人工智能在炎症性肠病患者营养管理中应用的范围综述
炎症性肠病（inflammatory bowel disease，IBD）主要包括克罗恩病（Crohn's disease，CD）和溃疡性结肠炎（ulcerative colitis，UC），是一组以腹痛、腹泻、黏液血便为主要症状的慢性非特异性炎症性疾病。近30年，我国IBD患者增加了91.1万，且目前发病率仍未达峰值，未来疾病负担将进一步加重［1］。IBD病因尚不明确，饮食作为重要的环境因素，与IBD的发生、发展及预后密切相关［2］。由于证据有限，现有指南尚未形成适合IBD患者的膳食模式［3-5］。因此，IBD患者普遍关心的问题“吃什么、怎么吃”，目前尚无确切答案。在缺乏具体饮食建议的前提下，IBD患者的营养管理充满挑战和不确定性［6-7］，部分患者甚至产生进食恐惧［8］。此外，由于专业指导不足、非专业化信息干扰等原因，IBD患者存在诸如营养摄入不足、回避限制性饮食行为及盲目遵循饮食模式等诸多营养问题［9-10］。这些营养问题会使患者营养不良风险增加，进而造成并发症和手术风险增加、住院时间延长及免疫力降低等不良健康结局［11］。随着人工智能（artificial intelligence）在医学领域的快速发展，其在营养管理领域展示出了良好的应用前景——不仅能够为患者提供营养评估、营养诊断、营养相关风险筛查及预测［12］，还能根据患者营养状况、身体状况提供个性化营养建议，实现自动化、科学的营养管理［13-14］。检索国内外人工智能在IBD患者营养管理中的应用研究，发现目前人工智能在该领域的应用包括营养评估［15］、饮食模式探索［16］及饮食指导［17］等，但对这些人工智能技术进行分类和应用效果总结的研究较少。范围综述侧重于探索某一类研究的范围和程度，对现有研究进行知识汇总并指出不足之处，相较于传统研究方法其证据水平更高且适用于新兴领域［18］。因此，本研究以范围综述研究方法［19］为指导，对人工智能在IBD患者营养管理中的应用进行汇总分析，以期为医护人员开展相关研究提供参考。
1 资料与方法
本研究以ARKSEY等［19］提出的范围综述为指导，遵循范围综述报告的PRISMA扩展版清单（PRISMA extension for scoping review，PRISMA-ScR）进行报告［20］。研究方案已在开放科学框架（Open Science Framework，OSF）平台进行注册（ https://doi.org/10.17605/OSF.IO/6SJDQ ）。
1.1 人工智能定义
人工智能是一个广义术语，尚未形成统一的概念定义。本文中人工智能主要指通过计算机算法来模拟、延伸和扩展人类智能的理论、方法、技术及其应用系统，进而使计算机能够实现推理问题、执行任务、自主反映等一系列智能活动［21］。在医学领域中，机器学习（machine learning）、计算机视觉（computer vision）、自然语言处理（natural language processing）等人工智能技术应用较为广泛。其中，机器学习主要运用于处理结构化医疗数据，自然语言处理运用于临床记录、电子病历等非结构化数据［22］，而计算机视觉在处理医学影像等图像数据具有独特优势［23］。本研究涉及人工智能是指由人类设计的软件或硬件系统，根据人类设定的目标及收集到的结构化或非结构化数据，能够模拟人类的意识和思维过程，做出与人类类似的反应和行为［24］。
1.2 明确研究问题
本范围综述提出的研究问题主要为：（1）人工智能在IBD患者营养管理中应用的技术包括什么？（2）人工智能在IBD患者营养管理中应用的场景有哪些？（3）如何评价人工智能在IBD患者营养管理中的应用效果？
1.3 检索策略
系统检索PubMed、Web of Science、Embase、Cochrane Library、CINAHL、IEEE Xplore、Association for Computing Machinery Digital Library、中国生物医学文献数据库（SinoMed）、中国知网（CNKI）、万方数据知识服务平台（Wanfang Data）及维普网（VIP）等中文数据库，筛选关于人工智能在IBD患者营养管理中应用的研究，检索时限为建库至2024年3月。中文检索式以万方数据知识服务平台为例：（炎症性肠病 OR 炎性肠疾病 OR 炎性肠病 OR 溃疡性结肠炎 OR 克罗恩病）and（食物 OR 营养 OR 食谱 OR 饮食 OR 菜）and（人工智能 OR 机器智能 OR 数据挖掘 OR 模糊算法 OR 神经网络 OR 贝叶斯网络 OR 文本挖掘 OR 模糊逻辑 OR 知识表达 OR 机器学习 OR 深度学习 OR 自然语言处理 OR 非自然语言处理 OR 随机森林 OR 支持向量机 OR 算法）。
1.4 文献纳入与排除标准
纳入标准根据PCC原则［25］，即研究对象（participants）、概念（concept）、情景（context）确定标准。纳入标准：（1）研究对象包括确诊为IBD的患者；（2）研究内容涉及人工智能在IBD患者饮食管理领域中的应用；（3）包括算法或模型构建、可用性评价或应用研究。排除标准：（1）综述类研究；（2）无全文的会议摘要；（3）非中英文文献。
1.5 文献筛选和资料提取及偏倚风险评估
导入NoteExpress去除重复文献，由2名经过培训的研究者独立阅读标题和摘要对文章进行初筛，对初筛文献阅读全文后再次筛选；若有分歧，则与第3名研究者进行讨论决定最终是否纳入。对纳入文献进行资料提取，内容主要包括第一作者、发表年份、国家及伦理情况、数据来源、人工智能技术、构建方法、应用效果、研究对象、样本量、评价方法及技术阶段。
2 结果
2.1 文献筛选结果
检索获得文献2 150篇，经去重、阅读题目和摘要及全文，最终纳入15篇文献［15-17，26-37］。
2.2 纳入文献基本特征
15篇文献发表时间为2015—2023年。研究区域分布中北美洲6篇［16-17，26-27，30，32］、亚洲5篇［28，31，33，35，37］、欧洲4篇［15，29，34，36］；研究内容包括数据分析研究3篇［16，28，30］、文本分析研究3篇［26，33，35］、可用性验证研究3篇［17，31，37］；模型构建研究1篇［15］；算法/模型构建与验证研究4篇［29，32，34，36］。多数研究（13/15，86.7%）使用单一人工智能方法（非混合），其余（2/15，13.3%）使用混合人工智能方法。常用的方法是机器学习（9/15，60.0%）。
2.3 人工智能应用现状
2.3.1 探索饮食与疾病间的关系：5项研究［16，27-28，30-31］使用人工智能技术探索饮食与疾病的关系。随机森林、贝叶斯网络、K-means聚类算法等机器学习算法用于分析复杂的临床和饮食营养数据。PAN等［28］利用随机森林算法和Logistic回归探索了869名确诊为CD患者中L4型CD的临床特征及其与营养状况的相关性，结果发现L4型CD患者在确诊时常伴有较高的体质量和BMI、血清白蛋白升高和低血清铁含量。JONES等［27］利用132份接受纯肠内营养（exclusive enteral nutrition，EEN）治疗的CD患儿的粪便样本检测数据和临床数据构建随机森林模型，用于预测接受EEN治疗的患儿是否达到维持缓解期，该模型曲线下面积（AUC）为0.9，预测效能较佳。
KAPLAN等［16］进行了系列单病例对照研究，比较特殊碳水化合物饮食（specific carbohydrate diet，SCD）、改良的SCD与正常饮食改善炎症状态的效果，使用贝叶斯广义线性模型（Generalize Linear Model，GLM）和广义线性混合模型（Generalized Linear Mixed Model，GLMM）分别对个体化疗效和整体化疗效进行分析，发现SCD和改良的SCD具有改善炎症的效果，但存在较大个体差异。LIMKETKAI等［30］利用K-Means聚类对IBD患者摄入食物进行分类，得出5种常见的饮食模式，进一步分析后发现增加水、蔬菜、水果摄入并减少肉类和甜食摄入有利于降低炎症风险。HE等［31］基于人工智能程序分析与饮食治疗相关文献发现该领域的研究热点集中在不同饮食模式对IBD的益处和其与肠道菌群的关系。
2.3.2 协助营养评估：人工智能在IBD患者营养评估方面的应用可大致分为两类：分析患者对营养的态度和评估患者营养状况并给予反馈。3项研究使用自然语言处理、潜在狄利克雷分配（Latent Dirichlet Allocation，LDA）对IBD患者在公共论坛发布的帖子进行主题分析［26，33，35］。RUBIN等［26］收集6个UC论坛中发布的帖子，使用人工智能文本分析软件和NLP软件筛选与复发相关的帖子并进行文本分析，发现情绪及饮食是UC患者最常提及的复发诱因。SUN等［35］收集“克罗恩病吧”的帖子和回复，使用LDA模型并结合扎根理论方法进行文本分析，发现饮食与营养是患者最常讨论的话题。STEMMER等［33］发现当推文提及刺激肠道症状饮食时，患者负性情绪较高。此外，该研究使用前期自制的IBD患者筛选器，筛选出IBD患者在Twitter中发布的推文并在此基础上进行文本分析，有利于提高研究数据的可靠性和准确性。
3项研究［15，34，36］采用智能算法对IBD患者饮食摄入量及核心营养素精准评估并反馈。BLAJOVAN等［15］使用深度神经网络（deep neutral network，DNN）构建食物图像识别模型，通过匹配食物营养数据和胃肠疾病特殊营养要求，从而模拟出营养师计算饮食营养价值的过程并给出避免/推荐建议。STAWISKI等［34］利用机器学习方法构建了根据患者营养摄入量预测饮食相关身体变化的模型，在4例IBD/肠易激综合征（IBS）患者中初步应用后，其预测值的95%置信区间能够包括实际值，预测效果良好。BROEKSTRA等［36］构建的学习算法能够将患者记录的饮食记录与荷兰营养指南进行对比，并生成个性化反馈及饮食调整建议，对使用者访谈后发现尽管能够改善饮食质量，但存在易用性差、饮食建议与专业人员的建议冲突等不足。
2.3.3 辅助营养干预：3项研究［29，32，37］使用人工智能技术协助监测IBD患者饮食摄入情况。JACTEL等［32］使用有监督机器学习对文献回顾获得的246种常见诱发食物与患者临床数据进行标记，实现在输入患者临床特征后为患者预测21种高风险食物，以指导活动期IBD患者实施排除饮食，经验证后在改善症状、疾病知识和生活质量等方面具有较好效果。陈玉萍等［37］将智能肠鸣音监测工具用于CD术后患者，结果发现监测组患者的首次排气时间、开始口服营养补充（oral nutritional supplements，ONS）时间、吻合口瘘及术后住院时间均较对照组短。JATKOWSKA等［29］将遵循不同程度EEN依从性的健康人粪便检测数据用于构建纯肠内营养依从性的决策树模型，将所得的2个模型应用于30例CD患儿后，筛选出的模型在区分EEN和非EEN的CD患儿中具有较好效果，有利于对EEN治疗依从性进行筛查。SAMAAN等［17］研究收集88例IBD患者提出的营养问题，用于评估ChatGPT4对这些问题回答情况，结果发现，其在正确率、全面性和可重复性方面表现良好，但部分问题的回答有错误或过时现象。
3 讨论
3.1 人工智能在IBD营养管理领域的应用尚处于起步阶段
纳入的15项研究在时间、地区、人工智能应用范畴、研究类型上分布不均。人工智能在IBD饮食管理领域起步较晚，多在2023年和2022年发表（86.7%）；美国发表数量最多，共发表5篇［16-17，26，30，32］，其次是中国，共发表4篇［28，31，35，37］；人工智能应用范畴以数据分析为主，共发表7篇［16，26，28，30，33，35-36］，其次为模型构建与验证研究，共发表3篇［29，32，34］；纳入文献中以回顾性研究和队列研究为主。研究内容以探索饮食与疾病关系和营养评估为主，仅5篇［29，32，34，36-37］文献验证了人工智能在营养预测及营养干预中的临床应用效果。可见，人工智能在IBD营养管理领域中的应用仍处于起步阶段。然而，智能化饮食评估系统、食物推荐系统、可穿戴设备等已在糖尿病、肥胖等慢性非传染性疾病［38-42］中广泛应用的技术，在IBD饮食管理领域的应用较少。此外，人工智能在营养领域的效果评价主要通过准确性、特异性、阳性预测值、阴性预测值等模型评价指标呈现，而这些指标不一定是临床适用性的最佳指标［43］。因此，未来研究仍需加强人工智能在IBD营养管理中的应用并纳入其在临床实际应用的效果，以综合评价人工智能的应用效果。
3.2 人工智能在处理营养相关数据及临床数据方面展现出强大优势
随着数字信息技术和大数据的飞速发展，人工智能依靠其强大的数据处理能力，在IBD营养管理领域展示了独特的优势。相较于传统统计学方法，人工智能能够根据研究目的处理日益复杂的学习任务并提取数据特征［44］，因此适用于分析大样本回顾性数据、随访数据中饮食与疾病间的复杂关系，促进对IBD患者有益的饮食模式的探索［16，30-31］。此外，利用机器学习算法基于患者粪便检测、肠道微生物、血液检测等数据构建预测模型，在帮助临床医务人员监测IBD患者EEN治疗依从性［27，29］、指导患者合理避免诱发症状食物［32］具有良好的应用前景。IBD患者常用的营养评估方法为饮食日记法，但结果受到依从性和准确性限制［45］，而基于深度神经网络的食物图像识别系统则能够客观、快速评估IBD患者食物和相关营养素的摄入量［15］。ChatGPT是一项基于大语言模型（Large Language Models，LLMs）的技术，不仅能够提供优于人类水平的高质量回复，还能够根据上下文互动，在医学领域得到广泛应用［46-47］。SAMAAN等［17］的研究验证了ChatGPT在回答IBD患者常见的饮食问题中正确率、可重复性均较为理想，未来或可辅助医务人员向患者提供饮食营养教育，提高患者营养素养。
3.3 对未来研究的启示
人工智能在IBD营养管理领域应用较少，且尚处于起步阶段。研究多处于设计、开发和构建阶段，缺少对临床应用实际效果的研究。未来可从以下3个方面进行深入探析：（1）加强人工智能与IBD营养管理领域的交叉融合：该研究领域的现有研究大多应用机器学习完成，自然语言处理、计算机视觉等人工智能技术的应用较为缺乏，未来研究可组建医学、护理学、计算机科学等领域专家领域开展跨学科研究，共同致力于人工智能在IBD营养管理领域的应用。（2）提高饮食摄入评估精确度：本研究中纳入的文献使用的数据以回顾性研究为主，数据的时效性和准确性等问题仍亟待解决。此外，大部分使用患者报告结局（patient-reported outcomes，PRO）作为数据来源，受到测评工具、患者配合程度、霍桑效应等的影响，数据的真实性、准确性较难保障。数据作为人工智能的基石，不真实、不准确的临床数据在很大程度上会削弱算法的可靠性。相较于传统食物评估方法，食物图像识别辅助系统有利于提高食物评估的准确度，然而其在IBD营养管理领域应用较少，未来研究可加强其在IBD领域的应用。（3）建立IBD患者食物推荐系统：排除饮食、FODMAP饮食、SCD饮食在IBD患者营养管理领域中的作用已被大量研究证实，未来研究可基于现有膳食营养指南，建立适用于IBD患者的食物推荐系统，促进IBD患者营养管理。（4）注重伦理及隐私保护：随着数据挖掘、数据采集等技术的不断发展，患者隐私和知情同意权的保障面临极大风险。未来研究应注重个人数据的隐私和安全，确保合乎伦理和法律法规。
4 小结
本研究对人工智能在IBD患者营养管理领域中的相关研究进行了分析，总结了人工智能应用于IBD患者营养管理领域的人工智能技术、应用方法、应用效果及评价指标等。总体来说，人工智能已经应用到IBD患者营养管理领域的多个方面，显示出良好的结果和广泛的应用前景，但其在多学科交叉融合、数据质量评估、应用效果评价等方面仍存在不足，今后研究应科学运用人工智能技术，进一步扩展其在该领域中的应用。
参考文献略
