Como usar IA para pesquisa em nutrição e ciências dos alimentos?

IA pode apoiar a revisão de literatura, análise de grandes bases de dados nutricionais, identificação de padrões em estudos dietéticos e apoio na escrita científica. Mas toda afirmação sobre composição nutricional, efeitos de nutrientes ou recomendações dietéticas precisa ser verificada em literatura primária, modelos de linguagem frequentemente erram em dados específicos de nutrição.

IA pode ajudar na análise de inquéritos alimentares e recordatórios?

Ferramentas de IA especializadas já apoiam a análise de recordatórios alimentares de 24 horas e diários alimentares, ajudando na codificação de alimentos e estimativa de nutrientes. Mas esses sistemas precisam ser validados para a população e a base de dados alimentares brasileira. Modelos generalistas como ChatGPT não são adequados para análise clínica de dados dietéticos.

O que são modelos de linguagem e por que eles erram em nutrição?

Modelos de linguagem como o ChatGPT foram treinados em textos gerais da internet. Em nutrição, podem citar valores errados de composição de alimentos, confundir recomendações atuais com antigas, ou misturar dados de populações diferentes. A tabela TACO (Tabela Brasileira de Composição de Alimentos) e as recomendações das DRIs (Dietary Reference Intakes) precisam ser consultadas na fonte oficial, não via chatbot.

IA para Pesquisa em Nutrição: Guia Ético e Prático

A IA chegou na nutrição, mas com que qualidade?

Vamos lá. Se você pesquisa nutrição, ciências dos alimentos ou áreas afins, já deve ter ouvido que a IA vai revolucionar como fazemos ciência. Talvez já tenha tentado usar ChatGPT para alguma coisa na sua dissertação.

E provavelmente já percebeu que, quando o assunto é dado nutricional específico, o ChatGPT erra bastante.

Isso não é um argumento contra usar IA na pesquisa em nutrição. É um argumento para entender o que a IA faz bem e o que ela faz mal nessa área, porque a diferença é importante e tem consequências metodológicas.

O que os modelos de linguagem não conseguem fazer em nutrição

Primeiro, vou ser direta sobre os limites. E eles são mais sérios do que em outras áreas.

Dados de composição de alimentos

A composição nutricional dos alimentos, quantidade de calorias, proteínas, fibras, micronutrientes, varia por cultivar, método de preparo, região de produção, condições de armazenamento. A Tabela TACO (Tabela Brasileira de Composição de Alimentos), desenvolvida pela UNICAMP com financiamento do Ministério da Saúde, é a referência para dados brasileiros.

Quando você pede a um chatbot o teor de ferro do feijão-carioca cozido, o que ele devolve é uma estimativa baseada em textos que aparecem na internet, que podem estar desatualizados, que podem ser de outras variedades, que podem ter sido publicados sem verificação. Isso não é fonte para uma dissertação.

Recomendações dietéticas e valores de referência

As DRIs (Dietary Reference Intakes) têm revisões periódicas. As recomendações para vitamina D, ácidos graxos, proteína para idosos foram atualizadas nos últimos anos. Um modelo de linguagem com corte de treinamento de meses ou anos atrás pode citar valores que já foram revisados.

Para pesquisa em nutrição, as referências precisam ser as mais recentes e precisam vir das fontes primárias: Institute of Medicine (IOM), OMS, Ministério da Saúde, ANVISA. Não de chatbot.

Interações nutricionais complexas

Biodisponibilidade, interações entre nutrientes, efeitos de processamento industrial, implicações clínicas de deficiências específicas, esses são campos onde a literatura científica ainda tem muita controvérsia e onde o modelo de linguagem vai produzir uma síntese que parece coerente mas pode estar misturando estudos com populações, metodologias e contextos completamente diferentes.

Onde a IA pode ajudar de verdade

Dito isso, há usos legítimos e úteis. Vou ser específica.

Revisão de literatura e mapeamento bibliométrico

A produção científica em nutrição e ciências dos alimentos é enorme. PubMed, Scopus, Web of Science, SciELO, você precisa filtrar, priorizar, encontrar os estudos relevantes.

Ferramentas como Elicit, ResearchRabbit ou Connected Papers podem ajudar a mapear o campo, identificar artigos que dialogam com o seu objeto, encontrar pesquisadores que trabalham com o mesmo tema. Você ainda precisa ler os artigos. Mas a organização do ponto de partida pode ser apoiada por IA.

Análise de grandes bases de dados dietéticos

Se sua pesquisa trabalha com bases de dados populacionais (como a POF, Pesquisa de Orçamentos Familiares do IBGE, ou dados da PNSN), ferramentas de análise de dados com suporte de IA podem ajudar a identificar padrões, construir modelos preditivos e visualizar dados de formas que análises convencionais demorariam mais para revelar.

Aqui o requisito é que você saiba o que está fazendo metodologicamente. IA não substitui o conhecimento de estatística aplicada à nutrição, ela acelera processos que você já entende.

Apoio à escrita científica

Escrever o Abstract, organizar o fluxo de um artigo, verificar consistência terminológica, adaptar o texto para o inglês científico de um periódico internacional, essas são tarefas onde IA pode dar suporte sem comprometer o conteúdo científico, desde que você revise tudo que ela produz.

A IA não escreve ciência por você. Ela ajuda a formatar o que você já sabe.

Geração de hipóteses exploratórias

Uma pesquisadora me contou que usa o ChatGPT no início de projetos para “pensar em voz alta”, jogar um problema e ver que relações o modelo sugere, que lacunas ele identifica, que perguntas ele levanta. Ela trata isso como brainstorming, não como resultado de pesquisa.

Isso é um uso criativo e legítimo, desde que as hipóteses geradas sejam verificadas na literatura real antes de entrarem no protocolo.

Ferramentas específicas para nutrição e ciências dos alimentos

Além dos modelos de linguagem generalistas, existem ferramentas com foco específico em nutrição que valem conhecer.

Para análise de composição de alimentos:

Tabela TACO online (UNICAMP)
TBCA (Tabela Brasileira de Composição de Alimentos, USP)
USDA FoodData Central (para comparação internacional)

Essas não são ferramentas de IA, mas são as fontes que qualquer ferramenta de IA deveria estar usando quando você pergunta sobre composição.

Para análise de dados dietéticos:

NDSR (Nutrition Data System for Research), software validado para análise de recordatórios
Avanutri, DietWin, softwares brasileiros com bases nacionais
R e Python com bibliotecas específicas para análise nutricional

Para revisão sistemática em nutrição:

Covidence, para triagem de artigos em revisões sistemáticas
GRADE pro, para avaliação de qualidade das evidências
RevMan, para meta-análise

Como declarar o uso de IA na pesquisa em nutrição

As principais revistas de nutrição têm políticas cada vez mais explícitas sobre uso de IA. Periódicos como o American Journal of Clinical Nutrition, Nutrients e Brazilian Journal of Nutrition (atualizado como Revista de Nutrição) já exigem declaração explícita quando IA foi usada no processo de pesquisa ou redação.

A declaração precisa ser específica: qual ferramenta, em qual etapa, como os resultados foram verificados. “Utilizamos IA para apoiar a revisão de literatura” não basta. “Utilizamos a ferramenta Elicit para mapeamento bibliométrico inicial, com posterior triagem manual pela pesquisadora, que leu os artigos na íntegra” é uma declaração adequada.

IA generativa e revisão sistemática em nutrição

Revisões sistemáticas e meta-análises são instrumentos fundamentais na pesquisa em nutrição para a tomada de decisões clínicas e de saúde pública. E são também processos trabalhosos, que envolvem triagem de centenas ou milhares de artigos.

Ferramentas com suporte de IA estão mudando esse processo. O Covidence, por exemplo, já incorporou funcionalidades de triagem assistida que sugerem inclusão ou exclusão de artigos com base no histórico de decisões da pesquisadora. O ASReview, de código aberto, faz triagem ativa de literatura usando aprendizado de máquina.

Esses sistemas não decidem por você. Eles aprendem com suas decisões e tentam priorizar o que provavelmente será relevante, reduzindo o número de artigos que você precisa ler manualmente. O que economiza tempo sem remover o julgamento humano do processo.

A ressalva importante: qualquer sistema de triagem automática precisa ser validado no contexto do seu protocolo. Se você está fazendo uma revisão sistemática registrada no PROSPERO, precisa documentar como a ferramenta foi usada e quais controles foram aplicados para garantir que artigos relevantes não foram perdidos.

O que não muda com IA: o protocolo é do pesquisador

Olha só, vou fechar com isso: independente de quanta IA você usa no processo, o protocolo de pesquisa em nutrição precisa ser seu. Suas escolhas metodológicas, seus critérios de inclusão e exclusão, sua análise, suas conclusões, são responsabilidade do pesquisador, não da ferramenta.

Isso vale especialmente para pesquisas que envolvem participantes humanos. O CEP aprovou seu protocolo. O TCLE foi assinado pelos participantes. A análise dos dados que eles cederam é sua responsabilidade ética e científica.

A IA pode ajudar no caminho. O destino é seu.

Se você quiser entender como organizar o processo de escrita da dissertação em saúde e nutrição com um método que respeita o rigor científico, veja como o Método V.O.E. funciona. Foi construído para quem trabalha em áreas onde a precisão técnica e o cuidado ético precisam andar juntos.