Rev. Cient. Sist. Inform. 3(1), e489, doi: 10.51252/rcsi.v3i1.489
Artículo original
Original article
Ene-Jun, 2023
https://revistas.unsm.edu.pe/index.php/rcsi
e-ISSN: 2709-992X
Este es un artículo de acceso abierto distribuido bajo los términos de la licencia de atribución de Creative Commons, que permite el uso sin restricciones, distribución y
reproducción en cualquier medio, siempre que se cite debidamente la obra original.
Aplicación de técnicas de inteligencia artificial en estudios
sobre hábitos alimentarios: Análisis bibliométrico
Application of artificial intelligence techniques in studies on eating habits:
Bibliometric analysis
Lozano-Flores, Erika Del Milagro 1*
1Universidad César Vallejo, Tarapoto, Perú
Recibido: 02 Oct. 2022 | Aceptado: 04 Ene. 2023 | Publicado: 20 Ene. 2023
Autor de correspondencia*: elozanof@ucvvirtual.edu.pe
Cómo citar este artículo: Lozano-Flores, E. D. M. (2023). Aplicación de técnicas de inteligencia artificial en estudios sobre hábitos
alimentarios: Análisis bibliométrico. Revista Científica de Sistemas e Informática, 3(1), e489. https://doi.org/10.51252/rcsi.v3i1.489
RESUMEN
El estudio presenta un análisis bibliométrico sobre la aplicación de técnicas de inteligencia artificial en
investigaciones relacionadas con hábitos alimentarios. Se analizaron 233 documentos extraídos de la base de
datos Scopus desde 1990 hasta 2020, identificando las principales tendencias en la producción científica, fuentes
de publicación, afiliaciones institucionales y redes de colaboración. Los resultados muestran un crecimiento
exponencial en el número de publicaciones a partir de 2015, atribuible a los avances en IA y al creciente interés
en la salud pública. La revista "Lecture Notes in Computer Science" es la fuente con más publicaciones en este
campo, seguida por "ACM International Conference Proceeding Series". Las instituciones con mayor producción
son el "Weizmann Institute of Science" y la "University of Bari". Asimismo, el análisis de palabras clave destaca
la relevancia de técnicas como "machine learning", "deep learning" y "neural networks". Los mapas de
colaboración reflejan que Estados Unidos y China son líderes en producción y coautoría. El estudio concluye que
la IA ha tenido un impacto creciente en la investigación de hábitos alimentarios, resaltando su importancia como
una herramienta emergente para mejorar la comprensión de los hábitos alimentarios y promover intervenciones
personalizadas y eficaces en salud pública.
Palabras clave: redes neuronales; sistemas de recomendación; aprendizaje profundo; nutrición
ABSTRACT
The study presents a bibliometric analysis of the application of artificial intelligence techniques in research
related to eating habits. A total of 233 documents were analyzed from the Scopus database between 1990 and
2020, identifying the main trends in scientific production, publication sources, institutional affiliations, and
collaboration networks. The results show an exponential growth in the number of publications since 2015,
attributable to advancements in AI and the increasing interest in public health. The journal "Lecture Notes in
Computer Science" is the source with the most publications in this field, followed by the "ACM International
Conference Proceeding Series." The institutions with the highest production are the "Weizmann Institute of
Science" and the "University of Bari." Furthermore, the keyword analysis highlights the relevance of techniques
such as "machine learning," "deep learning," and "neural networks." Collaboration maps reveal that the United
States and China are leaders in production and co-authorship. The study concludes that AI has had a growing
impact on research into eating habits, highlighting its importance as an emerging tool for improving the
understanding of dietary behaviors and promoting personalized and effective public health interventions.
Keywords: neural networks; recommender systems; deep learning; nutrition
Lozano-Flores, E. D. M.
2 Rev. Cient. Sist. Inform. 3(1): e489; (Ene-Jun, 2023). e-ISSN: 2709-992X
1. INTRODUCCIÓN
Los hábitos alimentarios son conductas adquiridas que influyen en las decisiones dietéticas de las personas
y afectan su salud a lo largo del tiempo (Chen et al., 2020; Marshall et al., 2022). Los hábitos son el resultado
de una interacción compleja de factores culturales, socioeconómicos, educativos y familiares, y pueden
generar patrones de alimentación tanto saludables como perjudiciales (Pecune et al., 2020). En las últimas
décadas, el aumento en la prevalencia de enfermedades no transmisibles relacionadas con una dieta
deficiente, como la obesidad, la diabetes y las enfermedades cardiovasculares, ha puesto de manifiesto la
importancia de comprender y modificar estos comportamientos para mejorar la salud pública (Zitouni
et al., 2020).
El progreso en Inteligencia Artificial (IA) ha abierto nuevas vías para el análisis de datos complejos,
incluidos los relacionados con los hábitos alimentarios (Ramos et al., 2022; Sami et al., 2021; Zhou, 2022).
Técnicas como el aprendizaje automático, el análisis predictivo y los sistemas de recomendación se han
implementado con éxito para explorar factores que influyen en las decisiones alimenticias y para diseñar
intervenciones personalizadas que fomenten hábitos más saludables (Swain et al., 2022; Xie et al., 2022).
La capacidad de la IA para procesar grandes volúmenes de datos y extraer patrones útiles representa una
herramienta para abordar desafíos relacionados con la nutrición y la salud (Shams et al., 2021; Swain et al.,
2022).
La adopción de hábitos alimentarios inadecuados tiene diversas causas, tales como el acceso limitado a
alimentos saludables, la falta de educación nutricional y la influencia del marketing de productos
ultraprocesados (Gutiérrez-Esparza et al., 2021; Tian et al., 2022). Además, los determinantes sociales de
la salud, como el nivel socioeconómico y la disponibilidad de recursos en las comunidades, desempeñan un
papel importante en la configuración de estos hábitos (Pecune et al., 2022). Estos factores combinados
contribuyen a la aparición de patrones alimentarios poco saludables.
Las consecuencias de estos hábitos inadecuados están relacionadas no solo con la aparición de
enfermedades crónicas y la disminución de la calidad de vida, sino también con un desafío creciente para
los sistemas de salud pública debido a los costos asociados al tratamiento de estas enfermedades. Además,
la mala alimentación puede afectar el rendimiento académico y la productividad laboral, generando
implicaciones socioeconómicas (Oh et al., 2022; Sujatha et al., 2022).
El creciente interés en la IA aplicada al estudio de los hábitos alimentarios ha impulsado un considerable
aumento en la literatura científica sobre el tema (Tian et al., 2022). Sin embargo, hasta la fecha, existe pocos
estudios bibliométricos que proporcione una visión integral de cómo se ha desarrollado este campo de
investigación. Un análisis bibliométrico ofrece la oportunidad de explorar tendencias, identificar áreas
emergentes, evaluar el impacto de las publicaciones, y comprender cómo se han aplicado y desarrollado
las técnicas de IA en este contexto específico.
Por lo tanto, el objetivo es analizar la investigación relacionada con la aplicación de técnicas de IA en el
estudio de los hábitos alimentarios, con el fin de identificar las principales técnicas de IA utilizadas, las
tendencias de publicación, la colaboración entre autores e instituciones, y los beneficios que estas
investigaciones han aportado a la comprensión de los hábitos alimentarios. Con ello, se espera ofrecer un
panorama general del estado actual de la investigación en esta área y señalar oportunidades para futuras
intervenciones.
2. MATERIALES Y MÉTODOS
Se aplicó el método bibliométrico que proporciona técnicas para analizar cuantitativamente la producción
o el impacto de la investigación científica de un tema en particular, ofreciendo una visión integral de las
dinámicas y tendencias en el ámbito académico (McBurney & Novak, 2002). Los indicadores evaluados
fueron: 1) producción científica anual, 2) fuentes de publicación más productivas, 3) instituciones con
Lozano-Flores, E. D. M.
3 Rev. Cient. Sist. Inform. 3(1): e489; (Ene-Jun, 2023). e-ISSN: 2709-992X
mayor producción, 4) palabras clave de mayor ocurrencia, 5) red de colaboración de países y 6) red de
colaboración de autores.
Se analizó 233 documentos extraídos de la base de datos Scopus entre 1990 y 2020, empleando la cadena
de búsqueda en el título, resumen y palabras clave: ("artificial intelligence" OR "machine learning" OR "deep
learning" OR "neural networks" OR "recommendation systems") AND ("eating habits" OR "dietary habits"
OR "healthy eating" OR "healthy diet"). Posteriormente, estos fueron exportados en formato csv y luego
importados en la herramienta Biblioshiny desarrollada por Aria & Cuccurullo (2017), que trabaja con el
paquete Bibliometrix de la aplicación RStudio.
3. RESULTADOS Y DISCUSIÓN
La Figura 1 muestra la evolución temporal del número de artículos publicados sobre la aplicación de
técnicas de IA en el estudio de hábitos alimentarios desde 1990 hasta 2020. Hasta el 2000, el volumen de
publicaciones es casi nulo, evidenciando un limitado interés en el tema durante esa década. A partir del año
2000, comienza un leve incremento que se mantiene moderado hasta 2010, con pequeñas fluctuaciones, lo
que podría indicar un crecimiento paulatino en la investigación de este campo. A partir de 2010 se observa
un crecimiento más marcado, pero es entre 2015 y 2019 donde se presenta un notable aumento
exponencial en la cantidad de publicaciones. Este fuerte crecimiento reciente puede ser atribuido a los
avances en técnicas de IA y a una mayor conciencia de la importancia de los hábitos alimentarios para la
salud pública. La tendencia sugiere que la investigación en esta área ha ganado un impulso significativo en
los últimos años y que el interés por el tema sigue creciendo rápidamente.
Figura 1. Producción científica anual 1989-2020
La Figura 2 las 10 principales fuentes de publicaciones sobre la aplicación de técnicas de IA en estudios de
hábitos alimentarios. La fuente con el mayor número de documentos es "Lecture Notes in Computer Science
(including subseries)", con 20 publicaciones, lo que sugiere que este campo ha sido abordado extensamente
desde la perspectiva de la informática. Le sigue "ACM International Conference Proceeding Series" con 10
documentos, indicando un interés considerable en conferencias relacionadas con tecnología y
computación. "Nutrients" y "IEEE Access" también se destacan con 7 y 6 publicaciones respectivamente,
reflejando el cruce de temas entre IA y nutrición. Otras fuentes como "AAAI Spring Symposium - Technical
Report", "Advances in Intelligent Systems and Computing", y "American Journal of Clinical Nutrition" tienen
3 publicaciones cada una, demostrando la diversidad de campos interesados en este tema. Finalmente,
publicaciones como "Artificial Intelligence in Medicine" y "CEUR Workshop Proceedings" tienen 2
Lozano-Flores, E. D. M.
4 Rev. Cient. Sist. Inform. 3(1): e489; (Ene-Jun, 2023). e-ISSN: 2709-992X
documentos, señalando una presencia moderada pero significativa de la investigación en salud y tecnología
aplicada.
Figura 2. Top 10 de fuentes de publicación más productivas
La Figura 3 ilustra las principales afiliaciones de autores que han publicado sobre la aplicación de IA en el
estudio de hábitos alimentarios, destacando el número de artículos producidos por cada institución. La
"Weizmann Institute of Science" lidera con 20 artículos, sugiriendo un liderazgo en este campo de
investigación. Le sigue la "University of Bari" con 15 publicaciones, mostrando también una considerable
contribución académica. La "University of Bern", "Jilin University", y "Mashhad University of Medical
Sciences" presentan una contribución notable con 10, 9 y 9 artículos respectivamente, lo que indica un
interés internacional y diversidad geográfica en la investigación de IA aplicada a los hábitos alimentarios.
Figura 3. Top 10 de instituciones con mayor producción
La nube de palabras (Figura 4) representa los términos más frecuentes en la literatura relacionada con la
aplicación de IA al estudio de hábitos alimentarios. "Machine learning" es el término más destacado, lo que
indica su centralidad en esta área de investigación. Le siguen términos como "artificial intelligence" y "deep
Lozano-Flores, E. D. M.
5 Rev. Cient. Sist. Inform. 3(1): e489; (Ene-Jun, 2023). e-ISSN: 2709-992X
learning," lo que demuestra la prominencia de estas técnicas en el análisis de patrones alimentarios. Otros
conceptos como "neural network," "nutrition," "diabetes," y "classification" también se destacan, reflejando
la variedad de enfoques y aplicaciones en temas como enfermedades relacionadas con la dieta,
reconocimiento de alimentos y clasificación de patrones alimenticios.
Figura 4. Palabras clave de mayor ocurrencia
Asimismo, palabras como "recommender system," "food recognition," y "healthy diet" señalan aplicaciones
específicas de la IA para promover comportamientos saludables y mejorar la toma de decisiones
alimenticias. La aparición de términos como "ensemble learning," "data mining," y "convolutional neural
network" sugiere la diversidad de técnicas empleadas. Además, palabras como "obesity," "physical
activity," y "diet" reflejan los temas centrales en la intersección entre IA y nutrición.
El mapa red de colaboración de países (Figura 5) muestra las redes de coautoría en investigaciones sobre
la aplicación de IA en el estudio de hábitos alimentarios. Se destacan dos grandes clústeres: el primero, en
rojo, tiene como principal nodo a "USA", lo que indica su papel central en la colaboración internacional. El
segundo clúster, en azul, se centra en "China", que también mantiene conexiones con otros países. Otros
países como "India", "Spain", "Canada", y "Sweden" muestran conexiones notables dentro del clúster azul,
mientras que países europeos como "Belgium", "France", "Poland", y "Switzerland" se encuentran dentro
del clúster rojo. Además, países como "Singapore", "Japan", "Iran", y "Pakistan" tienen conexiones más
periféricas, lo que indica su participación pero con menor centralidad en la red.
Figura 5. Red de colaboración de países
Lozano-Flores, E. D. M.
6 Rev. Cient. Sist. Inform. 3(1): e489; (Ene-Jun, 2023). e-ISSN: 2709-992X
El mapa de coautoría entre instituciones (Figura 6) demuestra las principales colaboraciones en
investigaciones sobre la aplicación de IA en hábitos alimentarios. Se identifican cuatro grupos principales,
con "Peking University" y "King Saud University" como nodos destacados, indicando que estas instituciones
son líderes en producción y colaboración. El tamaño de los nodos sugiere que "Peking University" tiene una
mayor cantidad de publicaciones o coautorías, mientras que "King Saud University" también juega un papel
importante en este campo. Otros grupos más pequeños incluyen colaboraciones de instituciones como
"Westlake University" asociada a "Peking University" en el clúster rojo, y la "University of Pittsburgh" junto
a la "University of California" en el clúster azul. Además, el clúster morado agrupa a instituciones como la
"Medical University of Vienna" y "Vienna General Hospital," lo que sugiere colaboraciones específicas
dentro del campo de la salud y la IA.
Figura 6. Red de colaboración de instituciones
CONCLUSIONES
La aplicación de técnicas de IA en investigaciones sobre hábitos alimentarios ha experimentado un notable
crecimiento, especialmente en la última década. El análisis bibliométrico demuestra un interés creciente
en el tema, reflejado en la expansión de la literatura científica y en el liderazgo de instituciones y países
como Estados Unidos y China en la producción y colaboración académica. Las palabras clave más frecuentes
evidencian el enfoque en técnicas de IA como "machine learning", "deep learning", y "neural networks", lo
que resalta la variedad de metodologías y su relevancia para abordar los desafíos relacionados con la
nutrición y los hábitos alimentarios.
En términos prácticos, este análisis resalta la importancia de la IA como una herramienta emergente para
mejorar la comprensión de los hábitos alimentarios y promover intervenciones personalizadas y eficaces
en salud pública. La capacidad de analizar grandes volúmenes de datos y predecir tendencias alimenticias
podría facilitar el diseño de políticas y programas más efectivos que aborden problemáticas como la
obesidad, la diabetes y otros trastornos alimentarios, lo que sugiere un potencial para la IA en la mejora de
la nutrición y el bienestar a nivel global.
Es necesario mencionar que este estudio presentó limitaciones en cuanto al número de investigaciones
evaluadas, dado que únicamente se utilizó la base de datos Scopus como fuente bibliográfica. Por
consiguiente, investigaciones futuras podrían considerar otras fuentes de información y enfocar el tema en
soluciones tecnológicas emergentes y disruptivas en el campo de la nutrición.
FINANCIAMIENTO
La autora no recibió patrocinio para llevar a cabo este estudio-artículo.
CONFLICTO DE INTERESES
La autora declara que no existe ningún tipo de conflicto de interés relacionado con la materia del trabajo.
Lozano-Flores, E. D. M.
7 Rev. Cient. Sist. Inform. 3(1): e489; (Ene-Jun, 2023). e-ISSN: 2709-992X
CONTRIBUCIÓN DE LOS AUTORES
Conceptualización, Curación de datos, Metodología, Investigación, Visualización, Redacción - borrador
original, Redacción - revisión y edición: Lozano-Flores, E. D. M.
REFERENCIAS BIBLIOGRÁFICAS
Aria, M., & Cuccurullo, C. (2017). bibliometrix : An R-tool for comprehensive science mapping analysis.
Journal of Informetrics, 11(4), 959-975. https://doi.org/10.1016/j.joi.2017.08.007
Chen, M., Jia, X., Gorbonos, E., Hong, C. T., Yu, X., & Liu, Y. (2020). Eating healthier: Exploring nutrition
information for healthier recipe recommendation. Information Processing and Management, 57(6).
https://doi.org/10.1016/j.ipm.2019.05.012
Gutiérrez-Esparza, G. O., Ramírez-Delreal, T. A., Martínez-García, M., Infante Vázquez, O., Vallejo, M., &
Hernández-Torruco, J. (2021). Machine and deep learning applied to predict metabolic syndrome
without a blood screening. Applied Sciences (Switzerland), 11(10).
https://doi.org/10.3390/app11104334
Marshall, J., Jimenez-Pazmino, P., Metoyer, R., & Chawla, N. V. (2022). A Survey on Healthy Food Decision
Influences Through Technological Innovations. ACM Transactions on Computing for Healthcare, 3(2).
https://doi.org/10.1145/3494580
McBurney, M. K., & Novak, P. L. (2002). What is bibliometrics and why should you care? Proceedings. IEEE
International Professional Communication Conference, 108-114.
https://doi.org/10.1109/IPCC.2002.1049094
Oh, W., An, Y., Min, S., & Park, C. (2022). Comparative Effectiveness of Artificial Intelligence-Based
Interactive Home Exercise Applications in Adolescents with Obesity. Sensors, 22(19).
https://doi.org/10.3390/s22197352
Pecune, F., Callebert, L., & Marsella, S. (2020). A Socially-Aware Conversational Recommender System for
Personalized Recipe Recommendations. Proceedings of the 8th International Conference on Human-
Agent Interaction, 78-86. https://doi.org/10.1145/3406499.3415079
Pecune, F., Callebert, L., & Marsella, S. (2022). Designing Persuasive Food Conversational Recommender
Systems With Nudging and Socially-Aware Conversational Strategies. Frontiers in Robotics and AI, 8.
https://doi.org/10.3389/frobt.2021.733835
Ramos, R. G., Domingo, J. D., Zalama, E., Gómez-García-Bermejo, J., & López, J. (2022). SDHAR-HOME: A
Sensor Dataset for Human Activity Recognition at Home. Sensors, 22(21).
https://doi.org/10.3390/s22218109
Sami, O., Elsheikh, Y., & Almasalha, F. (2021). The Role of Data Pre-processing Techniques in Improving
Machine Learning Accuracy for Predicting Coronary Heart Disease. International Journal of Advanced
Computer Science and Applications, 12(6), 816-824. https://doi.org/10.14569/IJACSA.2021.0120695
Shams, M. Y., Elzeki, O. M., Abouelmagd, L. M., Hassanien, A. E., Elfattah, M. A., & Salem, H. (2021). HANA: A
Healthy Artificial Nutrition Analysis model during COVID-19 pandemic. Computers in Biology and
Medicine, 135. https://doi.org/10.1016/j.compbiomed.2021.104606
Sujatha, R., Chatterjee, J. M., Thorunitha, S. S., & Nadhiya, S. (2022). Evaluation of Dietary Habits in
Relation to Covid-19 Mortality Rate Using Machine Learning Techniques. Journal of System and
Management Sciences, 12(2), 174-194. https://doi.org/10.33168/JSMS.2022.0208
Swain, D., Parmar, B., Shah, H., Gandhi, A., Pradhan, M. R., Kaur, H., & Acharya, B. (2022). Cardiovascular
Disease Prediction using Various Machine Learning Algorithms. Journal of Computer Science, 18(10),
993-1004. https://doi.org/10.3844/jcssp.2022.993.1004
Tian, Y., Zhang, C., Metoyer, R., & Chawla, N. V. (2022). Recipe Recommendation With Hierarchical Graph
Attention Network. Frontiers in Big Data, 4. https://doi.org/10.3389/fdata.2021.778417
Xie, Y., Jiang, R., Guo, X., Wang, Y., Cheng, J., & Chen, Y. (2022). mmEat: Millimeter wave-enabled
environment-invariant eating behavior monitoring. Smart Health, 23.
Lozano-Flores, E. D. M.
8 Rev. Cient. Sist. Inform. 3(1): e489; (Ene-Jun, 2023). e-ISSN: 2709-992X
https://doi.org/10.1016/j.smhl.2021.100236
Zhou, J. (2022). Design of Residents’ Sports Nutrition Data Monitoring System Based on Genetic
Algorithm. Computational Intelligence and Neuroscience, 2022.
https://doi.org/10.1155/2022/9002713
Zitouni, H., Bouchelik, K., Saidi, R., & Chekkai, N. (2020). Personalized Menu: a New Contextual
Collaborative Recommender System. 2020 International Conference on Advanced Aspects of Software
Engineering (ICAASE), 1-6. https://doi.org/10.1109/ICAASE51408.2020.9380111
