人工智能在老年营养领域的研究进展

庞姝 孙豪浓 陈祥雪 姜春燕 李虹伟

营养不良指由于摄入不足或利用障碍引起能量或营养素缺乏的状态,进而对躯体和生理功能甚至临床结局产生不良影响[1]。老年人是发生营养不良的高危人群,尤其是患有严重疾病或多病共存者[2]。中国社区老年人营养不良的患病率为12.6%[3],营养不良和存在营养不良风险的患病率达41.2%[4],而老年住院病人的营养不良和存在营养不良风险患病率更高[5]。营养不良不仅严重影响老年人的身体健康和生活质量,还会增加死亡率以及医疗保健相关费用,给社会和老年医疗护理系统造成巨大的负担[1]。因此,早期识别和干预老年人营养不良非常重要。然而,目前评估营养不良多需专业人员现场评估,加之营养干预对老年人及医务人员来说都是长期、循序渐进的过程,因此,老年营养筛查以及合理干预的需求并未得到满足。近年来,人工智能(artificial intelligence,AI)技术在医学领域的应用为老年营养不良的筛查及管理提供了更多可能(图1)。AI可对多维度的大数据进行采集与整合分析,构建分类预测模型,可提高老年营养不良的诊断及管理效能[6]。本文拟梳理近年AI在营养领域的研究进展,为老年营养不良的识别、管理及进一步研究提供参考。

图1 AI在老年营养领域的应用

1 AI的基本原理

AI指机器模拟人类的智力推理、决策和行为,涵盖众多技术领域。其中,机器学习(machine learning,ML)和深度学习(deep learning,DL)在医疗保健和营养领域不断发挥着明确且持续的作用[7]。ML是一个和算法相关的AI领域,它可在没有新编程的情况下通过算法和数据学习为临床决策创建数字模型,即系统可以通过识别输入数据中的模式并根据学习的知识调整输出,不断提升智能,无需人为干预[8]。ML在老年营养领域的应用可以帮助病人以更加个性化、更具针对性的维度促进健康。DL是ML的一个分支,能够自动执行复杂的多层级数据,对多层次的模型和算法进行学习,并且无需监督。DL在图像和语音识别以及外语翻译技术方面应用广泛,DL的应用为老年营养不良的诊断以及持续性管理提供了更多可能。在老年营养领域,AI算法可能有助于大数据采集、预测营养与健康之间的联系、改善营养评估、预测疾病风险,进而实现早期诊断、个性化的有效治疗、减少住院、缩短住院时间,以及减少住院病人发生院内感染、心血管不良事件等并发症风险的目的。

2 AI辅助老年营养不良的评估

2.1 数据收集与分析 ML可对大数据进行多维度分析。对医疗保健部门积累的大量数据加以充分利用,将有助于推动广泛的风险评估、疾病管理和病人分层研究。将AI与营养知识结合可以建立计算模型和合成病人队列、挖掘并提取电子健康记录(electronic health records,EHR)和保险索赔数据库中的数据,用于预测分析和评估系统对个性化食物的建议,阐明营养干预在免疫、代谢和肠道微生物层面的复杂调节机制[9]。ML能够捕获营养和健康数据中复杂的相互作用,在预测能力、效率、成本和便利性方面取代传统方法,并在营养领域的数据收集和预处理阶段提供帮助[10]。

移动应用程序和可穿戴传感器可以捕获用于训练ML系统的膳食图像以及来自EHR的输入,简化繁琐的手动数据输入过程。保证总体能量和蛋白质的摄入是预防老年营养不良的关键,而评估食物摄入量是营养不良治疗中一个重要且耗时的方面。基于自动食品图像识别和分析开发新的饮食评估方法是一个快速发展的研究领域。Papathanail等[11]基于28例病人32个工作日的166餐饮食(332张图像),使用带预训练的ResNet+PSPNet作为系统分割识别网络,提出了一个基于自动化AI的系统,通过接收食用前后的食物图像和每日菜单,估计病人的能量和宏量营养素摄入量。该系统具有高精度和自动化的特点,有望降低饮食评估成本,并加强对有营养不良风险的住院病人的饮食监测和评估。智能手机应用程序goFOODTM自动系统能够根据智能手机捕获的单个膳食图像自动进行营养评估,操作便捷,提高了病人应用的依从性[12]。可穿戴饮食追踪器(智能手表)可以利用图像、声音甚至情绪的传感器来估计食物、能量含量和营养摄入量[13]。但是,可穿戴传感器在区分食物、精准识别食物体积等方面的算法仍需要进一步开发。

2.2 建立模型,改进筛查工具 AI建模策略可为医疗保健系统实施决策提供支持算法,以协助有效筛查营养不良[14]。营养不良的诊断标准至今尚未统一,开发高度精准的营养筛查工具对于及时发现营养不良、提供营养护理以及解决与传统筛查工具相关的次优预测值问题至关重要。目前,主观综合评估(subjective global assessment,SGA)量表、欧洲临床营养与代谢学会(European Society for Clinical Nutrition and Metabolism,ESPEN)于2015年建立的框架ESPEN 2015以及全球领导人营养不良倡议(Global Leadership Initiative on Malnutrition diagnosis criteria consensus,GLIM)标准已在临床中广泛应用[15],AI的建模策略可以用于比较或提升这些诊断标准的准确性。Ren等[16]回顾性分析了7122例老年住院病人(>65岁)的数据,随机森林分类表明,GLIM标准在诊断营养不良及预测病人院内并发症(IHC)方面的准确性优于SGA量表和ESPEN 2015标准。Yin等[17]开发了基于GLIM标准的辅助诊断营养不良的ML模型,该模型对指导临床医生诊断和治疗癌症病人营养不良具有重要意义。Timsina等[18]开发了一个基于ML的分类器——MUSTPlus,其可通过对病人进行分类来更准确地预测营养风险,同时根据病人整个医疗过程变化对营养风险进行持续的重新评估,从而减少病人入院率、缩短转诊评估和营养状况管理的滞后时间及病人住院时间。Besculides等[19]评估了MUSTPlus的实施情况,结果表明,ML工具可以增强临床医生的能力,同时,ML工具开发和实施的各个阶段离不开临床医生的参与。

2.3 预测营养风险及营养不良风险 AI已应用于预测营养风险,并具有较好的客观性和可靠性[20]。营养不良与各种急性和慢性并发症有关,如伤口愈合延迟、感染风险增加、虚弱和再住院风险增加。Ren等[21]对7122例老年住院病人进行抽样筛查,使用逻辑回归和随机森林模型评估GLIM定义的营养不良与30 d IHC(包括感染、吻合口渗漏、贫血、电解质紊乱、心肌梗死)和住院时间延长(prolonged length of hospital stay,PLOS)(超过14 d)的关联和预测价值,发现使用33种GLIM标准组合进行营养不良诊断与亚洲老年住院病人的30 d IHC和PLOS密切相关。Wang等[22]开发了一种面部特征识别的ML模型,该模型建立了面部特征与营养风险筛查2002量表(the Nutrition Risk Screening 2002,NRS2002)评分之间的非线性映射,其所提出的预测NRS2002分数的方法准确率达到了73.1%,该模型具有非侵入性、成本效益高和易于获得等特点,为医疗保健专业人员和个人早期有效识别营养风险提供了更大的可能性。

AI也可应用于预测营养不良的发生风险。Jin等[23]开发验证的DL模型不需要实验室或人体测量结果,可凭人口统计学和诊断信息来预测营养不良的发生风险,为营养不良的早期干预提供了机会;该研究还发现,长短期记忆循环神经网络模型优于现有的营养评估工具,并且可以很好地推广到外部验证队列。Larburu等[24]开发了应用于老年女性住院病人的基于ML的营养不良风险预测模型,其在研究中使用了递归特征消除(recursive feature elimination, RFE)算法获取最佳变量数量,当使用16个变量建立预测模型时,模型的准确性可达到76%。

3 AI辅助老年营养不良的管理

AI已成为医疗保健领域的新希望,在老年营养不良的管理中具有巨大潜力。它可以提供关于营养不良原因、症状、预防措施的准确信息,同时可以识别更大的病人群体,并对病人进行长程追踪。AI技术与医疗从业者之间的协同努力可为老年营养不良病人及老年营养不良高风险病人提供个性化管理方案。

3.1 增加营养评估的可及性、助力长程持续管理 AI为远程医疗和持续定期监测提供了更大的可及性,有助于管理慢性病病人,尤其是合并多种疾病的老年病人[25]。面部形态计量学可为营养状况的实时监测提供可行的解决方案,便于临床医生和营养师远程跟踪病人情况,并根据需要提供必要的干预措施,同时也可为医疗保健机构和政策制定者提供有参考价值的信息[26]。GER-e-TEC研究结合了非侵入式通信传感器和AI技术,可用于日常监测,并可及时发现病情变化[27]。Chen等[28]使用的基于AI的可穿戴技术可按预设的时间间隔自动获取现实生活中的图像并进行分类,为评估营养不良问题并制定有效的干预策略提供参考。Irshad等[29]在研究中通过可穿戴传感器采集了5名健康受试者在饥饿和饱腹状态下的生理信号,随之进行基于人工特征工程或深度特征学习方法分析,发现可以有效区分饥饿和饱腹状态。Braga等[30]开发了一款基于AI的手机应用软件FRANI,并在多个国家验证了其实用性。FRANI可实现高度可扩展的营养数据收集,为面临营养不良风险的人群提供更健康的食物选择。Lu等[31]开发并验证了一种基于AI的完全自动化的营养评估系统,名为goFOODTM,其可通过智能手机拍摄的图像或视频来评估一餐的热量和宏量营养素含量。goFOODTM系统在普通中欧餐和快餐中都表现出较高的准确率,甚至优于营养师。以上工具的应用可增加营养不良病人日常监测的可及性,提升病人的依从性,对长程持续性管理意义重大。

3.2 制定个体化营养管理方案 为提出准确的个性化营养建议,加快实现更好的健康目标,ML和DL等先进计算技术在提供综合框架方面大有可为。个性化营养指为个体量身定制的营养建议,旨在促进、维护健康和预防疾病[9]。基于AI的算法由各种建模策略组成,包括监督学习、无监督学习、DL和认知学习[32]。此外,还可以设计各种建模策略,如基于敏感性分析的元建模[33],以提取丰富的纵向临床参数。一项基于Web的多中心Food4Me研究[34]使用自动膳食反馈系统提供个性化膳食建议,并比较了手动和自动反馈系统的结果,认为自动化的饮食反馈系统可为改善大规模人群的饮食行为和健康提供干预措施。该研究表明,与基于人群的营养建议相比,个性化营养建议更为有效。为获得实用的个性化饮食建议,需要借助大数据的力量,对相关组学(基因组学、表观基因组学、代谢组学和微生物组学)[35]进行整合分析,以客观和纵向地捕捉个体的环境信息(暴露组学)[36],这些分析的结果将为制定可操作的、个性化的健康建议提供科学依据和知识,进而改善衰老过程。

ChatGPT可以提供营养指导、饮食建议以及关于食物营养价值的信息,并帮助个人了解平衡饮食的重要性,有助于营养不良的预防和管理。ChatGPT可在整个营养不良治疗过程中为病人提供量身定制的指导和持续支持,进而增强病人权能并改善其整体健康状况[37]。

4 AI在老年营养不良中应用的挑战和策略

AI技术在老年营养不良诊疗中的应用具有无限潜力和显著的前景,然而其发展亦伴随一系列复杂挑战。

4.1 数据质量及保护 一些AI算法在实际临床应用中的性能可能会降低[7]。AI在生成可靠的预测和建议时必须依赖高质量的数据,而由于采集设备、图像质量、病人配合等方面的差异造成数据的不足、不一致或不准确可能削弱算法的可靠性。个人数据的隐私和安全也不容忽视,确保合乎伦理道德和法律法规的数据保护、采取措施使得潜在风险最小化显得至关重要。

4.2 准确性及道德伦理 尽管AI在扩展医疗辅助手段方面表现出色,但医疗过程复杂多样,AI难以确保在每一个环节都能准确地预测与建议。人际关系、情感支持在医疗过程中不可或缺,而AI无法替代医护人员所提供的人性化关怀和情感支持。在AI技术快速发展的同时,如何将人类价值观注入AI,以便获得更加准确、有人文温度的结果是值得思考的问题。

4.3 跨学科合作 为实现AI在老年营养领域的广泛应用,跨学科合作尤为关键,需要汇集消化、代谢、康复、影像等不同领域的专家致力于AI与医学的结合,共同创造更综合和创新的解决方案。

4.4 对人类就业的影响 AI应用于医学势必会代替一部分人工,但同时也会帮助卫生专业人员更便捷地开展工作以节省出更多时间进行人际互动,如何运用AI发挥其辅助作用而非代替人类的作用在未来将是一个很大的挑战。

5 总结与展望

目前,老年营养不良已对社会造成很大的医疗负担,但筛查及有效管理老年营养不良的需求仍未得到满足。自动检测系统与远程医疗的结合使病人可以更便捷地获取优质医疗服务。老年营养的不少领域尚未用AI进行探索,未来极具应用潜力。大数据(尤其是EHR中的数据)是很宝贵的未开发资源,未来可通过AI的作用进一步挖掘其价值。目前,AI算法和临床实践的良好实现之间存在一定差距,需要不断地探索。老年营养领域引入AI有助于改进诊断和治疗、降低成本以及增加医疗设施的可访问性,必将对该领域的工作和发展产生持久和深远的影响。