Resumen

El objetivo de este artículo es reportar los hallazgos sobre el consumo de alcohol y su asociación con factores sociodemográficos y académicos en dos generaciones universitarias durante la pandemia por covid-19. Además de los factores sociodemográficos y académicos, el confinamiento debido a la covid-19 se ha asociado con un mayor consumo de alcohol. Se compararon los niveles de riesgo de consumo de alcohol en dos generaciones de nivel superior que iniciaron sus estudios durante la pandemia. Participaron 2,265 estudiantes de manera voluntaria. Se encontró que prevalece un consumo de bajo riesgo y abstinencia, aunque algunos reportaron un consumo riesgoso y perjudicial. Los hombres presentaron un mayor consumo y de mayor riesgo que las mujeres. La convivencia intermitente con los compañeros y tener empleo a tiempo completo o medio tiempo favorecieron situaciones de consumo. El análisis bivariado tiene limitaciones; futuros análisis multivariados permitirán una comprensión más integral del fenómeno, lo que contribuirá a la identificación temprana de poblaciones en riesgo y su atención.
Palabras clave: consumo de alcohol, adicciones universitarias, pandemia, factores sociodemográficos, riesgo académico.

Two university generations: risky alcohol consumption during the pandemic

Abstract

The aim of this article is to report findings on alcohol consumption and its association with sociodemographic and academic factors in two university generations during the covid-19 pandemic. In addition to sociodemographic and academic factors, the covid-19 lockdown has been linked to increased alcohol consumption. The levels of alcohol consumption risk were compared between two generations of higher education students who began their studies during the pandemic. A total of 2,265 students participated voluntarily. It was found that low-risk consumption and abstinence prevailed, although some reported risky and harmful consumption. Men exhibited higher and riskier alcohol consumption than women. Intermittent socializing with peers and having full-time or part-time employment favored drinking situations. The bivariate analysis has limitations; future multivariate analyses will allow a more comprehensive understanding of the phenomenon, contributing to the early identification of at-risk populations and their intervention.
Keywords: alcohol consumption, university addictions, pandemic, sociodemographic factors, academic risk.

---

Introducción

El consumo de riesgo y dañino de alcohol (crda) se define como un patrón de consumo de bebidas embriagantes que se ubica en un continuo de severidad, colocando al sujeto en riesgo de desarrollar problemas de salud y/o de enfrentar complicaciones físicas y/o psicológicas, tales como accidentes, victimización, violencia, dependencia al alcohol, entre otras (Díaz et al., 2009).

Según el último informe de la Organización Mundial de la Salud (oms) sobre el alcohol (2019), el grupo de 15 a 24 años es el que presenta mayores episodios de consumo excesivo de alcohol, principalmente entre los hombres. En México, la Encuesta Nacional de Consumo de Drogas, Alcohol y Tabaco (encodat) (Instituto Nacional de Psiquiatría Ramón de la Fuente Muñiz [inprfm], 2017) reportó que el consumo de alcohol y otras drogas aumentó en la población general en los últimos 10 años, siendo los 17 años la edad de inicio de consumo. Entre los 18 y 25 años de edad, el 36 % de los hombres y el 47 % de las mujeres inician su consumo, periodo de la vida en el cual algunas personas cursan la educación superior.

Figura 1. Estudiantes de la Universidad Tecnológica de Aguascalientes.
Crédito: Dirección de Área de Promoción y Comunicación, UTNA.

La encuesta reportó que la población general consume, en promedio, 4.9 litros de alcohol puro per cápita, siendo los hombres quienes consumen más que las mujeres (7.9 litros frente a 2.1 litros, respectivamente). Los estados con mayor consumo per cápita son: Aguascalientes (8 litros), Jalisco (7.9 litros) y Nuevo León (7.4 litros). En particular, en Aguascalientes (entidad en la que se realizó el estudio), el 75 % ha bebido alguna vez en la vida y el 58 % lo hizo en el último año. Además, el consumo consuetudinario (11 %), el consumo excesivo en el último mes (26.3 %, principalmente entre los hombres que consumen alcohol, 39 %) y el indicador de dependencia, es decir, con posible adicción al alcohol (2.2 %), son superiores a los reportados a nivel nacional.

Durante la pandemia por covid-19, la Encuesta Nacional de Salud y Nutrición 2020 sobre covid-19 (ensanut) reportó una prevalencia del consumo de alcohol en la población de 20 años o más de 54.3 %, siendo mayor entre los hombres (67.2 %) que entre las mujeres (42.5 %). Este porcentaje fue aún mayor entre los de 20 a 29 años (Shamah-Levy et al., 2021). Además, se encontró que, en ambos sexos, la posibilidad de un consumo excesivo de alcohol se incrementa con un mayor nivel de escolaridad y disminuye con la edad. Asimismo, existe una asociación positiva con el estado civil, así como con la salida a trabajar durante la pandemia (Rivera et al., 2021).

En un estudio realizado por Barrera et al. (2022) sobre los cambios en los patrones de consumo de alcohol y tabaco antes y durante la pandemia de covid-19 en personas de 20 años y más, se encontró que el consumo de alcohol en mujeres aumentó del 33.5 % en 2018 al 42.5 % en 2020, mientras que en los hombres no hubo cambios significativos.

Por otra parte, resultó relevante estudiar los cambios ocurridos en el consumo de alcohol entre la población estudiantil, en relación con factores socioeconómicos y académicos. Del Rosario et al. (2021) estudiaron la asociación entre consumo de alcohol, estrés, ansiedad, depresión y aburrimiento, encontrando medias de consumo menores, que podrían ser resultado del confinamiento. No se encontraron hallazgos significativos en la asociación entre el consumo de alcohol y las variables mencionadas.

Sin embargo, otros estudios realizados con población estudiantil identifican un mayor nivel de riesgo entre los hombres, en las personas que solo se dedican a estudiar y en aquellos con familiares que también consumen bebidas alcohólicas (Amaro et al., 2013; Camacho, 2005; Mantilla et al., 2016). El estudio realizado por Vargas et al. (2020) encontró que, al incrementarse el consumo de alcohol, el rendimiento académico tiende a disminuir, mientras que el número de materias reprobadas aumenta. En contraparte, otro estudio realizado en la Universidad Intercultural de Veracruz encontró que el consumo abusivo y de riesgo no afecta el promedio de calificaciones (De San Jorge et al., 2016). Esto sugiere que los resultados en este sentido no son concluyentes.

Estudios previos realizados en jóvenes universitarios en cuanto al consumo de alcohol en la Universidad Tecnológica del Norte de Aguascalientes (utna), donde se desarrolló este trabajo, muestran que, aunque un mayor porcentaje de su población estudiantil no consume alcohol o lo hace con un bajo riesgo, también se presenta el consumo de alto riesgo, perjudicial y de probable dependencia (Del Valle y García, 2020). Por lo tanto, es relevante continuar con su evaluación, integrando nuevas variables de análisis y en condiciones que se reportan como favorecedoras para el aumento de las tasas de consumo, como la pandemia por covid-19.

El objetivo de este trabajo fue comparar el nivel de riesgo del consumo de alcohol y los factores sociodemográficos y académicos asociados en dos generaciones de estudiantes universitarios —2020 y 2021— que iniciaron sus estudios durante la pandemia.

Método

Diseño

Estudio no experimental, descriptivo, correlacional y de comparación, de corte transversal.

Participantes

La población estudiantil de nuevo ingreso de las generaciones 2020 y 2021, de los niveles Técnico Superior Universitario (tsu) y Licenciatura, participó voluntariamente con un total de 2,265 estudiantes. De este total, 1,594 estaban inscritos en el nivel tsu y 671 en el de licenciatura. El 55% fueron mujeres y el 45% hombres (m = 19.4 años; de = 3.2). El 94% de los participantes estaban solteros y el 49% reportó trabajar en el momento del estudio; de estos, el 45% laboraba 8 horas diarias, el 24% lo hacía 4 horas diarias y el 31% de manera ocasional.

La generación 2020 estuvo conformada por 1,118 estudiantes, de los cuales 754 eran del nivel tsu y 364 de licenciatura. El 67% fueron mujeres y el 33% hombres (m = 19.6 años; de = 3.4). El 93% estaban solteros y el 49% reportó trabajar además de estudiar. Por otro lado, la generación 2021 estuvo integrada por 1,147 estudiantes, de los cuales 840 eran del nivel tsu y 307 de licenciatura. El 73% fueron mujeres y el 27% hombres (m = 19.2 años; de = 2.9). El 95% estaban solteros y el 49% también trabajaban mientras estudiaban.

Instrumentos

1. Cuestionario de datos sociodemográficos y de consumo de alcohol y otras drogas. Este cuestionario evalúa datos sociodemográficos, variables académicas, y las prevalencias de consumo de alcohol, tabaco y otras drogas en diferentes períodos: alguna vez en la vida, en el último año y en el último mes. Fue diseñado a partir del cuestionario utilizado en las encuestas de adicciones realizadas a estudiantes de secundaria y bachillerato en México (Velázquez et al., 2016).
2. Cuestionario de Identificación de los Trastornos debidos al Consumo de Alcohol [audit] (Babor et al., 2001; Medina-Mora et al., 1998): Este cuestionario mide el consumo riesgoso y dañino de alcohol (crda) mediante 10 reactivos, cada uno con diferentes opciones de respuesta. Permite clasificar el nivel de consumo de alcohol según el puntaje obtenido:

Procedimiento

En primer lugar, se invitó por correo electrónico a los estudiantes de nuevo ingreso de las generaciones 2020 y 2021 de una universidad tecnológica pública a responder la evaluación, a través de un formulario de Google. Debido a la falta de respuesta, se programó una sesión de aplicación de la encuesta en los laboratorios de cómputo de la universidad.

Para la generación 2020, el formulario fue compartido con 2,756 estudiantes (1,636 del nivel tsu y 1,120 del nivel de licenciatura), obteniendo la participación voluntaria de 1,118 estudiantes (40.5% de la matrícula). Para la generación 2021, el formulario fue enviado a 2,522 estudiantes (1,507 del nivel tsu y 1,015 de licenciatura), con la participación de 1,147 estudiantes (45.5% de la matrícula).

La evaluación formó parte de las actividades de inducción a la formación profesional, realizadas con el apoyo del área de tutoría y atención psicopedagógica de la institución. Al inicio del formulario, se detallaron las características del estudio y se incluyó el aviso de privacidad para obtener el consentimiento de participación.

Análisis de los datos

Una vez obtenida la información, se realizaron análisis descriptivos para identificar la proporción de estudiantes según el nivel de consumo riesgoso y perjudicial de alcohol, así como las variables sociodemográficas y factores académicos. Posteriormente, se realizaron análisis de correlación de variables utilizando el coeficiente Rho de Spearman. Finalmente, mediante la prueba t de Student, se compararon las diferencias en el puntaje medio del consumo riesgoso y perjudicial de alcohol, según la generación, el sexo y el nivel educativo.

Consideraciones éticas

Además de garantizar la confidencialidad de la información y respetar el derecho a decidir la participación en el estudio, los estudiantes identificados en riesgo recibieron retroalimentación sobre su consumo y fueron invitados a una intervención breve en línea, como parte del proyecto “Evaluación de una intervención breve en línea para disminuir el consumo excesivo de alcohol en estudiantes universitarios”, con el número pips2-22, aprobado por el Comité de Bioética de la Universidad Autónoma de Aguascalientes (uaa) y el Comité de Investigación de la utna.

Resultados

La mayoría de la población estudiantil evaluada no consume alcohol o presenta un consumo de bajo riesgo (86,5%), mientras que el resto muestra un consumo riesgoso, perjudicial o probable dependencia (13,5%). En la generación 2020, el 87% de los estudiantes se ubicaron en las categorías de consumo de bajo riesgo o no consumo, mientras que el 11% presentó un consumo de alto riesgo, el 1% un consumo perjudicial y el 1% probable dependencia. Por otro lado, en la generación 2021, el 86% no bebió alcohol o mantuvo un consumo de bajo riesgo, el 12% tuvo un consumo de alto riesgo, el 1% un consumo perjudicial y el 1% probable dependencia.

En cuanto al sexo, el 81% de los hombres y el 93% de las mujeres no beben alcohol o tienen un consumo de bajo riesgo. Sin embargo, el 16% de los hombres se encuentran en un nivel de consumo de alcohol de alto riesgo, cifra superior al 6% de las mujeres. Entre los hombres, el 2% presenta consumo perjudicial de alcohol y el 1% probable dependencia, mientras que entre las mujeres no se presentan estos niveles de consumo.

Al comparar los niveles de consumo por nivel educativo entre las generaciones 2020 y 2021, se observó que, en el nivel de tsu, aumentó un 5% la proporción de estudiantes que no beben alcohol o presentan un consumo de bajo riesgo, mientras que disminuyó la proporción con consumo riesgoso, perjudicial o probable dependencia. En cambio, en el nivel de licenciatura, hubo una disminución del 12% en la población estudiantil que no bebía alcohol o tenía un consumo de bajo riesgo, y un aumento en los niveles de consumo riesgoso, perjudicial o probable dependencia (véase figura 2).

Figura 2. Proporción de estudiantes por nivel de consumo, nivel educativo y generación.
Crédito: Elaboración propia.

Para el análisis de correlación, se excluyó a la población estudiantil que no consume alcohol. Se identificó la asociación entre las variables sociodemográficas y académicas con el puntaje total obtenido en el audit, dividiendo los estudiantes en cuatro niveles de consumo: bajo riesgo, alto riesgo, perjudicial y probable dependencia. La distribución fue la siguiente: 82% se ubicó en el nivel de consumo de bajo riesgo, 16% en consumo de alto riesgo, 2% en consumo perjudicial y 1% en probable dependencia.

Se probó la normalidad de las variables mediante la prueba estadística de Kolmogorov-Smirnov, y como no se identificó una distribución normal, se utilizó el coeficiente de correlación Rho de Spearman. En la tabla 1 se presentan las asociaciones correspondientes.

Tabla 1. Resultados de análisis de correlación del nivel de consumo de alcohol y factores sociodemográficos y académicos.
Crédito: Elaboración propia.

Respecto a los factores sociodemográficos, se encontró una correlación positiva relevante entre el nivel de consumo de alcohol y el sexo (r = 0,258, p = 0,000), el ingreso semanal del estudiante (r = 0,185, p = 0,000) y el ingreso familiar (r = 0,055, p = 0,025). Además, se observó una correlación negativa significativa con la condición laboral (r = -0,157, p = 0,000). No se encontraron asociaciones considerables con la edad ni con el estado civil.

En relación con los factores académicos, se encontró una correlación positiva significativa entre el consumo de alcohol y haber sido estudiante el año pasado (r = 0,074, p = 0,003). A su vez, se identificó una relación negativa con el promedio escolar (r = -0,194, p = 0,000), haber dejado de estudiar por 6 meses o más (r = -0,112, p = 0,000), tener materias reprobadas (r = -0,99, p = 0,000) y el nivel educativo (r = -0,061, p = 0,013). No se estableció relación con la asistencia regular a la escuela ni con la generación.

Por otro lado, el análisis de las diferencias en el puntaje medio del consumo riesgoso y perjudicial de alcohol en todos los estudiantes evaluados, utilizando la prueba t de Student para muestras independientes, mostró que no existen diferencias significativas entre las generaciones evaluadas (t = -1,621, gl = 2263, p = 0,10) (m 2020 = 3,47; m 2021 = 3,75), ni por nivel educativo (t = 0,042, gl = 2263, p = 0,96) (m tsu = 3,61; m Lic = 3,62). Sin embargo, se encontraron diferencias significativas por sexo (t = -10,903, gl = 2263, p = 0,000) (m Hombres = 2,58; m Mujeres = 4,39).

El análisis separado de cada generación, mediante la prueba t de Student para muestras relacionadas, mostró que en los estudiantes de la generación 2020 existieron diferencias significativas por nivel educativo (t = 4,540, gl = 1116, p = 0,000), con un nivel de riesgo mayor para el consumo de alcohol en los jóvenes del nivel tsu (m = 3,85) en comparación con los de licenciatura (m = 2,70). También se hallaron diferencias relevantes por sexo (t = -8,210, gl = 1116, p = 0,000), con una media superior en los hombres (m = 4,38) en comparación con las mujeres (m = 2,46).

En los estudiantes de la generación 2021, también se identificaron diferencias significativas en las mismas variables. En cuanto al nivel educativo, los estudiantes de licenciatura presentaron una media más alta (m = 4,71) en comparación con los de tsu (m = 3,40) (t = -4,950, gl = 1145, p = 0,000). En cuanto al sexo, los hombres mostraron una media mayor (m = 4,39) frente a las mujeres (m = 2,71) (t = -7,058, gl = 1145, p = 0,000).

Discusión

En este estudio, se analizó el consumo de alcohol en la población estudiantil de una universidad pública de la región centro del país, en dos generaciones de nuevo ingreso, en el contexto de la pandemia por covid-19. Este análisis forma parte de las evaluaciones solicitadas a las instituciones educativas para la atención de su población estudiantil en materia de prevención de adicciones.

Se identificó que los porcentajes de la población estudiantil en los diferentes niveles de riesgo se mantuvieron similares entre las generaciones evaluadas. Sin embargo, se observaron cambios respecto a una evaluación previa (Del Valle y García, 2020), con un incremento en el porcentaje de estudiantes que no beben o que tienen un bajo riesgo.

Con respecto a la población de licenciatura, en la primera evaluación de 2020 se observó un mayor porcentaje de quienes no beben, pero también una mayor proporción de estudiantes con consumo riesgoso, perjudicial y probable dependencia en comparación con la población de tsu. No obstante, en 2021 (año concurrente con la crisis por la pandemia y el regreso al modelo educativo híbrido), los porcentajes se invirtieron, siendo los estudiantes de licenciatura los que mostraron un incremento en los porcentajes de consumo problemático de alcohol.

Estos resultados podrían relacionarse con el confinamiento y la suspensión de actividades escolares presenciales. En el caso de tsu, la convivencia intermitente con los compañeros de la universidad favoreció situaciones y compañías de consumo. Por otro lado, en la población estudiantil de licenciatura, un mayor porcentaje de estudiantes, además de estudiar, tenían trabajos de tiempo completo o medio tiempo, lo que pudo haber favorecido que no limitaran su vida social durante la pandemia; aunque dejaron de asistir a la escuela, tuvieron otras oportunidades de convivencia social relacionadas con el consumo.

Los hallazgos coinciden con otros estudios realizados entre la población joven. El mayor nivel de consumo de alcohol se presentó entre los hombres, cuyos niveles de consumo tienden a ser más riesgosos y perjudiciales, así como a mostrar un mayor nivel de dependencia (Amaro et al., 2013; Camacho, 2005; Instituto Nacional de Psiquiatría Ramón de la Fuente Muñiz, 2017; Mantilla et al., 2016). Ser hombre se asoció con el consumo de alcohol, independientemente del nivel educativo y la generación.

El nivel de consumo de alcohol también se asoció con la condición laboral y el nivel educativo. En el nivel de tsu, los jóvenes que no trabajan presentaron un mayor nivel de consumo de alcohol. En el caso de licenciatura, los estudiantes que ganan más dinero mostraron un mayor consumo. Lo anterior coincide con los hallazgos de Rivera et al. (2021).

En cuanto a los factores académicos, los resultados coinciden con otros estudios (Méndez y Azaustre, 2017; Soliz et al., 2017; Vargas et al., 2020). Se identificó que un bajo rendimiento académico, medido por un menor promedio escolar, un mayor número de materias reprobadas y haber dejado de estudiar durante 6 meses o más, se asocia con un incremento en el nivel de consumo de riesgo de alcohol. El nivel educativo cursado por los estudiantes se asoció con el consumo solo para la generación 2021, ya que, como se ha mostrado, los mayores niveles de consumo se presentaron entre los jóvenes que cursan el nivel de licenciatura.

Los factores sociodemográficos y académicos asociados identificados podrían ser útiles para segmentar a los grupos de mayor riesgo de consumo excesivo de alcohol y poder diseñar intervenciones más eficaces, puesto que los estudiantes universitarios evaluados provienen de contextos diversos.

Futuras investigaciones podrían explorar el consumo de alcohol como estrategia de afrontamiento de la ansiedad y el estrés a medida que aumenta la edad, se incorporan al mundo laboral y se casan. En general, con toda la población estudiantil, se podría indagar la relación del consumo de alcohol con las expectativas positivas sobre sus efectos, el contexto de la relación entre pares, el estilo de vida y otras condiciones de salud mental (Amaro et al., 2013; Cáceres et al., 2006; Salazar y Quintero, 2004).

El análisis de correlación realizado presenta la limitación de establecer relaciones bivariadas. Por consiguiente, se propone la exploración de modelos multivariados que permitan una comprensión más integral del fenómeno del consumo de alcohol entre la población estudiantil universitaria. Además, las próximas evaluaciones deberían ofrecer un incentivo por parte de la institución para que toda la población estudiantil las responda, a fin de incrementar la tasa de respuesta y contar con una visión más precisa de la situación. Adicionalmente, la evaluación podría integrar otras condiciones de salud, susceptibles de ser atendidas por el área de asesoría psicopedagógica.

Conclusiones

Aunque prevalece un consumo de bajo riesgo y abstinencia en la población estudiada, los resultados evidencian la presencia de consumo riesgoso y perjudicial de alcohol entre los estudiantes de dos generaciones que iniciaron sus estudios universitarios durante la pandemia. Por lo tanto, se considera relevante el diseño de estrategias de intervención adecuadas para atender a los alumnos en riesgo. Algunas de estas estrategias podrían consistir en ofrecer información y fomentar la reflexión con la población estudiantil sobre el consumo de alcohol.

De una generación a otra, se incrementó el nivel de consumo riesgoso y perjudicial de alcohol en la población universitaria, debido al aumento del consumo en el nivel licenciatura. Además, se confirma la asociación entre el nivel de consumo riesgoso y perjudicial de alcohol con variables sociodemográficas y académicas, principalmente con el sexo, la condición laboral, los ingresos personales y el rendimiento académico.

El estudio sugiere que, posiblemente, el papel de las interacciones sociales entre los estudiantes propició el consumo de alcohol con el regreso a las actividades presenciales durante la pandemia por covid-19. Asimismo, el incremento en el consumo de alcohol durante la pandemia probablemente esté relacionado con el hecho de que parte de la población estudiantil (especialmente a nivel licenciatura) mantuvo sus relaciones laborales durante la suspensión de actividades y al regreso a la modalidad presencial. Esto permitió que los estudiantes conservaran su ingreso económico, facilitando así sus oportunidades de consumo, tanto con personas de la universidad como con personas externas, además de ser una forma de afrontar este evento. No obstante, estas suposiciones deben ser confirmadas mediante otros estudios.

Referencias

• Amaro, C., Cansino, M., y Fernández, R. (2013). Factores sociodemográficos relacionados al patrón de consumo de alcohol en estudiantes universitarios del Área de Ciencias de la Salud de la Universidad Autónoma de Nayarit. Revista Tame, 1(3), 71–79. http://dspace.uan.mx:8080/xmlui/handle/123456789/1274
• Babor, T., Higgins, J., Saunders, J., y Monteiro, M. (2001). Cuestionario de identificación de los trastornos debidos al consumo de alcohol (audit). Pautas para su utilización en atención primaria. oms: Departamento de Salud Mental y Dependencia de Sustancias. https://apps.who.int/iris/handle/10665/331321
• Barrera, D., Rengifo, H., López, N., Barrientos, T., y Reynales, L. (2022). Cambios en los patrones de consumo de alcohol y tabaco antes y durante la pandemia de covid-19. Ensanut 2018 y 2020. Salud Pública de México, 64(2), 137-147. https://doi.org/10.21149/12846
• Camacho, I. (2005). Consumo de alcohol en universitarios: Relación funcional con los factores sociodemográficos, las expectativas y la ansiedad social. Acta Colombiana de Psicología, 8(1), 91–120. https://www.scielo.org.co/pdf/acp/v8n1/v8n1a06.pdf
• De San Jorge, X., Sánchez, A., Pavón, P., y Arellanez, J. (2016). Consumo de alcohol y otras drogas en la Universidad Veracruzana Intercultural. Revista Investigaciones Sociales, 2(6), 1–13. https://www.academia.edu/31206860/Consumo_de_alcohol_y_otras_drogas_en_la_Universidad_Veracruzana_Intercultural
• Del Rosario, M., Arroyo, X., Cancino, Y., Balderas, Z., Cataño, C., Martínez, L., y Romo, A. (2021). Causas del consumo de alcohol en estudiantes de enfermería antes y durante la pandemia covid-19. Enfermería, Innovación y Ciencia, 2(2), 1–9. https://revistas.uaz.edu.mx/index.php/eic/article/view/1310
• Del Valle, P., y García, J. (2020). Estudio comparativo sobre el consumo de riesgo y perjudicial de alcohol en alumnos de la generación 2018-2020 de la UT Norte de Aguascalientes. Revista de Políticas Universitarias, 4(12), 28–41. https://doi.org/10.35429/jup.2020.12.4.28.41
• Díaz, L., Díaz, A., Hernández, C., Fernández, H., Solís, C., y Narro, J. (2009). El consumo riesgoso y dañino de alcohol y sus factores predictivos en adolescentes estudiantes del bachillerato. Salud Mental, 32(6), 447–458. http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S0185-33252009000600002&lng=es&tlng=es
• Instituto Nacional de Psiquiatría Ramón de la Fuente Muñiz. (2017). Encuesta Nacional de Consumo de Drogas, Alcohol y Tabaco 2016-2017. Secretaría de Salud. http://www.conadic.salud.gob.mx/pdfs/investigacion/ENCODE_DROGAS_2014.pdf
• Mantilla, C., Villamizar, C., y Peltzer, K. (2016). Consumo de alcohol, tabaco y rasgos sociodemográficos asociados en universitarios. Universidad y Salud, 18(1), 7–15. http://www.scielo.org.co/scielo.php?pid=S0124-71072016000100002&script=sci_abstract&tlng=pt
• Medina-Mora, E., Carreño, S., y De la Fuente, J. R. (1998). Experience with the alcohol use disorders identification test (audit) in Mexico. Recent Developments in Alcoholism: An Official Publication of the American Medical Society on Alcoholism, the Research Society on Alcoholism, and the National Council on Alcoholism, 14, 383–396. https://doi.org/10.1007/0-306-47148-5_19
• Méndez, J., y Azaustre, M. (2017). El consumo de alcohol en universitarios. Estudio de las relaciones entre las causas y los efectos negativos. Revista Complutense de Educación, 28(3), 689–704. https://doi.org/10.5209/rev_rced.2017.v28.n3.49725
• Organización Panamericana de la Salud. (2019). Informe mundial sobre la situación mundial de alcohol y salud. Resumen (Autor, Ed.). https://ris.paho.org/handle/10665.2/51352
• Rivera, L., Séris, M., Reynales, L., Villalobos, A., Jaen, C., y Natera, G. (2021). Factores asociados con el consumo excesivo de alcohol: Encuesta Nacional de Salud y Nutrición 2020 sobre covid-19. Salud Pública de México, 63(6), 789–798. https://doi.org/10.21149/13187
• Salazar, I., y Quintero, M. (2004). El consumo de alcohol, tabaco y otras drogas, como parte del estilo de vida de jóvenes universitarios. Revista Colombiana de Psicología, 13(1), 74–89. https://www.redalyc.org/articulo.oa?id=80401309
• Salcedo, A., Palacios, X., y Espinosa, A. (2011). Consumo de alcohol en jóvenes universitarios. Avances en Psicología Latinoamericana, 29(1), 77–97. https://revistas.urosario.edu.co/index.php/apl/article/view/640
• Shamah, T., Romero, M., Barrientos, T., Cuevas, L., Bautista, S., Colchero, M., y Rivera, J. (2021). Encuesta nacional de salud y nutrición 2020 sobre covid-19. Resultados nacionales. Instituto Nacional de Salud Pública. https://ensanut.insp.mx/encuestas/ensanutcontinua2020/doctos/informes/ensanutCovid19ResultadosNacionales.pdf
• Silas, J., y Vázquez, S. (2020). El docente universitario frente a las tensiones que le plantea la pandemia. Revista Latinoamericana de Estudios Educativos, 50(ESPECIAL), 89–120. https://doi.org/10.48102/rlee.2020.50.especial.97
• Soliz, N., López, V., y Núñez, T. (2017). El consumo de alcohol y el rendimiento académico de los estudiantes de la Facultad de Ciencias Económicas de la Universidad Central del Ecuador en el año 2015. Revista Publicando, 4(10)(2), 120–142. https://revistapublicando.org/revista/index.php/crv/article/view/481/pdf_307
• Vargas, J., Guzmán, R., Lerma, A., Bosques, L., y Romero, A. (2020a). Nivel de consumo de alcohol y rendimiento académico en estudiantes universitarios del estado de Hidalgo, México. Educación y Salud Boletín Científico Instituto de Ciencias de La Salud Universidad Autónoma Del Estado de Hidalgo, 9(17), 31–36. https://doi.org/10.29057/icsa.v9i17.6433
• Velázquez, J., Icaza, M., Del Campo, R., Ito, D., Gamiño, M., Escobar, E., Salazar, R. M., Cirett, M., Hernández, I., y Martínez, V. (2016). Drug use among students in Mexico: Trends and magnitude of the problem. Salud Mental, 39(4), 193–203. https://doi.org/10.17711/SM.0185-3325.2016.023

Recepción: 2024/07/30. Aceptación: 2025/03/20. Publicación: 2025/05/09.

Entre cerebros confundidos, curiosas ballenas, hongos dramáticos y robots científicos, el primer número trimestral de 2025 de la Revista Digital Universitaria nos invita a un recorrido amplio y diverso por la ciencia, reflejando un panorama que va desde lo íntimo hasta lo global, de lo visible a lo imperceptible, y que contempla problemáticas complejas atravesadas por factores socioambientales.

Cada artículo abre una ventana a mundos únicos, resultado del trabajo y la dedicación de equipos transdisciplinares provenientes de campos tan diversos como la geografía, la botánica, la inteligencia artificial y los sistemas de control de calidad. A través de sus páginas, se vislumbra la complejidad de vivir en sociedades contemporáneas como la nuestra, donde el conocimiento circula entre laboratorios submarinos, dunas costeras, cocinas, hospitales y centros comerciales.

Más allá de los tubos de ensayo, la ciencia se vuelve profundamente humana, moldeada por la curiosidad de quienes buscan respuestas y por historias que nos interpelan directamente. Por ejemplo, ¿qué relación hay entre lo que comemos, lo que sentimos y cómo actúa nuestro cerebro? En “Adicción a la comida: emociones, decisiones y un cerebro desajustado”, se exploran las conexiones entre emociones, cultura y decisiones alimentarias, revelando que el placer y el hábito muchas veces superan la fuerza de voluntad.

Otros artículos nos llevan a conocer la naturaleza desde perspectivas sorprendentes. “Ballenas amistosas: mejores prácticas para su avistamiento” nos recuerda la importancia de practicar un ecoturismo responsable, para no alterar los ciclos vitales de especies como las ballenas grises, que, atraídas por su curiosidad natural, se acercan a los barcos sin temor, pero dependen de nuestra protección para no poner en peligro sus vidas.

La migración de ballenas, la vida secreta de los hongos marinos o la interacción entre flores y polinizadores son abordados a través de aproximaciones innovadoras. En “Hongos marinos: amigos y rivales”, descubrimos cómo estos organismos establecen relaciones tan complejas como el mutualismo, el parasitismo y la competencia, claves para el equilibrio de los ecosistemas oceánicos, mientras que en “Una mirada a la duna y a sus flores de arena”, nos adentramos en las dinámicas de las plantas costeras y su conexión vital con los insectos que las polinizan.

También hay investigaciones que nos devuelven la mirada hacia la salud del planeta como un espejo de nuestra propia salud. La tolerancia bacteriana causada por el abuso de medicamentos —expuesta en “¿Y si los medicamentos que tomamos fortalecen a las bacterias?”—, los efectos del cambio climático en poblaciones vulnerables o los impactos de las malas prácticas turísticas, son ejemplos de cómo nuestras acciones cotidianas tienen consecuencias profundas.

En ese mismo sentido, “Dos generaciones universitarias: consumo riesgoso de alcohol durante la pandemia” analiza los efectos del aislamiento y las condiciones académicas en los hábitos de jóvenes universitarios, mientras que “Alegría que resiste: ecos de mujeres en la costa durante la pandemia” nos recuerda que el cuidado y la resistencia pueden tomar formas cotidianas, comunitarias y profundamente femeninas. La salud mental y emocional, junto con los lazos sociales, emergen como elementos clave para comprendernos en tiempos inciertos. Incluso artículos como “De la espiga al hisopo: ¿cómo se detecta la covid-19?”, nos enfatizan la importancia de contar con información clara para tomar decisiones informadas en momentos críticos.

Otros trabajos no sólo evidencian los problemas, sino que proponen formas de transformarlos. Desde la reflexión crítica sobre los sistemas de cuidado en “Cuidar la vida: desafíos y prácticas en tiempos de desigualdad”, hasta la defensa de la biodiversidad y el derecho a un turismo responsable, pasando por el rescate del conocimiento compartido como acto político. En este número, se exploran alternativas como la amistad como resistencia o la participación ciudadana en la ciencia, recordándonos que las soluciones también pueden venir desde lo colectivo.

En el campo tecnológico, se presentan propuestas aplicadas a la educación, la salud, la industria y el análisis científico. La inteligencia artificial, por ejemplo, se convierte en una aliada en “Cuando la inteligencia artificial escucha a las moléculas”, mejorando la precisión en el análisis molecular. Por su parte, “Empaques inteligentes y activos: al rescate de tus frutas y verduras” propone soluciones sostenibles que prolongan la vida útil de los alimentos, y “¿Y si pudiéramos ver el calor? Lo que no se ve, pero se siente” nos sorprende con las posibilidades de la termografía infrarroja para detectar lo invisible en contextos médicos e industriales. La innovación también llega al análisis del suelo, como se detalla en “Si el suelo hablara: claves para entender su salud y su importancia”, recordándonos que la tierra también necesita cuidado.

Y si lo que queremos es entender el planeta a gran escala, “Antártida: el continente que recuerda” nos transporta a los confines del sur, donde una expedición científica intenta descifrar los rastros de un pasado climático lejano, que puede decirnos mucho sobre nuestro presente y futuro.

Con este editorial te invito a mirar el mundo como realmente es: un enorme laboratorio en el que todos participamos, y a la ciencia como una herramienta vital para entendernos, cuidarnos y vivir mejor. Porque tus decisiones cotidianas —como elegir qué comer, cómo curar una enfermedad o dónde pasar tus vacaciones— están profundamente conectadas con un entramado mayor. Y aunque a veces los desafíos parezcan abrumadores, también lo son las respuestas que, día con día, vamos descubriendo. Desde el desarrollo de nuevas tecnologías hasta la revaloración de saberes ancestrales, la ciencia también está en tus manos.

Hagámosla parte de nuestras conversaciones, de nuestras decisiones y de nuestras luchas cotidianas. Porque entender el mundo no es sólo cosa de expertos: es, sobre todo, un acto de humanidad.

Resumen

Las bacterias que no son afectadas por los antibióticos (resistentes a antibióticos) representan un gran riesgo para la salud. La resistencia a los antibióticos es una preocupación a nivel mundial y ha ido aumentando con el tiempo. El uso excesivo de antibióticos, muchas veces sin necesidad, ha sido su principal causa. Sin embargo, otros factores también pueden contribuir. Por ejemplo, la exposición a productos que se usan regularmente, como desinfectantes o sanitizantes, e incluso cremas, pastas de dientes y jabones, que contienen compuestos con actividad antibacteriana. Además, estudios recientes demuestran que fármacos o medicamentos que no son antibióticos, como la metformina (para el control de la diabetes) y algunos antidepresivos, también pueden favorecer la selección de bacterias resistentes a antibióticos. Es de vital importancia conocer los diversos factores que contribuyen a la resistencia a los antibióticos para poder establecer medidas que ayuden a mitigar este problema.
Palabras clave: resistencia a antibióticos, bacteria, metformina, diabetes, antidepresivo, depresión.

What if the medications we take make bacteria stronger?

Abstract

Bacteria that are not affected by antibiotics (antibiotic-resistant) pose a significant health risk. Antibiotic resistance is a global concern and has been increasing over time. The excessive use of antibiotics, often unnecessarily, has been the main cause. However, other factors can also contribute. For example, exposure to commonly used products such as disinfectants or sanitizers, as well as creams, toothpaste, and soaps that contain antibacterial compounds. Additionally, recent studies show that drugs or medications that are not antibiotics, such as metformin (used for diabetes management) and some antidepressants, can also promote the selection of antibiotic-resistant bacteria. It is crucial to understand the various factors that contribute to antibiotic resistance in order to establish measures that help mitigate this issue.
Keywords: antibiotic resistance, bacteria, metformin, diabetes, antidepressant, depression.

---

¿Qué son los antibióticos?

Los antibióticos son moléculas que eliminan o detienen el crecimiento de bacterias. Estos medicamentos han salvado incontables vidas, ya sea previniendo o curando infecciones en diversos procedimientos médicos, como las cirugías. Su descubrimiento y uso masivo favorecieron el desarrollo de la medicina, marcando con esto un cambio de era para la historia de la humanidad.

La resistencia: una amenaza global

La resistencia a antibióticos es un fenómeno que ocurre cuando las bacterias pueden seguir creciendo en presencia de estos medicamentos. Las infecciones provocadas por las bacterias representan un grave problema de salud, a tal grado que hay riesgo de que el impacto en la población por infecciones bacterianas se asemeje a lo que sucedía en la época antes del descubrimiento y uso de los antibióticos (era preantibióticos), en la que era bastante común que las personas murieran por infecciones bacterianas que no podían ser controladas.

Se calcula que, en todo el mundo, en 2019, hubo 4.95 millones de muertes humanas que se asociaron y 1.27 millones de muertes que se atribuyeron directamente a infecciones por bacterias resistentes a antibióticos (Antimicrobial Resistance Collaborators, 2022). Se ha estimado que para el año 2050 estas cifras incrementarán a 8.22 millones de muertes asociadas y 1.91 millones de muertes atribuidas directamente a infecciones por bacterias resistentes a antibióticos (Antimicrobial Resistance Collaborators, 2024). Así, de no controlarse adecuadamente, la resistencia a antibióticos puede llegar a ser catastrófica para la humanidad.

Factores que favorecen la presencia de bacterias resistentes a antibióticos

Cuando las bacterias se exponen a los antibióticos se favorece que se vuelvan resistentes o tolerantes (Antimicrobial Resistance Collaborators. 2024). Esto sucede debido a que las bacterias tienen o pueden adquirir mutaciones que las hacen más fuertes frente al antibiótico. Cuando se administran estos tratamientos, las bacterias sensibles mueren, pero las resistentes sobreviven, se multiplican e inclusive, pueden volverse más resistentes. Además, existen otros compuestos que no son necesariamente antibióticos pero que se ha demostrado que pueden afectar el crecimiento de las bacterias (ver figura 1). Muchos de ellos están presentes en productos de uso frecuente que se anuncian comercialmente con la capacidad de matar bacterias, como desinfectantes, cosméticos, jabones, pastas dentales, etcétera. Sorprendentemente, estudios recientes indican que otros medicamentos no antibióticos, que se usan para tratar trastornos fisiológicos no causados por infecciones, como la diabetes y la depresión, también pueden favorecer la selección de bacterias resistentes a antibióticos (Maier et al., 2018).

Figura 1. La exposición tanto esporádica como prolongada a diversas moléculas, tanto a antibióticos como no antibióticos, podría favorecer la selección y proliferación de bacterias resistentes. Las bacterias que son sensibles se ven azules mientras que las resistentes son rojas. Los compuestos antibacterianos pueden estar presentes en productos como jabones, cremas, pastas para dientes.
Crédito: elaboración propia.

¿Cómo afectan los antibióticos a las bacterias?

Para que los antibióticos puedan cumplir con su función es necesaria la interacción con moléculas que forman parte de procesos esenciales para la vida de las bacterias. Los antibióticos afectan a las bacterias de las siguientes formas: 1) al disminuir, detener la producción o dañar la envoltura que protege a las bacterias; 2) al evitar la producción de moléculas (ácidos nucleicos y proteínas) esenciales para la vida, y 3) al detener procesos esenciales para las células (metabolismo) (Uluseker et al., 2021).

¿Cómo se defienden las bacterias de la acción de los antibióticos?

Las bacterias tienen distintas estrategias para resistir el efecto de los antibióticos: 1) modificar o destruir a los antibióticos; 2) generar cambios (mutaciones) en sí mismas, lo cual provoca que los antibióticos sean menos afines con su blanco, y 3) evitar que las moléculas dañinas ingresen o una vez que ya han ingresado expulsarlas para evitar que causen daño (Uluseker et al., 2021).

¿Qué moléculas antimicrobianas pueden favorecer la selección de bacterias resistentes a los antibióticos?

Los antibióticos se usan en altas cantidades en la medicina humana, animal y en la industria agropecuaria. Los beneficios que obtenemos del uso de estos medicamentos son indiscutibles, sin embargo, diversos factores como la constante exposición, el uso incorrecto (cuando no se siguen las indicaciones medicas) y los ambientes contaminados como las granjas y los hospitales, provocan la selección y proliferación de las bacterias resistentes (ver figura 1). Algo importante es que las bacterias se pueden transmitir la resistencia entre ellas, ya que son capaces de compartir su adn. Uno de los sistemas de transferencia más comunes son los plásmidos (elementos de adn independientes del cromosoma) (Uluseker et al., 2021).

Los productos que se usan como desinfectantes, sanitizantes y conservadores también pueden producir la aparición de bacterias resistentes a su acción. Ejemplos de estos compuestos son: alcohol, fenol, compuestos cuaternarios de amonio, peróxido de hidrógeno, triclosán, cloruro de benzalconio, cloro, entre otros (Lobie et al., 2021). Esto es porque los sistemas que las bacterias desarrollan para defenderse de estos productos son incrementar su expulsión o evitar su entrada, y, entonces, de manera indirecta, también podrían expulsar a los antibióticos, con un fenómeno denominado resistencia cruzada. Éste es un mecanismo que puede proteger a las bacterias de la acción dañina de moléculas muy diferentes entre sí (Uluseker et al., 2021).

La resistencia cruzada a diferentes moléculas también se genera a través de los sistemas de respuesta de las bacterias al estrés. Cuando las bacterias están estresadas producen moléculas conocidas como especies reactivas de oxígeno (contienen oxígeno y reaccionan fácilmente con muchas moléculas), como, por ejemplo, el agua oxigenada. Las especies reactivas de oxígeno incrementan los cambios (mutaciones) en las bacterias, lo que incrementa la probabilidad de que las bacterias se vuelvan resistentes a antibióticos por alguno de los mecanismos antes mencionados (Zhu et al. 2021).

¿Hay otros medicamentos que puedan favorecer la selección de bacterias resistentes a antibióticos?

Estudios recientes muestran que fármacos o medicamentos altamente consumidos por humanos, como la metformina y distintos antidepresivos también pueden favorecer la selección y proliferación de bacterias resistentes a antimicrobianos.

La metformina se usa en el tratamiento y control de la diabetes. Esta enfermedad se diagnostica cuando las personas presentan niveles altos de glucosa en la sangre (muy comúnmente se llama azúcar alta). En México, la diabetes es la principal causa de muerte entre las mujeres y la segunda entre los hombres; por lo tanto, el consumo de metformina es alto: a nivel mundial es de 1,085-63,828 kilogramos por año (Yan et al., 2019). La metformina se metaboliza en los riñones y se excreta por la orina, por lo que puede ser una fuente de contaminación de los cuerpos de agua, donde se han llegado a encontrar hasta 34 microgramos por litro (un microgramo es una millonésima parte de un gramo), por lo que las bacterias que se encuentran en el ambiente y en nuestro cuerpo están en contacto con este medicamento que a ellas les genera estrés y, por lo tanto, mutaciones que podrían generar resistencia a antibióticos (Zhang et al., 2021). En un estudio reciente se descubrió que, en condiciones de laboratorio, Escherichia coli, una bacteria que comúnmente está presente en el intestino de humanos puede presentar resistencia a los antibióticos tetraciclina y cloranfenicol al estar en contacto con una cantidad tan pequeña como una millonésima parte de un gramo de metformina (1 ng por litro) (Wei et al., 2022).

Por otro lado, los antidepresivos, como fluoxetina, sertralina y duloxetina, son fármacos que se usan para el tratamiento de la depresión, la cual se caracteriza por la sensación de tristeza y cansancio, falta de concentración, pérdida de interés, sentimientos de culpa o falta de autoestima, trastornos de sueño y del apetito. Este padecimiento se puede volver crónico o recurrente y en su forma más grave puede conducir al suicidio. Actualmente, la depresión se considera un importante problema de salud pública, ya que más del 4% de la población mundial padece esta enfermedad, con mayor prevalencia en mujeres, en jóvenes y en ancianos (Cui et al., 2024).

Los antidepresivos representan el 4.8% de los medicamentos que se producen a nivel mundial, una cantidad similar a la de los antibióticos, que constituyen el 5.0% del mercado. En México, 3.6 millones de personas padecen depresión de acuerdo con un estudio realizado en 2021 por los Servicios de atención Psiquiátrica (sap) de la Secretaría de Salud. Los antidepresivos que se prescriben comúnmente son fluoxetina, duloxetina y bupropión. En general, estos fármacos controlan la concentración de moléculas que permiten la comunicación entre las células del sistema nervioso, con esto influyen en el estado de ánimo o sensación de bienestar de las personas (Cipriani et al., 2018).

Recientemente se encontró que, en condiciones de laboratorio, la bacteria E. coli expuesta a los antidepresivos fluoxetina, sertralina y duloxetina, a dosis que se prescriben a pacientes, pueden favorecer la resistencia al antibiótico ciprofloxacina, un antibiótico que se usa comúnmente para tratar infecciones gastrointestinales (Wang et al., 2023). Además, otro estudio demostró que los antidepresivos pueden cambiar la composición de la microbiota intestinal humana (los microorganismos presentes en el intestino) (Maier et al., 2018).

Figura 2. Resistencia a antibióticos producida por la presencia de moléculas sin actividad antimicrobiana. Diferentes antidepresivos y la metformina pueden inducir mutaciones en las bacterias (1), lo cual puede generar una disminución de las proteínas que permiten el ingreso de los antibióticos al interior de las bacterias (2) e incrementar la producción de sistemas que expulsan a los antibióticos (3). Las proteínas que transportan al interior a los antibióticos se muestran en verde y las que los expulsan, en azul. Se hace una representación sencilla del ADN bacteriano, en donde los antidepresivos y la metformina generan las modificaciones.
Crédito: elaboración propia.

Tanto la metformina como los antidepresivos fluoxetina, sertralina y duloxetina promovieron la generación de mutaciones de la bacteria E. coli, lo cual, entre otras cosas, produjo un incremento en la expulsión de los antibióticos y una disminución en su ingreso (ver figura 2) (Jin et al., 2018; Wei et al., 2022; Wang et al., 2023). Las mutaciones causadas por los antidepresivos se asociaron a un incremento en la producción de especies reactivas de oxígeno en las bacterias expuestas a estos fármacos (Jin et al., 2018; Wang et al., 2023).

Conclusión

La resistencia a los antibióticos es un grave problema de salud pública que demanda de una atención inmediata por parte de todos los sectores de la sociedad. Lo que nosotros queremos resaltar es que además del uso excesivo de compuestos con actividad antimicrobiana, existen otros medicamentos que están agravando aún más la situación como son la metformina y algunos antidepresivos. En este sentido, es necesario investigar si otros medicamentos también pueden tener este efecto y diseñar estrategias para poder seguir utilizándolos y disminuir los efectos no deseados.

Referencias

• Antimicrobial Resistance Collaborators. (2022). Global burden of bacterial antimicrobial resistance in 2019: a systematic analysis. Lancet, 399(10325), 629-655. https://doi.org/10.1016/S0140-6736(21)02724-0.
• Antimicrobial Resistance Collaborators. (2024) Global burden of bacterial antimicrobial resistance 1990-2021: a systematic analysis with forecasts to 2050. Lancet, 404(10459), 1199-1226. https://doi.org/10.1016/S0140-6736(24)01867-1.
• Cipriani, A., Furukawa, T. A., Salanti, G., Chaimani, A., Atkinson, L. Z., Ogawa, Y., Leucht, S., G Ruhe, H. G., Turner, E. H., Higgins, J. P. T., Egger, M., Takeshima, N., Hayasaka, Y., Imai, H., Shinohara, K., Tajika, A., J. P. A., y Geddes, J. R. (2018). Comparative efficacy and acceptability of 21 antidepressant drugs for the acute treatment of adults with major depressive disorder: a systematic review and network meta-analysis. Lancet, 391(10128), 1357-1366. https://doi.org/10.1016/S0140-6736(17)32802-7.
• Cui, L., Li, S., Wang, S., Wu, X., Liu, Y., Yu, W., Wang, Y., Tang, Y., Xia, M., y Li, B. (2024). Major depressive disorder: hypothesis, mechanism, prevention and treatment. Signal Transduct Target Ther., 9, 30. https://doi.org/10.1038/s41392-024-01738-y.
• Jin, M., Ji Lu, J., Chen, Z., Nguyen, S. H., Mao, L., Li, J., Yuan, Z., y Guo, J. (2018). Antidepressant fluoxetine induces multiple antibiotics resistance in Escherichia coli via ROS-mediated mutagenesis. Environ Int., 120, 421-430. https://doi.org/10.1016/j.envint.2018.07.046.
• Lobie, T. A., Roba, A. A., Booth, J. A., Kristiansen, K. I., Aseffa, A., Skarstad, K., y Bjørås, M. (2021). Antimicrobial resistance: A challenge awaiting the post-covid-19 era. International Journal of Infectious Diseases, 111, 322-325. https://doi.org/10.1016/j.ijid.2021.09.003.
• Maier, L., Pruteanu, M., Kuhn, M., Zeller, G., Telzerow, A., Anderson, E. E., Brochado, A. R., Fernandez, K. C., Dose, H., Mori, H., Patil, K. R., Bork, P., y Typas, A. (2018). Extensive impact of non-antibiotic drugs on human gut bacteria. Nature, 555, 623-628. https://doi.org/10.1038/nature25979.
• Uluseker, C., Kaster, K. M., Thorsen, K., Basiry, D., Shobana, S., Jain, M., Kumar, G., Kommeda, R., y Pala-Ozkok, I. (2021). A Review on Occurrence and Spread of Antibiotic Resistance in Wastewaters and in Wastewater Treatment Plants: Mechanisms and Perspectives. Front Microbiol, 12, 717809. https://doi.org/10.3389/fmicb.2021.717809.
• Wang, Y., Yu, Z., Ding, P., Lu, J., Mao, L., Ngiam, L., Yuan, Z., Engelstädter, J., Schembri, M. A., y Guo, J. (2023). Antidepressants can induce mutation and enhance persistence toward multiple antibiotics. Proc of the Nat Acad of Sci of the usa, 120(5), e2208344120. https://doi.org/10.1073/pnas.2208344120.
• Wei, Z., Wei, Y., Li, H., Shi, D., Yang, D., Yin., J., Zhou, S., Chen, T., Li., y Jin, M. (2022). Emerging pollutant metformin in water promotes the development of multiple-antibiotic resistance in Escherichia coli via chromosome mutagenesis. Journal of Hazardous Matererials, 430, 128474. https://doi.org/10.1016/j.jhazmat.2022.128474.
• Yan, J. H., Xiao, Y., Tan, D. Q., Shao, X. T., Wang, Z., y Wang, D. G. (2019). Wastewater analysis reveals spatial pattern in consumption of anti-diabetes drug metformin in China. Chemosphere, 222, 688-695. https://doi.org/10.1016/j.chemosphere.2019.01.151.
• Zhang, R., He, Y., Yao, L., Chen, J., Zhu, S., Rao, X., Tang, P., You, J., Hua, G., Zhang, L., Ju, F., y Wu, L. (2021). Metformin chlorination byproducts in drinking water exhibit marked toxicities of a potential health concern. Environment International, 146, 106244. https://doi.org/10.1016/j.envint.2020.106244.
• Zhu, M., Tse, M. W., Weller, J., Chen, J., y Blainey, P. C. (2021). The future of antibiotics begins with discovering new combinations. Annals of the New York Academy of Sciences, 1496(1), 82-96. https://doi.org/10.1111/nyas.14649.

Recepción: 2023/09/28. Aceptación: 2025/02/14. Publicación: 2025/05/09.

Resumen

Aunque el estudio científico de las causas del sobrepeso y la obesidad han recibido mucha atención, a la fecha el número de personas afectadas no deja de crecer en muchos países. En México, en los últimos años se han implementado una serie de estrategias antiobesidad que, a juzgar por los datos actualmente disponibles, no han tenido los mejores resultados. Este problema de salud parece estar lejos de resolverse, al menos si seguimos aproximándonos a él de la misma forma en la que lo hemos hecho. Tal vez sea momento de reorientar los esfuerzos para generar una estrategia verdaderamente preventiva que contemple al funcionamiento cerebral como uno de los eslabones más importantes de esta cadena de eventos que puede llevarnos a la ganancia excesiva de peso.
Palabras clave: obesidad, hedonismo, circuito cerebral de la recompensa, adicción, comida, alimentación emocional.

Food addiction and obesity: emotions, decisions, and an unadjusted brain

Abstract

Although the scientific study of the causes of overweight and obesity has received much attention, the number of people affected continues to grow in many countries. In Mexico, a series of anti-obesity strategies have been implemented in recent years, which, judging by the currently available data, have not yielded the best results. This health problem seems far from being resolved, at least if we continue to approach it in the same way we have so far. It may be time to redirect efforts toward generating a truly preventive strategy that considers brain function as one of the most important links in the chain of events that can lead to excessive weight gain.
Keywords: obesity, hedonism, brain reward circuit, addiction, food, emotional eating.

---

Introducción

Para quienes ahora rondamos la quinta década, nos es familiar haber escuchado durante nuestra infancia “este niño regordete y de mejillas coloradas luce bastante sano”. A veces se referían a nosotros, y otras veces a quienes nos rodeaban (familiares, vecinos, amigos, compañeros de escuela, etcétera). Nuestros abuelos y padres creían que tener un poco de sobrepeso era el resultado de “comer bien”. Esto sembró en nosotros una semilla que germinó en la idea de que tener una barriga de buen tamaño significaba gozar de buena salud y de bienestar emocional.

Ahora sabemos que la idea de que “un niño gordito es un niño sanito” no necesariamente es verdad. Hoy en día la obesidad es considerada como una enfermedad que no sólo afecta a nuestro cuerpo, sino que también afecta a nuestra salud psicológica. Lamentablemente, algunos sectores de la sociedad actual etiquetan a las personas con sobrepeso u obesidad como perezosas, flojas, glotonas, carentes de autodisciplina, culpables de su sobrepeso, entre otras (Sánchez-Carracedo, 2022). Esto aunado a los actuales estándares de delgadez y belleza pueden conducir a una fuerte insatisfacción corporal y a un menor bienestar psicológico.

La obesidad: un problema económico y de salud

Actualmente, según la Organización Mundial de la Salud (oms), la obesidad es definida como “la acumulación anormal o excesiva de grasa que puede ser perjudicial para la salud”. Es una condición que aumenta considerablemente el riesgo de padecer múltiples enfermedades crónicas como diabetes, hipertensión y otras tantas patologías aún más temibles como el cáncer (oms, 2023).

No obstante, como todos los seres vivos necesitamos alimentarnos para poder vivir, es difícil pensar que lo que comemos, además de darnos la energía para las funciones vitales y que incluso nos hace sentir placer, también pueda producir problemas de salud graves. En especial cuando un exceso de comida se conjunta con otras condiciones, como la descontrolada disponibilidad de alimento hipercalórico, el sedentarismo y cierta carga genética.

De acuerdo con el boletín de la Cámara de Diputados lxv Legislatura, en México, los gastos asociados al tratamiento de las enfermedades directa o indirectamente vinculadas a la obesidad son cuantiosos: en 2022 aumentó de 240 a 272 mil millones de pesos (2023). En contraste, el presupuesto aprobado para Ciencia, Tecnología e Innovación para el 2023 en México, fue de casi 128 mil millones de pesos (Toche, 2022). Esto nos muestra que, como país, gastamos más en tratar de remediar las consecuencias del sobrepeso y la obesidad que en generar mejores estrategias para prevenirlas.

Más grave aún es el hecho de que un gran porcentaje de los fallecimientos en México se debe a enfermedades no transmisibles que están asociadas a la obesidad, entre las que se encuentran la diabetes, la hipertensión arterial y enfermedades del corazón (Redacción cenidsp, 2023). Desde hace tiempo, está claro que es urgente tomar las medidas integrales para atender y dar solución al problema de la ganancia de peso no saludable. Desafortunadamente, campaña tras campaña, la cantidad de personas con sobrepeso y obesidad no deja de crecer. Pero ¿qué salió mal con las estrategias antiobesidad implementadas hasta ahora? ¿Por qué no han funcionado las campañas? No importa si nos aplican más impuestos o si nos checamos, nos medimos y nos movemos (ver video), el resultado es el mismo: la forma en la que muchos nos alimentamos sigue siendo inadecuada, y peor aún, a edades cada vez más tempranas.

Video. Campaña de la Secretaría de Salud, lanzada en 2013, para disminuir la obesidad en la población mexicana.

Una de las estrategias contra la obesidad, establecida en 2019, fue la del etiquetado de alimentos y bebidas. Ésta supone que una advertencia visual que permite identificar los alimentos que por sus ingredientes y contenido de energía pueden ser dañinos si se consumen en exceso. Parece que esto ha tenido al menos un efecto favorable, pues la industria alimentaria ha generado nuevos productos con ingredientes potencialmente menos dañinos y algunos consumidores buscamos los envases con menos sellos. Sin embargo, los resultados en la prevalencia del sobrepeso son desalentadores, pues las Encuestas de Salud y Nutrición del 2020 y 2021 indican que la medida del etiquetado tuvo un efecto mínimo en el número de personas con sobrepeso u obesidad, ya que las cifras nacionales en realidad han cambiado muy poco (ver figura 1), además de que el número de jóvenes mexicanos de entre 12 y 19 años con sobrepeso u obesidad aumentó de 35% a 43% entre el 2012 y el 2021 (ensanut, 2021).

Figura 1. Comparación entre porcentaje de población que presenta obesidad entre 2012 y 2021 en hombres y mujeres de 20 años o más en México; frecuencias expresadas en términos de porcentaje de las categorías de índice de masa corporal. Normal: 18.5 a 24.9 kg/m²; sobrepeso: 25.0 a 29.9 kg/m²; obesidad grado I: 30.0 a 34.9 kg/m²: obesidad grado II o severa: 35.0-39.9 kg/m², y obesidad grado III o mórbida: ≥ 40.0 kg/m².
Crédito: elaboración propia a partir de Shamah-Levy et al., 2021.

¿Por qué seguimos fallando?

Fallamos porque probablemente no hemos logrado comprender que el sobrepeso y la obesidad tienen un origen multifactorial. No todo está exclusivamente en nuestros genes, ni tampoco en el ambiente o en las prácticas de crianza y alimentación en aislado. El sobrepeso y la obesidad son producto de la interacción de más de un factor a la vez.

Por un lado, en gran medida aprendemos a alimentarnos en función de lo que nuestros padres o cuidadores nos proporcionan. Así, en los entornos donde hay poca actividad física y se consumen alimentos con contenidos energéticos altos, lo más común es que toda la familia o el grupo replique esas prácticas en etapas posteriores de la vida. En consecuencia, algunos factores que favorecen la ganancia excesiva de peso se transmiten cultural y familiarmente.

Por el otro, parece que no hemos puesto suficiente atención a lo que nuestro cerebro hace para que seamos lo que somos y para que comamos lo que comemos. El funcionamiento de nuestro cerebro es susceptible de ajustarse a partir de las experiencias que tenemos con el entorno; así, dada la importancia de la alimentación para la vida, puede colocar etiquetas de emoción a los alimentos con base en el aprendizaje, de tal forma que aprendemos que el alimento que nos gustó cuando lo probamos está asociado a una emoción positiva, mientras que lo que en algún momento nos causó malestar estomacal, lo anotamos en nuestra lista negra y lo evitamos. En particular, la amígdala es una estructura cerebral que está estrechamente relacionada con el aprendizaje asociativo, es decir, con el aprendizaje de la relación entre un estímulo (en este caso el alimento) y la recompensa o sensaciones que nos produce el alimento al comerlo (Cole et al., 2013). La amígdala se localiza en la parte interna del lóbulo temporal medial y forma parte del circuito de la recompensa.

Así, si bien es cierto que ingerimos lo que tenemos disponible, también es verdad que preferimos comer un pastel que una ensalada. Si tenemos sed, optamos por la botella de silueta sugerente que un simple vaso con agua. Incluso a veces seguimos comiendo a pesar de estar satisfechos, sólo por placer. Dicho de otra manera, la selección alimentaria va más allá de la sola satisfacción de las necesidades energéticas para realizar nuestras actividades diarias. ¡Recuerden lo bien que sabe el postre después del buffet!

Una dulce recompensa

Una razón por la que los sabores dulces nos resultan más agradables es que entre más carbohidratos tengan mayor es la cantidad de calorías que podemos obtener de los alimentos. Así aseguramos que el cuerpo tenga la energía necesaria para funcionar. ¡Entre más rico, más combustible! Este hecho biológico no sería posible si en el cerebro no se activaran las regiones que nos permiten experimentar placer, el circuito de la recompensa (Onaolapo y Onaolapo, 2018). Este circuito se activa cuando realizamos actividades que producen sensaciones agradables, desde eventos tan simples como comer un chocolate, hasta comportamientos más complejos como la actividad sexual, ganar un premio o incluso con el consumo de drogas. Se ha propuesto con base en la evidencia científica que el funcionamiento anómalo de este circuito puede producir obesidad o adicciones (Ballesteros, 2021).

Figura 2. Familia reunida en torno a la comida.
Crédito: Shutterstock, uso reservado.

Debido a que el circuito de la recompensa se activa cuando ocurre algo que nos hace sentir bien, muchas de nuestras preferencias tienen un componente aprendido, pues normalmente elegimos lo que nos gusta porque lo asociamos con una sensación placentera, formando un poderoso efecto de aprendizaje. ¡No quisiera pensar qué sería de muchos de nosotros si olvidamos qué tanto disfrutamos el café con leche! Así, los alimentos no sólo nos dan energía, también nos proporcionan los medios para las interacciones sociales y para estar de buen humor, pues muchos estamos de acuerdo en que cuando la “barriga está llena, el corazón está contento”.

Sin duda, ciertos alimentos pueden generar o aliviar emociones. Sólo basta con recordar aquella cena memorable con nuestra familia o con alguna persona significativa, la sopa que la abuela nos preparaba (cuyo olor podríamos evocar mientras leemos estas líneas) o el litro de helado que comimos cuando estábamos tristes (ver figura 2). Mención aparte merece la pizza, pues primero llega al corazón y luego al estómago. En otras palabras, para nosotros la comida no es únicamente un acto social, cultural y biológico, sino también una parte fundamental de nuestras emociones.

Esto ocurre porque aprendemos a buscar lo que nos gusta, y que probablemente nos haga bien, porque nos produce sensaciones agradables, como es el caso del consumo de alimento rico en carbohidratos y grasas, que sabe bien y que nos da energía para funcionar. Gracias a esta cualidad adaptativa del cerebro, podemos identificar con facilidad el alimento que energéticamente es más denso por experiencias previas de su sabor, formando así poderosos aprendizajes que garantizan nuestra supervivencia.

¿Pero cómo es que podemos recordar estos eventos y lo agradable que fueron, y que nos invitan a repetir la experiencia? Es gracias a nuestro hipocampo. Al igual que la amígdala, el hipocampo se localiza dentro del lóbulo temporal y forma parte del sistema límbico cerebral; ambas estructuras están relacionadas con sistemas de memoria que son independientes pero que interactúan entre ellas en situaciones emocionales.

Además, a nivel molecular, investigadores de la Universidad de Granada propusieron, a partir de una revisión sistemática en el 2012, que de las múltiples hormonas reguladoras que se liberan en el tracto gastrointestinal en función del estado energético del organismo, la grelina tiene un papel fundamental en la iniciación del acto de alimentarse. Este péptido tiene la capacidad de activar regiones del sistema nervioso cómo el hipotálamo y otras áreas del tallo cerebral para que fisiológicamente experimentemos el deseo de consumir alimento (González-Jiménez y Schmidt Río-Valle, 2012).

Un cerebro desajustado

En condiciones normales, la grelina envía una señal al cerebro de que hace falta energía y que hay que comer, pero no siempre es tan específica como para decirnos qué deberíamos consumir. Es la corteza cerebral la que interpreta toda la información del organismo para tomar la decisión de lo que hay que comer y ahí es cuando las cosas fallan.

Una explicación tentativa es que el consumo frecuente y desmedido de grasas, azúcares y carbohidratos debilita la señalización o comunicación en los circuitos cerebrales. Así, para poder experimentar la sensación de placer, necesitamos porciones de alimento cada vez más grandes. En consecuencia, elegimos los alimentos que percibimos como más sabrosos, pero con más calorías, y además sentimos ansia por consumirlos, lo que nos impide tomar la mejor decisión a la hora de seleccionar nuestra comida. Por ejemplo, preferimos beber un refresco, ¡el más grande!, ¡el de tres litros!, para que nos alcance bien, en lugar de dos litros de agua. Incluso algunos científicos han mostrado evidencia de que el azúcar, y otros carbohidratos de sabor agradable y a veces la grasa pueden producir efectos semejantes a los de las drogas de abuso, activando esa parte del cerebro que nos genera la sensación de placer (Agencia Sinc, 2020).

No se ha demostrado si es la causa o la consecuencia, pero las personas que padecen obesidad tienen un cerebro que funciona diferente, pues ante estímulos visuales relacionados a alimentos apetecibles presentan patrones de activación cerebral que difieren al de las personas de peso normal. De acuerdo con estudios de imagen funcional del cerebro, como la tomografía o la resonancia magnética, se ha observado una correlación: a mayor índice de masa corporal, mayor es la activación del circuito de la recompensa (Verdejo-Román, et al., 2017).

Con el uso de estas técnicas de imagen es posible conocer las regiones cerebrales donde aumenta el flujo sanguíneo y que en consecuencia están empleando más oxígeno, lo que se traduce en mayor actividad neuronal. El patrón de actividad cerebral que se ha identificado en algunas personas que padecen obesidad, se asemeja al de las personas que padecen de adicciones a sustancias, pues como lo describe la misma Nora Volkow, directora del Instituto Nacional sobre el Abuso de Drogas (nida, por sus siglas en inglés), la exposición crónica a una variedad de sustancias adictivas modifica la actividad neuroquímica del cerebro (cambian las señales que usa el cerebro para comunicarse), y afecta el funcionamiento del núcleo accumbens, el cual forma parte del circuito de la recompensa. Los cambios en este circuito dan como resultado las adaptaciones del cerebro que conducen al establecimiento y mantenimiento de procesos adictivos (Koob y Volkow, 2016). Es decir, el cerebro se vuelve adicto y cada vez necesita más alimento sabroso para producir placer, parecido a lo que sucede con las drogas de abuso.

Figura 3. Un cerebro desajustado.
Crédito: Shutterstock, uso reservado.

En condiciones de salud, el circuito cerebral del balance energético proporciona la información necesaria a los circuitos cerebrales de la gratificación para que nuestra alimentación sea adaptativa, pero en nuestras sociedades actuales, esta relación se invierte y no consumimos alimento para nutrirnos, sino para tener esas sensaciones agradables. Así, podemos decir que nuestro cerebro se ha desajustado, por lo que nuestro comportamiento alimentario puede ser inadecuado y dar como resultado la ganancia excesiva de peso.

Conclusiones

Hoy en día, estamos rodeados de ambientes obesogénicos que nos impiden formar hábitos alimentarios saludables. Por ejemplo, en la tiendita de la esquina o en el súper encontramos una gran variedad de botanas (papas saladas, chilositas, agridulces, entre otras), refrescos de todo tamaño y sabor, galletas (saladas, chocolatosas o cremosas), por mencionar algunos de los muchos productos disponibles. En las calles y avenidas principales hay cientos de negocios formales e informales con una amplia variedad de alimentos sabrosos; podría apostar que incluso ahora que estás leyendo esto, se te hace agua la boca.

La obesidad es una enfermedad crónica, es decir, se desarrolla poco a poco, no amanecemos obesos de un día a otro. Se produce por el consumo frecuente y excesivo de grasas, azúcares y otros carbohidratos, en interacción con otros factores como la amplia disponibilidad de alimentos, el sedentarismo y la predisposición genética.

Aunque la ciencia ha avanzado en el conocimiento de los factores que intervienen en este problema, como en los mecanismos cerebrales que participan para controlar la selección y cantidad de alimento, esto no es suficiente. Es un problema que implica la participación de todos, científicos, gobiernos, empresarios, instancias de salud y de la sociedad en general.

La mejor solución es la prevención, necesitamos modificar nuestros hábitos alimentarios, disminuir el consumo de alimentos con alto contenido de sal, azúcar y grasas; pero lo más importante: es indispensable reaprender que podemos obtener placer alimentario con una dieta más sana. Para ello, el trabajo multidisciplinario entre médicos, nutriólogos y neuropsicólogos es fundamental. Esto permitirá que tu cerebro funcione de forma adecuada y que no esté desajustado. ¡Cuida tu cerebro!

Aunque el concepto de la adicción a la comida sigue en debate, el hecho es que las estrategias publicitarias de las compañías de alimentos poco saludables han aprovechado muy bien el conocimiento disponible de cómo nuestro cerebro asocia los estímulos sensoriales agradables, con emociones y con familias felices. Estas tácticas publicitarias y la interacción con otros factores como los ya mencionados nos han llevado al lugar en el que nos encontramos, pues desde hace tiempo estamos entre los tres países con mayores índices de sobrepeso y obesidad. Tal vez ahora sea el turno de los sistemas de salud para que se propongan campañas que se basen en las evidencias actualmente disponibles y que con la participación de la sociedad en general y los profesionales de la salud tomemos al toro por los cuernos, pues “quien come con cordura, por su salud procura”.

Referencias

• Agencia Sic. (2020, 10 de febrero). Identifican los circuitos cerebrales detrás de la adicción a la comida. unam Global Revista. https://tinyurl.com/wwwmfrav.
• Ballesteros, Y. I. (2021). El cerebro adicto. En C. A. Castillo Sarmiento y B. Rodríguez Martín (Coords.). Alimentación y cerebro (pp. ). Ediciones de la Universidad de Castilla-La Mancha. https://doi.org/http://doi.org/10.18239/atenea_2021.23.00.
• Cole, S., Powell, D. J., y Petrovich, G. D. (2013). Differential recruitment of distinct amygdalar nuclei across appetitive associative learning. Learning and Memory, 20(6), 295-299. https://doi.org/10.1101/lm.031070.113.
• González Jiménez E. (2011). Genes y obesidad: una relación de causa-consecuencia. Endocrinología y Nutrición, 58(9), 492-496. https://doi.org/10.1016/j.endonu.2011.06.004.
• Koob, G. F., y Volkow, N. D. (2016). Neurobiology of addiction: a neurocircuitry analysis. The Lancet Psychiatry, 3(8), 760-773. https://doi.org/10.1016/S2215-0366(16)00104-8.
• Onaolapo, A. Y., y Onaolapo, O. J. (2018). Food additives, food and the concept of ‘food addiction’: Is stimulation of the brain reward circuit by food sufficient to trigger addiction? Pathophysiology, 25(4) 263-276. https://doi.org/10.1016/j.pathophys.2018.04.002.
• Organización Mundial de la Salud. (2023, 28 de enero). Obesidad y sobrepeso. https://tinyurl.com/5n6cncxu.
• Redacción cenidsp. (2023, 28 de enero). ¿De qué mueren los mexicanos? Instituto Nacional de Salud Pública. https://tinyurl.com/2sw8jwup.
• Sánchez-Carracedo, D. (2022). El estigma de la obesidad y su impacto en la salud: una revisión narrativa. Endocrinología, Diabetes y Nutrición, 69(10), 868-877. https://doi.org/10.1016/j.endinu.2021.12.002.
• Shamah-Levy, T., Romero-Martínez, M., Barrientos-Gutiérrez, T., Cuevas-Nasu, L., Bautista-Arredondo, S., Colchero, M. A., Gaona-Pineda, E. B., Lazcano-Ponce, E., Martínez-Barnetche, J., Alpuche-Arana, C., y Rivera-Dommarco, J. (2021). Encuesta Nacional de Salud y Nutrición 2020 sobre Covid-19. Resultados nacionales. Instituto Nacional de Salud Pública. https://tinyurl.com/47tjxs48.
• Toche, N. (2022). CONACyT sufre recorte en el PPEF 2023. El Economista, Artes e Ideas (09 de septiembre de 2022). https://tinyurl.com/yc5d5b3k.
• Verdejo-Román, J., Vilar-López, R., Navas, J.F., Soriano-Mas, C. y Verdejo-García, A. (2017). Brain reward system’s alterations in response to food and monetary stimuli in overweight and obese individuals. Human Brain Mapping, 38: 666-677. https://doi.org/10.1002/hbm.23407.

Recepción: 2023/06/17. Aceptación: 2024/03/19. Publicación: 2025/05/09.

Resumen

¿Sabías que una computadora puede ayudarte a detectar enfermedades o saber si un alimento es seguro, sólo analizando cómo vibra una molécula? La inteligencia artificial (ia) está cambiando las reglas del juego en la ciencia moderna, especialmente en una técnica llamada espectroscopía ftir. Esta herramienta permite “escuchar” las vibraciones de las moléculas para conocer su estructura, algo que antes requería horas de análisis por parte de especialistas. Ahora, gracias a la ia, este proceso es más rápido, preciso y accesible. Este artículo explora cómo la combinación entre ia y ftir está revolucionando campos como el diagnóstico temprano del cáncer o el control de calidad de los alimentos. ¿Cómo lo logran? Mediante algoritmos capaces de reconocer patrones invisibles al ojo humano, que ayudan a tomar decisiones críticas en cuestión de minutos. Además, conocerás cómo estas tecnologías están siendo aplicadas en el mundo real y qué desafíos aún deben superarse. ¿Puede una red neuronal detectar un tumor? ¿O decirnos si una grasa es saludable? Acompáñanos a descubrir cómo la ciencia y la inteligencia artificial están trabajando juntas para entender mejor lo que no podemos ver… pero que está en todo lo que nos rodea.
Palabras clave: inteligencia artificial, espectroscopía ftir, análisis molecular, tecnología en salud, seguridad alimentaria.

When artificial intelligence listens to molecules

Abstract

Did you know that a computer can help you detect diseases or determine if a food is safe, just by analyzing how a molecule vibrates? Artificial intelligence (ai) is changing the game in modern science, especially in a technique called ftir spectroscopy. This tool allows us to “listen” to the vibrations of molecules to understand their structure, something that once required hours of analysis by experts. Now, thanks to ai, this process is faster, more accurate, and more accessible. This article explores how the combination of ai and ftir is revolutionizing fields like early cancer diagnosis and food quality control. How do they do it? By using algorithms capable of recognizing patterns invisible to the human eye, which help make critical decisions in minutes. You’ll also learn how these technologies are being applied in the real world and the challenges that still need to be overcome. Can a neural network detect a tumor? Or tell us if a fat is healthy? Join us to discover how science and artificial intelligence are working together to better understand what we can’t see… but is in everything around us.
Keywords: artificial intelligence, ftir spectroscopy, molecular analysis, health technology, food safety.

---

¿Puede la inteligencia artificial ayudarnos a entender mejor la química?

La inteligencia artificial (ia) está transformando muchas áreas de nuestra vida: desde los asistentes virtuales en casa, hasta los avances en medicina, seguridad informática o industria automotriz. En química y bioquímica, su impacto es especialmente notable en la espectroscopía infrarroja por transformada de Fourier (ftir), una técnica que permite analizar las características moleculares a través de las vibraciones de las sustancias. Este tipo de análisis ha sido clave para comprender la estructura de un sinfín de moléculas.

Aunque el ftir es una herramienta fundamental para el análisis espectral, su interpretación puede resultar desafiante, incluso para expertos. En este contexto, la ia ha tenido un impacto positivo al facilitar una tarea que solía ser compleja y extenuante. Gracias a ella, hoy se logran interpretaciones más precisas, eficientes y accesibles, revolucionando el análisis de grandes volúmenes de datos.

Este artículo analiza el impacto de la ia en la interpretación de espectros ftir y explora sus aplicaciones en áreas como la investigación médica y la seguridad alimentaria.

La técnica que capta la voz secreta de las moléculas

La espectroscopía ftir es una técnica analítica clave que permite estudiar las propiedades moleculares mediante la absorción de luz infrarroja. Este proceso revela patrones vibracionales únicos —similares a las huellas dactilares humanas — que brindan información valiosa sobre la estructura y composición de las sustancias (Fontes et al., 2020).

Aunque puede parecer una técnica lejana a nuestra vida cotidiana, su impacto es directo: interviene en la seguridad de los medicamentos que consumimos o en la detección de contaminantes ambientales que afectan la calidad del aire y del agua.

Uno de los puntos clave en el uso de esta técnica es la preparación de las muestras. Cualquier impureza —como agua— puede alterar el espectro y llevar a interpretaciones erróneas. Por eso, esta etapa requiere especial cuidado para evitar interferencias.

El espectrómetro ftir funciona mediante una fuente de luz infrarroja cuya longitud de onda interactúa con la muestra. Las vibraciones moleculares generadas son captadas por un detector y transformadas en datos que se representan como un espectro, lleno de picos y valles (ver figura 1).

Figura 1. Representación de un espectrómetro ftir típico y el espectro de una sustancia analizada.
Crédito: elaboración propia.

Esos picos reflejan las vibraciones de los enlaces moleculares. Cada enlace tiene una frecuencia de vibración específica, lo que permite a las y los científicos interpretar el espectro y deducir la estructura molecular de la sustancia. Aquí es donde la ia cobra protagonismo: permite identificar patrones espectrales con rapidez y precisión, tarea que antes requería un análisis manual, especializado y lento.

En comparación con otras técnicas, el ftir ofrece ventajas notables: resultados más rápidos, con equipos más económicos. Aunque, claro, también tiene limitaciones, como la dificultad para analizar mezclas complejas o materiales amorfos (sin estructura organizada).

Actualmente, esta técnica evoluciona de la mano de la ia, que mejora la interpretación de espectros complejos. Además, se están desarrollando instrumentos portátiles que podrían revolucionar su uso en campo, facilitando análisis en sitios remotos o en situaciones críticas —como la detección de contaminantes en tiempo real—.

A pesar de sus límites, la espectroscopía ftir sigue siendo esencial para la ciencia. Su integración con tecnologías de inteligencia artificial y aprendizaje automático promete expandir aún más sus aplicaciones en la medicina, la industria alimentaria y la protección ambiental.

¿Cómo sabemos qué dice una molécula?

Para entender cómo funciona la espectroscopía ftir y qué nos revela sobre el mundo microscópico de las moléculas, es esencial conocer algunos conceptos clave: absorción, transmitancia y reflexión. Estos procesos son fundamentales para interpretar cómo interactúa la radiación electromagnética con la materia (ver figura 2).

Cuando una molécula absorbe luz infrarroja, los átomos que la componen comienzan a vibrar. Este fenómeno —conocido como absorción— depende de la frecuencia de la luz y de los enlaces químicos presentes en la molécula. Al igual que un instrumento musical que emite sonidos únicos, cada molécula produce vibraciones específicas que pueden capturarse y analizarse, permitiendo su identificación precisa.

Por otro lado, la transmitancia se refiere a la cantidad de luz infrarroja que atraviesa una muestra hasta llegar al detector. Las muestras con alta transmitancia dejan pasar más luz, mientras que aquellas con baja transmitancia absorben una mayor cantidad.

Vibraciones que cuentan historias

El espectro ftir es una representación gráfica que muestra cómo se absorbe o transmite la luz infrarroja según su longitud de onda. Los picos y valles corresponden a las vibraciones de los enlaces químicos presentes en una muestra (ver figura 3; Lahlali et al., 2015; Nandiyanto et al., 2022).

Figura 3. Representación de pico y valle en espectro.
Crédito: elaboración propia.

Cada pico revela una vibración específica de un enlace químico. Esto permite a las y los científicos identificar y medir los compuestos presentes. Así como las notas en una partitura indican diferentes sonidos, los picos en un espectro marcan las frecuencias de vibración características de los enlaces moleculares.

En los espectros de transmitancia por ftir, las zonas más profundas indican las frecuencias donde la muestra absorbe energía. Las zonas planas, por el contrario, reflejan frecuencias que no fueron absorbidas.

Este comportamiento puede entenderse con un ejemplo cotidiano: cuando usas una camiseta clara en un día soleado, refleja más luz y te mantiene fresco. En cambio, una camiseta oscura absorbe más luz y te hace sentir más calor.

¿Para qué sirve ponerle oído a la materia?

Como se muestra en la figura 4, la espectroscopía ftir tiene una amplia gama de aplicaciones.

Figura 4. Áreas de aplicación del FTIR.
Crédito: elaboración propia.

• En química orgánica, se utiliza para identificar y caracterizar compuestos, analizar productos de reacción y asegurar su pureza y estructura.
• En la ciencia de los polímeros, permite estudiar la estructura, propiedades y degradación de materiales, así como detectar contaminantes. Esto es clave para evaluar su estabilidad en distintas condiciones de uso.
• En bioquímica, el ftir ayuda a analizar proteínas, grasas y azúcares en el cuerpo. Esto permite identificar indicadores de salud y estudiar cómo interactúan los medicamentos con nuestro organismo.
• En el análisis farmacéutico, se usa para el control de calidad de medicamentos, detectar adulterantes y evaluar cómo se combinan los componentes activos con los excipientes. Esto garantiza la eficacia y seguridad de los productos.
• También en la ciencia de los materiales es una técnica fundamental. Permite caracterizar compuestos como cerámicas, metales o vidrios, y detectar cambios en su composición tras procesos de fabricación o exposición a diferentes ambientes.

A pesar de sus múltiples beneficios, interpretar los espectros ftir puede ser todo un reto. Estos gráficos —llenos de picos y valles— ofrecen información muy detallada sobre enlaces y estructuras, pero analizarlos requiere experiencia y tiempo.

Aquí es donde entra en escena la inteligencia artificial. Gracias a sus capacidades de aprendizaje automático, permite automatizar y agilizar el análisis de espectros, haciendo que esta poderosa herramienta sea más accesible y eficiente para científicos de distintas áreas.

¿Y qué tiene que ver aquí la inteligencia artificial?

La inteligencia artificial (ia) abarca una amplia gama de tecnologías diseñadas para imitar capacidades cognitivas humanas como el aprendizaje, el razonamiento y la resolución autónoma de problemas (Lara Andino et al., 2024). Como se muestra en la figura 5, la ia se basa en varios pilares esenciales que la hacen posible y efectiva.

Figura 5. Ramas de la inteligencia artificial.
Crédito: elaboración propia.

Uno de los más importantes es el aprendizaje automático (Machine Learning, ml), que permite a los sistemas mejorar su rendimiento al analizar grandes cantidades de datos. Mediante la modificación de parámetros y modelos de entrenamiento, los algoritmos de ml pueden realizar tareas como clasificación o detección de patrones, sin necesidad de estar programados para cada caso (Gallo et al., 2021).

Otro pilar clave son las redes neuronales artificiales (Artificial Neural Networks, ann), inspiradas en la estructura del cerebro humano. Estas redes procesan la información de manera similar a como lo hacen nuestras neuronas (ver figura 6).

Figura 6. Ejemplificación de redes neuronales artificiales.
Crédito: elaboración propia.

Dentro del campo de la ia, las redes neuronales convolucionales (Convolutional Neural Networks, cnn) han sido especialmente útiles para tareas como el procesamiento de imágenes y el reconocimiento de patrones complejos (Ayeni, 2022).

El aprendizaje profundo (Deep Learning, dl) representa un paso más allá del aprendizaje automático tradicional. Utiliza múltiples capas de redes neuronales interconectadas que permiten una comprensión más profunda de los datos (De Lara-García, 2022). Gracias a esto, las máquinas pueden procesar información compleja —como imágenes, voz o texto— de una manera más parecida al cerebro humano (ver figura 7).

Figura 7. Ejemplificación de Deep Learning.
Crédito: elaboración propia.

Estos avances han revolucionado la interpretación de datos espectrales. Gracias al dl y a las redes neuronales, ahora se pueden identificar patrones complejos con mayor rapidez y precisión, automatizando procesos que antes requerían intervención humana y reduciendo el margen de error (Poggialini et al., 2022).

En campos como la espectroscopía, donde se manejan grandes volúmenes de datos, la ia ha optimizado procesos tradicionalmente manuales. Un buen ejemplo de esto es la espectroscopía ftir, que hoy se beneficia de análisis más veloces, objetivos y eficaces (Liu et al., 2020).

IA + química: una dupla que ya está dando resultados

Hasta hace poco, interpretar espectros ftir era una tarea manual que dependía de la experiencia de personas expertas. Este proceso era lento y podía ser subjetivo, especialmente al tratar espectros complejos o grandes volúmenes de datos.

Actualmente, existen enfoques basados en inteligencia artificial que han transformado este panorama. Por ejemplo, algunos modelos de clasificación pueden identificar espectros según sus características (ver figura 8), lo que permite detectar compuestos conocidos en distintos sectores, como la industria farmacéutica o petroquímica (Acosta-Jiménez et al., 2023).

Figura 8. Detección de tejido canceroso con aprendizaje automático.
Crédito: elaboración propia.

Además, las redes neuronales profundas, especialmente las cnn, han demostrado ser herramientas poderosas para la interpretación de espectros ftir. Estas redes procesan los datos por capas, de forma jerárquica (Saleem et al., 2022): empiezan reconociendo patrones simples y, capa tras capa, detectan características cada vez más complejas.

Esto les permite distinguir pequeñas diferencias entre compuestos con espectros similares, como se ilustra en la figura 9.

Figura 9. Detección de tejido canceroso con aprendizaje profundo.
Crédito: elaboración propia.

Mientras analizan los datos, las cnn extraen automáticamente información relevante y la asocian con estructuras moleculares, mejorando así la precisión y velocidad del análisis.

Por todas estas razones, las redes neuronales profundas se han convertido en herramientas esenciales para optimizar la interpretación espectral en distintos campos científicos.

Aplicaciones en el mundo real: la IA en acción

La inteligencia artificial (ia) ha logrado avances impresionantes en el análisis espectral mediante espectroscopía ftir, mostrando su enorme potencial en distintas áreas. Uno de los campos más prometedores es el diagnóstico temprano del cáncer, donde la combinación entre ia y ftir se perfila como una herramienta poderosa.

Este método es rápido, no invasivo y ofrece información detallada sobre la composición molecular de los tejidos. Por ejemplo, un estudio de Hannafon (2021) demostró cómo un modelo de ia, entrenado con imágenes médicas, puede identificar características específicas del tejido que rodea los tumores. Esto mejora la precisión y oportunidad en el diagnóstico del cáncer de mama. ¿La ventaja? Una detección más temprana y certera, lo que aumenta las probabilidades de tratamiento exitoso y supervivencia.

Además, la ia ha encontrado aplicaciones valiosas en el control de calidad de los alimentos. Al combinar espectros ftir con algoritmos inteligentes, es posible analizar la composición química de distintos productos y verificar que cumplan con los estándares necesarios.

Un ejemplo de esto lo encontramos en Rohman et al. (2020), donde se muestra cómo la ia puede evaluar la calidad de grasas y aceites, garantizando que sean seguros para el consumo. Por su parte, Feng et al. (2021) demostraron que la ia puede distinguir entre distintos tipos de alimentos y rastrear su origen, una función clave para asegurar su autenticidad y calidad.

Estos casos muestran que la inteligencia artificial no sólo mejora la precisión y velocidad en el análisis de espectros ftir, sino que también protege la salud pública y la seguridad alimentaria. Conforme estas tecnologías evolucionen, se espera que surjan nuevas aplicaciones capaces de mejorar la calidad de vida y monitorear aspectos clave como el medio ambiente.

¿Y ahora qué? Lo que esta tecnología puede cambiar

El avance de la inteligencia artificial y su integración con la espectroscopía ftir ya está transformando sectores clave, extendiendo su alcance a aplicaciones prácticas cada vez más innovadoras.

Esta combinación tecnológica tiene un enorme potencial para acelerar la investigación, mejorar la calidad de los productos y apoyar el desarrollo de nuevos materiales. Con el tiempo, el análisis espectral será más preciso, más rápido y más accesible, lo que revolucionará tanto la ciencia como la industria.

Sin embargo, aún hay retos por superar. Es fundamental contar con datos de alta calidad y entender cómo toma decisiones la ia para garantizar resultados confiables. Además, se necesita un trabajo colaborativo: especialistas en ia deben unir fuerzas con científicos de distintas áreas para lograr aplicaciones verdaderamente útiles y efectivas.

Referencias

• Acosta-Jiménez, S., González-Chávez, S. A., Camarillo-Cisneros, J., Pacheco-Tena, C. F., y Ochoa-Albíztegui, R. E. (2023). Aplicaciones de la inteligencia artificial en la medicina y la imagenología médica. Revista Anales de Radiología México, 22(2). https://doi.org/10.24875/ARM.21000093.
• Ayeni, J. A. (2022). Convolutional Neural Network (cnn): The architecture and applications. Applied Journal of Physical Science, 4(4), 42–50. https://doi.org/10.31248/AJPS2022.085.
• De Lara-Garcia, J. (2022). Inteligencia Artificial y Justicia. DIVULGARE Boletín Científico de La Escuela Superior de Actopan, 9(17), 41–46. https://doi.org/10.29057/esa.v9i17.8093.
• Feng, L., Wu, B., Zhu, S., He, Y., y Zhang, C. (2021). Application of Visible/Infrared Spectroscopy and Hyperspectral Imaging with Machine Learning Techniques for Identifying Food Varieties and Geographical Origins. Frontiers in Nutrition, 8. https://doi.org/10.3389/fnut.2021.680357.
• Fontes, V., Cubas Pereira, D., Pupin, B., y Sakane, K. K. (2020). Aplicação de espectroscopia no infravermelho: Como ferramenta para análise quantitativa de orégano. Revista Univap, 26(51), 15. https://doi.org/10.18066/revistaunivap.v26i51.2451.
• Gallo, A., Pérez, F., y Salinas, D. (2021). Minería de datos y proyección a corto plazo de la demanda de potencia en el sistema eléctrico ecuatoriano. Revista Técnica “Energía,” 18(1), 72–85. https://doi.org/10.37116/revistaenergia.v18.n1.2021.461.
• Hannafon, B. N. (2021). Involvement of the Tumor Microenvironment in the Pathogenesis of Breast Cancer. The American Journal of Pathology, 191(8), 1328–1329. https://doi.org/10.1016/j.ajpath.2021.05.012.
• Lahlali, R., Karunakaran, C., Wang, L., Willick, I., Schmidt, M., Liu, X., Borondics, F., Forseille, L., Fobert, P. R., Tanino, K., Peng, G., y Hallin, E. (2015). Synchrotron based phase contrast X-ray imaging combined with ftir spectroscopy reveals structural and biomolecular differences in spikelets play a significant role in resistance to Fusarium in wheat. BMC Plant Biology, 15(1), 24. https://doi.org/10.1186/s12870-014-0357-5.
• Lara Andino, A. R., Sacatoro Toaquiza, J. I., León Vinueza, A. G., Jarrín Trujillo, G. M., y Simancas Malla, F. M. (2024). La evaluación, la inteligencia artificial y otras tecnologías de vanguardia en Educación General Básica Superior. Prometeo Conocimiento Científico, 4(1), e85. https://doi.org/10.55204/pcc.v4i1.e85.
• Liu, S., Thung, K.-H., Lin, W., Yap, P.-T., y Shen, D. (2020). Real-Time Quality Assessment of Pediatric MRI via Semi-Supervised Deep Nonlocal Residual Neural Networks. ieee Transactions on Image Processing, 29, 7697–7706. https://doi.org/10.1109/TIP.2020.2992079.
• Nandiyanto, A. B. D., Ragadhita, R., y Fiandini, M. (2022). Interpretation of Fourier Transform Infrared Spectra (ftir): A Practical Approach in the Polymer/Plastic Thermal Decomposition. Indonesian Journal of Science and Technology, 8(1), 113–126. https://doi.org/10.17509/ijost.v8i1.53297.
• Poggialini, F., Campanella, B., Legnaioli, S., Raneri, S., y Palleschi, V. (2022). Comparison of Convolutional and Conventional Artificial Neural Networks for Laser-Induced Breakdown Spectroscopy Quantitative Analysis. Applied Spectroscopy, 76(8), 959–966. https://doi.org/10.1177/00037028221091300.
• Rohman, A., Ghazali, M. A. B., Windarsih, A., Irnawati, I., Riyanto, S., Yusof, F. M., y Mustafa, S. (2020). Comprehensive Review on Application of ftir Spectroscopy Coupled with Chemometrics for Authentication Analysis of Fats and Oils in the Food Products. Molecules, 25(22), 5485. https://doi.org/10.3390/molecules25225485.
• Saleem, M. A., Senan, N., Wahid, F., Aamir, M., Samad, A., y Khan, M. (2022). Comparative Analysis of Recent Architecture of Convolutional Neural Network. Mathematical Problems in Engineering, 2022, 1–9. https://doi.org/10.1155/2022/7313612.
• Webb-Linares, L. J., Reynoso-Zeballos, G. E., y Lagravere-Vich, M. (2014). Evaluación de la microdureza superficial de una resina compuesta según fuente de luz, su opacidad y tiempo de exposición. Revista Estomatológica Herediana, 19(2), 96. https://doi.org/10.20453/reh.v19i2.1828.

Recepción: 2023/11/16. Aceptación: 2025/01/15. Publicación: 2025/05/09.