Masculino · 72 kg · 58 años
Pondera, optimiza y aplica reglas verificables
Combina ponderaciones calibradas, optimización matemática y restricciones clínicas explícitas. Tú revisas y publicas — el profesional decide.
Atiende hasta 5 pacientes al mes, gratis
Sin tarjeta · Plan 28 días con IA completa
Así funciona en tu consulta
Antecedentes → optimiza con reglas → listo para revisión
ESPEN / KDIGO
2024
0,8 g/kg P · ≈58 g · G3b
ADA / KDIGO
2026
Cruce DM2+ERC → 0,8 g/kg
KDIGO / KDOQI
2024
P ≤900 mg · Na ≤2000 mg
1.850 kcal · P 13% · CHO 52% · G 35%
≈ 58 g P (0,8 g/kg) · 72 kg
✓ Alineado a objetivoNo toda inteligencia artificial genera texto
Un LLM predice la siguiente palabra. MNP usa una arquitectura híbrida: pondera objetivos, busca combinaciones y opera dentro de límites clínicos verificables.
Entrenamiento
Ponderación de objetivos
Calibra la importancia relativa de variables y prioridades. No memoriza menús ni predice texto.
Orienta el equilibrioOptimización
Búsqueda estructurada
Evalúa combinaciones en una base controlada y se acerca a los objetivos definidos.
Busca la mejor combinaciónReglas clínicas
Límites verificables
Alergias, exclusiones, criterios clínicos y fármacos se vuelven restricciones que delimitan lo permitido.
Límites no negociablesRevisión profesional
Decisión clínica humana
Revisas objetivos, reglas activas y resultado; ajustas y decides qué entregar al paciente.
Tú decidesEl entrenamiento orienta. La optimización busca. Las reglas delimitan. El profesional decide.
Algunas variables pueden equilibrarse. Otras funcionan como límites que la IA clínica no puede traspasar.
- Datos estructurados del paciente
- Objetivos nutricionales Ponderables
-
IA clínica
Ponderaciones calibradas Orientan el equilibrioReglas y restricciones Límites no vulnerables - Resultado estructurado Calculado
- Auditoría clínica MNP
- Revisión profesional Decisión humana
Objetivos ponderables
- Energía
- Distribución nutricional
- Variedad
- Preferencias
- Equilibrio entre criterios
Restricciones clínicas
- Alérgenos
- Exclusiones obligatorias
- Límites del caso
- Reglas por patología
- Ajustes por fármacos
Caso clínico: cómo opera la arquitectura
Ejemplo ilustrativo DM2 + HTA + ERC G3b — no es un ensayo clínico ni una afirmación de eficacia.
-
Datos y antecedentes
Masculino · 72 kg · 58 años · DM2, HTA, ERC G3b
Entrada estructurada -
Objetivos nutricionales
≈1.850 kcal · P 13% · CHO 52% · G 35%
Definidos por el profesional -
Restricciones activas
Proteína 0,8 g/kg · Na ≤2000 mg · P ≤900 mg
Jerarquía en multimorbilidad -
Variables ponderables
Energía, macros, variedad y preferencias
Se equilibran dentro del límite -
Resultado de la IA clínica
Menú desde base clínica validada — no texto libre
Alineado al caso -
Objetivo vs resultado
kcal y macros prescritos frente al plan generado
Visible en Auditoría -
Revisión profesional
Tú ajustas si hace falta y publicas · Web App al paciente
Decisión humana final
En multimorbilidad, la IA clínica prioriza seguridad, marca conflictos que requieren individualización y los deja visibles para tu revisión.
Marco clínico activo
Marco clínico
Proteína 0,8 g/kg · Na ≤2000 mg · P ≤900 mg
Caso
72 kg · Cruce DM2+ERC → 0,8 g/kg
Objetivo vs plan generado
| Métrica | Objetivo | Plan |
|---|---|---|
| kcal | 1 850 | 1 842 ✓ |
| Proteínas | 13 % · 58 g | 13 % · 58 g ✓ |
| Carbohidratos | 52 % | 51 % ✓ |
| Grasas | 35 % | 36 % ✓ |
Guías citadas en el ejemplo
- ESPEN / KDIGO Proteína según estadio renal
- ADA / KDIGO Cruce DM2 + ERC
- KDIGO / KDOQI Fósforo y sodio
Resultado ilustrativo
≈ 58 g P · 0,8 g/kg
Listo para revisión profesional
Auditoría y control profesional
Ves qué entró al cálculo, qué reglas se activaron y cómo quedó el resultado frente al objetivo.
¿Qué puedes identificar?
- Datos del paciente
- Ecuaciones utilizadas
- Reglas y guías activas
- Objetivos definidos
- Restricciones aplicadas
- Objetivo vs resultado
- Revisión y publicación
Dónde verlo en la app
- Ingreso — Ajustas kcal y macros
- Generación — Marco clínico activo
- Revisión — Auditoría clínica
- Publicación — Tú decides qué entregar
Mismos datos → mismo criterio. Revisable — no texto libre de un chat.
Guías y reglas clínicas verificables
Las reglas no sustituyen la optimización: delimitan el espacio de soluciones. Cada resultado parte de los datos del paciente y de guías reconocidas.
Multimorbilidad
Más de 40 patologías consideradas a la vez (ej. DM2 + HTA + celiaquía en el mismo plan).
Fármacos
GLP-1, anticoagulantes, estatinas y HTA: ajustes dietéticos según medicación declarada en el pre-ingreso.
Energía y macros
Ecuaciones validadas (Mifflin-St Jeor, Katch-McArdle) y ajuste de proteína según función renal cuando aplica.
Menú y nutrientes
Solo recetas de la base validada; límites de sodio, fibra y grasas según el criterio clínico del caso.
Ver ejemplos de casos clínicos en la home →
Guías clínicas en la práctica
ESPEN 2024 / KDIGO (ERC)
Proteína según eGFR; sodio ≤2000 mg/d.
MNP: Ajuste automático — visible en Marco clínico y Auditoría.
ADA 2026 / DGA 2025-2030 (DM2)
CHO individualizados; integrales, fibra; menos azúcares añadidos.
MNP: Criterio al armar menú y elegir recetas.
AHA/ACC/HFSA 2022 (IC)
Evitar sodio en exceso; meta individualizable según el caso (AHA/ACC/HFSA 2022).
MNP: Límite de sodio en menú diario; objetivo vs plan en auditoría.
AHA PREVENT 2024 (riesgo CV)
AHA PREVENT 2024: estratificación de riesgo cardiovascular a 10 y 30 años. Las metas lipídicas, glucémicas y nutricionales se determinan posteriormente mediante las guías clínicas aplicables.
MNP: Calculadora integrada. Modelos CV →
Arquitectura híbrida vs IA generativa
En salud importa si puedes auditar el resultado, citar la guía y entender qué tipo de inteligencia artificial estás usando. No todos los LLM son idénticos; esta tabla resume diferencias típicas frente a un copiloto de redacción libre.
| Pregunta clínica | Copiloto con IA generativa | Metabolic Nutrition Pro |
|---|---|---|
| ¿Cómo se genera el plan? | Redacción libre según lo que escribes en el chat | Ponderaciones calibradas + optimización matemática + reglas clínicas + revisión profesional. |
| ¿Qué tipo de IA utiliza? | Modelo de lenguaje que predice texto | Arquitectura híbrida de optimización clínica. No genera texto libre y tampoco se limita a ejecutar reglas. |
| ¿Cómo maneja múltiples objetivos? | Depende del prompt y de la interpretación del modelo | Evalúa simultáneamente objetivos ponderables y restricciones que deben cumplirse. |
| ¿Puede inventar alimentos o dosis? | Sí — riesgo de alucinación | No genera texto libre — selecciona de base clínica validada; tú revisas antes de publicar |
| ¿Mismos antecedentes, mismo criterio clínico? | No garantizado | Sí en objetivos y restricciones Mismas ecuaciones, guías activas y límites nutricionales. |
| ¿Qué permanece estable al regenerar? | Respuesta distinta en cada regeneración — sin criterio clínico fijo | |
| ¿Respeta guías con cifras comprobables? | Puede mezclar versiones, redondear mal o no citar la fuente | Metas ancladas a la guía (ej. restricción de sodio en IC según AHA/ACC/HFSA 2022), visibles en Marco clínico activo y Auditoría clínica |
| ¿Varias condiciones a la vez? | Suele resumir el caso en un párrafo genérico | Integra DM2, HTA y celiaquía (u otras) en un solo plan, sin priorizar solo una enfermedad ni contradecir las guías |
| ¿Impacto ambiental por plan? | Alto: inferencia GPU + contexto masivo y generación secuencial en cada menú | Menor: cómputo determinista con optimización y reglas clínicas — sin redactar con LLM generativo |
| ¿Dónde van los datos del paciente? | Suele ser infraestructura del proveedor; transferencias según región y tipo de contrato | Google Cloud Chile — sin envío a IAs generativas de terceros |
| ¿Alimentan modelos de IA? | En uso informal, puede ocurrir según políticas del proveedor; sin tu control contractual ni DPA como encargado | No en servicios ajenos. La generación no reentrena la IA clínica con tus pacientes; investigación solo con opt-in del paciente |
| ¿Qué entrega al paciente? | Texto o PDF que tú copias | Menú de 28 días + recetas + lista + Web App interactiva |
| ¿Coste por cada plan? | Cobro por uso del chat (variable, opaco) | Sin depender de chats de pago por cada menú generado |
Alcance de esta comparación: uso clínico informal habitual (cuenta personal, sin contrato empresarial). Las versiones institucionales y APIs con acuerdos de tratamiento pueden tener otras condiciones de datos y residencia.
Para el detalle de seguridad de datos y cumplimiento legal, revisa nuestra guía de seguridad de datos → · Alternativa a Excel manual →
IA clínica más sustentable
Optimización y reglas en segundos — sin redactar cada plan con chat generativo.
Menos energía
Cómputo determinista, no GPU generando token a token.
Cálculo directo
Optimización y reglas clínicas aplicadas, sin redactar menús.
Datos en Chile
Expediente local, sin datacenters de chat en el extranjero.
Ver detalle
Supuestos visibles en el gráfico: catálogo completo en cada consulta, generación secuencial del menú (token a token) y MNP con ecuaciones clínicas sin redacción LLM. Estimación teórica aproximada 100×–1.000×; no es medición directa de APIs comerciales ni representa todas las implementaciones posibles de LLM.
Estimación teórica por plan nutricional funcionalmente equivalente (28 días, 5 comidas/día, caso omnívoro 2000 kcal): mismo entregable clínico (menú completo, macros, lista y guía), no solo un texto superficialmente similar. Cifras redondeadas a la baja; órdenes de magnitud, no medición con power meter.
Equivalencia funcional (escenario documentado)
Para producir el mismo entregable clínico con un chat generativo sin RAG, caché, herramientas ni catálogo preindexado, el modelo tendría que ingerir como texto las reglas del caso, el catálogo de recetas filtrado (442 recetas) y la tabla de alimentos de referencia (325 ítems), y luego redactar secuencialmente el plan completo y la salida para el paciente. Eso implica aproximadamente ~341k tokens de entrada y ~57k tokens de salida por plan — dos fases intensivas en GPU (prefill + decode).
MNP resuelve el mismo caso con ecuaciones clínicas y optimización numérica en CPU, sin modelo de lenguaje generativo ni redacción token a token.
Fórmulas de estimación
- MNP (determinista): energía ≈ potencia CPU estimada × tiempo de pipeline (~11 s). Cómputo regional en Chile; sin inferencia GPU.
- Chat generativo (referencia): energía ≈ (tiempo prefill + tiempo decode) × potencia GPU efectiva × PUE de datacenter. GPU de referencia: clase NVIDIA A100 80GB SXM (batch=1, FP16). El TDP de la GPU no equivale automáticamente al consumo atribuible a una solicitud.
Resultado comparativo (rango de escenario)
- Estimación teórica bajo los supuestos descritos (catálogo completo en contexto, generación secuencial, inferencia GPU de referencia): aproximadamente 100×–1.000× más consumo computacional que MNP por el mismo plan.
- No corresponde a una medición directa de APIs comerciales. No se publican nombres de modelos cerrados hasta contar con un benchmark reproducible (código, hoja de cálculo y análisis de sensibilidad).
Limitaciones
- Estimación teórica basada en throughput de inferencia publicado; no medición directa en producción.
- El consumo real de APIs de chat varía con batching, cuantización, KV-cache y paralelismo.
- Un producto generativo podría utilizar RAG, caché, herramientas, búsqueda estructurada o un catálogo preindexado, sin introducir todo el catálogo en cada prompt — este escenario no está modelado aquí.
- El tamaño exacto y la infraestructura efectiva de modelos comerciales cerrados no son públicos.
- No incluye red, cold start ni almacenamiento; compara solo el cómputo de generación del plan.
- La equivalencia asume catálogo completo en contexto — escenario conservador y acotado, no universal.
Referencias metodológicas
- Patterson et al. — Carbon Emissions and Large Neural Network Training (energía ∝ tiempo de cómputo × potencia)
- Luccioni et al. — Power Hungry Processing: Watts Driving the Cost of AI Deployment? (coste energético de inferencia LLM)
- NVIDIA A100 80GB (TDP de referencia para clase GPU de inferencia; no es hardware de MNP)
Contexto local y seguridad de datos
Software de IA clínica hecho en Chile — con datos, equipo y contexto de salud local.
Datos en Google Cloud Chile
Expediente clínico en Chile (GCP Santiago). Procesos auxiliares y correo pueden transitar por Brasil sin almacenar fichas allí.
Almacenamiento clínico en ChileEquipo clínico y técnico local
Desarrollado con nutricionistas y médicos en Chile. Diseñado para multimorbilidad real en consulta — no plantillas importadas.
Contexto clínico localBase de alimentos LATAM nativa
Alimentos, porciones y recetas con contexto cultural latinoamericano — no solo bases extranjeras traducidas.
+1000 recetas LATAMAlineado con Ley 21.719
DPA como encargado del tratamiento y herramientas pensadas para datos de salud. Guía educativa Ley 21.719 →
Datos de salud en ChileMás sobre seguridad de datos → · Diagnóstico nutricional → · Plan nutricional clínico →
Preguntas frecuentes sobre IA en salud en Chile
Respuestas directas para profesionales que evalúan inteligencia artificial clínica.
¿Qué tipo de inteligencia artificial utiliza MNP?
MNP utiliza una arquitectura híbrida. El entrenamiento calibra cómo se ponderan distintos objetivos; la optimización evalúa combinaciones posibles; las reglas clínicas delimitan lo permitido; y el profesional revisa y aprueba el resultado.
Si es determinística, ¿por qué se considera IA?
Porque la inteligencia artificial no se limita a generar texto. En MNP está en la ponderación entrenada de múltiples objetivos, la búsqueda de combinaciones y la adaptación del resultado a los datos y restricciones de cada caso. «Determinística» significa que el criterio es estructurado y revisable, no que se utilice una plantilla fija.
¿Es MNP un sistema experto?
Incluye una capa de reglas clínicas, pero no se limita a ella. Las reglas establecen límites y prioridades; la IA clínica busca combinaciones compatibles dentro de esos límites.
¿Es un modelo de lenguaje?
No. Los planes no se redactan token a token ni dependen de una conversación. La IA clínica trabaja con información estructurada y elementos conocidos de una base clínica validada.
¿MNP aprende automáticamente de mis pacientes?
No. La generación del plan no reentrena la IA clínica con los datos de tus pacientes. Las ponderaciones se calibran fuera de la consulta clínica; la investigación científica con datos es opcional y requiere autorización explícita del paciente. Tus datos no alimentan modelos de terceros. Más detalle en seguridad de datos.
¿Qué es IA salud para profesionales de la salud?
Es un sistema que adapta criterios clínicos estructurados a cada caso — ponderación, optimización y reglas — bajo revisión profesional. En MNP, la IA es determinística: mismos datos, criterio auditable; sin modelo de lenguaje generativo.
¿La IA puede aplicar guías clínicas automáticamente?
Sí. Durante la generación ves Marco clínico activo con las guías y criterios aplicados (sodio, proteína, CHO…). Al terminar, Auditoría clínica contrasta objetivo y plan con la guía citada. Ver ejemplos →
¿MNP usa ChatGPT, Claude o Gemini?
No. Los planes se calculan con la arquitectura híbrida en Chile, sin enviar datos de pacientes a ChatGPT, Claude ni Gemini. La investigación científica con datos codificados es aparte y requiere opt-in explícito del paciente.
¿Qué significa IA clínica determinística?
Con los mismos datos del paciente obtienes un criterio nutricional auditable: ecuaciones, reglas por patología, objetivos y restricciones — no texto generado al azar por un chat. Ver auditoría →
¿Puedo ver qué reglas se aplicaron a un plan?
Sí. Durante la generación ves Marco clínico activo con los criterios aplicados; al terminar, abre Auditoría clínica para contrastar objetivo y plan (ecuación, guías, macros).
¿Qué guías clínicas sigue Metabolic Nutrition Pro?
Entre otras: ESPEN/KDIGO en ERC, ADA/DGA en DM2, AHA/ACC/HFSA en insuficiencia cardíaca y AHA PREVENT en riesgo cardiovascular. Cada una se traduce en criterios visibles al generar. Ejemplos con cifras →
¿Por qué es más sustentable que usar un chat de IA para dietas?
Un chat con IA generativa consume mucha electricidad cada vez que redacta un menú. MNP resuelve el caso con optimización y reglas clínicas en pocos segundos, con menos consumo por consulta, y mantiene el expediente en Chile sin enviarlo a centros de chat masivos en el extranjero. Ver detalle →
¿Es lo mismo que NutrIA u otras apps de IA?
No. MNP genera menús clínicos completos de 28 días con recetas, lista y guía. Las apps de reconocimiento de fotos o conteo de calorías sirven al paciente por su cuenta, no al flujo de tu consulta.
¿Puedo auditar cómo se calculó el plan?
Sí. Abre Auditoría clínica desde el plan generado: ecuación usada, criterios de guía, objetivos, restricciones y comparación entre lo que definiste y el menú resultante. Tú revisas y publicas.
¿Los datos salen de Chile?
Los datos se alojan y procesan principalmente en servidores en Santiago, Chile. El detalle de subencargados y transferencias está en la política de privacidad. Más en seguridad de datos.
¿Reemplaza mi criterio clínico?
No. Automatizamos ponderación, optimización y armado del menú para que tú valides cada decisión. Tu paciente recibe el plan que tú apruebas.
¿En qué se diferencia de un copiloto LLM?
Un copiloto genera borradores desde el chat. MNP entrega un menú estructurado de 28 días con arquitectura híbrida propia, guías verificables y sin depender de un chat de pago por cada menú.
Prueba la IA clínica sin tarjeta
Misma potencia en Plan Free: arquitectura híbrida, Web App al paciente y datos en Chile.
Ver planes y precios · Seguridad de datos · Ver plan nutricional clínico
En LinkedIn: arquitectura híbrida · auditabilidad clínica