编辑推荐：
准确膳食摄入评估对医院营养护理至关重要，但护理人员操作耗时，难以常规开展。本研究评估基于 AI（人工智能）的图像识别原型通过机器学习算法自动化评估医院餐饮膳食摄入的可行性。结果显示不同类别 Lin's CCC 值较好，为优化医院膳食评估提供方向。
在医院的营养护理工作中，精准评估患者的膳食摄入量是一项关键任务，它对于制定合理的营养治疗方案、监测患者营养状况至关重要。然而，传统的手动评估方式需要护理人员耗费大量时间和精力，从记录患者每餐的食物种类到仔细称量各组分的重量，整个过程繁琐且效率低下，这使得精准膳食评估在临床实践中难以常态化开展，成为制约医院营养护理水平提升的一大瓶颈。随着科技的发展，人工智能（Artificial Intelligence, AI）领域的不断突破，为解决这一难题带来了新的希望。AI 凭借其强大的数据处理和模式识别能力，有望实现膳食摄入评估的自动化和智能化，从而减轻护理人员的工作负担，提高评估的效率和准确性。正是在这样的背景下，相关研究人员开展了利用 AI 技术优化医院膳食评估的探索性研究。
《Clinical Nutrition ESPEN》上发表的一项研究中，研究人员围绕利用 AI-based 图像识别原型系统自动化评估医院餐饮中的膳食摄入这一主题展开了深入研究。
该研究采用了数据标注、算法开发与评估的技术路线。数据来源于某医院病房的住院患者餐食，研究分为两个阶段：第一阶段聚焦于数据标注和算法开发，第二阶段则致力于算法评估。研究选取了六种不同的菜肴，将其成分划分为谷物和淀粉类食物、肉类和鱼类、蔬菜三类。以手动称重（Manual Weighing, MAN）作为参考方法，同时利用基于 AI 的原型系统（Prototype, PRO）自动估算各成分的重量。通过计算 Lin's 一致性相关系数（Concordance Correlation Coefficients, CCC）来评估 PRO 与 MAN 之间的一致性，并应用线性回归模型估算每类成分在 PRO 与 MAN 测量值之间的差异及其 95% 置信区间（Confidence Intervals, CI）。
结果
- 数据规模与一致性分析：研究共使用 246 个成分用于数据标注，368 个成分用于测试。通过计算 Lin's CCC 评估 PRO 与 MAN 的一致性，结果显示：谷物和淀粉类食物（n=219；CCC=0.957，95% CI：0.945-0.965）一致性极高；肉类和鱼类（n=114；CCC=0.845，95% CI：0.787-0.888）具有较好的一致性；蔬菜类（n=35；CCC=0.767，95% CI：0.604-0.868）一致性相对稍低，但仍显示出一定的相关性。
- 测量差异分析：通过线性回归模型分析 PRO 与 MAN 测量值的平均差异，谷物和淀粉类食物（参考类别）的平均差异估计为 - 12.01g（95% CI -15.3, -8.7），肉类和鱼类为 1.19g（95% CI -3.2, 5.6），蔬菜类为 - 14.85g（95% CI -22.1, -7.58）。
结论与讨论
这项初步研究表明，基于 AI 的系统在医院环境中评估食物类型和份量具有一定的可行性，为自动化膳食摄入评估提供了新的技术方向。AI 图像识别技术展现出了快速处理大量餐食图像数据并估算食物成分重量的能力，显著提升了评估效率，有望缓解护理人员在膳食评估工作中的时间压力。然而，研究结果也显示不同食物类别间的一致性存在差异，蔬菜类的 CCC 值相对较低，可能与蔬菜形态多样、颜色复杂等因素导致图像识别难度较大有关。此外，各成分测量值与手动称重之间仍存在一定差异，提示该系统在算法精度和适应性方面仍有提升空间。未来，需要进一步优化机器学习算法，扩大数据标注的样本量和食物种类覆盖范围，尤其是针对识别难度较大的食物类别，以提高系统的准确性和可靠性。只有经过持续的改进和验证，该 AI 系统才能真正应用于临床患者的直接护理中，为医院营养护理工作带来实质性的变革，推动精准营养治疗的发展。
