人工智能在老年營養(yǎng)領域的研究進展

龐姝 孫豪濃 陳祥雪 姜春燕 李虹偉

營養(yǎng)不良指由于攝入不足或利用障礙引起能量或營養(yǎng)素缺乏的狀態(tài),進而對軀體和生理功能甚至臨床結(jié)局產(chǎn)生不良影響[1]。老年人是發(fā)生營養(yǎng)不良的高危人群,尤其是患有嚴重疾病或多病共存者[2]。中國社區(qū)老年人營養(yǎng)不良的患病率為12.6%[3],營養(yǎng)不良和存在營養(yǎng)不良風險的患病率達41.2%[4],而老年住院病人的營養(yǎng)不良和存在營養(yǎng)不良風險患病率更高[5]。營養(yǎng)不良不僅嚴重影響老年人的身體健康和生活質(zhì)量,還會增加死亡率以及醫(yī)療保健相關費用,給社會和老年醫(yī)療護理系統(tǒng)造成巨大的負擔[1]。因此,早期識別和干預老年人營養(yǎng)不良非常重要。然而,目前評估營養(yǎng)不良多需專業(yè)人員現(xiàn)場評估,加之營養(yǎng)干預對老年人及醫(yī)務人員來說都是長期、循序漸進的過程,因此,老年營養(yǎng)篩查以及合理干預的需求并未得到滿足。近年來,人工智能(artificial intelligence,AI)技術在醫(yī)學領域的應用為老年營養(yǎng)不良的篩查及管理提供了更多可能(圖1)。AI可對多維度的大數(shù)據(jù)進行采集與整合分析,構(gòu)建分類預測模型,可提高老年營養(yǎng)不良的診斷及管理效能[6]。本文擬梳理近年AI在營養(yǎng)領域的研究進展,為老年營養(yǎng)不良的識別、管理及進一步研究提供參考。

圖1 AI在老年營養(yǎng)領域的應用

1 AI的基本原理

AI指機器模擬人類的智力推理、決策和行為,涵蓋眾多技術領域。其中,機器學習(machine learning,ML)和深度學習(deep learning,DL)在醫(yī)療保健和營養(yǎng)領域不斷發(fā)揮著明確且持續(xù)的作用[7]。ML是一個和算法相關的AI領域,它可在沒有新編程的情況下通過算法和數(shù)據(jù)學習為臨床決策創(chuàng)建數(shù)字模型,即系統(tǒng)可以通過識別輸入數(shù)據(jù)中的模式并根據(jù)學習的知識調(diào)整輸出,不斷提升智能,無需人為干預[8]。ML在老年營養(yǎng)領域的應用可以幫助病人以更加個性化、更具針對性的維度促進健康。DL是ML的一個分支,能夠自動執(zhí)行復雜的多層級數(shù)據(jù),對多層次的模型和算法進行學習,并且無需監(jiān)督。DL在圖像和語音識別以及外語翻譯技術方面應用廣泛,DL的應用為老年營養(yǎng)不良的診斷以及持續(xù)性管理提供了更多可能。在老年營養(yǎng)領域,AI算法可能有助于大數(shù)據(jù)采集、預測營養(yǎng)與健康之間的聯(lián)系、改善營養(yǎng)評估、預測疾病風險,進而實現(xiàn)早期診斷、個性化的有效治療、減少住院、縮短住院時間,以及減少住院病人發(fā)生院內(nèi)感染、心血管不良事件等并發(fā)癥風險的目的。

2 AI輔助老年營養(yǎng)不良的評估

2.1 數(shù)據(jù)收集與分析 ML可對大數(shù)據(jù)進行多維度分析。對醫(yī)療保健部門積累的大量數(shù)據(jù)加以充分利用,將有助于推動廣泛的風險評估、疾病管理和病人分層研究。將AI與營養(yǎng)知識結(jié)合可以建立計算模型和合成病人隊列、挖掘并提取電子健康記錄(electronic health records,EHR)和保險索賠數(shù)據(jù)庫中的數(shù)據(jù),用于預測分析和評估系統(tǒng)對個性化食物的建議,闡明營養(yǎng)干預在免疫、代謝和腸道微生物層面的復雜調(diào)節(jié)機制[9]。ML能夠捕獲營養(yǎng)和健康數(shù)據(jù)中復雜的相互作用,在預測能力、效率、成本和便利性方面取代傳統(tǒng)方法,并在營養(yǎng)領域的數(shù)據(jù)收集和預處理階段提供幫助[10]。

移動應用程序和可穿戴傳感器可以捕獲用于訓練ML系統(tǒng)的膳食圖像以及來自EHR的輸入,簡化繁瑣的手動數(shù)據(jù)輸入過程。保證總體能量和蛋白質(zhì)的攝入是預防老年營養(yǎng)不良的關鍵,而評估食物攝入量是營養(yǎng)不良治療中一個重要且耗時的方面?；谧詣邮称穲D像識別和分析開發(fā)新的飲食評估方法是一個快速發(fā)展的研究領域。Papathanail等[11]基于28例病人32個工作日的166餐飲食(332張圖像),使用帶預訓練的ResNet+PSPNet作為系統(tǒng)分割識別網(wǎng)絡,提出了一個基于自動化AI的系統(tǒng),通過接收食用前后的食物圖像和每日菜單,估計病人的能量和宏量營養(yǎng)素攝入量。該系統(tǒng)具有高精度和自動化的特點,有望降低飲食評估成本,并加強對有營養(yǎng)不良風險的住院病人的飲食監(jiān)測和評估。智能手機應用程序goFOODTM自動系統(tǒng)能夠根據(jù)智能手機捕獲的單個膳食圖像自動進行營養(yǎng)評估,操作便捷,提高了病人應用的依從性[12]?？纱┐黠嬍匙粉櫰?智能手表)可以利用圖像、聲音甚至情緒的傳感器來估計食物、能量含量和營養(yǎng)攝入量[13]。但是,可穿戴傳感器在區(qū)分食物、精準識別食物體積等方面的算法仍需要進一步開發(fā)。

2.2 建立模型,改進篩查工具 AI建模策略可為醫(yī)療保健系統(tǒng)實施決策提供支持算法,以協(xié)助有效篩查營養(yǎng)不良[14]。營養(yǎng)不良的診斷標準至今尚未統(tǒng)一,開發(fā)高度精準的營養(yǎng)篩查工具對于及時發(fā)現(xiàn)營養(yǎng)不良、提供營養(yǎng)護理以及解決與傳統(tǒng)篩查工具相關的次優(yōu)預測值問題至關重要。目前,主觀綜合評估(subjective global assessment,SGA)量表、歐洲臨床營養(yǎng)與代謝學會(European Society for Clinical Nutrition and Metabolism,ESPEN)于2015年建立的框架ESPEN 2015以及全球領導人營養(yǎng)不良倡議(Global Leadership Initiative on Malnutrition diagnosis criteria consensus,GLIM)標準已在臨床中廣泛應用[15],AI的建模策略可以用于比較或提升這些診斷標準的準確性。Ren等[16]回顧性分析了7122例老年住院病人(>65歲)的數(shù)據(jù),隨機森林分類表明,GLIM標準在診斷營養(yǎng)不良及預測病人院內(nèi)并發(fā)癥(IHC)方面的準確性優(yōu)于SGA量表和ESPEN 2015標準。Yin等[17]開發(fā)了基于GLIM標準的輔助診斷營養(yǎng)不良的ML模型,該模型對指導臨床醫(yī)生診斷和治療癌癥病人營養(yǎng)不良具有重要意義。Timsina等[18]開發(fā)了一個基于ML的分類器——MUSTPlus,其可通過對病人進行分類來更準確地預測營養(yǎng)風險,同時根據(jù)病人整個醫(yī)療過程變化對營養(yǎng)風險進行持續(xù)的重新評估,從而減少病人入院率、縮短轉(zhuǎn)診評估和營養(yǎng)狀況管理的滯后時間及病人住院時間。Besculides等[19]評估了MUSTPlus的實施情況,結(jié)果表明,ML工具可以增強臨床醫(yī)生的能力,同時,ML工具開發(fā)和實施的各個階段離不開臨床醫(yī)生的參與。

2.3 預測營養(yǎng)風險及營養(yǎng)不良風險 AI已應用于預測營養(yǎng)風險,并具有較好的客觀性和可靠性[20]。營養(yǎng)不良與各種急性和慢性并發(fā)癥有關,如傷口愈合延遲、感染風險增加、虛弱和再住院風險增加。Ren等[21]對7122例老年住院病人進行抽樣篩查,使用邏輯回歸和隨機森林模型評估GLIM定義的營養(yǎng)不良與30 d IHC(包括感染、吻合口滲漏、貧血、電解質(zhì)紊亂、心肌梗死)和住院時間延長(prolonged length of hospital stay,PLOS)(超過14 d)的關聯(lián)和預測價值,發(fā)現(xiàn)使用33種GLIM標準組合進行營養(yǎng)不良診斷與亞洲老年住院病人的30 d IHC和PLOS密切相關。Wang等[22]開發(fā)了一種面部特征識別的ML模型,該模型建立了面部特征與營養(yǎng)風險篩查2002量表(the Nutrition Risk Screening 2002,NRS2002)評分之間的非線性映射,其所提出的預測NRS2002分數(shù)的方法準確率達到了73.1%,該模型具有非侵入性、成本效益高和易于獲得等特點,為醫(yī)療保健專業(yè)人員和個人早期有效識別營養(yǎng)風險提供了更大的可能性。

AI也可應用于預測營養(yǎng)不良的發(fā)生風險。Jin等[23]開發(fā)驗證的DL模型不需要實驗室或人體測量結(jié)果,可憑人口統(tǒng)計學和診斷信息來預測營養(yǎng)不良的發(fā)生風險,為營養(yǎng)不良的早期干預提供了機會;該研究還發(fā)現(xiàn),長短期記憶循環(huán)神經(jīng)網(wǎng)絡模型優(yōu)于現(xiàn)有的營養(yǎng)評估工具,并且可以很好地推廣到外部驗證隊列。Larburu等[24]開發(fā)了應用于老年女性住院病人的基于ML的營養(yǎng)不良風險預測模型,其在研究中使用了遞歸特征消除(recursive feature elimination, RFE)算法獲取最佳變量數(shù)量,當使用16個變量建立預測模型時,模型的準確性可達到76%。

3 AI輔助老年營養(yǎng)不良的管理

AI已成為醫(yī)療保健領域的新希望,在老年營養(yǎng)不良的管理中具有巨大潛力。它可以提供關于營養(yǎng)不良原因、癥狀、預防措施的準確信息,同時可以識別更大的病人群體,并對病人進行長程追蹤。AI技術與醫(yī)療從業(yè)者之間的協(xié)同努力可為老年營養(yǎng)不良病人及老年營養(yǎng)不良高風險病人提供個性化管理方案。

3.1 增加營養(yǎng)評估的可及性、助力長程持續(xù)管理 AI為遠程醫(yī)療和持續(xù)定期監(jiān)測提供了更大的可及性,有助于管理慢性病病人,尤其是合并多種疾病的老年病人[25]。面部形態(tài)計量學可為營養(yǎng)狀況的實時監(jiān)測提供可行的解決方案,便于臨床醫(yī)生和營養(yǎng)師遠程跟蹤病人情況,并根據(jù)需要提供必要的干預措施,同時也可為醫(yī)療保健機構(gòu)和政策制定者提供有參考價值的信息[26]。GER-e-TEC研究結(jié)合了非侵入式通信傳感器和AI技術,可用于日常監(jiān)測,并可及時發(fā)現(xiàn)病情變化[27]。Chen等[28]使用的基于AI的可穿戴技術可按預設的時間間隔自動獲取現(xiàn)實生活中的圖像并進行分類,為評估營養(yǎng)不良問題并制定有效的干預策略提供參考。Irshad等[29]在研究中通過可穿戴傳感器采集了5名健康受試者在饑餓和飽腹狀態(tài)下的生理信號,隨之進行基于人工特征工程或深度特征學習方法分析,發(fā)現(xiàn)可以有效區(qū)分饑餓和飽腹狀態(tài)。Braga等[30]開發(fā)了一款基于AI的手機應用軟件FRANI,并在多個國家驗證了其實用性。FRANI可實現(xiàn)高度可擴展的營養(yǎng)數(shù)據(jù)收集,為面臨營養(yǎng)不良風險的人群提供更健康的食物選擇。Lu等[31]開發(fā)并驗證了一種基于AI的完全自動化的營養(yǎng)評估系統(tǒng),名為goFOODTM,其可通過智能手機拍攝的圖像或視頻來評估一餐的熱量和宏量營養(yǎng)素含量。goFOODTM系統(tǒng)在普通中歐餐和快餐中都表現(xiàn)出較高的準確率,甚至優(yōu)于營養(yǎng)師。以上工具的應用可增加營養(yǎng)不良病人日常監(jiān)測的可及性,提升病人的依從性,對長程持續(xù)性管理意義重大。

3.2 制定個體化營養(yǎng)管理方案 為提出準確的個性化營養(yǎng)建議,加快實現(xiàn)更好的健康目標,ML和DL等先進計算技術在提供綜合框架方面大有可為。個性化營養(yǎng)指為個體量身定制的營養(yǎng)建議,旨在促進、維護健康和預防疾病[9]?；贏I的算法由各種建模策略組成,包括監(jiān)督學習、無監(jiān)督學習、DL和認知學習[32]。此外,還可以設計各種建模策略,如基于敏感性分析的元建模[33],以提取豐富的縱向臨床參數(shù)。一項基于Web的多中心Food4Me研究[34]使用自動膳食反饋系統(tǒng)提供個性化膳食建議,并比較了手動和自動反饋系統(tǒng)的結(jié)果,認為自動化的飲食反饋系統(tǒng)可為改善大規(guī)模人群的飲食行為和健康提供干預措施。該研究表明,與基于人群的營養(yǎng)建議相比,個性化營養(yǎng)建議更為有效。為獲得實用的個性化飲食建議,需要借助大數(shù)據(jù)的力量,對相關組學(基因組學、表觀基因組學、代謝組學和微生物組學)[35]進行整合分析,以客觀和縱向地捕捉個體的環(huán)境信息(暴露組學)[36],這些分析的結(jié)果將為制定可操作的、個性化的健康建議提供科學依據(jù)和知識,進而改善衰老過程。

ChatGPT可以提供營養(yǎng)指導、飲食建議以及關于食物營養(yǎng)價值的信息,并幫助個人了解平衡飲食的重要性,有助于營養(yǎng)不良的預防和管理。ChatGPT可在整個營養(yǎng)不良治療過程中為病人提供量身定制的指導和持續(xù)支持,進而增強病人權(quán)能并改善其整體健康狀況[37]。

4 AI在老年營養(yǎng)不良中應用的挑戰(zhàn)和策略

AI技術在老年營養(yǎng)不良診療中的應用具有無限潛力和顯著的前景,然而其發(fā)展亦伴隨一系列復雜挑戰(zhàn)。

4.1 數(shù)據(jù)質(zhì)量及保護 一些AI算法在實際臨床應用中的性能可能會降低[7]。AI在生成可靠的預測和建議時必須依賴高質(zhì)量的數(shù)據(jù),而由于采集設備、圖像質(zhì)量、病人配合等方面的差異造成數(shù)據(jù)的不足、不一致或不準確可能削弱算法的可靠性。個人數(shù)據(jù)的隱私和安全也不容忽視,確保合乎倫理道德和法律法規(guī)的數(shù)據(jù)保護、采取措施使得潛在風險最小化顯得至關重要。

4.2 準確性及道德倫理 盡管AI在擴展醫(yī)療輔助手段方面表現(xiàn)出色,但醫(yī)療過程復雜多樣,AI難以確保在每一個環(huán)節(jié)都能準確地預測與建議。人際關系、情感支持在醫(yī)療過程中不可或缺,而AI無法替代醫(yī)護人員所提供的人性化關懷和情感支持。在AI技術快速發(fā)展的同時,如何將人類價值觀注入AI,以便獲得更加準確、有人文溫度的結(jié)果是值得思考的問題。

4.3 跨學科合作 為實現(xiàn)AI在老年營養(yǎng)領域的廣泛應用,跨學科合作尤為關鍵,需要匯集消化、代謝、康復、影像等不同領域的專家致力于AI與醫(yī)學的結(jié)合,共同創(chuàng)造更綜合和創(chuàng)新的解決方案。

4.4 對人類就業(yè)的影響 AI應用于醫(yī)學勢必會代替一部分人工,但同時也會幫助衛(wèi)生專業(yè)人員更便捷地開展工作以節(jié)省出更多時間進行人際互動,如何運用AI發(fā)揮其輔助作用而非代替人類的作用在未來將是一個很大的挑戰(zhàn)。

5 總結(jié)與展望

目前,老年營養(yǎng)不良已對社會造成很大的醫(yī)療負擔,但篩查及有效管理老年營養(yǎng)不良的需求仍未得到滿足。自動檢測系統(tǒng)與遠程醫(yī)療的結(jié)合使病人可以更便捷地獲取優(yōu)質(zhì)醫(yī)療服務。老年營養(yǎng)的不少領域尚未用AI進行探索,未來極具應用潛力。大數(shù)據(jù)(尤其是EHR中的數(shù)據(jù))是很寶貴的未開發(fā)資源,未來可通過AI的作用進一步挖掘其價值。目前,AI算法和臨床實踐的良好實現(xiàn)之間存在一定差距,需要不斷地探索。老年營養(yǎng)領域引入AI有助于改進診斷和治療、降低成本以及增加醫(yī)療設施的可訪問性,必將對該領域的工作和發(fā)展產(chǎn)生持久和深遠的影響。