Gestor Editorial

Nuevo Usuario
Nutrición Hospitalaria 05672 / http://dx.doi.org/10.20960/nh.05672
Resumen| PDF (ENGLISH)

Artículo Especial

Role of artificial intelligence in predicting disease-related malnutrition - A narrative review

Daniel de Luis Román, Juan José López Gómez, David Emilio Barajas Galindo, Cristina García García

Prepublicado: 2025-01-09
Publicado: 2025-02-03
VOLUMEN 42, NÚM. 1, enero-febrero (2025), PAG. 173-183

Logo Descargas   Número de descargas: 6963      Logo Visitas   Número de visitas: 3512      Citas   Citas: 0

Compártelo:


Background: disease-related malnutrition (DRM) affects 30-50 % of hospitalized patients and is often underdiagnosed, increasing risks of complications and healthcare costs. Traditional DRM detection has relied on manual methods that lack accuracy and efficiency. Objective: this narrative review explores how artificial intelligence (AI), specifically machine learning (ML) and deep learning (DL), can transform the prediction and management of DRM in clinical settings. Methods: we examine widely used ML and DL models, assessing their clinical applicability, advantages, and limitations. The integration of these models into electronic health record systems allows for automated risk detection and optimizes real-time patient management. Results: ML and DL models show significant potential for accurate assessment of nutritional status and prediction of complications in patients with DRM. These models facilitate improved clinical decision-making and more efficient resource management, although their implementation faces challenges related to the need for large volumes of standardized data and integration with existing systems. Conclusion: AI offers promising prospects for proactive DRM management, highlighting the need for interdisciplinary collaboration to overcome existing barriers and maximize its positive impact on patient care.

Palabras Clave: Artificial intelligence. Disease-related malnutrition. Machine learning. Deep learning. Clinical implementation.



Disease-related malnutrition: a time for action [Internet]. [citado 3 de diciembre de 2024]. Disponible en: https://www.who.int/europe/publications/i/item/WHO-EURO-2023-8931-48703-72392
Kramer D, Jauk S, Veeranki S, Schrempf M, Traub J, Kugel E, et al. Machine Learning-Based Prediction of Malnutrition in Surgical In-Patients: A Validation Pilot Study. Stud Health Technol Inform. 26 de abril de 2024;313:156-7.
Janssen SM, Bouzembrak Y, Tekinerdogan B. Artificial Intelligence in Malnutrition: A Systematic Literature Review. Adv Nutr Bethesda Md. septiembre de 2024;15(9):100264.
Xie LF, Lin XF, Xie YL, Wu QS, Qiu ZH, Lan Q, et al. Development of a machine learning-based model to predict major adverse events after surgery for type A aortic dissection complicated by malnutrition. Front Nutr. 2024;11:1428532.
DOI: 10.3389/fnut.2024.1428532
Liu MY, Sung MI, Liu CF. Machine Learning to Predict the Risk of Malnutrition in Hospitalized Patients with Pneumonia and Analysis of Related Prognostic Factor. Stud Health Technol Inform. 22 de agosto de 2024;316:717-8.
Feng J, Huang L, Zhao X, Li X, Xin A, Wang C, et al. Construction of a metabolism-malnutrition-inflammation prognostic risk score in patients with heart failure with preserved ejection fraction: a machine learning based Lasso-Cox model. Nutr Metab. 30 de septiembre de 2024;21(1):77.
Wang YX, Li XL, Zhang LH, Li HN, Liu XM, Song W, et al. Machine learning algorithms assist early evaluation of enteral nutrition in ICU patients. Front Nutr [Internet]. 14 de abril de 2023 [citado 10 de diciembre de 2024];10. Disponible en: https://www.frontiersin.org/journals/nutrition/articles/10.3389/fnut.2023.1060398/full
DOI: 10.3389/fnut.2023.1060398
Sarker IH. Machine Learning: Algorithms, Real-World Applications and Research Directions. SN Comput Sci. 2021;2(3):160.
DOI: 10.1007/s42979-021-00592-x
Martino FD, Delmastro F, Dolciotti C. Explainable AI for Malnutrition Risk Prediction from m-Health and Clinical Data [Internet]. arXiv; 2023 [citado 10 de diciembre de 2024]. Disponible en: http://arxiv.org/abs/2305.19636
Sharma V, Sharma V, Khan A, Wassmer DJ, Schoenholtz MD, Hontecillas R, et al. Malnutrition, Health and the Role of Machine Learning in Clinical Setting. Front Nutr. 2020;7:44.
DOI: 10.3389/fnut.2020.00044
Raphaeli O, Singer P. Towards personalized nutritional treatment for malnutrition using machine learning-based screening tools. Clin Nutr. 1 de octubre de 2021;40(10):5249-51.
Yin L, Song C, Cui J, Lin X, Li N, Fan Y, et al. A fusion decision system to identify and grade malnutrition in cancer patients: Machine learning reveals feasible workflow from representative real-world data. Clin Nutr. 1 de agosto de 2021;40(8):4958-70.
Talukder A, Ahammed B. Machine learning algorithms for predicting malnutrition among under-five children in Bangladesh. Nutrition. 1 de octubre de 2020;78:110861.
Kar S, Pratihar S, Nayak S, Bal S, H L G, V R. Prediction of Child Malnutrition using Machine Learning. En: 2021 10th International Conference on Internet of Everything, Microwave Engineering, Communication and Networks (IEMECON) [Internet]. 2021 [citado 3 de diciembre de 2024]. p. 01-4. Disponible en: https://ieeexplore.ieee.org/document/9689083
DOI: 10.1109/IEMECON53809.2021.9689083
Rahman SMJ, Ahmed NAMF, Abedin MM, Ahammed B, Ali M, Rahman MJ, et al. Investigate the risk factors of stunting, wasting, and underweight among under-five Bangladeshi children and its prediction based on machine learning approach. PLOS ONE. 17 de junio de 2021;16(6):e0253172.
DOI: 10.1371/journal.pone.0253172
Kishore KK, Suman JV, Mnikyamba IL, Polamuri SR, Venkatesh B. Prediction of malnutrition in newbornInfants using machine learning techniques [Internet]. Research Square; 2023 [citado 3 de diciembre de 2024]. Disponible en: https://www.researchsquare.com/article/rs-2958834/v1
DOI: 10.21203/rs.3.rs-2958834/v1
García-Herreros S, López Gómez JJ, Cebria A, Izaola O, Salvador Coloma P, Nozal S, et al. Validation of an Artificial Intelligence-Based Ultrasound Imaging System for Quantifying Muscle Architecture Parameters of the Rectus Femoris in Disease-Related Malnutrition (DRM). Nutrients. 8 de junio de 2024;16(12):1806.
Jia H, Zhang J, Ma K, Qiao X, Ren L, Shi X. Application of convolutional neural networks in medical images: a bibliometric analysis. Quant Imaging Med Surg. 1 de mayo de 2024;14(5):3501-18.
Lakshminarayanan AR, B P, V R, Parthasarathy S, Azeez Khan AA, Javubar Sathick K. Malnutrition Detection using Convolutional Neural Network. En: 2021 Seventh International conference on Bio Signals, Images, and Instrumentation (ICBSII) [Internet]. 2021 [citado 3 de diciembre de 2024]. p. 1-5. Disponible en: https://ieeexplore.ieee.org/document/9445188
DOI: 10.1109/ICBSII51839.2021.9445188
Dorraki M, Fouladzadeh A, Allison A, Coventry B, Abbott D. Deep Learning for C-Reactive Protein Prediction. En: 2018 2nd European Conference on Electrical Engineering and Computer Science (EECS) [Internet]. 2018 [citado 3 de diciembre de 2024]. p. 160-4. Disponible en: https://ieeexplore.ieee.org/document/8910124
DOI: 10.1109/EECS.2018.00037
Huang W, Wang C, Wang Y, Yu Z, Wang S, Yang J, et al. Predicting malnutrition in gastric cancer patients using computed tomography(CT) deep learning features and clinical data. Clin Nutr Edinb Scotl. marzo de 2024;43(3):881-91.
Maxwell A, Li R, Yang B, Weng H, Ou A, Hong H, et al. Deep learning architectures for multi-label classification of intelligent health risk prediction. BMC Bioinformatics. 28 de diciembre de 2017;18(14):523.
Truijen SPM, Hayhoe RPG, Hooper L, Schoenmakers I, Forbes A, Welch AA. Predicting Malnutrition Risk with Data from Routinely Measured Clinical Biochemical Diagnostic Tests in Free-Living Older Populations. Nutrients. 31 de mayo de 2021;13(6):1883.
Di Martino F, Delmastro F, Dolciotti C. Malnutrition Risk Assessment in Frail Older Adults using m-Health and Machine Learning. En: ICC 2021 - IEEE International Conference on Communications [Internet]. 2021 [citado 3 de diciembre de 2024]. p. 1-6. Disponible en: https://ieeexplore.ieee.org/document/9500471
DOI: 10.1109/ICC42927.2021.9500471
López-Gómez JJ, Cerezo-Martín JM, Gómez-Hoyos E, Jiménez-Sahagún R, Torres-Torres B, Ortolá-Buigues A, et al. Diagnóstico de desnutrición y su relación con el pronóstico en el paciente hospitalizado con enfermedad oncológica. Endocrinol Diabetes Nutr. 1 de mayo de 2023;70(5):304-12.
Torres Torres B, Ballesteros Pomar MD, García Calvo S, Castro Lozano MÁ, De La Fuente Salvador B, Izaola Jaúregui O, et al. REPERCUSIONES CLÍNICAS Y ECONÓMICAS DE LA DESNUTRICIÓN RELACIONADA CON LA ENFERMEDAD EN UN SERVICIO QUIRÚRGICO. Nutr Hosp [Internet]. 16 de febrero de 2018 [citado 3 de diciembre de 2024]; Disponible en: http://revista.nutricionhospitalaria.net/index.php/nh/article/view/1315
DOI: 10.20960/nh.1315
Bolado Jiménez C, Fernádez Ovalle H, Muñoz Moreno M, Aller de la Fuente R, de Luis Román D. Undernutrition measured by the Mini Nutritional Assessment (MNA) test and related risk factors in older adults under hospital emergency care. Nutrition. 1 de octubre de 2019;66:142-6.
What Is Random Forest? | IBM [Internet]. [citado 3 de diciembre de 2024]. Disponible en: https://www.ibm.com/topics/random-forest
Timsina P, Joshi HN, Cheng FY, Kersch I, Wilson S, Colgan C, et al. MUST-Plus: A Machine Learning Classifier That Improves Malnutrition Screening in Acute Care Facilities. J Am Coll Nutr. enero de 2021;40(1):3-12.
Göl M, Aktürk C, Talan T, Vural MS, Türkbeyler İH. Predicting malnutrition‐based anemia in geriatric patients using machine learning methods. J Eval Clin Pract. 23 de septiembre de 2024;jep.14142.
DOI: 10.1111/jep.14142
Bentéjac C, Csörgő A, Martínez-Muñoz G. A comparative analysis of gradient boosting algorithms. Artif Intell Rev. 1 de marzo de 2021;54(3):1937-67.
Ke G, Meng Q, Finley T, Wang T, Chen W, Ma W, et al. LightGBM: A Highly Efficient Gradient Boosting Decision Tree. En: Advances in Neural Information Processing Systems [Internet]. Curran Associates, Inc.; 2017 [citado 3 de diciembre de 2024]. Disponible en: https://papers.nips.cc/paper_files/paper/2017/hash/6449f44a102fde848669bdd9eb6b76fa-Abstract.html
Zhang X, Zhao W, Du Y, Zhang J, Zhang Y, Li W, et al. A simple assessment model based on phase angle for malnutrition and prognosis in hospitalized cancer patients. Clin Nutr Edinb Scotl. junio de 2022;41(6):1320-7.
Yin L, Lin X, Liu J, Li N, He X, Zhang M, et al. Classification Tree-Based Machine Learning to Visualize and Validate a Decision Tool for Identifying Malnutrition in Cancer Patients. JPEN J Parenter Enteral Nutr. noviembre de 2021;45(8):1736-48.
Wu T, Xu H, Li W, Zhou F, Guo Z, Wang K, et al. The potential of machine learning models to identify malnutrition diagnosed by GLIM combined with NRS-2002 in colorectal cancer patients without weight loss information. Clin Nutr. mayo de 2024;43(5):1151-61.
Duan R, Li Q, Yuan QX, Hu J, Feng T, Ren T. Predictive model for assessing malnutrition in elderly hospitalized cancer patients: A machine learning approach. Geriatr Nur (Lond). julio de 2024;58:388-98.
Zheng P, Wang B, Luo Y, Duan R, Feng T. Research progress on predictive models for malnutrition in cancer patients. Front Nutr [Internet]. 21 de agosto de 2024 [citado 3 de diciembre de 2024];11. Disponible en: https://www.frontiersin.org/journals/nutrition/articles/10.3389/fnut.2024.1438941/full
DOI: 10.3389/fnut.2024.1438941
Paris MT. Body Composition Analysis of Computed Tomography Scans in Clinical Populations: The Role of Deep Learning. Lifestyle Genomics. 2020;13(1):28-31.
DOI: 10.1159/000503996
de Luis Roman D, López Gómez JJ, Muñoz M, Primo D, Izaola O, Sánchez I. Evaluation of Muscle Mass and Malnutrition in Patients with Colorectal Cancer Using the Global Leadership Initiative on Malnutrition Criteria and Comparing Bioelectrical Impedance Analysis and Computed Tomography Measurements. Nutrients. 8 de septiembre de 2024;16(17):3035.
López-Gómez JJ, Primo-Martín D, Cebria A, Izaola-Jauregui O, Godoy EJ, Pérez-López P, et al. Effectiveness of High-Protein Energy-Dense Oral Supplements on Patients with Malnutrition Using Morphofunctional Assessment with AI-Assisted Muscle Ultrasonography: A Real-World One-Arm Study. Nutrients. enero de 2024;16(18):3136.
Jullien M, Tessoulin B, Ghesquières H, Oberic L, Morschhauser F, Tilly H, et al. Deep-Learning Assessed Muscular Hypodensity Independently Predicts Mortality in DLBCL Patients Younger Than 60 Years. Cancers. 7 de septiembre de 2021;13(18):4503.
Yuliansyah H, Sulistyawati S, Sukesi TW, Mulasari SA, Ali WNSW. Artificial intelligence in malnutrition research: a bibliometric analysis. Bull Soc Inform Theory Appl. 3 de julio de 2023;7(1):32-42.
Wang X, Liu Y, Rong Z, Wang W, Han M, Chen M, et al. Development and evaluation of a deep learning framework for the diagnosis of malnutrition using a 3D facial points cloud: A cross-sectional study. JPEN J Parenter Enteral Nutr. julio de 2024;48(5):554-61.
Khan U. Revolutionizing Personalized Protein Energy Malnutrition Treatment: Harnessing the Power of Chat GPT. Ann Biomed Eng. mayo de 2024;52(5):1125-7.
DOI: 10.1007/s10439-023-03331-w
Arslan S. Decoding dietary myths: The role of ChatGPT in modern nutrition. Clin Nutr ESPEN. abril de 2024;60:285-8.
DOI: 10.1016/j.clnesp.2024.02.022
Rajkomar A, Oren E, Chen K, Dai AM, Hajaj N, Hardt M, et al. Scalable and accurate deep learning with electronic health records. NPJ Digit Med. 2018;1:18.
DOI: 10.1038/s41746-018-0029-1
Atwal K. Artificial intelligence in clinical nutrition and dietetics: A brief overview of current evidence. Nutr Clin Pract Off Publ Am Soc Parenter Enter Nutr. agosto de 2024;39(4):736-42.
DOI: 10.1002/ncp.11150
de Hond AAH, Leeuwenberg AM, Hooft L, Kant IMJ, Nijman SWJ, van Os HJA, et al. Guidelines and quality criteria for artificial intelligence-based prediction models in healthcare: a scoping review. NPJ Digit Med. 10 de enero de 2022;5(1):2.
Hassan N, Slight R, Morgan G, Bates DW, Gallier S, Sapey E, et al. Road map for clinicians to develop and evaluate AI predictive models to inform clinical decision-making. BMJ Health Care Inform. agosto de 2023;30(1):e100784.
DOI: 10.1136/bmjhci-2023-100784
Theodore Armand TP, Nfor KA, Kim JI, Kim HC. Applications of Artificial Intelligence, Machine Learning, and Deep Learning in Nutrition: A Systematic Review. Nutrients. 6 de abril de 2024;16(7):1073.

Artículos Relacionados:

Trabajo Original: Impacto de una adecuada codificación de la desnutrición relacionada con la enfermedad en los índices hospitalarios

María Dolores Ballesteros Pomar , Alfonso Suárez Gutiérrez , Alicia Calleja Fernández , Begoña Pintor de la Maza , Ana Urioste Fondo , Alfonso Vidal-Casariego , Rocío Villar Taibo , Concepción Otero Redondo , Manuel Herrero Moratiel , Isidoro Cano Rodríguez , Juan Luis Burón Llamazares

Publicado: 2016-02-17 / http://dx.doi.org/10.20960/nh.24
Resumen | PDF

Editorial: Update en desnutrición relacionada con la enfermedad oncológica

Álvarez Hernández

Publicado: 2016-06-02 / http://dx.doi.org/10.20960/nh.173
Resumen | PDF

Artículo Especial: Abordaje nutricional del enfermo oncohematológico. best-practice en españa

María Ballesteros-pomar , Rocío Villar-taibo , Alicia Calleja-fernández , Begoña Pintor-de-la-maza , Cecilia Álvarez-del-Campo , Alfonso Vidal-casariego , Isidoro Cano-Rodríguez

Publicado: 2016-06-02 / http://dx.doi.org/10.20960/nh.180
Resumen | PDF

Trabajo Original: Prevalencia de riesgo de desnutrición y desnutrición establecida en población ambulatoria, institucionalizada y hospitalizada en un departamento de salud

Icíar Castro-vega , Silvia Veses Martin , Juana Cantero Llorca , Cristina Barrios Marta , Núria Monzó Albiach , Celia Bañuls Morant , Antonio Hernández-mijares

Publicado: 2016-12-14 / http://dx.doi.org/10.20960/nh.847
Resumen | PDF

Revisión: Costes asociados a la desnutrición relacionada con la enfermedad y su tratamiento: revisión de la literatura

Samara Palma Milla , Diego Meneses , Marlhyn Valero-Pérez , Margarita Calso , Matías Ruiz Garrido , Alberto Martín-vega , Carmen Gómez Candela

Publicado: 2017-04-20 / http://dx.doi.org/10.20960/nh.1204
Resumen | PDF

Artículo Especial: Tratamiento de la desnutrición relacionada con la enfermedad: situación de la regulación en el Sistema Nacional de Salud. Un estudio exploratorio mediante grupos focales

Salvador Peiró Moreno , Juan Ernesto del Llano Señarís , Jordi Gol-Montserrat

Publicado: 2020-03-16 / http://dx.doi.org/10.20960/nh.03082
Resumen | PDF

Trabajo Original: Cribado nutricional del paciente con patología vascular hospitalizado: relación del riesgo nutricional con los resultados clínicos y económicos en un servicio quirúrgico

Gloria María Novo Martínez , María Dolores Ballesteros Pomar , Matilde Sierra Vega , Ana Belén García Gallego

Publicado: 2020-10-07 / http://dx.doi.org/10.20960/nh.03386
Resumen | PDF

Trabajo Original: Desnutrición relacionada con la enfermedad, parámetros funcionales y costes asociados en un hospital general

Pablo Barcina Pérez , María Teresa Mercader Ros , Oriol Abellán Aynes , José María Cayuela García , Juana Góngora Hervás , Pedro Hernández Jiménez , Carmen Lucas Abellán

Publicado: 2020-12-01 / http://dx.doi.org/10.20960/nh.03464
Resumen | PDF

Trabajo Original: SeDREno study — prevalence of hospital malnutrition according to GLIM criteria, ten years after the PREDyCES study

Ana Zugasti Murillo , María Estrella Petrina-Jáuregui , Carmen Ripa-Ciáurriz , Rebeca Sánchez Sánchez , Francisco Villazón-González , Ángela González-Díaz Faes , Carmen Fernández-López , Laura Calles-Romero , María Ángela Martín Palmero , María Riestra-Fernández , Maddalen Dublang-Irazabal , Josefa Rengel-Jiménez , Margarita Díez-Muñiz-Alique , José Javier Agorreta-Ruiz , José Luis Salsamendi-Pérez , Ihintza Larrañaga-Unanue , María Luisa Abínzano-Guillén , Olatz Olariaga , Juan José De la Cruz

Publicado: 2021-04-07 / http://dx.doi.org/10.20960/nh.03638
Resumen | PDF

Editorial: Disease related malnutrition: new diagnostic criteria but unchanged prevalence. A call for an improvement of nutritional care

Miguel León Sanz

Publicado: 2021-09-02 / http://dx.doi.org/10.20960/nh.03859
Resumen | PDF

Artículo Especial: Racionalización versus racionamiento en la práctica de la nutrición clínica; cuarta lección Jesús Culebras

Publicado: 2021-11-02 / http://dx.doi.org/
Resumen | PDF

Artículo Especial: Proceso INFORNUT®; mejora de la accesibilidad del paciente hospitalizado desnutrido a su diagnóstico y soporte nutritional; repercusión en indicadores de gestión; dos años de evaluación

Publicado: 2021-11-03 / http://dx.doi.org/
Resumen | PDF

Carta Editor: Algoritmos de búsqueda e inteligencia artificial, una ayuda imprescindible en el desarrollo de revisiones sistematizadas

Marcela Caviedes-Olmos , Ángel Roco-Videla

Publicado: 2022-06-30 / http://dx.doi.org/10.20960/nh.04336
Resumen | PDF

Trabajo Original: Evaluación sensorial de un suplemento nutricional oral específico para diabetes con aceite de oliva virgen extra en pacientes en riesgo nutricional y diabetes mellitus tipo 2: ensayo clínico doble ciego, aleatorizado, cruzado y multicéntrico (DIACARE

Isabel María Vegas Aguilar , Cristina Porca Fernández , Tamara Casañas Quintana , Alicia Calleja Fernández , Cristina Tejera Pérez , Francisco José Tinahones Madueño , Diego Bellido Guerrero , José Manuel García Almeida

Publicado: 2022-12-09 / http://dx.doi.org/10.20960/nh.04569
Resumen | PDF

Trabajo Original: Glycaemic and insulinaemic impact of a diabetes-specific oral nutritional supplement with extra-virgin olive oil in patients with type 2 diabetes mellitus at nutritional risk: a randomized, double-blind, crossover, multicentre clinical trial (DIACARE)

José Manuel García Almeida , Isabel María Vegas Aguilar , Alicia Calleja Fernández , Cristina Porca Fernández , Tamara Casañas Quintana , Cristina Tejera Pérez , Francisco José Tinahones Madueño , Diego Bellido Guerrero

Publicado: 2022-12-15 / http://dx.doi.org/10.20960/nh.04577
Resumen | PDF

Editorial: Características organolépticas en la suplementación artificial, ¿prescribimos o servimos?

Juan José López Gómez , Daniel de Luis Román

Publicado: 2023-03-06 / http://dx.doi.org/10.20960/nh.04661
Resumen | PDF

Carta Editor: La inteligencia artificial y su implicación en el desarrollo de revisiones sistematizadas. Usos y limitaciones

Ángel Roco-Videla , Marcela Caviedes-Olmos , Raúl Aguilera-Eguía , Mariela Olguín-Barraza

Publicado: 2023-08-21 / http://dx.doi.org/10.20960/nh.04889
Resumen | PDF

Trabajo Original: Mejorando la atención nutricional del paciente oncológico: validación de un protocolo multidisciplinar en el entorno clínico español

José Manuel García Almeida , Isabel María Cornejo Pareja , Rocío Fernández Jiménez , Yolanda Lupiáñez Pérez , María José Molina Garrido , Cristina Abreu Padín , José Joaquín Alfaro-Martínez , M. Dolores Andreu Gosalbez , María Argente Pla , Vanessa Arosa Carril , Ana Artero , Manuel Cayón-Blanco , Luis Ángel Cuéllar Olmedo , Laura de la Maza Pereg , Estrella Diego Perojo , Margarita Díez-Muñiz-Alique , Patricia Diezhandino García , Belén Fernández de Bobadilla-Pascual , María Luisa Fernández Soto , Sergio Fuentes Tudanca , José Manuel Gil Gascón , José A. Irles-Rocamora , Lucía Juan Rodríguez , Ofelia Llamazares Iglesias , Francisco Losfablos Callau , Gregorio Manzano García , Cristian Marco-Alacid , Marta Pérez Cobos , M.ª Elena Mendoza Sierra , Luis Olay Gayoso , Josefina Olivares Alcolea , José Luis Pereira Cunill , Octavio Pérez Alonso , María Isabel Rebollo Pérez , José Manuel Ruiz Palomar , Juan José Silva Rodríguez , Patricia Sorribes Carreras , Begoña Vázquez Vizcaíno , Ning Yun Wu-Xiong

Publicado: 2023-11-22 / http://dx.doi.org/10.20960/nh.05043
Resumen | PDF

Trabajo Original: Tendencias en las características de los pacientes tratados con suplementos nutricionales en el Área Norte de Gran Canaria en el periodo 2016 -2021

Pablo Pedrianes Martín , Claudia Arnás León , Gerardo Sánchez Sánchez , Borja Santana Ojeda , Ignacio García Puente , Cristina Comi Díaz , Alicia Calleja Fernández , Pedro L. de Pablos Velasco

Publicado: 2023-09-18 / http://dx.doi.org/10.20960/nh.04940
Resumen | PDF

Trabajo Original: Decision tree model development and in silico validation for avoidable hospital readmissions at 30 days in a pediatric population

Nayara Cristina da Silva , Laurence Rodrigues do Amaral , Matheus de Souza Gomes , Pedro Luiz Lima Bertarini , Marcelo Keese Albertini , André Ricardo Backes , Geórgia das Graças Pena

Publicado: 2024-04-22 / http://dx.doi.org/10.20960/nh.05277
Resumen | PDF

Revisión: Inteligencia artificial generativa ChatGPT en nutrición clínica: avances y desafíos

Daniel de Luis Román

Publicado: 2024-12-31 / http://dx.doi.org/10.20960/nh.05692
Resumen | PDF

Revisión: Análisis de composición corporal en tomografía computarizada mediante programas informáticos de segmentación gratuitos

Andrés Jiménez-Sánchez , Pedro Pablo García-Luna

Publicado: 2025-01-07 / http://dx.doi.org/10.20960/nh.05699
Resumen | PDF

Revisión: Reto clínico 4. Y en el paciente crítico… ¿Puedo utilizar estrategias de inteligencia artificial para mejorar los resultados clínicos?

Joaquín Álvarez Rodríguez

Publicado: 2025-02-06 / http://dx.doi.org/10.20960/nh.05775
Resumen | PDF

Artículos más populares

Artículo Especial: VII Lección Jesús Culebras. Respuesta inflamatoria sistémica y disfunción/ fracaso multiorgánico tras una agresión: implicaciones metabólicas

Ante cualquier agresión, el organismo pone en marc...

Publicado: 2017-01-30
Resumen | PDF

Artículo Especial: VIII Lección Jesús Culebras. Medicina intensiva, nutrición e hiperglucemia: una relación muy estrecha

El paciente crítico presenta una respuesta metaból...

Publicado: 2017-07-28
Resumen | PDF

Revisión: Disinformation about diet and nutrition on social networks: a review of the literature

Background: social networks have become indispensa...

Publicado: 2024-09-19
Resumen | PDF

Editado en Madrid por:
Diseño y Desarrollo web Im3diA comunicación

Una cookie o galleta informática es un pequeño archivo de información que se guarda en su navegador cada vez que visita nuestra página web. La utilidad de las cookies es guardar el historial de su actividad en nuestra página web, de manera que, cuando la visite nuevamente, ésta pueda identificarle y configurar el contenido de la misma en base a sus hábitos de navegación, identidad y preferencias. Las cookies pueden ser aceptadas, rechazadas, bloqueadas y borradas, según desee. Ello podrá hacerlo mediante las opciones disponibles en la presente ventana o a través de la configuración de su navegador, según el caso. En caso de que rechace las cookies no podremos asegurarle el correcto funcionamiento de las distintas funcionalidades de nuestra página web. Más información en el apartado “POLÍTICA DE COOKIES” de nuestra página web.

Rechazar