新加坡饮食行为失误预测模型eBLISS的构建及机器学习在肥胖管理中的应用

为解决肥胖管理中饮食依从性难题，新加坡国立大学团队开发了生态瞬时评估(EMA)工具eBLISS，通过混合方法构建具有良好内容效度(I-CVI>0.79)的问卷，并基于梯度提升算法开发出高预测性能的饮食失误模型(AUC=0.86)。该研究为实时干预(JITAI)提供新工具，推动个性化肥胖管理发展。

　　

全球肥胖率持续攀升的背景下，饮食调控的"最后一公里"难题始终困扰着科研人员。最新数据显示，到2035年全球超重/肥胖人口比例将突破51%，由此产生的医疗负担高达4.32万亿美元。尽管减重策略层出不穷，但能量负平衡这一核心原则的实现却受制于复杂的生物行为-社会环境交互作用。当压力、睡眠不足等瞬时因素削弱自我调节能力时，个体往往陷入"饮食失误-情绪进食"的恶性循环。传统回顾式问卷在捕捉这类动态行为时力有不逮，而西方开发的评估工具又难以适配东南亚多元文化特征。

新加坡国立大学Chew HSJ团队在《Computer Methods and Programs in Biomedicine》发表的研究，开创性地构建了本土化生态瞬时评估(EMA)工具——饮食行为失误量表新加坡版(eBLISS)，并开发出机器学习预测模型。研究采用混合方法设计：先通过文献综述和深度访谈(样本量n=20)提取本土化饮食失误诱因，经德尔菲法多学科专家论证形成问卷；随后采用递归特征消除(RFE-CV)优化特征选择，比较多种算法后确定梯度提升为最优预测模型。

主要技术路线

1. 工具开发：基于混合方法构建eBLISS，采用内容效度指数(CVI)验证
2. 数据采集：通过智能手机应用实施7天EMA监测
3. 模型构建：应用递归特征消除(RFE)筛选特征，比较逻辑回归、随机森林等算法
4. 性能评估：采用灵敏度(0.72)、特异度(0.85)等指标验证模型

研究结果

1. eBLISS开发：11个条目的I-CVI介于0.7-0.9，经修订后S-CVI达0.82，唯一低于0.79的条目通过二分法优化
2. 模型性能：梯度提升模型展现最佳预测力(AUC=0.86)，关键预测因子包括情绪状态、环境诱因等瞬时变量
3. 应用转化：成果已整合至eTRIP人工智能App，实现实时监测与干预

结论与意义
该研究突破性地解决了三个关键问题：

1. 文化适配性：首个针对东南亚多元文化的饮食评估工具，填补了EMA本土化应用空白
2. 预测时效性：将传统问卷调查升级为动态预测系统，使干预窗口前移
3. 技术整合性：通过eTRIP实现"评估-预测-干预"闭环，为个性化肥胖管理提供新范式

特别值得注意的是，研究揭示了饮食失误的"多米诺效应"——单个触发因素可通过自我调节耗竭引发连锁反应，这为开发级联式干预策略提供了理论依据。未来研究可进一步探索基因-环境交互作用对模型预测力的影响，推动精准营养干预发展。