Frente a este panorama, investigadores de la Universidad Técnica Particular de Loja (UTPL) desarrollaron VITA-D, una herramienta web predictiva basada en Inteligencia Artificial (IA). También puedes leer: Evita el deterioro cognitivo: conoce estos tres enemigos silenciosos del cerebro VITA-D fue entrenada con dos bases de datos: una privada, con 465 participantes de Loja, y otra pública de FigShare, alcanzando un total de 1.065 registros. Se recolectaron variables clínicas y sociodemográficas como edad, índice de masa corporal, masa muscular, tipo de trabajo, exposición al sol, uso de protector solar y actividad física. Con esta información, se entrenaron tres modelos de aprendizaje automático: Regresión Logística, Máquinas de Vectores de Soporte (SVM) y Bosques Aleatorios (RF). Este último mostró el mejor rendimiento, con una precisión del 87,73%, y fue elegido para integrarse a la plataforma. ¿Cómo funciona? El usuario ingresa sus datos en la interfaz de VITA-D, desarrollada con tecnologías como Django, MySQL y BootstrapStudio. El sistema analiza la información y predice si la persona tiene deficiencia de vitamina D (nivel <18 ng/mL) o niveles suficientes (≥18 ng/mL). Además, presenta un panel gráfico interactivo que muestra el nivel de riesgo, los factores que más influyen y recomendaciones útiles. VITA-D representa una alternativa eficiente, económica y no invasiva frente a los costosos análisis sanguíneos, especialmente útil en regiones con recursos limitados. Permite monitorear a poblaciones vulnerables, optimizar decisiones clínicas y apoyar estrategias de salud pública. También puedes leer: Estrategia para revitalizar tu cerebro mientras trabajas: Microdescansos de 90 segundos Limitaciones y próximos pasos Aunque VITA-D ha demostrado ser precisa y funcional, presenta algunas limitaciones. Su modelo se basa en una muestra geográficamente limitada y utiliza una clasificación binaria simplificada que no contempla todos los matices clínicos de la deficiencia de vitamina D. Además, no incluye variables genéticas, dietéticas o bioquímicas que podrían enriquecer la predicción. En siguientes fases, se planea ampliar la base de datos con información de otras regiones, integrar más variables relevantes y probar algoritmos avanzados para ofrecer predicciones más precisas y personalizadas.