<?xml version="1.0" encoding="ISO-8859-1"?><article xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance">
<front>
<journal-meta>
<journal-id>0004-0622</journal-id>
<journal-title><![CDATA[Archivos Latinoamericanos de Nutrición]]></journal-title>
<abbrev-journal-title><![CDATA[Arch Latinoam Nutr]]></abbrev-journal-title>
<issn>0004-0622</issn>
<publisher>
<publisher-name><![CDATA[Sociedad Latinoamericana de Nutrición]]></publisher-name>
</publisher>
</journal-meta>
<article-meta>
<article-id>S0004-06222023000500176</article-id>
<title-group>
<article-title xml:lang="es"><![CDATA[P011/S1-P11 DELINEACIÓN DE NUTRITIPOS EN UNA POBLACIÓN ONLINE PARA UNA NUTRICIÓN DE PRECISIÓN]]></article-title>
</title-group>
<contrib-group>
<contrib contrib-type="author">
<name>
<surname><![CDATA[Higuera-Gómez]]></surname>
<given-names><![CDATA[PhD Student Andrea]]></given-names>
</name>
<xref ref-type="aff" rid="Aff"/>
</contrib>
<contrib contrib-type="author">
<name>
<surname><![CDATA[Pascual]]></surname>
<given-names><![CDATA[Dr. Víctor de la O]]></given-names>
</name>
<xref ref-type="aff" rid="Aff"/>
</contrib>
<contrib contrib-type="author">
<name>
<surname><![CDATA[Ribot-Rodríguez]]></surname>
<given-names><![CDATA[PhD Student Rosa]]></given-names>
</name>
<xref ref-type="aff" rid="Aff"/>
</contrib>
<contrib contrib-type="author">
<name>
<surname><![CDATA[Cuevas-Sierra]]></surname>
<given-names><![CDATA[Dra. Amanda]]></given-names>
</name>
<xref ref-type="aff" rid="Aff"/>
</contrib>
<contrib contrib-type="author">
<name>
<surname><![CDATA[Martínez]]></surname>
<given-names><![CDATA[Prof. J. Alfredo]]></given-names>
</name>
<xref ref-type="aff" rid="Aff"/>
</contrib>
</contrib-group>
<aff id="Af1">
<institution><![CDATA[,Precision Nutrition and Cardiometabolic Health, IMDEA-Food Institute (Madrid Institute for Advanced Studies) Campus of International Excellence (CEI) UAM+CSIC ]]></institution>
<addr-line><![CDATA[Madrid ]]></addr-line>
<country>España</country>
</aff>
<pub-date pub-type="pub">
<day>00</day>
<month>10</month>
<year>2023</year>
</pub-date>
<pub-date pub-type="epub">
<day>00</day>
<month>10</month>
<year>2023</year>
</pub-date>
<volume>73</volume>
<fpage>176</fpage>
<lpage>176</lpage>
<copyright-statement/>
<copyright-year/>
<self-uri xlink:href="http://ve.scielo.org/scielo.php?script=sci_arttext&amp;pid=S0004-06222023000500176&amp;lng=en&amp;nrm=iso"></self-uri><self-uri xlink:href="http://ve.scielo.org/scielo.php?script=sci_abstract&amp;pid=S0004-06222023000500176&amp;lng=en&amp;nrm=iso"></self-uri><self-uri xlink:href="http://ve.scielo.org/scielo.php?script=sci_pdf&amp;pid=S0004-06222023000500176&amp;lng=en&amp;nrm=iso"></self-uri><abstract abstract-type="short" xml:lang="es"><p><![CDATA[Resumen:  Introducción y objetivo:  Las investigaciones epidemiológicas asociando la alimentación con el bienestar y la calidad de vida, son de gran valor para implementar estrategias sanitarias. Así, datos de salud obtenidos online representan una novedosa alternativa en salud pública, donde la nutrimetría, a través de nutríndices cuantitativos o nutritipos cualitativos permite caracterizar objetivamente a los individuos para intervenciones de precisión. El estudio NUTRiMDEA tiene como objetivo desarrollar instrumentos para evaluar el bienestar metabólico-nutricional e identificar posibles nutritipos por medios online con fines epidemiológicos.  Métodos:  Un total de 17.332 participantes (&#8805;18 años) contestaron a una encuesta online. El cuestionario recolectó datos socioeconómicos, antropométricos, de salud cardiometabólica, estilo de vida y percepción de calidad de vida relacionada con la salud. Tras un análisis factorial exploratorio para reducir el número de variables, se consiguió seleccionar 18 factores (eigenvalue &gt;1) que explicaron alrededor del 70% del modelo. Posteriormente, se realizó un análisis de clúster de estos factores siguiendo criterios de machine-learning.  Resultados:  El modelo estadístico permitió definir 5 conglomerados o clústeres diferenciados. El clúster 1 (&#8220;Saludables&#8221;, n=10.178) se caracterizó por población de adultos sanos. El clúster 2 constituido por una población de mayor edad (47% &gt;55 años) con peores hábitos de estilo de vida, peor salud y calidad de vida (&#8220;Pro-mórbidos&#8221;, n=266). El clúster 3 (&#8220;Adultos-Jóvenes Mediterráneos&#8221;, n=2114) se caracterizó por población joven adulta, sana y con un estilo de vida saludable. El clúster 4 (&#8220;Millenial Occidentalizado&#8221;, n=1073) contempló jóvenes sanos con peores hábitos de estilo de vida. El clúster 5 (&#8220;Premórbidos&#8221;, n=608) se compuso por adultos mayoritariamente sanos con un estado de ánimo deteriorado.  Conclusiones:  Estrategias apoyadas en análisis machine-learning permiten la asignación de nutritipos (clusterización de la población), lo que posibilita una actuación personalizada, con utilidad para caracterizar y realizar intervenciones nutricionales de precisión a través de métodos online.]]></p></abstract>
<kwd-group>
<kwd lng="es"><![CDATA[nutrición de precisión]]></kwd>
<kwd lng="es"><![CDATA[nutritipos]]></kwd>
<kwd lng="es"><![CDATA[online]]></kwd>
<kwd lng="es"><![CDATA[salud cardiometabólica]]></kwd>
<kwd lng="es"><![CDATA[machine learning]]></kwd>
</kwd-group>
</article-meta>
</front>
</article>
