DESARROLLO DE UNA HERRAMIENTA
PARA ESTIMAR MACRONUTRIENTES EN
LECHE MATERNA BASADO EN APRENDIZAJE
DE MÁQUINA
DEVELOPMENT OF A TOOL TO ESTIMATE
BREAST MILK MACRONUTRIENTS BASED ON
MACHINE LEARNING
Samara Acosta Jimenez
Universidad Autónoma de Zacatecas, México
Miguel Mauricio Mendoza Mendoza
Universidad Autónoma de Zacatecas, México
Carlos Eric Galván Tejada
Universidad Autónoma de Zacatecas, México
Carlos Mario Cázarez de Lira
Hosptial General Fresnillo Dr. José Haro Ávlia, México
Irma E. González-Curiel
Universidad Autónoma de Zacatecas, México
pág. 7442
DOI: https://doi.org/10.37811/cl_rcm.v9i1.16418
Desarrollo de una Herramienta para Estimar Macronutrientes en Leche
Materna Basado en Aprendizaje de Máquina
Samara Acosta Jimenez 1
samaracosta@uaz.edu.mx
https://orcid.org/0000-0002-1724-1172
Universidad Autónoma de Zacatecas
Zacatecas, México
Miguel Mauricio Mendoza Mendoza
mauricio.mendoza@uaz.edu.mx
https://orcid.org/0009-0009-2192-3350
Universidad Autónoma de Zacatecas
Zacatecas, México
Carlos Eric Galván Tejada
ericgalvan@uaz.edu.mx
https://orcid.org/0000-0002-7635-4687
Universidad Autónoma de Zacatecas
Zacatecas, México
Carlos Mario Cázarez de Lira
cazali0606@gmail.com
Hosptial General Fresnillo Dr. José Haro Ávlia
Fresnillo, México
Irma E. González Curiel
irmacuriel@uaz.edu.mx
https://orcid.org/0000-0002-0044-9196
Universidad Autónoma de Zacatecas
Zacatecas, México
RESUMEN
Este estudio se enfoca en el desarrollo de un sistema basado en Machine Learning para estimar la
composicion de macronutrientes en leche materna, dirigiéndose a hospitales con limitación de recursos.
La leche materna es esencial para la nutrición neonatal, y su composición varía de acuerdo a las
diferentes fases de lactancia. Sin embargo, la falta de equipo especializado en medición de estos
nutrientes que podrían impactar negativamente en la nutrición personalizada, especialmente en infantes
prematuros o nacidos con pesos bajos. Los datos fueron recolectados de 333 muestras, incluyendo
variables como grados Dornic, pH, y niveles macronutrimentales. Se implementan varios modelos de
regresión como, regresión lineal, regresión Ridge, regresión Lasso, ElasticNet, árboles de decisión,
bosques aleatorios y XGBoost, y mediante validación cruzada, identificar el modelo más efectivo.
Asimismo, se desarrolla una interfaz gráfica creada con PyQt5, la cual permite entrada y visualización
clara de resultados, facilitando el uso por el personal médico, incluyendo un sistema de recomendación
básico para identificar al tipo de paciente al que se estima brindar esa leche. A pesar de algunas
limitaciones, como la mayor accesibilidad y la incorporación de datos adicionales, el sistema de
atención neonatal promete mejorar la nutrición en clínicas con recursos limitados.
Palabras clave: leche materna, macronutrientes, machine learning
1 Autor principal
Correspondencia: cazali0606@gmail.com
DOI: https://doi.org/10.37811/cl_rcm.v9i1.16418
Desarrollo de una Herramienta para Estimar Macronutrientes en Leche
Materna Basado en Aprendizaje de Máquina
Samara Acosta Jimenez 1
samaracosta@uaz.edu.mx
https://orcid.org/0000-0002-1724-1172
Universidad Autónoma de Zacatecas
Zacatecas, México
Miguel Mauricio Mendoza Mendoza
mauricio.mendoza@uaz.edu.mx
https://orcid.org/0009-0009-2192-3350
Universidad Autónoma de Zacatecas
Zacatecas, México
Carlos Eric Galván Tejada
ericgalvan@uaz.edu.mx
https://orcid.org/0000-0002-7635-4687
Universidad Autónoma de Zacatecas
Zacatecas, México
Carlos Mario Cázarez de Lira
cazali0606@gmail.com
Hosptial General Fresnillo Dr. José Haro Ávlia
Fresnillo, México
Irma E. González Curiel
irmacuriel@uaz.edu.mx
https://orcid.org/0000-0002-0044-9196
Universidad Autónoma de Zacatecas
Zacatecas, México
RESUMEN
Este estudio se enfoca en el desarrollo de un sistema basado en Machine Learning para estimar la
composicion de macronutrientes en leche materna, dirigiéndose a hospitales con limitación de recursos.
La leche materna es esencial para la nutrición neonatal, y su composición varía de acuerdo a las
diferentes fases de lactancia. Sin embargo, la falta de equipo especializado en medición de estos
nutrientes que podrían impactar negativamente en la nutrición personalizada, especialmente en infantes
prematuros o nacidos con pesos bajos. Los datos fueron recolectados de 333 muestras, incluyendo
variables como grados Dornic, pH, y niveles macronutrimentales. Se implementan varios modelos de
regresión como, regresión lineal, regresión Ridge, regresión Lasso, ElasticNet, árboles de decisión,
bosques aleatorios y XGBoost, y mediante validación cruzada, identificar el modelo más efectivo.
Asimismo, se desarrolla una interfaz gráfica creada con PyQt5, la cual permite entrada y visualización
clara de resultados, facilitando el uso por el personal médico, incluyendo un sistema de recomendación
básico para identificar al tipo de paciente al que se estima brindar esa leche. A pesar de algunas
limitaciones, como la mayor accesibilidad y la incorporación de datos adicionales, el sistema de
atención neonatal promete mejorar la nutrición en clínicas con recursos limitados.
Palabras clave: leche materna, macronutrientes, machine learning
1 Autor principal
Correspondencia: cazali0606@gmail.com
pág. 7443
Development of a tool to estimate breast milk macronutrients based on
Machine Learning
ABSTRACT
This study focuses on the development of a machine learning-based system to estimate macronutrients
composition in breast milk, targeting resource-limited hospital settings. Breast milk is essential for
neonatal nutrition, and its composition varies throughout the different stages of lactation. However, the
lack of specialized equipment to measure these nutrients can negatively impact personalized nutrition,
especially. In premature or low birth weight infants.Data are collected from 333 patients, including
variables such as Dornic grades, pH, and macronutrient levels. Various regression models are
implemented, such as Linear Regression, Ridge Regression, Lasso Regression, ElasticNet, Decision
trees, Random forests, and XGBoost, using cross-validation to identify the most effective model. In
addition, a graphical interface is developed, and created in PyQt5, which allows data entry and clear
visualization of results, facilitating its use by medical staff, it also includes a basic recommendation
system to identify the type of patient as estimated. Despite some limitations, such as the need for greater
accessibility and the incorporation of additional data, the system represents an important advance in
neonatal care, promising to improve nutrition in resource-limited clinics
Keywords: breast milk, macronutrients, machine learning
Artículo recibido 10 diciembre 2025
Aceptado para publicación: 15 enero 2024
Development of a tool to estimate breast milk macronutrients based on
Machine Learning
ABSTRACT
This study focuses on the development of a machine learning-based system to estimate macronutrients
composition in breast milk, targeting resource-limited hospital settings. Breast milk is essential for
neonatal nutrition, and its composition varies throughout the different stages of lactation. However, the
lack of specialized equipment to measure these nutrients can negatively impact personalized nutrition,
especially. In premature or low birth weight infants.Data are collected from 333 patients, including
variables such as Dornic grades, pH, and macronutrient levels. Various regression models are
implemented, such as Linear Regression, Ridge Regression, Lasso Regression, ElasticNet, Decision
trees, Random forests, and XGBoost, using cross-validation to identify the most effective model. In
addition, a graphical interface is developed, and created in PyQt5, which allows data entry and clear
visualization of results, facilitating its use by medical staff, it also includes a basic recommendation
system to identify the type of patient as estimated. Despite some limitations, such as the need for greater
accessibility and the incorporation of additional data, the system represents an important advance in
neonatal care, promising to improve nutrition in resource-limited clinics
Keywords: breast milk, macronutrients, machine learning
Artículo recibido 10 diciembre 2025
Aceptado para publicación: 15 enero 2024
pág. 7444
INTRODUCCIÓN
La leche materna es la mejor fuente de nutrición para infantes y recién nacidos, dando una mezcla
balanceada de macronutrientes esenciales (proteínas, grasas y carbohidratos), así como
inmunoglobulinas y otros factores de protección (Victora et al., 2016). De acuerdo con la Organización
Mundial de la Salud (OMS), se recomienda alimentar solo con leche materna durante los primeros seis
meses de vida, enfocándose en la importancia del desarrollo del infante y la prevención de
padecimientos (WHO, 2019). En temas hospitalarios, especialmente en unidades neonatales, la leche
materna es un recurso crucial que no solo nutre a los recién nacidos, sino que promueve su desarrollo y
su salud a largo plazo. Sin embargo, en entornos hospitalarios, medir con precisión los macronutrientes
en leche materna donada puede ser un reto debido a la falta de equipo médico especializado. Esta
limitación puede impactar directamente en la nutrición personalizada de los neonatos, particularmente
en candidatos a cuidados intensivos (Vázquez-Román et al., 2014) (Oysal & Özkaya, 2022). La
composición de la leche materna varía conforme al tiempo, desde pre-calostro a leche madura,
convirtiendo en un aspecto crítico el identificar y cuantificar las concentraciones de nutrientes en cada
etapa (Hassiotou et al., 2013). Esto es vital para los infantes prematuros o de peso bajo al nacer, los
cuales son dependientes de ingesta nutricional específica de acuerdo a sus necesidades (Ramel &
Belfort, 2022) (Fenton et al., 2022). La ausencia de dispositivos médicos avanzados para el análisis
macronutrimental de la leche materna es un reto para muchos hospitales. Estos análisis suelen requerir
equipo sofisticado y costoso como puede ser el espectrofotómetro, el cual no siempre está disponible
en centros de salud con limitaciones, sin embargo la recolección y uso de datos está siendo emergente
para superar estas limitantes (Shaikh et al., 2022) . Esta situación crea una necesidad urgente de
alternativas que puedan estimar los macronutrientes utilizando variables accesibles y datos clínicos
como el tipo de leche, los grados Dornic y el pH. El desarrollo de una herramienta basada en Machine
Learning (ML) mejora la precisión en la administración de leche materna, contribuyendo a la
optimización de la nutrición del neonato y facilitando un control en su crecimiento y desarrollo en esta
crítica etapa de su vida (Mari Soria, 2023). Para el manejo de este problema, la investigación se dirige
al desarrollo de una herramienta basada en ML la cual estima la composición macronutrimental de la
leche materna, utilizando datos de fácil acceso como el tipo de leche (calostro, leche transicional, leche
INTRODUCCIÓN
La leche materna es la mejor fuente de nutrición para infantes y recién nacidos, dando una mezcla
balanceada de macronutrientes esenciales (proteínas, grasas y carbohidratos), así como
inmunoglobulinas y otros factores de protección (Victora et al., 2016). De acuerdo con la Organización
Mundial de la Salud (OMS), se recomienda alimentar solo con leche materna durante los primeros seis
meses de vida, enfocándose en la importancia del desarrollo del infante y la prevención de
padecimientos (WHO, 2019). En temas hospitalarios, especialmente en unidades neonatales, la leche
materna es un recurso crucial que no solo nutre a los recién nacidos, sino que promueve su desarrollo y
su salud a largo plazo. Sin embargo, en entornos hospitalarios, medir con precisión los macronutrientes
en leche materna donada puede ser un reto debido a la falta de equipo médico especializado. Esta
limitación puede impactar directamente en la nutrición personalizada de los neonatos, particularmente
en candidatos a cuidados intensivos (Vázquez-Román et al., 2014) (Oysal & Özkaya, 2022). La
composición de la leche materna varía conforme al tiempo, desde pre-calostro a leche madura,
convirtiendo en un aspecto crítico el identificar y cuantificar las concentraciones de nutrientes en cada
etapa (Hassiotou et al., 2013). Esto es vital para los infantes prematuros o de peso bajo al nacer, los
cuales son dependientes de ingesta nutricional específica de acuerdo a sus necesidades (Ramel &
Belfort, 2022) (Fenton et al., 2022). La ausencia de dispositivos médicos avanzados para el análisis
macronutrimental de la leche materna es un reto para muchos hospitales. Estos análisis suelen requerir
equipo sofisticado y costoso como puede ser el espectrofotómetro, el cual no siempre está disponible
en centros de salud con limitaciones, sin embargo la recolección y uso de datos está siendo emergente
para superar estas limitantes (Shaikh et al., 2022) . Esta situación crea una necesidad urgente de
alternativas que puedan estimar los macronutrientes utilizando variables accesibles y datos clínicos
como el tipo de leche, los grados Dornic y el pH. El desarrollo de una herramienta basada en Machine
Learning (ML) mejora la precisión en la administración de leche materna, contribuyendo a la
optimización de la nutrición del neonato y facilitando un control en su crecimiento y desarrollo en esta
crítica etapa de su vida (Mari Soria, 2023). Para el manejo de este problema, la investigación se dirige
al desarrollo de una herramienta basada en ML la cual estima la composición macronutrimental de la
leche materna, utilizando datos de fácil acceso como el tipo de leche (calostro, leche transicional, leche
pág. 7445
madura y leche madura tardía), grados Dornic y pH. Este sistema contará con una interfaz de diseño
simple para su facilidad en el uso por el personal médico. El desarrollo de esta herramienta no solo
presenta un avance en la estimación en tiempo real de los macronutrientes presentes en una muestra de
leche, sino que añade una solución que puede ser aplicada a través de varios entornos hospitalarios.
METODOLOGÍA
Este estudio se enfoca en el desarrollo de un sistema de estimación para macronutrientes en leche
materna utilizando técnicas de ML. Los pasos metodológicos que se siguieron durante la investigación
se muestran en la figura 1 y se detallan debajo de ella.
1. Colección de los datos
Los datos recolectados se presentan en 333 muestras, distribuidos en 4 categorías: 100 muestras en
calostro, 100 en leche transicional, 100 en leche madura y 33 en leche madura tardía. Para cada muestra,
las variables que se recolectaron fueron: grados Dornic, pH, grasa (g/dL), proteína en crudo (g/dL),
carbohidratos (CHO)(g/dL), sólidos totales (T), energía (kcal/dL) y proteína verdadera. Esta
aproximación asegura una variedad representativa en los datos mostrando las diferentes etapas de la
lactancia.
2. Preprocesamiento de los datos
Antes del modelado de los datos, las instancias con información nula o "NA" son removidas para
asegurar la integridad de los datos. Asimismo, se categorizó una variable en el proceso de programación,
lo cual es esencial para la preparación de los datos. Los algoritmos de ML requieren entradas numéricas;
las categorías por tipo de leche (calostro, leche transicional, leche madura y leche madura tardía) son
transformadas a un formato numérico utilizando la técnica de "One-Hot encoding", convirtiendo cada
categoría en una columna binaria.
3. Desarrollo de la herramienta
En esta fase, se implementan varios algoritmos de ML dirigidos a la regresión, los cuales incluyen
regresión lineal, regresión Ridge, regresión Lasso, ElasticNet, árboles de decisión, bosques aleatorios y
XGBoost. Cada uno de estos modelos tiene características únicas de regresión y predicción, que
dependiendo de la naturaleza de los datos de entrada pueden ser más o menos ideales.
Para evaluar el rendimiento de los modelos propuestos, el conjunto de datos se dividió en conjunto de
madura y leche madura tardía), grados Dornic y pH. Este sistema contará con una interfaz de diseño
simple para su facilidad en el uso por el personal médico. El desarrollo de esta herramienta no solo
presenta un avance en la estimación en tiempo real de los macronutrientes presentes en una muestra de
leche, sino que añade una solución que puede ser aplicada a través de varios entornos hospitalarios.
METODOLOGÍA
Este estudio se enfoca en el desarrollo de un sistema de estimación para macronutrientes en leche
materna utilizando técnicas de ML. Los pasos metodológicos que se siguieron durante la investigación
se muestran en la figura 1 y se detallan debajo de ella.
1. Colección de los datos
Los datos recolectados se presentan en 333 muestras, distribuidos en 4 categorías: 100 muestras en
calostro, 100 en leche transicional, 100 en leche madura y 33 en leche madura tardía. Para cada muestra,
las variables que se recolectaron fueron: grados Dornic, pH, grasa (g/dL), proteína en crudo (g/dL),
carbohidratos (CHO)(g/dL), sólidos totales (T), energía (kcal/dL) y proteína verdadera. Esta
aproximación asegura una variedad representativa en los datos mostrando las diferentes etapas de la
lactancia.
2. Preprocesamiento de los datos
Antes del modelado de los datos, las instancias con información nula o "NA" son removidas para
asegurar la integridad de los datos. Asimismo, se categorizó una variable en el proceso de programación,
lo cual es esencial para la preparación de los datos. Los algoritmos de ML requieren entradas numéricas;
las categorías por tipo de leche (calostro, leche transicional, leche madura y leche madura tardía) son
transformadas a un formato numérico utilizando la técnica de "One-Hot encoding", convirtiendo cada
categoría en una columna binaria.
3. Desarrollo de la herramienta
En esta fase, se implementan varios algoritmos de ML dirigidos a la regresión, los cuales incluyen
regresión lineal, regresión Ridge, regresión Lasso, ElasticNet, árboles de decisión, bosques aleatorios y
XGBoost. Cada uno de estos modelos tiene características únicas de regresión y predicción, que
dependiendo de la naturaleza de los datos de entrada pueden ser más o menos ideales.
Para evaluar el rendimiento de los modelos propuestos, el conjunto de datos se dividió en conjunto de
pág. 7446
entrenamiento y conjunto de prueba, con una proporción de 80% de los datos para entrenamiento y el
20% restante para la validación. Esta división se hace de manera aleatoria, asegurando que ambos sean
representativos de la población total, ayudando a evitar sesgos. Seguido, a cada modelo se aplica la
validación cruzada, lo que divide el set de entrenamiento en "5-kfold" subconjuntos. Cada modelo es
entrenado con un subconjunto y validado con los restantes, rotando su entrenamiento con los
subconjuntos para asegurar que todos los datos se utilicen tanto en entrenamiento como en validación.
4. Métricas de evaluación
Las métricas como el coeficiente de determinación de R cuadrada (R²) son utilizadas para determinar
la precisión en las predicciones. Esta fase permite la identificación del modelo más efectivo para la
estimación de cada macronutriente, asegurando que el sistema brinde predicciones confiables y
precisas. R² es una métrica estadística utilizada en modelos de regresión que brinda información sobre
la capacidad de las variables independientes de explicar las variables dependientes. R² se presenta en
fracciones entre 0 y 1; cuando el valor se aproxima a 0 significa que la relación es no lineal entre
variables, y mientras se aproxima su valor a 1 significa que los puntos de mapeo de los datos son más
exactos a la regresión lineal.
5. Interfaz de usuario
Se desarrolla una interfaz gráfica intuitiva con PyQt5, permitiendo al usuario el ingreso de datos de la
leche como pH, grados Dornic y tipo de leche. Esta interfaz es diseñada con una aproximación al diseño
centrado en el usuario, priorizando simplicidad y accesibilidad. Esto incluye campos de ingreso de datos
claros y botones de acción de fácil interacción. Asimismo, se añade un botón informativo que provee
una guía sobre a qué tipo de paciente se recomienda brindarle la leche que se ingresó, ayudando al
usuario a interpretar mejor los resultados de las predicciones en el contexto clínico. La interfaz no solo
busca la usabilidad del sistema, sino que brinde claridad y accesibilidad en la visualización de los datos
de las estimaciones macronutrimentales.
RESULTADOS
En la tabla 1 se muestran los valores de R² de cada modelo utilizado en el estudio. Estos valores reflejan
la capacidad de los modelos para explicar la variabilidad en las predicciones de los macronutrientes de
la leche materna.
entrenamiento y conjunto de prueba, con una proporción de 80% de los datos para entrenamiento y el
20% restante para la validación. Esta división se hace de manera aleatoria, asegurando que ambos sean
representativos de la población total, ayudando a evitar sesgos. Seguido, a cada modelo se aplica la
validación cruzada, lo que divide el set de entrenamiento en "5-kfold" subconjuntos. Cada modelo es
entrenado con un subconjunto y validado con los restantes, rotando su entrenamiento con los
subconjuntos para asegurar que todos los datos se utilicen tanto en entrenamiento como en validación.
4. Métricas de evaluación
Las métricas como el coeficiente de determinación de R cuadrada (R²) son utilizadas para determinar
la precisión en las predicciones. Esta fase permite la identificación del modelo más efectivo para la
estimación de cada macronutriente, asegurando que el sistema brinde predicciones confiables y
precisas. R² es una métrica estadística utilizada en modelos de regresión que brinda información sobre
la capacidad de las variables independientes de explicar las variables dependientes. R² se presenta en
fracciones entre 0 y 1; cuando el valor se aproxima a 0 significa que la relación es no lineal entre
variables, y mientras se aproxima su valor a 1 significa que los puntos de mapeo de los datos son más
exactos a la regresión lineal.
5. Interfaz de usuario
Se desarrolla una interfaz gráfica intuitiva con PyQt5, permitiendo al usuario el ingreso de datos de la
leche como pH, grados Dornic y tipo de leche. Esta interfaz es diseñada con una aproximación al diseño
centrado en el usuario, priorizando simplicidad y accesibilidad. Esto incluye campos de ingreso de datos
claros y botones de acción de fácil interacción. Asimismo, se añade un botón informativo que provee
una guía sobre a qué tipo de paciente se recomienda brindarle la leche que se ingresó, ayudando al
usuario a interpretar mejor los resultados de las predicciones en el contexto clínico. La interfaz no solo
busca la usabilidad del sistema, sino que brinde claridad y accesibilidad en la visualización de los datos
de las estimaciones macronutrimentales.
RESULTADOS
En la tabla 1 se muestran los valores de R² de cada modelo utilizado en el estudio. Estos valores reflejan
la capacidad de los modelos para explicar la variabilidad en las predicciones de los macronutrientes de
la leche materna.
pág. 7447
Se implementa una recomendación básica utilizando una función de puntaje para identificar a pacientes
cuyas características se alineen con las necesidades nutricionales. Este sistema evalúa distintos factores,
como los niveles de pH y grados Dornic, para determinar qué pacientes tienen características óptimas
para la leche. El sistema recibe datos de entrada, creando una nueva instancia, y aplica el modelo más
efectivo identificado en la fase de desarrollo.
Con la entrada de datos de pH, grado Dornic y tipo de leche, el sistema genera un conjunto de
características que alimentan al modelo para realizar predicciones. Para cada macronutriente, se brindan
estimaciones precisas obtenidas con el conjunto de entrenamiento. Al presentar los resultados, se
permite una visualización más completa sobre la composición de la leche materna, facilitando las
decisiones basadas en información sobre su uso y administración en entornos clínicos.
La figura 3 muestra la interfaz con recomendaciones basadas en el tipo de paciente neonatal. Esta
interfaz permite al usuario no solo ver la estimación macronutricional, sino también guías específicas
sobre la nutrición neonatal. Con base en los macronutrientes obtenidos, se ofrecen sugerencias
personalizadas que toman en cuenta las necesidades energéticas y nutricionales de cada paciente,
facilitando la toma de decisiones en el uso y administración de la leche materna en el contexto clínico.
Figura 1 Flujo de trabajo seguido en la metodología
Se implementa una recomendación básica utilizando una función de puntaje para identificar a pacientes
cuyas características se alineen con las necesidades nutricionales. Este sistema evalúa distintos factores,
como los niveles de pH y grados Dornic, para determinar qué pacientes tienen características óptimas
para la leche. El sistema recibe datos de entrada, creando una nueva instancia, y aplica el modelo más
efectivo identificado en la fase de desarrollo.
Con la entrada de datos de pH, grado Dornic y tipo de leche, el sistema genera un conjunto de
características que alimentan al modelo para realizar predicciones. Para cada macronutriente, se brindan
estimaciones precisas obtenidas con el conjunto de entrenamiento. Al presentar los resultados, se
permite una visualización más completa sobre la composición de la leche materna, facilitando las
decisiones basadas en información sobre su uso y administración en entornos clínicos.
La figura 3 muestra la interfaz con recomendaciones basadas en el tipo de paciente neonatal. Esta
interfaz permite al usuario no solo ver la estimación macronutricional, sino también guías específicas
sobre la nutrición neonatal. Con base en los macronutrientes obtenidos, se ofrecen sugerencias
personalizadas que toman en cuenta las necesidades energéticas y nutricionales de cada paciente,
facilitando la toma de decisiones en el uso y administración de la leche materna en el contexto clínico.
Figura 1 Flujo de trabajo seguido en la metodología
pág. 7448
Tabla 1: Coeficiente de determinación R2. Valores de cada modelo de regresión entrenado en la
estimación de macronutrientes en leche materna
Valores de R2
Modelo Proteína
verdadera Colesterol Solidos Energía Grasa
Regresion lineal 0.4406 -0.0291 0.0277 0.072 0.0503
Regresion Ridge 0.4371 -0.0286 0.0250 0.0265 0.0499
Regresion Lasso -0.0090 -0.0193 -0.0274 -0.0013 -0.0054
Regresion polinomial 0.1903 -0.0360 0.6735 -0.2812 -0.3029
ElasticNet -0.009 -0.0197 -0.0274 -0.0074 -0.0054
Árboles de decisión 0.2596 -0.0282 -0.1767 0.1966 0.1515
Bósques aleatorios 0.3902 -0.0273 0.1942 0.2815 0.1530
XGBoost 0.1338 -0.0263 -0.0146 0.3229 -0.0043
Figura 2
Interfaz de usuario con recomendaciones nutrimentales de acuerdo con el tipo de paciente dirigido
Tabla 1: Coeficiente de determinación R2. Valores de cada modelo de regresión entrenado en la
estimación de macronutrientes en leche materna
Valores de R2
Modelo Proteína
verdadera Colesterol Solidos Energía Grasa
Regresion lineal 0.4406 -0.0291 0.0277 0.072 0.0503
Regresion Ridge 0.4371 -0.0286 0.0250 0.0265 0.0499
Regresion Lasso -0.0090 -0.0193 -0.0274 -0.0013 -0.0054
Regresion polinomial 0.1903 -0.0360 0.6735 -0.2812 -0.3029
ElasticNet -0.009 -0.0197 -0.0274 -0.0074 -0.0054
Árboles de decisión 0.2596 -0.0282 -0.1767 0.1966 0.1515
Bósques aleatorios 0.3902 -0.0273 0.1942 0.2815 0.1530
XGBoost 0.1338 -0.0263 -0.0146 0.3229 -0.0043
Figura 2
Interfaz de usuario con recomendaciones nutrimentales de acuerdo con el tipo de paciente dirigido
pág. 7449
Figura 3 Interfaz gráfica desarrollada para la estimación de macronutrientes en leche materna
DISCUSIONES
La implementación del sistema de estimación de macronutrientes en leche materna representa un avance
significativo en el cuidado neonatal, especialmente en ámbitos donde la falta de equipo médico
especializado limita la capacidad de análisis. Sin embargo, este desarrollo enfrenta algunas limitaciones
que deben ser consideradas.
Primero, a pesar de la métrica de desempeño en el coeficiente de determinación, debe notarse que estos
valores pueden variar dependiendo específicamente del modelo escogido. Automatizar el proceso de
selección del modelo apropiado asegura que las predicciones sean más eficaces, pero también es
importante considerar que añadir métricas adicionales puede darnos una visión más completa sobre la
calidad de las predicciones. Los mejores modelos se escogen con base a su desempeño durante la
validación cruzada, específicamente obteniendo el promedio de R² en cada “k-fold”.
También se considera que el sistema puede beneficiarse con la integración de características adicionales
sobre los donantes de leche materna, como historial clínico, antecedentes nutricionales y otros factores
de salud, lo cual podría enriquecer el análisis y mejorar la precisión de las predicciones. En versiones
futuras, es ideal incorporar estos datos para ofrecer recomendaciones personalizadas y optimizar la
nutrición neonatal.
Por otra parte, varios autores exponen las limitaciones de equipo médico en hospitales con recursos
limitados (Murthy & Adhikari, 2013; Muttalib et al., 2021; Stevenson et al., 2021), similar a lo que se
Figura 3 Interfaz gráfica desarrollada para la estimación de macronutrientes en leche materna
DISCUSIONES
La implementación del sistema de estimación de macronutrientes en leche materna representa un avance
significativo en el cuidado neonatal, especialmente en ámbitos donde la falta de equipo médico
especializado limita la capacidad de análisis. Sin embargo, este desarrollo enfrenta algunas limitaciones
que deben ser consideradas.
Primero, a pesar de la métrica de desempeño en el coeficiente de determinación, debe notarse que estos
valores pueden variar dependiendo específicamente del modelo escogido. Automatizar el proceso de
selección del modelo apropiado asegura que las predicciones sean más eficaces, pero también es
importante considerar que añadir métricas adicionales puede darnos una visión más completa sobre la
calidad de las predicciones. Los mejores modelos se escogen con base a su desempeño durante la
validación cruzada, específicamente obteniendo el promedio de R² en cada “k-fold”.
También se considera que el sistema puede beneficiarse con la integración de características adicionales
sobre los donantes de leche materna, como historial clínico, antecedentes nutricionales y otros factores
de salud, lo cual podría enriquecer el análisis y mejorar la precisión de las predicciones. En versiones
futuras, es ideal incorporar estos datos para ofrecer recomendaciones personalizadas y optimizar la
nutrición neonatal.
Por otra parte, varios autores exponen las limitaciones de equipo médico en hospitales con recursos
limitados (Murthy & Adhikari, 2013; Muttalib et al., 2021; Stevenson et al., 2021), similar a lo que se
pág. 7450
expone en la presente investigación. La necesidad de alternativas, como se propone, es vital para
asegurar que todos los neonatos, especialmente aquellos en cuidados intensivos, reciban una nutrición
adecuada. Además, el estudio de Wong et al. desarrolla modelos de ML para predecir la composición
de la leche materna (Wong et al., 2021), lo cual se alinea con nuestro objetivo. Sin embargo, el trabajo
que se presenta busca ser más accesible, facilitando el uso en el ámbito clínico a través de una interfaz
gráfica intuitiva desarrollada en PyQt5. Aunque esta interfaz es un primer paso, se planea el desarrollo
de este software para que pueda ser utilizado tanto en dispositivos móviles como en computadoras,
expandiendo su accesibilidad y usabilidad.
Finalmente, el trabajo de Kumar et al. resalta cómo el tipo de leche y otros factores influyen en la
nutrición de los neonatos de bajo peso. Estos puntos subrayan la importancia de contar con herramientas
que puedan guiar la nutrición de acuerdo con las necesidades específicas de los neonatos, algo que
nuestra herramienta busca lograr al ofrecer estimaciones personalizadas. Con el potencial de seguir
mejorando, se planea que esta herramienta evolucione para satisfacer las necesidades clínicas y mejorar
la salud de los neonatos, especialmente en clínicas con recursos limitados.
CONCLUSIONES
El desarrollo de este programa basado en ML ha demostrado ser una solución viable para la estimación
de los macronutrientes de la leche materna en hospitales que no cuentan con equipo de medición directa.
La aplicación de este sistema puede mejorar la precisión en la nutrición neonatal al proporcionar datos
que optimicen el uso de la leche donada. Aunque este sistema es básico, puede mejorarse en versiones
posteriores del software, permitiendo una personalización más avanzada en cuanto al cuidado y uso de
la leche donada. Además, la incorporación de una interfaz amigable para el usuario facilitaría su uso
con fines educativos, ayudando al personal de salud a identificar el tipo de paciente específico en
función de la información ingresada. Esta aproximación tiene el potencial de ser aplicable en una amplia
gama de entornos clínicos.
REFERENCIAS BIBLIOGRAFICAS
Fenton, T. R., Elmrayed, S., & Alshaikh, B. (2022). Nutrición, crecimiento y resultados clínicos a largo
plazo. Atención Nutricional de Lactantes Prematuros, 122(2), 12–33.
https://doi.org/10.1159/000526463
expone en la presente investigación. La necesidad de alternativas, como se propone, es vital para
asegurar que todos los neonatos, especialmente aquellos en cuidados intensivos, reciban una nutrición
adecuada. Además, el estudio de Wong et al. desarrolla modelos de ML para predecir la composición
de la leche materna (Wong et al., 2021), lo cual se alinea con nuestro objetivo. Sin embargo, el trabajo
que se presenta busca ser más accesible, facilitando el uso en el ámbito clínico a través de una interfaz
gráfica intuitiva desarrollada en PyQt5. Aunque esta interfaz es un primer paso, se planea el desarrollo
de este software para que pueda ser utilizado tanto en dispositivos móviles como en computadoras,
expandiendo su accesibilidad y usabilidad.
Finalmente, el trabajo de Kumar et al. resalta cómo el tipo de leche y otros factores influyen en la
nutrición de los neonatos de bajo peso. Estos puntos subrayan la importancia de contar con herramientas
que puedan guiar la nutrición de acuerdo con las necesidades específicas de los neonatos, algo que
nuestra herramienta busca lograr al ofrecer estimaciones personalizadas. Con el potencial de seguir
mejorando, se planea que esta herramienta evolucione para satisfacer las necesidades clínicas y mejorar
la salud de los neonatos, especialmente en clínicas con recursos limitados.
CONCLUSIONES
El desarrollo de este programa basado en ML ha demostrado ser una solución viable para la estimación
de los macronutrientes de la leche materna en hospitales que no cuentan con equipo de medición directa.
La aplicación de este sistema puede mejorar la precisión en la nutrición neonatal al proporcionar datos
que optimicen el uso de la leche donada. Aunque este sistema es básico, puede mejorarse en versiones
posteriores del software, permitiendo una personalización más avanzada en cuanto al cuidado y uso de
la leche donada. Además, la incorporación de una interfaz amigable para el usuario facilitaría su uso
con fines educativos, ayudando al personal de salud a identificar el tipo de paciente específico en
función de la información ingresada. Esta aproximación tiene el potencial de ser aplicable en una amplia
gama de entornos clínicos.
REFERENCIAS BIBLIOGRAFICAS
Fenton, T. R., Elmrayed, S., & Alshaikh, B. (2022). Nutrición, crecimiento y resultados clínicos a largo
plazo. Atención Nutricional de Lactantes Prematuros, 122(2), 12–33.
https://doi.org/10.1159/000526463
pág. 7451
Hassiotou, F., Hepworth, A. R., Williams, T. M., Twigger, A.-J., Perrella, S., Lai, C. T., Filgueira, L.,
Geddes, D. T., & Hartmann, P. E. (2013). Breastmilk Cell and Fat Contents Respond Similarly
to Removal of Breastmilk by the Infant. PLOS ONE, 8(11), e78232.
https://doi.org/10.1371/journal.pone.0078232
Mari Soria, R. (2023, April 1). Cuidados orientados a favorecer la lactancia en neonatos de alto riesgo.
| EBSCOhost.
https://openurl.ebsco.com/contentitem/gcd:163439280?sid=ebsco:plink:crawler&id=ebsco:gc
d:163439280
Murthy, S., & Adhikari, N. K. (2013). Global Health Care of the Critically Ill in Low-Resource Settings.
Annals of the American Thoracic Society, 10(5), 509–513.
https://doi.org/10.1513/AnnalsATS.201307-246OT
Muttalib, F., González-Dambrauskas, S., Lee, J. H., Steere, M., Agulnik, A., Murthy, S., & Adhikari, N.
K. J. (2021). Pediatric Emergency and Critical Care Resources and Infrastructure in Resource-
Limited Settings: A Multicountry Survey*. Critical Care Medicine, 49(4), 671.
https://doi.org/10.1097/CCM.0000000000004769
Oysal, G., & Özkaya, I. (2022). Nutrición, ganancia de peso y estado de estancia hospitalaria de los
lactantes de la Unidad de Cuidados Intensivos Neonatales que sin ser colocados en brazos de
sus madres. Revista española de nutrición comunitaria = Spanish journal of community
nutrition, 28(4), 1.
Ramel, S. E., & Belfort, M. B. (2022). Nutrición del prematuro y su cerebro. Atención Nutricional de
Lactantes Prematuros, 122(2), 49–63.
Shaikh, Z. A., Khan, A. A., Teng, L., Wagan, A. A., & Laghari, A. A. (2022). BIoMT Modular
Infrastructure: The Recent Challenges, Issues, and Limitations in Blockchain Hyperledger-
Enabled E-Healthcare Application. Wireless Communications and Mobile Computing, 2022(1),
3813841. https://doi.org/10.1155/2022/3813841
Stevenson, A. G., Tooke, L., Edwards, E. M., Mangiza, M., Horn, D., Heys, M., Abayneh, M.,
Chimhuya, S., & Ehret, D. E. Y. (2021). The use of data in resource limited settings to improve
Hassiotou, F., Hepworth, A. R., Williams, T. M., Twigger, A.-J., Perrella, S., Lai, C. T., Filgueira, L.,
Geddes, D. T., & Hartmann, P. E. (2013). Breastmilk Cell and Fat Contents Respond Similarly
to Removal of Breastmilk by the Infant. PLOS ONE, 8(11), e78232.
https://doi.org/10.1371/journal.pone.0078232
Mari Soria, R. (2023, April 1). Cuidados orientados a favorecer la lactancia en neonatos de alto riesgo.
| EBSCOhost.
https://openurl.ebsco.com/contentitem/gcd:163439280?sid=ebsco:plink:crawler&id=ebsco:gc
d:163439280
Murthy, S., & Adhikari, N. K. (2013). Global Health Care of the Critically Ill in Low-Resource Settings.
Annals of the American Thoracic Society, 10(5), 509–513.
https://doi.org/10.1513/AnnalsATS.201307-246OT
Muttalib, F., González-Dambrauskas, S., Lee, J. H., Steere, M., Agulnik, A., Murthy, S., & Adhikari, N.
K. J. (2021). Pediatric Emergency and Critical Care Resources and Infrastructure in Resource-
Limited Settings: A Multicountry Survey*. Critical Care Medicine, 49(4), 671.
https://doi.org/10.1097/CCM.0000000000004769
Oysal, G., & Özkaya, I. (2022). Nutrición, ganancia de peso y estado de estancia hospitalaria de los
lactantes de la Unidad de Cuidados Intensivos Neonatales que sin ser colocados en brazos de
sus madres. Revista española de nutrición comunitaria = Spanish journal of community
nutrition, 28(4), 1.
Ramel, S. E., & Belfort, M. B. (2022). Nutrición del prematuro y su cerebro. Atención Nutricional de
Lactantes Prematuros, 122(2), 49–63.
Shaikh, Z. A., Khan, A. A., Teng, L., Wagan, A. A., & Laghari, A. A. (2022). BIoMT Modular
Infrastructure: The Recent Challenges, Issues, and Limitations in Blockchain Hyperledger-
Enabled E-Healthcare Application. Wireless Communications and Mobile Computing, 2022(1),
3813841. https://doi.org/10.1155/2022/3813841
Stevenson, A. G., Tooke, L., Edwards, E. M., Mangiza, M., Horn, D., Heys, M., Abayneh, M.,
Chimhuya, S., & Ehret, D. E. Y. (2021). The use of data in resource limited settings to improve
pág. 7452
quality of care. Seminars in Fetal and Neonatal Medicine, 26(1), 101204.
https://doi.org/10.1016/j.siny.2021.101204
Vázquez-Román, S., Bustos-Lozano, G., López-Maestro, M., Rodríguez-López, J., Orbea-Gallardo, C.,
Samaniego-Fernández, M., & Pallás-Alonso, C. R. (2014). Impacto en la práctica clínica de la
apertura de un banco de leche en una unidad neonatal. Anales de Pediatría, 81(3), 155–160.
https://doi.org/10.1016/j.anpedi.2013.11.011
Victora, C. G., Bahl, R., Barros, A. J. D., França, G. V. A., Horton, S., Krasevec, J., Murch, S., Sankar,
M. J., Walker, N., & Rollins, N. C. (2016). Breastfeeding in the 21st century: Epidemiology,
mechanisms, and lifelong effect. The Lancet, 387(10017), 475–490.
https://doi.org/10.1016/S0140-6736(15)01024-7
WHO, Y. S. (2019, November 11). Breastfeeding. https://www.who.int/health-topics/breastfeeding
Wong, R. K., Pitino, M. A., Mahmood, R., Zhu, I. Y., Stone, D., O’Connor, D. L., Unger, S., & Chan,
T. C. Y. (2021). Predicting Protein and Fat Content in Human Donor Milk Using Machine
Learning. The Journal of Nutrition, 151(7), 2075–2083. https://doi.org/10.1093/jn/nxab069
quality of care. Seminars in Fetal and Neonatal Medicine, 26(1), 101204.
https://doi.org/10.1016/j.siny.2021.101204
Vázquez-Román, S., Bustos-Lozano, G., López-Maestro, M., Rodríguez-López, J., Orbea-Gallardo, C.,
Samaniego-Fernández, M., & Pallás-Alonso, C. R. (2014). Impacto en la práctica clínica de la
apertura de un banco de leche en una unidad neonatal. Anales de Pediatría, 81(3), 155–160.
https://doi.org/10.1016/j.anpedi.2013.11.011
Victora, C. G., Bahl, R., Barros, A. J. D., França, G. V. A., Horton, S., Krasevec, J., Murch, S., Sankar,
M. J., Walker, N., & Rollins, N. C. (2016). Breastfeeding in the 21st century: Epidemiology,
mechanisms, and lifelong effect. The Lancet, 387(10017), 475–490.
https://doi.org/10.1016/S0140-6736(15)01024-7
WHO, Y. S. (2019, November 11). Breastfeeding. https://www.who.int/health-topics/breastfeeding
Wong, R. K., Pitino, M. A., Mahmood, R., Zhu, I. Y., Stone, D., O’Connor, D. L., Unger, S., & Chan,
T. C. Y. (2021). Predicting Protein and Fat Content in Human Donor Milk Using Machine
Learning. The Journal of Nutrition, 151(7), 2075–2083. https://doi.org/10.1093/jn/nxab069