基于传感器数据和机器学习评估间歇性禁食依从性的创新方法研究

本研究针对间歇性禁食(IF)临床研究中依从性监测的难题，创新性地结合连续血糖监测(CGM)、加速度传感器数据和机器学习算法，开发了可被动评估饮食依从性的预测模型。研究通过两项人体试验和模拟数据集验证，支持向量机模型达到0.88的F1值，显著优于传统统计方法。该成果为营养干预研究提供了客观、低负担的依从性监测新范式，相关技术已通过可视化仪表盘实现应用转化。

　　

在现代营养学研究中，间歇性禁食(Intermittent Fasting, IF)作为一种潜在的代谢干预策略备受关注。然而，这类研究长期面临一个基础性挑战——如何客观准确地评估参与者的饮食依从性。传统方法如食物日记依赖主观记录，而生化标志物检测又增加参与者负担。这种监测困境直接影响了研究数据的可靠性，特别是在自由生活条件下的长期干预研究中。正是针对这一关键问题，Nico Steckhan等研究者开展了一项跨学科创新研究，通过整合可穿戴传感器技术和人工智能算法，建立了全新的饮食依从性评估体系。

研究团队采用了两项已完成的人体试验数据（ChronoFast和ParoFastLN试验）和模拟数据集。ChronoFast试验比较了早期（6:00-16:00h）与晚期（13:00-21:00h）时间限制饮食(TRE)对31名女性血糖的影响，而ParoFastLN试验则研究了16名受试者中TRE、宗教性干斋戒与习惯饮食的差异。两项研究均收集了连续血糖监测(CGM)数据、加速度计数据（仅ChronoFast）和饮食记录，为机器学习建模提供了多维度数据支持。

关键技术方法包括：1）使用FreeStyle Libre系列CGM设备采集血糖数据；2）ActiGraph wGT3X-BT加速度计记录活动数据；3）基于Python的数据预处理和特征工程，提取血糖变异性指标和运动特征；4）开发支持向量机、随机森林等多种机器学习模型；5）应用SHAP值进行模型可解释性分析；6）构建交互式可视化仪表盘。

研究结果方面，通过系统比较不同方法的预测性能：

• •

  机器学习模型表现：在ChronoFast训练队列中，支持向量机模型表现最佳，F1-score达0.88（95%CI 0.87-0.89），显著优于传统Hutchison启发式方法（准确率仅68%）。模型解释显示，Z轴运动能量(z_energy)、血糖最大值(maximum)和日内变异系数(intradycv)是最具预测力的特征。

  

• •

  跨队列验证结果：在ParoFastLN队列和T1DM模拟数据中，最佳模型保持73%的准确率，证明方法具有一定普适性。值得注意的是，加入加速度数据使模型性能提升约15%，凸显多模态传感的重要性。

• •

  技术实现成果：开发的开源仪表盘实现了预测结果的可视化，支持临床研究人员直观掌握参与者依从性状态。

在讨论部分，研究者指出该方法相比传统酮体检测的优势在于：1）适用于短时间（如16:8）禁食评估；2）实现完全被动监测；3）提供连续而非离散的依从性评估。虽然目前模型在跨人群推广时性能有所下降，但通过纳入更多元化训练数据（如不同年龄、代谢状态人群），未来可进一步优化泛化能力。研究还建议探索LSTM等时序模型以提升预测精度。

这项发表于《International Journal of Obesity》的研究具有多重意义：在方法学层面，建立了首个基于多模态传感器数据的IF依从性评估框架；在临床应用层面，为营养干预研究提供了标准化合规监测工具；在技术转化层面，开源代码和可视化工具促进了研究成果的快速应用。该工作也为其他需要长期饮食监测的研究（如糖尿病管理、减重干预）提供了可借鉴的技术范式。