El  presente  trabajo  desarrolla  un  sistema  de  recomendación  avanzado  para  soluciones  nutricionales  personalizadas,  utilizando técnicas de aprendizaje automático para optimizar la planificación dietética. A partir de un conjunto de datos que  incluye  características  individuales  como  edad,  peso,  altura,  índice  de  masa  corporal,  condiciones  médicas  y  objetivos nutricionales, se construyeron modelos predictivos basados en algoritmos como LightGBM, Random Forest, XGBoost, SVC y  Multi-Layer  Perceptrons.  Entre  estos,  LightGBM  mostró  el  mejor  rendimiento,  alcanzando  un  F1-Score  ponderado  de  0.972  y  un  AUC  de  0.997,  demostrando  alta  capacidad  de  discriminación  y  precisión.  El  sistema  fue  complementado  con  una interfaz interactiva diseñada para facilitar la adopción por parte de usuarios no técnicos, ofreciendo recomendaciones en tiempo real. Los resultados subrayan el potencial de la inteligencia artificial para transformar la nutrición personalizada, mejorando la salud y el bienestar a través de intervenciones basadas en datos.Palabras  clave:  aprendizaje  automático;  dieta  personalizada;  LightGBM;  plan  de  nutrición;  random  forest;  sistema  de  recomendación; SVC; XGBoost.