人工智能在老年營養領域的研究進展

龐姝 孫豪濃 陳祥雪 姜春燕 李虹偉

營養不良指由于攝入不足或利用障礙引起能量或營養素缺乏的狀態,進而對軀體和生理功能甚至臨床結局產生不良影響[1]。老年人是發生營養不良的高危人群,尤其是患有嚴重疾病或多病共存者[2]。中國社區老年人營養不良的患病率為12.6%[3],營養不良和存在營養不良風險的患病率達41.2%[4],而老年住院病人的營養不良和存在營養不良風險患病率更高[5]。營養不良不僅嚴重影響老年人的身體健康和生活質量,還會增加死亡率以及醫療保健相關費用,給社會和老年醫療護理系統造成巨大的負擔[1]。因此,早期識別和干預老年人營養不良非常重要。然而,目前評估營養不良多需專業人員現場評估,加之營養干預對老年人及醫務人員來說都是長期、循序漸進的過程,因此,老年營養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)技術在醫學領域的應用為老年營養不良的篩查及管理提供了更多可能(圖1)。AI可對多維度的大數據進行采集與整合分析,構建分類預測模型,可提高老年營養不良的診斷及管理效能[6]。本文擬梳理近年AI在營養領域的研究進展,為老年營養不良的識別、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)在醫療保健和營養領域不斷發揮著明確且持續的作用[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據學習為臨床決策創建數字模型,即系統可以通過識別輸入數據中的模式并根據學習的知識調整輸出,不斷提升智能,無需人為干預[8]。ML在老年營養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,能夠自動執行復雜的多層級數據,對多層次的模型和算法進行學習,并且無需監督。DL在圖像和語音識別以及外語翻譯技術方面應用廣泛,DL的應用為老年營養不良的診斷以及持續性管理提供了更多可能。在老年營養領域,AI算法可能有助于大數據采集、預測營養與健康之間的聯系、改善營養評估、預測疾病風險,進而實現早期診斷、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生院內感染、心血管不良事件等并發癥風險的目的。

2 AI輔助老年營養不良的評估

2.1 數據收集與分析 ML可對大數據進行多維度分析。對醫療保健部門積累的大量數據加以充分利用,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與營養知識結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)和保險索賠數據庫中的數據,用于預測分析和評估系統對個性化食物的建議,闡明營養干預在免疫、代謝和腸道微生物層面的復雜調節機制[9]。ML能夠捕獲營養和健康數據中復雜的相互作用,在預測能力、效率、成本和便利性方面取代傳統方法,并在營養領域的數據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系統的膳食圖像以及來自EHR的輸入,簡化繁瑣的手動數據輸入過程。保證總體能量和蛋白質的攝入是預防老年營養不良的關鍵,而評估食物攝入量是營養不良治療中一個重要且耗時的方面?；谧詣邮称穲D像識別和分析開發新的飲食評估方法是一個快速發展的研究領域。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作為系統分割識別網絡,提出了一個基于自動化AI的系統,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素攝入量。該系統具有高精度和自動化的特點,有望降低飲食評估成本,并加強對有營養不良風險的住院病人的飲食監測和評估。智能手機應用程序goFOODTM自動系統能夠根據智能手機捕獲的單個膳食圖像自動進行營養評估,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、能量含量和營養攝入量[13]。但是,可穿戴傳感器在區分食物、精準識別食物體積等方面的算法仍需要進一步開發。

2.2 建立模型,改進篩查工具 AI建模策略可為醫療保健系統實施決策提供支持算法,以協助有效篩查營養不良[14]。營養不良的診斷標準至今尚未統一,開發高度精準的營養篩查工具對于及時發現營養不良、提供營養護理以及解決與傳統篩查工具相關的次優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)的數據,隨機森林分類表明,GLIM標準在診斷營養不良及預測病人院內并發癥(IHC)方面的準確性優于SGA量表和ESPEN 2015標準。Yin等[17]開發了基于GLIM標準的輔助診斷營養不良的ML模型,該模型對指導臨床醫生診斷和治療癌癥病人營養不良具有重要意義。Timsina等[18]開發了一個基于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風險,同時根據病人整個醫療過程變化對營養風險進行持續的重新評估,從而減少病人入院率、縮短轉診評估和營養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,結果表明,ML工具可以增強臨床醫生的能力,同時,ML工具開發和實施的各個階段離不開臨床醫生的參與。

2.3 預測營養風險及營養不良風險 AI已應用于預測營養風險,并具有較好的客觀性和可靠性[20]。營養不良與各種急性和慢性并發癥有關,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定義的營養不良與30 d IHC(包括感染、吻合口滲漏、貧血、電解質紊亂、心肌梗死)和住院時間延長(prolonged length of hospital stay,PLOS)(超過14 d)的關聯和預測價值,發現使用33種GLIM標準組合進行營養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,為醫療保健專業人員和個人早期有效識別營養風險提供了更大的可能性。

AI也可應用于預測營養不良的發生風險。Jin等[23]開發驗證的DL模型不需要實驗室或人體測量結果,可憑人口統計學和診斷信息來預測營養不良的發生風險,為營養不良的早期干預提供了機會;該研究還發現,長短期記憶循環神經網絡模型優于現有的營養評估工具,并且可以很好地推廣到外部驗證隊列。Larburu等[24]開發了應用于老年女性住院病人的基于ML的營養不良風險預測模型,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輔助老年營養不良的管理

AI已成為醫療保健領域的新希望,在老年營養不良的管理中具有巨大潛力。它可以提供關于營養不良原因、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技術與醫療從業者之間的協同努力可為老年營養不良病人及老年營養不良高風險病人提供個性化管理方案。

3.1 增加營養評估的可及性、助力長程持續管理 AI為遠程醫療和持續定期監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]。面部形態計量學可為營養狀況的實時監測提供可行的解決方案,便于臨床醫生和營養師遠程跟蹤病人情況,并根據需要提供必要的干預措施,同時也可為醫療保健機構和政策制定者提供有參考價值的信息[26]。GER-e-TEC研究結合了非侵入式通信傳感器和AI技術,可用于日常監測,并可及時發現病情變化[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實生活中的圖像并進行分類,為評估營養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,發現可以有效區分饑餓和飽腹狀態。Braga等[30]開發了一款基于AI的手機應用軟件FRANI,并在多個國家驗證了其實用性。FRANI可實現高度可擴展的營養數據收集,為面臨營養不良風險的人群提供更健康的食物選擇。Lu等[31]開發并驗證了一種基于AI的完全自動化的營養評估系統,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素含量。goFOODTM系統在普通中歐餐和快餐中都表現出較高的準確率,甚至優于營養師。以上工具的應用可增加營養不良病人日常監測的可及性,提升病人的依從性,對長程持續性管理意義重大。

3.2 制定個體化營養管理方案 為提出準確的個性化營養建議,加快實現更好的健康目標,ML和DL等先進計算技術在提供綜合框架方面大有可為。個性化營養指為個體量身定制的營養建議,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,包括監督學習、無監督學習、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。一項基于Web的多中心Food4Me研究[34]使用自動膳食反饋系統提供個性化膳食建議,并比較了手動和自動反饋系統的結果,認為自動化的飲食反饋系統可為改善大規模人群的飲食行為和健康提供干預措施。該研究表明,與基于人群的營養建議相比,個性化營養建議更為有效。為獲得實用的個性化飲食建議,需要借助大數據的力量,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境信息(暴露組學)[36],這些分析的結果將為制定可操作的、個性化的健康建議提供科學依據和知識,進而改善衰老過程。

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

4 AI在老年營養不良中應用的挑戰和策略

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

4.1 數據質量及保護 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量的數據,而由于采集設備、圖像質量、病人配合等方面的差異造成數據的不足、不一致或不準確可能削弱算法的可靠性。個人數據的隱私和安全也不容忽視,確保合乎倫理道德和法律法規的數據保護、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在擴展醫療輔助手段方面表現出色,但醫療過程復雜多樣,AI難以確保在每一個環節都能準確地預測與建議。人際關系、情感支持在醫療過程中不可或缺,而AI無法替代醫護人員所提供的人性化關懷和情感支持。在AI技術快速發展的同時,如何將人類價值觀注入AI,以便獲得更加準確、有人文溫度的結果是值得思考的問題。

4.3 跨學科合作 為實現AI在老年營養領域的廣泛應用,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與醫學的結合,共同創造更綜合和創新的解決方案。

4.4 對人類就業的影響 AI應用于醫學勢必會代替一部分人工,但同時也會幫助衛生專業人員更便捷地開展工作以節省出更多時間進行人際互動,如何運用AI發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。

5 總結與展望

目前,老年營養不良已對社會造成很大的醫療負擔,但篩查及有效管理老年營養不良的需求仍未得到滿足。自動檢測系統與遠程醫療的結合使病人可以更便捷地獲取優質醫療服務。老年營養的不少領域尚未用AI進行探索,未來極具應用潛力。大數據(尤其是EHR中的數據)是很寶貴的未開發資源,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之間存在一定差距,需要不斷地探索。老年營養領域引入AI有助于改進診斷和治療、降低成本以及增加醫療設施的可訪問性,必將對該領域的工作和發展產生持久和深遠的影響。