Una fotograf\u00eda puede mostrar arroz, pollo y verduras en un plato. Sin embargo, no siempre revela cu\u00e1nto aceite se ha utilizado, la proporci\u00f3n exacta de cada ingrediente o si la receta se ha preparado de forma distinta a la versi\u00f3n est\u00e1ndar.<\/p>\n
La diferencia puede parecer menor cuando alguien solo quiere llevar un diario de comidas. Adquiere mucha m\u00e1s importancia cuando los datos resultantes se utilizan para monitorizar la ingesta de un paciente, evaluar la adherencia a un tratamiento nutricional o personalizar un servicio de salud digital.<\/p>\n
Una investigaci\u00f3n presentada en NUTRITION 2026 ha vuelto a poner esta cuesti\u00f3n sobre la mesa. Los investigadores utilizaron fotograf\u00edas estandarizadas de 102 comidas preparadas en una cocina metab\u00f3lica, donde cada ingrediente se hab\u00eda pesado con una precisi\u00f3n de 0,1 gramos. Despu\u00e9s compararon la composici\u00f3n conocida de los platos con las estimaciones generadas por MyFitnessPal, Lose It!, CalAI y Appediet.<\/p>\n
Las cuatro aplicaciones infravaloraron la energ\u00eda en una media de entre 250 y 345 kilocalor\u00edas por comida y la grasa en torno a 30 gramos. Las estimaciones de hidratos de carbono fueron m\u00e1s consistentes. En un an\u00e1lisis posterior de m\u00e1s de 200 comidas, todav\u00eda descrito como preliminar, los errores parec\u00edan mayores en las comidas cetog\u00e9nicas, probablemente por su mayor contenido en grasa.<\/p>\n
Los resultados merecen atenci\u00f3n, pero no demuestran que todos los sistemas de an\u00e1lisis de im\u00e1genes de alimentos con IA produzcan el mismo error. Se presentaron en un congreso y todav\u00eda no se han publicado en una revista con revisi\u00f3n por pares. Adem\u00e1s, se refieren a cuatro aplicaciones de consumo concretas y no eval\u00faan LogMeal.<\/p>\n
El mensaje pr\u00e1ctico es m\u00e1s preciso: una sola imagen no siempre contiene toda la informaci\u00f3n necesaria para convertir una comida en una medici\u00f3n nutricional fiable.<\/p>\n
Analizar una comida implica varias tareas independientes. El sistema debe detectar primero los alimentos, identificar el plato o sus componentes, estimar sus cantidades y asociarlos con una receta y una fuente de composici\u00f3n de alimentos adecuadas.<\/p>\n
Un error en cualquiera de estas fases afecta al resultado final. Una ensalada puede reconocerse correctamente y, aun as\u00ed, mostrar un valor energ\u00e9tico inferior al real si no se tiene en cuenta el ali\u00f1o. Dos sopas de aspecto casi id\u00e9ntico pueden contener cantidades muy distintas de aceite, queso o nata. En guisos y platos mixtos, una parte importante de la informaci\u00f3n nutricional no es visible en la superficie.<\/p>\n
La estimaci\u00f3n de la cantidad a\u00f1ade otra fuente de incertidumbre. El \u00e1ngulo de la c\u00e1mara, la distancia, la forma del plato y la superposici\u00f3n de ingredientes influyen en la conversi\u00f3n de una imagen a gramos. Por eso LogMeal trata el reconocimiento de alimentos y la estimaci\u00f3n de cantidades como dos problemas t\u00e9cnicos relacionados, pero distintos.<\/p>\n
El contexto tambi\u00e9n importa. Una aplicaci\u00f3n que recibe fotograf\u00edas sin restricciones de miles de usuarios parte de mucha menos informaci\u00f3n que un sistema que funciona en un hospital, donde ya se conocen el men\u00fa diario, las recetas y los tama\u00f1os de raci\u00f3n previstos.<\/p>\n
Cuando una empresa integra Food AI Engine<\/a> en un producto de nutrici\u00f3n, salud o bienestar, el sistema analiza la imagen y devuelve informaci\u00f3n estructurada sobre los alimentos y platos detectados. Food AI Engine est\u00e1 disponible mediante los planes Analyse, Monitor, Recommend y Custom, para que cada empresa pueda ajustar las funciones disponibles a su producto. Recommend incluye la estimaci\u00f3n de cantidades mediante an\u00e1lisis volum\u00e9trico de los alimentos visibles, mientras que Custom permite responder a requisitos que necesitan una configuraci\u00f3n a medida.<\/p>\n LogMeal proporciona una propuesta estandarizada de los ingredientes y las cantidades asociados al plato reconocido. A partir de ah\u00ed, los valores nutricionales se calculan con bases de datos profesionales de composici\u00f3n de alimentos utilizadas por dietistas-nutricionistas y especialistas en nutrici\u00f3n, entre ellas EuroFIR, USDA, NEVO, BEDCA y CESNID.<\/p>\n Esta propuesta no se presenta como una descripci\u00f3n inmutable de la receta real. El usuario puede a\u00f1adir o eliminar ingredientes y ajustar sus cantidades. Si una sopa llevaba m\u00e1s aceite, un caf\u00e9 inclu\u00eda az\u00facar o la raci\u00f3n era menor de lo estimado, esa informaci\u00f3n puede incorporarse al registro.<\/p>\n La combinaci\u00f3n es importante. La IA reduce el trabajo necesario para documentar una comida, mientras que la edici\u00f3n permite recoger informaci\u00f3n que la c\u00e1mara no puede ver. El proceso persigue un objetivo parecido al de un recordatorio diet\u00e9tico de 24 horas, pero registra la comida en el momento del consumo y conserva la fotograf\u00eda como referencia.<\/p>\n LogMeal evalu\u00f3 este enfoque frente al recordatorio diet\u00e9tico de 24 horas en el proyecto VALIDITHI, desarrollado con EIT Health, Nestl\u00e9, University Medical Center Groningen y el Computer Vision Center. Los resultados y el contexto del estudio se explican en este art\u00edculo sobre el reconocimiento de alimentos de LogMeal y el recordatorio diet\u00e9tico de 24 horas<\/a>.<\/p>\n LogMeal Food Recognition Kiosk<\/a> funciona en un entorno diferente. En hospitales, residencias, centros de alto rendimiento deportivo, comedores de empresa y restaurantes de autoservicio, el sistema puede trabajar con los platos disponibles en cada ubicaci\u00f3n y servicio. Cuando la organizaci\u00f3n ha configurado las recetas y los tama\u00f1os de raci\u00f3n de referencia, el an\u00e1lisis parte de los ingredientes y valores nutricionales definidos para la comida que realmente se sirve.<\/p>\n Ese contexto reduce la incertidumbre. El algoritmo no tiene que elegir entre todas las comidas posibles ni reconstruir la receta completa solo a partir de su aspecto. Puede comparar la bandeja con un conjunto definido de platos disponibles en ese servicio.<\/p>\n Para monitorizar la ingesta, una imagen de la bandeja antes de la comida registra lo que se ha servido. Una segunda imagen despu\u00e9s permite estimar lo que queda. La comparaci\u00f3n entre ambas facilita el c\u00e1lculo de la ingesta real y del desperdicio alimentario, sin pedir al paciente o comensal que recuerde y declare cu\u00e1nto ha consumido.<\/p>\n El resultado sigue dependiendo de que los men\u00fas, las recetas y los datos de las raciones sean correctos, y de que el plato preparado coincida con la informaci\u00f3n facilitada por la organizaci\u00f3n. El contexto reduce la incertidumbre; no justifica prometer una medici\u00f3n perfecta.<\/p>\n Qu\u00e9 deber\u00eda comprobar una empresa antes de integrar esta tecnolog\u00eda<\/p>\n Un porcentaje general de precisi\u00f3n aporta poco valor si no explica qu\u00e9 se ha medido. Identificar correctamente el nombre de un plato no equivale a estimar con precisi\u00f3n su peso, calor\u00edas, prote\u00ednas, grasas e hidratos de carbono.<\/p>\n Antes de elegir una API de reconocimiento de alimentos o un sistema de monitorizaci\u00f3n nutricional, una empresa deber\u00eda preguntar qu\u00e9 comidas se utilizaron en la evaluaci\u00f3n, c\u00f3mo se capturaron las im\u00e1genes y si la tecnolog\u00eda puede utilizar sus propios men\u00fas y recetas. Tambi\u00e9n deber\u00eda determinar si los resultados pueden editarse, c\u00f3mo se gestionan los ingredientes no visibles y si el sistema se ha probado en condiciones comparables a las del despliegue previsto.<\/p>\n En una integraci\u00f3n B2B o B2B2C, la organizaci\u00f3n no se limita a a\u00f1adir un modelo de visi\u00f3n artificial. Est\u00e1 incorporando una nueva fuente de datos a un producto, un proceso operativo o una decisi\u00f3n profesional. Los m\u00e9todos de captura, la informaci\u00f3n contextual, la trazabilidad y la validaci\u00f3n forman parte del sistema.<\/p>\n Los resultados de NUTRITION 2026 refuerzan un principio que LogMeal ya aplica en el dise\u00f1o de sus productos: facilitar el registro alimentario no deber\u00eda implicar ignorar la informaci\u00f3n que falta. La fotograf\u00eda reduce la fricci\u00f3n. La estimaci\u00f3n de porciones, la composici\u00f3n nutricional, el contexto y la revisi\u00f3n hacen que el registro resultante sea m\u00e1s \u00fatil.<\/p>\n Si tu empresa est\u00e1 desarrollando un producto de nutrici\u00f3n, salud digital o bienestar, consulta Food AI Engine<\/a> y su prueba de 30 d\u00edas. Para atenci\u00f3n hospitalaria, residencias o restauraci\u00f3n colectiva, descubre LogMeal para Hospitales<\/a> o solicita una demostraci\u00f3n<\/a>.<\/p>\nQu\u00e9 cambia cuando el sistema conoce el men\u00fa y la receta<\/h2>\n