综述：人工智能在临床营养学中的应用：数据分析和营养护理的桥梁

（推荐语）本文综述探讨了人工智能（AI）如何通过机器学习（ML）、自然语言处理（NLP）等技术推动临床营养学发展，包括个性化干预、实时决策支持和营养教育优化，同时指出需进一步验证其准确性及伦理问题。

　　

Abstract

人工智能（AI）正逐步重塑临床营养学领域。通过整合多模态数据与算法模型，AI为营养干预提供了前所未有的精准性和效率。

Purpose of Review

AI的核心价值在于弥合营养学理论与实践之间的鸿沟。以生成式AI（Generative AI）为代表的临床决策工具，能够辅助医生制定个性化营养方案。例如，通过分析患者代谢组学、基因组学数据，AI可预测特定营养素对个体的影响，并动态调整干预策略。此外，AI驱动的知识图谱技术显著缩短了医护人员获取最新循证证据的时间。

Recent Findings

机器学习（ML）在营养结局预测中表现突出：

• 针对住院患者，ML模型通过电子健康记录（EHR）识别出营养不良风险因子，预测准确率达89%
• 自然语言处理（NLP）系统可自动解析临床笔记，早期预警中心静脉导管相关血流感染（CLABSI）的营养相关诱因
• 教育领域，自适应学习算法将复杂的生酮饮食配比转化为可视化交互模块，提升患者依从性

Summary

尽管AI在营养风险评估、并发症预警等方面展现出潜力，其临床应用仍面临三重挑战：

1. 模型可解释性需符合医疗监管要求
2. 数据偏差可能导致特定人群（如老年患者）的预测失效
3. 生成式AI的伦理边界亟待明确，特别是在涉及营养补充剂推荐时

值得注意的是，现有研究多集中于院内场景，未来需拓展至社区营养管理和慢性病预防领域。AI与临床营养的深度融合，或将催生新一代智能膳食指导系统。