Por concepto, personalizado quiere decir adaptado a las singularidades del individuo. Sus problemas, sus preferencias, sus respuestas a sus problemas y sus preferencias. Antes de predecir cómo responde cada persona a cada alimento, conviene comprobar si esa respuesta se repite.
Pongamos un ejemplo. Coge a treinta adultos, ingrésalos en una unidad metabólica y dales exactamente la misma comida dos veces, con una semana de diferencia entre ambas. Mismo plato, mismo horario, mismo entorno controlado. Añade un sensor continuo de glucosa y valora: ¿responderán igual las dos veces? A grandes rasgos, eso es lo que busca responder la nutrición personalizada.
Ese experimento existe y no, no respondieron igual. 1189 respuestas a comidas duplicadas y el título del artículo fue: Imprecision nutrition?. Esto ya nos indica un camino. La correlación entre la respuesta de una comida y su repetición en una misma persona al mismo plato con una semana de diferencia fue de r = 0.45. El coeficiente de correlación intraclase, que es la métrica que de verdad importa cuando hablamos de fiabilidad, salió entre 0.17 y 0.28, y quizá lo más llamativo fue que la variabilidad de un individuo frente a comidas repetidas era más o menos tan grande como su variabilidad frente a comidas distintas.
Con el desarrollo de la IA, estamos en pleno proceso de cambio de concepto. Lo que antes parecía que algún día se podría producir, ahora parece que es posible. Desde mi punto de vista, es más un cambio de concepto mental social que técnico, porque la tecnología ya existía, pero los grupos/empresas que trabajan en ello no tenían el mismo ruido que tienen ahora. Hay empresas como Biosmart que ya trabajan con estos conceptos y proyectos del NIH con presupuestos de 170 millones de dólares (Nutrition for Precision Health), que buscan fenotipar a miles de participantes y entrenar algoritmos que predigan la respuesta individual a la comida. Y sin embargo, parte de la comunidad científica sigue creyendo que la promesa sigue intacta, pero la traducción clínica no acaba de ser real.
De dónde viene todo esto
Hasta donde he podido profundizar, la idea nació en 2015 en un trabajo de Zeevi et al. Monitorizaron de forma continua la glucosa de 800 personas durante una semana. Un total de 46898 comidas registradas. Observaron que la respuesta glucémica a alimentos idénticos variaba entre personas y decidieron entrenar un modelo con microbiota, antropometría, actividad y parámetros sanguíneos. Con un ensayo aleatorizado ciego pudieron demostrar que las dietas diseñadas por el modelo reducían las excursiones posprandiales.
En 2020 llegó otro trabajo, en este caso con 1002 gemelos y adultos del Reino Unido. Los números siguen siendo los que todo el mundo cita: ante comidas idénticas, el coeficiente de variación poblacional fue del 103 % para triglicéridos, del 68 % para glucosa y del 59 % para insulina. Los factores propios de la persona (la microbiota, por ejemplo) pesaron más en la lipemia posprandial (7.1 % de la varianza) que los macronutrientes de la comida (3.6 %), mientras que en la glucemia el patrón se invertía. La genética aportó poco: un 9.5 % en glucosa, un 0.8 % en triglicéridos.
Ahí está el argumento fundacional del campo, y es bueno. Si dos personas comen lo mismo y sus curvas metabólicas son diferentes, una recomendación general única para toda la población está siendo insuficiente para un porcentaje elevado de la misma. El problema es que "hay heterogeneidad entre personas" y "puedo predecir la tuya" son afirmaciones con unas implicaciones muy distintas.
Heterogeneidad con biología detrás
Este blog me está quedando muy académico. En un trabajo reciente fenotiparon a 55 personas con pruebas de referencia de resistencia a la insulina y función de la célula beta y les administraron siete comidas ricas en hidratos de carbono, cada una por duplicado. Más allá de la variabilidad ya esperada, observaron que era una variabilidad ordenada. A quienes se les disparaba la glucosa con la patata resultaron ser más resistentes a la insulina y con peor función de célula beta mientras que quienes lo hacían con la uva, eran más sensibles a la insulina. Los que respondían fuerte al arroz eran con más frecuencia personas de origen asiático y los del pan tenían la presión arterial más alta. También observaron que los "mitigadores" (cargar la comida de fibra, proteína o grasa antes del arroz) funcionaron peor precisamente en los participantes resistentes a la insulina, que son quienes más los necesitarían. Encontraron un fenotipo con mecanismo y lo pudieron replicar dentro del propio estudio.
Y sin embargo, el ensayo…
Controlar la respuesta glucémica todavía no nos dice si ajustar la dieta a ese fenotipo mejora la salud más que el consejo nutricional clásico. Wu y colaboradores hacen una descripción, pero sin una intervención y una aleatorización no se puede ver realmente su eficacia. Hay un ensayo, con 347 adultos estadounidenses, 18 semanas de seguimiento, un programa personalizado basado precisamente en esas respuestas posprandiales (de glucosa y triglicéridos), además de microbiota e historia clínica, frente al consejo dietético estándar de las guías del USDA y de los dos resultados principales, uno salió y otro no:
- Los triglicéridos bajaron con una diferencia media de −0,13 mmol/l.
- El colesterol LDL no obtuvo resultados significativos.
Entre los análisis secundarios hubo mejoras en peso, cintura, HbA1c, calidad de la dieta y diversidad del microbioma, sobre todo en los participantes más adherentes. Y no hubo diferencias en presión arterial, insulina, glucosa, péptido C, apolipoproteínas A1 y B, ni en los triglicéridos posprandiales.
Ese mismo año se publicó otro estudio que se hizo una pregunta más profunda: ¿es igual de eficiente un programa personalizado y el consejo genérico si son igual de intensivos, igual de acompañados y con el mismo número de contactos? Un programa con app, seguimiento y refuerzo continuo frente a un folleto y unos vídeos no responde a la pregunta "¿sirve personalizar?", sino a "¿sirve que alguien te haga caso durante cuatro meses?". Añadamos que buena parte de los autores del ensayo trabajan para la empresa que vende el producto. Aunque no invalida nada, ¿no habría que valorar que existen ciertos conflictos de interés?
Lo que esto significa si trabajáis con datos
Si juntamos las dos piezas, el trabajo de Wu y el ensayo, la lección de fondo es de medición. Wu encontró orden porque midió cada comida dos veces y ancló la respuesta a pruebas de referencia de resistencia a la insulina y función de la célula beta. Sin eso, el orden habría quedado escondido en el ruido.
Y es un límite duro: ningún algoritmo puede predecir un fenotipo mejor de lo que ese fenotipo se predice a sí mismo al repetirlo. Si el ICC test-retest de una respuesta posprandial es 0.2, ese número es el techo de cualquier modelo entrenado sobre ella, por mucha elastic net o gradient boosting que le pongáis encima. Toda la varianza que el modelo explique por encima es ajuste al ruido.
Para la parte epidemiológica, es la dilución por regresión. La misma razón por la que en metabolómica miramos el ICC de un metabolito entre extracciones antes de fiarnos de una sola muestra. Lo nuevo es que ahora el ruido viene con app.
De todo esto podemos sacar tres consecuencias o conclusiones para nuestro trabajo:
- Publicar el ICC test-retest de vuestro outcome debería ser tan rutinario como publicar el intervalo de confianza.
- La personalización necesita diseños con medidas repetidas y ensayos n-of-1 replicados.
- Si clasificáis a alguien como respondedor, hay que comprobar que sigue siéndolo tres meses después. Si no, lo que habéis clasificado es el día que le tocó.
La señal se puede rescatar. El propio artículo de Hall señala que el sesgo medio entre comidas duplicadas era pequeño, lo que sugiere que, agregando suficientes medidas repetidas, la respuesta individual acaba emergiendo. El trabajo de Wu va en esa dirección: duplicados, fenotipado de referencia y replicación dentro del propio estudio. Justo lo contrario de un sensor puesto durante dos semanas para decirte que el plátano "no es para ti".
Mientras tanto, las generalizaciones han demostrado ser lo suficientemente eficientes (y económicas) como para que sean la base. Fibra, vegetales, menos ultraprocesados y el patrón mediterráneo. Nada de eso se tambalea porque la personalización todavía no haya llegado. La capa individual irá encima de esa base, nunca en su lugar.
Solo como curiosidad: la revisión de Nature Medicine de 2025 dedica buena parte de su texto a los mismos huecos que señalaba Guess un año antes. Comparadores adecuados, resultados clínicos duros, seguimiento largo, poblaciones diversas. Los mismos que ya estaban en 2020.
La nutrición de precisión funcionará el día que midamos la respuesta individual con la fiabilidad con la que hoy medimos el colesterol. Hasta entonces, cada algoritmo entrenado sobre una señal que no se repite seguirá siendo un modelo “sobreentrenado”.