通过监督方程使用表型和生化标志物的饮食摄入量的升级估计:适用于DQI分类的适用性
Edwin Fernández-Cruz1,2, Víctor de la O1,2, Cristina M Fernández1
1Nutrition Precision and Cardiometabolic Health Program of IMDEA-Food Institute (Madrid Institute for Advances Studies), Madrid, Spain.
Journal of the American Nutrition Association
|November 10, 2025
概括
这项研究表明,机器学习可以使用常规临床数据预测饮食质量,为个性化营养铺平道路. 开发的算法显示了适度到良好的预测有效性,以遵守饮食指数.
科学领域:
- 营养科学和生物信息学
- 精准医学和计算生物学
背景情况:
- 饮食摄入量显著影响健康结果,坚持特定的饮食模式与改善健康有关.
- 传统的饮食评估方法,如食物频率问卷 (FFQ) 和24小时回忆,是主观的.
- 需要先进的技术来整合表型和代谢数据,以便客观地评估饮食.
研究的目的:
- 评估使用机器学习 (ML) 技术来预测遵守饮食质量指数的可行性.
- 整合常规收集的表型和生化数据,以预测饮食质量.
- 探索计算算法的潜力,以实现个性化的营养.
主要方法:
- 一项涉及138名参与者的横截面研究,收集了饮食摄入量,生化标志物,体力活动和人类学数据.
- 使用的饮食质量指数:地中海饮食坚持选 (MEDAS),替代健康饮食指数 (AHEI),DASH和亲素食模型.
- 开发了一种集生化学和饮食数据的ML算法,使用接收器操作特征 (ROC) 曲线评估预测能力.
主要成果:
- 发现的关键生化预测因子包括同类氨酸,叶酸和维生素C,与各种饮食质量指数有显著的关联.
- 预测模型显示解释能力 (R2) 在22.07%至35.76%之间.
- 模型准确度在72.46%至78.26%之间,ROC值在0.79至0.87之间,表明预测有效性中等至良好.
结论:
- 证明了整合饮食和生化数据的可行性,以预测使用ML的饮食质量指数的遵守.
- 这项研究提供了初步证据,用于在客观计算算法中使用例行收集的临床数据,用于精密营养.
- 虽然不是一个可部署的工具,但研究结果支持通过先进的计算方法提供个性化的饮食建议的潜力.
