la exclusión de una persona con un desajuste de objetivo documentado en el plan humano y al ajustar por error calórico. Los resultados se mantuvieron constantes incluso al restringir el análisis a evaluadores con al menos dos años de experiencia clínica.

Significancia y Reivindicaciones
El artículo afirma que un pipeline con restricciones, que delega los cálculos cuantitativos a un código determinista y a una base de datos de alimentos mientras utiliza LLMs para la selección cualitativa, puede generar planes de alimentación que los dietistas en ejercicio califican como iguales o superiores a los planes diseñados por humanos bajo condiciones de ciego.

Los autores enmarcan explícitamente estos hallazgos con cautela:

1. Diseño del Sistema sobre Capacidad del Modelo: El éxito se atribuye a la arquitectura del sistema (restringir las elecciones y anclar los datos) más que a la capacidad inherente del LLM por sí solo.
2. Aumento, no Sustitución: El estudio respalda un flujo de trabajo de "supervisión humana en el bucle" (human-in-the-loop) donde la IA sirve como generador de un primer borrador. No pretende la superioridad clínica ni la capacidad de prescripción autónoma.
3. Limitaciones: Los autores reconocen el tamaño de muestra modesto (5 pares de planes), el uso de una muestra de conveniencia y el hecho de que las personas eran generalmente adultos sanos sin comorbilidades complejas. Indican que los hallazgos no deben extrapolarse a casos clínicos complejos sin una validación adicional.

En conclusión, el estudio demuestra que, con las restricciones arquitectónicas apropiadas, la IA puede generar planes de alimentación nutricional y técnicamente sólidos que son indistinguibles del trabajo humano para los profesionales, lo que sugiere una vía viable para que la IA aumente en lugar de reemplazar los flujos de trabajo dietéticos.