AI-Driven Personalized Nutrition: A Machine Learning Framework for Dietary Recommendations Based on Genetic, Metabolic, And Lifestyle Data

方法

系统文献综述，筛选53条记录纳入20项研究，构建五层决策支持架构。

发现

多模态模型预测代谢反应更准，但预测精度不等于临床获益，有效性证据不一致。

机会点

可借鉴其预测-推荐-验证分层框架，研究农产品/膳食多模态数据与真实健康结局的因果验证。

人工智能实现营养个性化；然而，相关研究仍较为零散，缺乏将多模态数据、预测、推荐与验证相联结的整合性框架。本系统文献综述分析了机器学习驱动饮食个性化的主要人体研究证据，并构建了一个决策支持框架，以区分预测与推荐。文献检索通过Scopus、Web of Science plus、IEEE Xplore、PubMed/MEDLINE索引文献及Europe PMC进行，并通过引文链接获得经核实的筛选数据库，共包含53条唯一记录。去重后，识别出53条唯一记录。在标题/摘要筛选中排除21条，剩余32条记录进入进一步评估。全文获取前又排除5条附加记录，拟检索报告27篇，其中6篇无法获取。对剩余21篇全文报告进行资格评估；1篇因与综述问题不直接相关而被排除，最终纳入20项研究进行定性综合。纳入研究包括外部验证的预测研究、随机饮食干预试验、数字孪生干预、推荐系统、微生物组指导饮食、代谢组学和多组学营养遗传学。在特定情境下，与较简单的饮食变量相比，多模态模型在餐后血糖、甘油三酯反应、减重反应和代谢物反应方面具有更好的预测性能。然而，这种预测性能本身并不构成临床获益。关于临床有效性的证据则较不一致。若干随机试验表明个性化策略在血糖控制方面具有优势。相反，其他试验未能证明其在体重减轻、LDL胆固醇和原发性肠易激综合征严重程度方面具有显著优势。这些结果提示，预测准确性的有效性应被视为两个不同的证据问题。本综述提供了一种基于证据的五层决策支持架构，旨在明确区分预测、推荐、验证以及整合多模态营养证据与临床决策支持的治理，以克服遗传、代谢、生活方式、微生物组和传感器衍生领域之间的碎片化。