《Nutrients》:AIDCare: A Technical Proof-of-Concept for Integrating Personalized Nutrition, Physical Activity, and AI-Assisted Care in Diabetes Lifestyle Management
编辑推荐:
背景/目的:医学营养治疗和结构化生活方式自我管理是糖尿病照护的基础,然而传统移动健康工具通常孤立地追踪饮食、体力活动和血糖测量,与临床监督的联系有限。研究人员介绍AIDCare,一个整合基于摄像头的营养评估、可穿戴体力活动追踪、生理监测和临床医生监督的会话式人
背景/目的:医学营养治疗和结构化生活方式自我管理是糖尿病照护的基础,然而传统移动健康工具通常孤立地追踪饮食、体力活动和血糖测量,与临床监督的联系有限。研究人员介绍AIDCare,一个整合基于摄像头的营养评估、可穿戴体力活动追踪、生理监测和临床医生监督的会话式人工智能(AI)的移动健康平台,以支持糖尿病个性化饮食和生活方式自我管理。方法:AIDCare连接患者移动应用、可穿戴传感器、后端分析服务和交互式临床医生门户。膳食评估利用智能手机摄像头成像识别食物并估算餐食含量,特别是碳水化合物、蛋白质和膳食纤维,并与营养参考数据进行比对。体力活动和能量消耗通过智能手机和智能手表运动传感器采集。为支持情境化生活方式指导,研究人员使用24,612篇结构化数字健康和糖尿病教育文章对开放获取医学会话语言模型进行适配。临床医生参与(clinician-in-the-loop)机制允许医疗保健提供者检查AI生成的建议并调整个性化参数。系统可行性通过台架和系统级测试评估,未招募患者,使用合成患者档案开展400次数据采集流水线试验和涵盖营养、活动、血糖监测及医生咨询的意图分类基准。结果:在400次软件流水线试验中,平台的数据采集、传输和处理完成率分别为97.5%、96.5%和95.5%,后端响应时间低于1.8秒。在推荐意图基准中,医学语言模型达到81.0%准确率、83.5%精确率、79.0%召回率和81.2%的F1-score。平台成功地将基于图像的餐食营养估算(碳水化合物、蛋白质和膳食纤维)与体力活动指标和生理监测在临床医生监督下的统一界面中连接起来。结论:AIDCare确立了一个统一数字平台的技术可行性,该平台整合膳食营养估算、体力活动追踪和临床医生指导的AI决策支持,用于糖尿病自我管理。通过将日常营养摄入与代谢追踪及专业监督相连接,该架构为个性化生活方式照护提供了功能性框架。需要在患者队列中开展前瞻性临床试验,以建立与称重食物记录相比的营养估算准确性、长期用户依从性以及对血糖控制的临床疗效。
AIDCare是一项针对糖尿病生活方式管理的整合型移动健康(mHealth)技术概念验证。糖尿病是需要持续监测和日常自我管理的慢性代谢疾病:1型糖尿病需通过胰岛素-碳水化合物比值(ICR)和胰岛素敏感因子(ISF)进行精细碳水化合物计数;2型糖尿病以医学营养治疗(MNT)为核心,强调热量控制、膳食纤维摄入和体重管理;妊娠期糖尿病(GDM)则需严格控制餐后血糖和碳水化合物分布。然而,现行膳食评估工具如纸质食物记录、24小时回顾和食物频率问卷存在回忆偏倚、份量误估以及高达50%的能量和碳水化合物少报;多数商业移动健康应用将饮食记录、体力活动和血糖监测割裂,缺乏与临床决策支持和专业监督的连接。因此,研究人员提出AIDCare,将基于摄像头的膳食营养估算、可穿戴体力活动遥测、生理监测和临床医生监督下的人工智能(AI)整合为统一架构,以支持个性化营养和生活方式自我管理。
研究人员完成了AIDCare的端到端系统原型,未招募患者,而是使用合成患者档案和受控软件流水线试验评估技术可行性。结果表明,平台能够将异构数字健康数据统一处理,并实现从膳食评估、活动追踪到临床医生参与的自动化路径,为精准营养照护提供了功能性框架。
关键技术方法:主要技术方法包括:基于智能手机摄像头的图像膳食评估,结合食物识别、体积估算以及美国农业部(USDA)FoodData Central和土耳其国家食物成分数据库(TüRKOMP)参考数据映射,估算碳水化合物、蛋白质和膳食纤维;通过智能手机加速度计和智能手表运动传感器采集体力活动与能量消耗;使用H5P解析引擎处理开放获取Turkish Hospital Medical Articles数据集中的24,612篇结构化健康/糖尿病教育文章,采用量化低秩适配(QLoRA)对MedGemma 4B-IT医学语言模型(Medical LLM)进行领域微调;构建临床医生参与(clinician-in-the-loop)仪表板;并在合成患者档案下开展400次数据采集流水线试验和推荐意图分类基准测试。
5.1 多模态智能手机与医疗物联网传感:通过400次受控台架试验(智能手机加速度计、摄像头、麦克风、智能手表各100次),在Android与iOS双生态、Wi-Fi与蜂窝网络下测试采集、传输和处理流水线,平台完成率分别为97.5%、96.5%和95.5%,显示异构传感数据可在统一mHealth架构中稳定集成。此处医疗物联网(IoMT)指连接医疗健康数据的可穿戴与智能设备网络。
5.2 健康监测与分析功能:平台整合生命体征测量模块、糖化血红蛋白(HbA1c)风险先验、基于碳水化合物的餐时胰岛素推注计算器、营养与饮食模块和运动模块。这些模块将血糖、膳食和活动数据转化为结构化输出,供个性化推荐和临床医生审查;但研究未验证其临床预测准确性或胰岛素剂量推荐的治疗安全性。
5.3 医学语言模型与个性化交互:在留出的2461篇文档级测试集上,经过QLoRA微调的Medical LLM在饮食、活动、血糖监测和医生咨询四类意图分类中,相比未适配零样本MedGemma 4B-IT(F1-score 61.1%)和词频-逆文档频率(TF-IDF)分类器(F1-score 67.5%),达到准确率81.0%、精确率83.5%、召回率79.0%、F1-score 81.2%。该结果反映文档级意图分类表现,而非临床建议有效性。
5.4 医学内容与临床医生参与功能:通过H5P解析引擎将24,612篇医学教育文章归一化并用于Medical LLM微调;临床医生仪表板允许医疗提供者审查和纠正AI回复、管理患者目标并调整推荐权重,从而在自动化流程中嵌入专业监督。
5.5 个性化推荐的定量评估:训练损失随20个训练轮次持续下降,验证损失在12至15轮后趋于平台期,最终指标保持稳定。结果显示模型在领域适配后可稳定支持个性化推荐组件,但不代表真实世界临床性能。
5.6 讨论:讨论强调,AIDCare的主要价值在于将患者每日营养摄入、代谢追踪和专业监督连接成统一工作流,形成从评估到个性化照护的自动化路径。由于当前为工程概念验证,后续需执行五阶段转化路线图,包括图像营养估算与称重食物记录及化学分析对照、联合持续葡萄糖监测(CGM)验证餐后血糖关系、可用性测试、前瞻性随机对照试验(RCT)评价HbA1c与目标范围内时间(Time-in-Range,TIR)等终点,并按照医疗器械软件(SaMD)框架建立安全护栏与监管合规。
研究结论:研究人员报告了AIDCare的设计、实现和系统级评估。该平台将基于摄像头的营养评估、可穿戴活动追踪、生理监测和临床医生监督的会话式AI整合于同一移动健康系统中。系统级评估显示:400次试验中数据采集、传输、处理完成率分别为97.5%、96.5%和95.5%,后端平均响应时间低于1.8秒;微调医学语言模型在结构化临床推荐意图基准上达到81.0%准确率、83.5%精确率、79.0%召回率和81.2%的F1-score。临床医生参与仪表板使自动化营养和活动解释始终处于专业医疗监督之下。AIDCare证明了将数字营养学方法、可穿戴传感器遥测和智能决策支持整合为统一糖尿病生活方式管理框架的技术可行性。由于当前评估为实验室概念验证,未来必须执行既定转化路线图,验证营养估算准确性、评价真实世界可用性并开展前瞻性临床试验,以确证长期代谢疗效与安全性。