Aplicación del aprendizaje automático en la garantía de la seguridad alimentaria nutricional: una revisión sistemática del período 2015- 2025
DOI:
https://doi.org/10.62544/ucomscientia.v4i1.76Keywords:
Inteligencia artificial, aprendizaje automático, aprendizaje profundo, seguridad alimentariaAbstract
Durante las últimas décadas se ha tratado de erradicar la inseguridad alimentaria con programas y políticas públicas que resultan insuficientes para lograr el Hambre Cero. En este marco, surge el aprendizaje automático como herramienta para fortalecer el análisis, la toma de decisiones y la anticipación de riesgos en sistemas alimentarios. Analizar sistemáticamente la evidencia científica disponible sobre los aportes del aprendizaje automático en el ámbito de la seguridad alimentaria nutricional a nivel mundial durante el período 2015-2025. Se realizó una revisión sistemática, usando diferentes bases científicas online (Pubmed/Medline, Google Scholar, Lilacs, BVS, Scielo). Se incluyeron aquellos artículos que contenían las palabras clave o una combinación de ellas durante el año 2015-2025, que aplicaran herramientas de aprendizaje automático en al menos una dimensión de la seguridad alimentaria nutricional. La calidad de los estudios incluidos se verificó mediante la guía STROBE y la guía Downs and Black. Se analizaron 17 artículos que reportan el uso de modelos de aprendizaje automático para abordar la seguridad alimentaria nutricional. En algunos casos, estos modelos incorporaron técnicas de aprendizaje profundo. La disponibilidad fue la dimensión más estudiada. Los modelos de aprendizaje automático son herramientas eficaces en el abordaje de la seguridad alimentaria nutricional para analizar y predecir aspectos vinculados con la misma. Se destaca la necesidad de promover investigaciones que integren dimensiones sociales y contextuales, con el fin de fortalecer un enfoque sostenible de la seguridad alimentaria nutricional.
References
Afzal, H., Amjad, M., Raza, A., Munir, K., Villar, S. G., López, L. A. D., & Ashraf, I. (2025). Incorporating soil information with machine learning for crop recommendation to improve agricultural output. Scientific Reports, 15(1), 8560. https://doi.org/10.1038/s41598-025-88676-z
Al-Adhaileh, M. H., & Aldhyani, T. H. H. (2022). Artificial intelligence framework for modeling and predicting crop yield to enhance food security in Saudi Arabia. PeerJ Computer Science, 8, e1104. https://doi.org/10.7717/peerj-cs.1104
Alamu, S. A. (2024). Systematic review of current trends in precision agricultural model to address food insecurity challenges. Journal of Applied Sciences and Environmental Management, 28(12), 4181–4192. https://doi.org/10.4314/jasem.v28i12.30
Álvarez Di Fino, E. M., Scavuzzo, C. M., Campero, M. N., Scavuzzo, C. M., & Defagó, M. D. (2022). Exploring the use of remote sensing tools and geospatial technologies applied to the multidimensional food security problem. Uniciencia, 36(1), 746–760. https://doi.org/10.15359/ru.36-1.48
Aqeel, M., Sohaib, A., Iqbal, M., Rehman, H. U., & Rustam, F. (2024). Hyperspectral identification of oil adulteration using machine learning techniques. Current Research in Food Science, 8, 100773. https://doi.org/10.1016/j.crfs.2024.100773
Asamoah, E., Heuvelink, G. B. M., Chairi, I., Bindraban, P. S., & Logah, V. (2024). Random forest machine learning for maize yield and agronomic efficiency prediction in Ghana. Heliyon, 10(17), e37065. https://doi.org/10.1016/j.heliyon.2024.e37065
Bitew, F. H., Sparks, C. S., & Nyarko, S. H. (2021). Machine learning algorithms for predicting undernutrition among under-five children in Ethiopia. Public Health Nutrition, 25(2), 269–280. https://doi.org/10.1017/S1368980021004262
Clapp, J., & Moseley, W. G. (2020). This food crisis is different: COVID-19 and the fragility of the neoliberal food security order. The Journal of Peasant Studies, 47(7), 1393–1417. https://doi.org/10.1080/03066150.2020.1823838
Committee on World Food Security. (2021). Global strategic framework for food security and nutrition (GSF). Food and Agriculture Organization of the United Nations. https://www.fao.org/fileadmin/templates/cfs/Docs2021/GSF/NF445_CFS_GSF_2021_Clean_en.pdf
Deconinck, K. (2022). Making better policies for food systems will require reducing evidence gaps. Global Food Security, 33, 100621. https://doi.org/10.1016/j.gfs.2022.100621
Ding, H., Tian, J., Yu, W., Wilson, D. I., Young, B. R., Cui, X., Xin, X., Wang, Z., & Li, W. (2023). The application of artificial intelligence and big data in the food industry. Foods, 12(24), 4511. https://doi.org/10.3390/foods12244511
Digital.govt.nz. (2025). Glossary of AI terms (Machine learning). New Zealand Government. https://www.digital.govt.nz/standards-and-guidance/technology-and-architecture/artificial-intelligence/responsible-ai-guidance-for-the-public-service-genai/glossary-of-ai-terms
Downs, S. H., & Black, N. (1998). The feasibility of creating a checklist for the assessment of the methodological quality both of randomises and non-randomised studies of health care interventions. Journal of Epidemiology and Community Health, 52(6), 377-384.
Duran-Silva, N., Fuster, E., Massucci, F. A., Parra-Rojas, C., Quinquillà, A., Roda, F., Rondelli, B., Bovenzi, N., & Toietta, C. (2021). A controlled vocabulary for research and innovation in the field of artificial intelligence (AI) (Version 2) [Data set]. Zenodo. https://doi.org/10.5281/zenodo.5591987
Espinosa-Herrera, J. M., Macedo-Cruz, A., Fernández-Reynoso, D. S., Flores-Magdaleno, H., Fernández-Ordoñez, Y. M., & Soria-Ruíz, J. (2022). Monitoring and identification of agricultural crops through multitemporal analysis of optical images and machine learning algorithms. Sensors, 22(16), 6106. https://doi.org/10.3390/s22166106
FAO, FIDA, OMS, PMA, y UNICEF. (2025). El estado de la seguridad alimentaria y la nutrición en el mundo 2025: Hacer frente a la inflación alta de los precios de los alimentos en aras de la seguridad alimentaria y la nutrición. Organización de las Naciones Unidas para la Alimentación y la Agricultura. https://doi.org/10.4060/cd6008es
Gavai, A., Bouzembrak, Y., Mu, W., Martin, F., Kaliyaperumal, R., van Soest, J., Choudhury, A., Heringa, J., Dekker, A., & Marvin, H. J. P. (2023). Applying federated learning to combat food fraud in food supply chains. Science of Food, 7(1). https://doi.org/10.1038/s41538-023-00220-3
Gyamerah, S. A., Asare, C., Agbi-Kaeser, H. O., & Baffour-Ata, F. (2024). Assessing the impact of climate variability on maize yields in the different regions of Ghana: A machine learning perspective. PLOS ONE, 19(6), e0305762. https://doi.org/10.1371/journal.pone.0305762
Han, X., Yuan, T., Wang, D., Zhao, Z., & Gong, B. (2023). How to understand high global food price? Using SHAP to interpret machine learning algorithm. PLOS ONE, 18(8), e0290120. https://doi.org/10.1371/journal.pone.0290120
High Level Panel of Experts on Food Security and Nutrition (HLPE). (2020). COVID-19 and the world’s food security and nutrition: Developing effective policy responses (Policy Report No. 16). Committee on World Food Security. https://www.fao.org/3/ca9731en/CA9731EN.pdf
High Level Panel of Experts on Food Security and Nutrition (HLPE-FSN). (2023). Reducing inequalities for food security and nutrition (Policy Report No. 18). Committee on World Food Security. https://www.fao.org/3/cc1451en/cc1451en.pdf
Ingram, J. (2011). A food systems approach to researching food security and its interactions with global environmental change. Food Security, 3(4), 417–431. https://doi.org/10.1007/s12571-011-0149-9
Calvin, K., Dasgupta, D., Krinner, G., Mukherji, A., Thorne, P. W., Trisos, C., Romero, J., Aldunce, P., Barrett, K., Blanco, G., Cheung, W. W. L., Connors, S., Denton, F., Diongue-Niang, A., Dodman, D., Garschagen, M., Geden, O., Hayward, B., Jones, C., … Ha, M. (with Lee, H.). (2023). Ipcc, 2023: Climate change 2023: synthesis report. Contribution of working groups i, ii and iii to the sixth assessment report of the intergovernmental panel on climate change [core writing team, h. Lee and j. Romero (Eds.)]. Ipcc, geneva, switzerland. (P. Arias, M. Bustamante, I. Elgizouli, G. Flato, M. Howden, C. Méndez-Vallejo, J. J. Pereira, R. Pichs-Madruga, S. K. Rose, Y. Saheb, R. Sánchez Rodríguez, D. Ürge-Vorsatz, C. Xiao, N. Yassaa, J. Romero, J. Kim, E. F. Haites, Y. Jung, R. Stavins, … C. Péan, Eds.). Intergovernmental Panel on Climate Change (IPCC). https://doi.org/10.59327/IPCC/AR6-9789291691647
Kanna, G. P., Kumar, S. J., Kumar, Y., Changela, A., Woźniak, M., Shafi, J., & Ijaz, M. F. (2023). Advanced deep learning techniques for early disease prediction in cauliflower plants. Scientific Reports, 13(1), 18475. https://doi.org/10.1038/s41598-023-45403-w
Lähde, V., Vadén, T., Toivanen, T., Järvensivu, P., & Eronen, J. T. (2023). The crises inherent in the success of the global food system. Ecology and Society, 28(4). https://doi.org/10.5751/ES-14624-280416
Li, A., Zhang, Z., Hong, Z., Liu, L., & Liu, Y. (2024). Evaluation method for ecology-agriculture-urban spaces based on deep learning. Scientific Reports, 14(1), 11353. https://doi.org/10.1038/s41598-024-61919-1
Mohammed, S., Arshad, S., Bashir, B., Ata, B., Al-Dalahmeh, M., Alsalman, A., Ali, H., Alhennawi, S., Kiwan, S., & Harsanyi, E. (2024). Evaluating machine learning performance in predicting sodium adsorption ratio for sustainable soil-water management in the eastern Mediterranean. Journal of Environmental Management, 370, 122640. https://doi.org/10.1016/j.jenvman.2024.122640
Namkhah, Z., Fatemi, S. F., Mansoori, A., Nosratabadi, S., Ghayour-Mobarhan, M., & Sobhani, S. R. (2023). Advancing sustainability in the food and nutrition system: A review of artificial intelligence applications. Frontiers in Nutrition, 10, 1295241. https://doi.org/10.3389/fnut.2023.1295241
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E., McDonald, S., … Alonso-Fernández, S. (2021). Declaración PRISMA 2020: Una guía actualizada para la publicación de revisiones sistemáticas. Revista Española de Cardiología, 74(9), 790–799. https://doi.org/10.1016/j.recesp.2021.06.016
Qasrawi, R., Sgahir, S., Nemer, M., Halaikah, M., Badrasawi, M., Amro, M., Vicuna Polo, S., Abu Al-Halawa, D., Mujahed, D., Nasreddine, L., Elmadfa, I., Atari, S., & Al-Jawaldeh, A. (2024). Machine learning approach for predicting the impact of food insecurity on nutrient consumption and malnutrition in children aged 6 months to 5 years. Children, 11(7), 810. https://doi.org/10.3390/children11070810
Ramyaa, R., Hosseini, O., Krishnan, G. P., & Krishnan, S. (2019). Phenotyping women based on dietary macronutrients, physical activity, and body weight using machine learning tools. Nutrients, 11(7), 1681. https://doi.org/10.3390/nu11071681
Sarku, R., Clemen, U., y Clemen, T. (2023). La aplicación de modelos de inteligencia artificial para la seguridad alimentaria: una revisión. Agriculture, 13(10), 2037. https://doi.org/10.3390/agriculture13102037
U.S. Food and Drug Administration. (2025). Economically motivated adulteration (food fraud). https://www.fda.gov/food/compliance-enforcement-food/economically-motivated-adulteration-food-fraud
United Nations, Department of Economic and Social Affairs. (2023). The Sustainable Development Goals Report 2023: Special edition. United Nations. https://unstats.un.org/sdgs/report/2023/The-Sustainable-Development-Goals-Report-2023.pdf
Vela Antón, P., Soto Becerra, P., Bonilla-Aguilar, K., Guillermo Roman, M., & Apolaya-Segura, M. (2023). Machine learning para la predicción de sobrepeso y obesidad en pacientes atendidos por el programa de control de crecimiento y desarrollo de la red asistencial Sabogal del Seguro Social de Salud del Perú (Reporte de Resultados de Investigación No. 05-2023). Seguro Social de Salud (EsSalud), Instituto de Evaluación de Tecnologías en Salud e Investigación (IETSI). https://hdl.handle.net/20.500.12959/5017
Von Elm, E., Altman, D. G., Egger, M., Pocock, S. J., Gøtzsche, P. C., Vandenbroucke, J. P., & Iniciativa STROBE. (2008). Declaración de la Iniciativa STROBE (Strengthening the Reporting of Observational studies in Epidemiology): directrices para la comunicación de estudios observacionales. Gac Sanit, 22(2), 144-150.
Wang, G., Sun, Y., & Wang, J. (2017). Automatic image-based plant disease severity estimation using deep learning. Computational Intelligence and Neuroscience, 2017, 1-8. https://doi.org/10.1155/2017/2917536
Wang, K., Han, Y., Zhang, Y., Zhang, Y., Wang, S., Yang, F., Liu, C., Zhang, D., Lu, T., Zhang, L., & Liu, Z. (2024). Maize yield prediction with trait-missing data via bipartite graph neural network. Frontiers in Plant Science, 15, 1433552. https://doi.org/10.3389/fpls.2024.1433552
World Food Programme. (2025). WFP 2026 Global Outlook: Hunger and hope—Innovative solutions to address food insecurity. https://docs.wfp.org/api/documents/WFP-0000170274/download/
Zenteno, N. A. R., Zebadúa Martínez, C. C., Morales Navarro, N. A., Pérez Patricio, M., Cossío Martínez, A. G., y Nango Solís, G. B. (2025). Estimación del índice de crecimiento de la lechuga mediante el aprendizaje profundo. Revista Tecnología Digital, 15. http://www.revistatecnologiadigital.com/pdf/15_ael_estimacion_indice_crecimiento_lechuga_aprendizaje_profundo.pdf
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Lourdes Oriana Chavarría, María Sol Moreno, Maria Guadalupe Teixeira, Micaela Natalia Campero, Fernando Roda, Sandra L Restrepo-Mesa, Carlos Matías Scavuzzo
This work is licensed under a Creative Commons Attribution 4.0 International License.
La Revista Científica UCOM Scientia se distribuye bajo una Licencia Atribución 4.0 Internacional (CC BY 4.0) https://creativecommons.org/licenses/by/4.0/deed.es
