Las aplicaciones capaces de estimar las calorías de una comida a partir de una simple foto prometen un seguimiento alimentario rápido. Sin embargo, una evaluación realizada en cuatro servicios populares muestra que a menudo subestiman la energía y las grasas presentes en el plato.
Los investigadores probaron MyFitnessPal, Lose It!, Cal AI y Appediet con 102 comidas preparadas en una cocina metabólica de los National Institutes of Health. Cada ingrediente había sido pesado con una precisión de 0,1 g, lo que proporciona una referencia mucho más precisa que una estimación visual ordinaria.
Imagen de ilustración Pixabay
Para cada comida, se envió una fotografía estandarizada a las cuatro aplicaciones. Sus resultados se compararon después con los valores nutricionales reales. En promedio, las estimaciones mostraban entre 250 y 345 calorías menos por comida, es decir, una reducción de aproximadamente un tercio.
Los errores afectaban especialmente a las grasas, subestimadas en unos 30 g por comida. Los carbohidratos solían reconocerse mejor. Los primeros resultados también indican que los platos bajos en carbohidratos y ricos en lípidos, como algunas comidas cetogénicas, presentan más incoherencias.
Una fotografía no siempre revela la cantidad de aceite, mantequilla, salsa o ingredientes ocultos en una preparación. La inteligencia artificial también debe estimar los volúmenes a partir de una imagen en dos dimensiones, sin conocer con precisión la receta ni la densidad de los alimentos.
Estas diferencias pueden distorsionar un diario alimentario utilizado para perder peso, ajustar un tratamiento o hablar con un profesional de la salud. Por ello, los autores recomiendan verificar las porciones y completar manualmente la información cuando la precisión nutricional sea importante.
El estudio sigue siendo preliminar. Se presentó en el congreso NUTRITION 2026 y compara cuatro aplicaciones en condiciones controladas, sin medir directamente sus efectos en los hábitos alimentarios de los usuarios.
Los investigadores continuaron el análisis con más de 200 comidas adicionales para identificar los tipos de platos más difíciles de interpretar. Estos trabajos podrían ayudar a los desarrolladores a mejorar la estimación de las porciones, el reconocimiento de las grasas y la integración de la información proporcionada por el usuario.