人工智能（AI）在医疗保健领域的众多应用之一是协助制定个体化的营养策略。制定此类计划的方法是收集不同的认知、代谢、微生物组和生理数据，并将其与基因组学、病史、环境、行为和文化人口统计学数据整合，从而调整个体饮食，以获得最佳健康结局。

然而，与AI在医疗领域的许多快速进展一样，一些人质疑该技术是否已经为在真实世界环境中用于改变营养和糖尿病管理做好了准备。2024年6月23日，在第84届美国糖尿病协会科学年会（ADA2024）的专题研讨会上，两位专家围绕AI的优点及其与当前个体化营养策略的应用展开了辩论，讨论了AI在改变营养和糖尿病管理方面的作用。

正方：

是的，未来就在眼前——利用AI带来的好处

史蒂文斯理工学院副教授Samantha Kleinberg博士介绍了AI和个体化营养策略为患者和医务人员提供必要见解的案例，强调此类计划可以根据个体对不同食物的独特血糖反应而量身定制。

Kleinberg博士表示，对饮食的反应因人而异，人们对完全相同的食物可能有截然不同的反应。研究人员可以利用生理数据来制定个体化的饮食计划，以达到最佳的血糖反应。Kleinberg博士介绍的研究表明，与黄金标准的地中海饮食（MED）相比，个体化的营养计划（PPT）带来了更好的结局（图1）[1]。

图1. MET与PPT干预期间不同结局的变化

社区层面的个体化营养策略的优势之一是能够考虑群体的食物环境，即在特定区域内获得特定食物的空间、经济和文化途径，以及可以塑造和强化饮食习惯的相关心理线索。追踪这些环境特征是至关重要的，因为它们可以塑造差异或者揭示个体或社区的独特需求。

Kleinberg博士表示，虽然研究人员已经对食物环境进行了研究和分析，但许多研究都集中在个体或人群的家庭、工作或学校环境周围的静态位置，而忽略了一天之中在这些静态区域之外的活动。她解释说，有了人工智能和GPS等其他类型的传感技术，可以深入追踪这些移动数据，无需只关注某人住在哪里或像邮政编码这样的粗略指标。

今年3月发表的一项研究[2]收集了100多万人的数据，结果显示，居住在较大城市环境或通勤距离较远的人，经常整天暴露在离家很远的食物环境中。数据显示，到食品店就餐的人中有19%是为了吃快餐，其中只有7%的人是在自己居住的人口普查区内。而有了流动数据，就可以采取适当的环境干预措施来影响公共健康。Kleinberg博士说，这不是一个遥不可及的未来的事情。这是许多城市都在做的事情，要么禁止在一个地区开设快餐店，要么制定计划和激励措施，鼓励开设更健康的快餐店。

反方：

还没有，但我们已经在收集证据

美国国立卫生研究院营养研究办公室Holly Nicastro博士也提倡个体化的营养计划，但她认为需要更多的时间和研究来安全有效地制定这些策略，需要更有力的证据基础，包括来自不同参与者的数据。

她引用了包括PREDICT在内的个体化营养研究，并表明这些数据无法分层分析种族、收入、教育或地理位置（农村与城市环境）等因素。Nicastro博士还强调，研究人员必须优先考虑各种因素，如人群与医疗保健系统相互作用的多样性，或比较健康个体与共病个体之间的结局。

Nicastro博士说，如果发现我们的模型对那些被过度代表的人、被充分研究的人或特权群体更有效，那么，在糖尿病营养管理方面AI的推进，有可能会进一步扩大健康差距。

她还认为，在正式分享可能影响人类健康的建议之前，需要进行更多的验证研究。她表示，我们的方法或收集的关于人的信息，可能还不够精确，不足以真正显示发生了什么。

在精准健康营养研究中，Nicastro博士及其团队正在努力实现这一目标，方法是开发算法，利用捕捉个体整体健康状况的数据来预测个体对食物和饮食模式的反应，这些数据涵盖了在医学研究中往往代表性不足的庞大而多样的参与者群体。在每个模块结束时，参与者将接受标准化的膳食测试，以评估代谢表型，并测量健康因素，如胰岛素敏感性、β细胞功能和脂质代谢。

参考文献：

1. Ben-Yacov O, et al. Diabetes Care. 2021; 44(9): 1980-1991.

2. García Bulle Bueno B, et al. Nat Commun. 2024; 15(1): 2291.