人工智能在慢性病患者營養(yǎng)精準管理領(lǐng)域中的應用進展

萬君麗,卞薇

(陸軍軍醫(yī)大學第一附屬醫(yī)院 眼科,重慶 400038)

《國民營養(yǎng)計劃(2017-2030年)》[1]中指出,建立健全從醫(yī)院、社區(qū)到家庭的慢性病患者長期營養(yǎng)管理模式可以有效預防和治療某些慢性疾病,進而改善其疾病結(jié)局。然而,個體對營養(yǎng)的需求因地域、民族、性別、年齡和生理狀況的不同而存在差異,且遺傳背景也會影響食物和營養(yǎng)素的消化、吸收、轉(zhuǎn)運和代謝等[2-4]。因此,基于平均人群建立的膳食指南可能不適用于特殊的慢性病患者群體,如何為慢性病患者實施個性化的營養(yǎng)管理進而有效改善其疾病結(jié)局成了亟待解決的現(xiàn)實問題。人工智能相關(guān)營養(yǎng)管理在一定程度上滿足了慢性病患者對醫(yī)療護理服務中的營養(yǎng)精準管理需求,它不僅能為患者提供營養(yǎng)評估、營養(yǎng)診斷、營養(yǎng)相關(guān)風險篩查以及個性化的膳食推薦,還能通過動態(tài)調(diào)整來實現(xiàn)患者營養(yǎng)最優(yōu)化進而促進疾病轉(zhuǎn)歸[5-7]。護理人員作為營養(yǎng)干預實施中的主導者,整合營養(yǎng)相關(guān)信息,為患者提供動態(tài)營養(yǎng)監(jiān)測、評估、干預和結(jié)局評價的全程營養(yǎng)管理是其重要的職責之一。鑒于此,本文就人工智能在慢性病患者營養(yǎng)精準管理領(lǐng)域中的應用進展進行綜述,以期為優(yōu)化我國慢性病患者全程營養(yǎng)管理提供參考。

1 營養(yǎng)評估

人工智能相關(guān)營養(yǎng)評估指的是采用機器算法、圖像識別等人工智能技術(shù)對患者飲食攝入量、核心營養(yǎng)素等進行精準估量、測算和評價[8]。近年來,為滿足營養(yǎng)精準管理對食物和營養(yǎng)素攝入準確性、便捷性的要求,一系列結(jié)合人工智能技術(shù)的客觀評估食物和能量攝入的替代方法應運而生。Ali等[9]研究中,開發(fā)了一款具有食物記錄和計算并自動生成報告的手機應用程序,使用該手機應用程序和紙質(zhì)食物日記分別記錄54例慢性眼病患者至少3 d的食物攝入量并進行評估、比對。結(jié)果表明,營養(yǎng)師分析的紙質(zhì)食物日記與應用程序計算的各種營養(yǎng)素的攝入量具有較好的一致性,從而證明該應用程序能夠替代傳統(tǒng)食物評估方法,更客觀、快速評估慢性眼病患者食物和相關(guān)營養(yǎng)素的攝入量,同時該平臺也為后續(xù)大數(shù)據(jù)信息深度挖掘工作的開展奠定了基礎(chǔ)。

人工智能的飛速發(fā)展為食品圖像識別技術(shù)提供了技術(shù)支持。食品圖像識別是指利用計算機深度學習對食物圖像進行處理、分析和理解,進而實現(xiàn)智能化食物記錄并用于分析[10-11]。Martin等[12]研究中,40名超重和肥胖的成年人6 d內(nèi)利用智能手機拍攝食物和餐盤的圖像發(fā)送到服務器,通過人工智能對圖片進行識別,并采用機器算法和金標準雙標記法分別估計能量和營養(yǎng)素的攝入量。結(jié)果表明,兩種方法估算能量和常量營養(yǎng)素攝入量方面沒有顯著差異。但是該食物圖像識別方法僅限于每張圖像只能輸出一個結(jié)果,因此不適用于含有多種食物或飲料的圖像。隨后,為實現(xiàn)精準識別圖像中任何數(shù)量的食物和飲料,Mezgec等[13]在完善食物記錄系統(tǒng)基礎(chǔ)上,采用深度神經(jīng)網(wǎng)絡即完全卷積網(wǎng)絡的分割方法和基于深度殘差網(wǎng)絡的分割方法來架構(gòu)食品和飲料圖像識別,從而實現(xiàn)食物檢測、分割和識別,并運用3D重建算法估計攝入食物的卡路里和常量營養(yǎng)素含量。該研究表明基于人工智能的圖像識別技術(shù)不僅簡化了膳食評估方法,加快了評估速度,以更簡單、更智能、更精準的方式記錄飲食攝入量,還解決了人工膳食評估方法的時間和經(jīng)濟成本高等問題。

2 營養(yǎng)診斷

人工智能相關(guān)營養(yǎng)診斷指借助智能手機應用程序、電子健康記錄等收集營養(yǎng)相關(guān)數(shù)據(jù),采用機器學習方法,如線性和邏輯回歸、人工神經(jīng)網(wǎng)絡、決策樹等來明確受檢者的營養(yǎng)狀態(tài),包括營養(yǎng)不良(營養(yǎng)不足)、超重和肥胖、微量營養(yǎng)素異常等[14]。Finkelstein等[15]使用行為風險因素監(jiān)測系統(tǒng)數(shù)據(jù)基于非線性回歸模型預測肥胖患病率;Ergün[16]采用多層感知神經(jīng)網(wǎng)絡的數(shù)字模型建立自動化系統(tǒng)來識別和跟蹤肥胖;Karimi-Alavijeh等[17]采用決策樹來明確受檢者是否為代謝綜合征,包括中樞性肥胖、高甘油三脂血癥、高血壓和血脂異常等。通過收集和挖掘大量縱向受試者數(shù)據(jù),包括性別、年齡、體重指數(shù)、腰圍、腰臀比、血壓和身體成分等信息,結(jié)合個人遺傳、生理狀態(tài)、生活方式等采用機器學習方法進行龐大數(shù)據(jù)集分析[14,17],明確受檢者的營養(yǎng)狀態(tài),從而為精準的飲食、健康管理策略的制訂和實施提供依據(jù)。

3 營養(yǎng)相關(guān)預測

3.1 營養(yǎng)相關(guān)疾病風險預測 根據(jù)個體飲食攝入種類和營養(yǎng)素攝入量,采用機器學習和深度學習等人工智能技術(shù)對大數(shù)據(jù)進行分析,從而實現(xiàn)特定疾病患病風險預測[6]。Panaretos等[18]對2020名高危人群進行了10年心血管疾病隨訪。通過收集的個體攝入食物或營養(yǎng)物質(zhì)為基礎(chǔ),結(jié)合 “心臟健康評分”,預測包括心血管疾病、糖尿病、高血壓和高膽固醇的發(fā)病率。采用膳食信息結(jié)合數(shù)據(jù)分析對受試者進行健康評估。其中數(shù)據(jù)分析分別采用多元線性回歸和兩種機器學習方法(K-最鄰近算法和隨機森林決策樹)。結(jié)果顯示,多元線性回歸預測準確率為16%～22%,機器學習的準確率較高,約為40%。由此可見,基于多變量回歸模型傳統(tǒng)數(shù)據(jù)分析不適合大型且更為復雜的數(shù)據(jù),而機器學習能夠識別更加深層次的復雜模式,在慢性病患者營養(yǎng)領(lǐng)域中的疾病風險預測方面顯示出更為獨特的優(yōu)勢。

3.2 餐后血糖預測 餐后血糖水平升高是糖尿病前期和2型糖尿病的主要危險因素,但現(xiàn)有飲食干預方法控制效果有限。Zeevi等[19]通過監(jiān)測800位慢性病患者7 d的血糖水平發(fā)現(xiàn),對于相同食物,個體血糖水平差異較大,因而個性化的飲食建議才是控制血糖效果的最佳方法。該研究團隊設(shè)計了一種機器學習算法,并基于該算法,采用盲法、隨機對照飲食干預測量100位糖尿病患者的血液參數(shù)、飲食習慣、人體測量學、體力活動和腸道菌群。結(jié)果表明該機器學習算法準確預測了現(xiàn)實飲食中個性化的餐后血糖反應,且飲食干預可顯著降低餐后血糖反應。該研究表明個性化飲食可以成功地改善餐后血糖升高及其代謝后果。這為通過個性化飲食干預進而更好地監(jiān)測和管理糖尿病提供了基礎(chǔ)。目前,越來越多的手機應用程序被開發(fā)設(shè)計用來改善糖尿病患者的自我管理,部分應用程序還被批準作為移動處方建議患者進行治療使用[20]。

4 營養(yǎng)干預

人工智能相關(guān)營養(yǎng)干預是指利用物聯(lián)網(wǎng)技術(shù)、人工智能技術(shù)、智能設(shè)備以及相關(guān)監(jiān)測系統(tǒng),實時掌握干預對象在不同階段的營養(yǎng)狀況,通過動態(tài)監(jiān)測與評估對營養(yǎng)干預方案進行及時調(diào)整,從而實現(xiàn)營養(yǎng)全程、系統(tǒng)、精準化的管理[6]。Hallsworth等[21]使用人工智能干預系統(tǒng)在評估16例非酒精性脂肪性肝病患者營養(yǎng)需求后,對其進行為期12周的飲食和活動動態(tài)監(jiān)測和干預,包括評估和反饋、最佳飲食行為建議、協(xié)助制訂目標和個性化計劃來改變飲食行為、干預后隨訪支持、自我監(jiān)測等模塊,結(jié)果表明該系統(tǒng)能顯著提升患者的營養(yǎng)管理依從性,智能化地幫助患者維持準確的營養(yǎng)攝入以促進減肥,進而改善自身肝臟功能。Berman 等[22]使用AI支持的手機應用程序為118例糖尿病患者提供精準干預計劃,對患者進行營養(yǎng)評估后制訂個性化的干預計劃,系統(tǒng)自動向患者推送包括飲食、體育活動、體重管理相關(guān)宣教材料,通過分析體重檢測和食物報告結(jié)果再動態(tài)調(diào)整干預策略。結(jié)果顯示,干預12周后患者的糖化血紅蛋白值顯著降低,且應用程序使用越頻繁,患者的血糖控制更好。Oka等[23]開發(fā)出的一款手機APP,該應用程序采用AI驅(qū)動的照片分析系統(tǒng),與市面上和自制超過10萬份菜單的數(shù)據(jù)庫相連,不僅能準確識別食物照片,還能給出最準確的能量計算和營養(yǎng)素攝入量,并根據(jù)日本膳食攝入量標準給出營養(yǎng)評估結(jié)果,最后進行個性化食物菜單定制、飲食指導、監(jiān)測和個性化的調(diào)整,從而實現(xiàn)全程化、精準化的營養(yǎng)管理。此外,通過智能可穿戴設(shè)備收集患者行為和飲食信息,利用AI和機器學習系統(tǒng)分析不同食物對于血糖的影響,定制營養(yǎng)方案,推薦食譜[6];通過分析生物標志物(血液、唾液、尿液、糞便等)、基因、微生物等得出個性化的健康狀況和營養(yǎng)需求,制訂個性化健康方案,包括營養(yǎng)素、補充劑推薦等,如采用3D打印技術(shù)定制個性化維生素軟糖、定制不同成分比例蛋白粉[24]。

5 不足與展望

隨著大數(shù)據(jù)、互聯(lián)網(wǎng)的迅猛發(fā)展,人工智能在慢性病患者營養(yǎng)精準管理領(lǐng)域的使用日益廣泛。其在生物醫(yī)學營養(yǎng)領(lǐng)域研究中彌補了無法使用傳統(tǒng)統(tǒng)計方法有效分析大型數(shù)據(jù)集的不足,并展現(xiàn)出巨大的潛能和應用價值。然而目前該領(lǐng)域應用過程中的膳食攝入量評估精確度、國內(nèi)食品大數(shù)據(jù)庫的完善、促進綜合信息下的精準營養(yǎng)干預等問題仍亟待解決。

5.1 提高膳食攝入量評估精確度,保障營養(yǎng)干預可靠性 移動技術(shù)為飲食評估提供了廣泛的可行選擇,更容易融入日常生活。圖像輔助方法可以通過個人拍攝圖片(動態(tài)圖像)添加飲食場合細節(jié)來提高傳統(tǒng)飲食評估方法的準確性[25]。與傳統(tǒng)評估方法的結(jié)果相比,所有研究都借助圖像減少了漏報。然而未來依然需要更大樣本量的研究來更好地解釋用戶年齡、錯誤程度和成本對高精度評估膳食攝入的影響,以保障營養(yǎng)干預的可靠性和可信度。

5.2 完善國內(nèi)食品大數(shù)據(jù)庫的建立,助力數(shù)據(jù)分析與平臺搭建 獲取大量的、優(yōu)質(zhì)的數(shù)據(jù)是人工智能方法的前提,因而專業(yè)數(shù)據(jù)庫的建立與完善顯得尤為重要。雖然國內(nèi)已經(jīng)研發(fā)了越來越多的食品相關(guān)數(shù)據(jù)庫[26-28],但是目前,食品科學領(lǐng)域的數(shù)據(jù)庫類別和數(shù)量與藥物研發(fā)領(lǐng)域之間仍然還有很大的差距。未來,可開發(fā)建立更多種類、更加完善的食品大數(shù)據(jù)庫,如食品添加劑的安全、食品成分、食品營養(yǎng)和食品酶等方面來助力數(shù)據(jù)分析與平臺搭建。

5.3 促進綜合信息下的精準營養(yǎng)干預,推動人工智能服務精準營養(yǎng)管理 從最基本的意義上說,精準營養(yǎng)干預需要將人類的基因型、表現(xiàn)型與能增加獲得預期生理結(jié)果機會的飲食相匹配[29]。前提包括兩部分:第一是擁有準確測量人類遺傳和分子特征的能力;第二是能夠準確測量食物和飲食的分子特性。21世紀初對人類基因組測序的能力已經(jīng)促使營養(yǎng)相關(guān)研究發(fā)生了革命性的變化,然而在測量食物的分子特性方面進展卻不大[30]。未來,隨著人工智能技術(shù)的不斷進步,可以通過了解飲食分子特性和觀察特定個體的生理結(jié)果與社會行為特征,以促進基于個體腸道菌群、遺傳、生理和社會行為背景等綜合信息的精準營養(yǎng)干預,進一步推動人工智能服務慢性病患者營養(yǎng)精準管理。

6 小結(jié)

當前,人工智能在慢性病患者營養(yǎng)領(lǐng)域正在不斷發(fā)展。將人工智能技術(shù)廣泛運用到慢性病患者營養(yǎng)精準管理領(lǐng)域中,不僅能改善其營養(yǎng)狀況,促進疾病轉(zhuǎn)歸,還能更有效地防控重大疾病。而當前,對于人工智能技術(shù)在慢性病患者營養(yǎng)精準管理領(lǐng)域的實踐和應用還存在以下難題,包括膳食攝入量評估精確度、國內(nèi)食品大數(shù)據(jù)庫的完善、促進綜合信息下的精準營養(yǎng)干預等問題,這些都需要我們在臨床實踐和應用中進行辯證地對待,且還需要通過護理人員、研究開發(fā)者等各方面持續(xù)努力,才能使其更好地適用于臨床,進而真正實現(xiàn)智能化的慢性病患者營養(yǎng)精準管理。