《Frontiers in Nutrition》：Precision nutrition in diabetic foot ulcers: multimodal artificial intelligence for personalized metabolic management
编辑推荐：
本综述综合了人工智能（AI）在糖尿病足溃疡（DFU）管理中的应用，特别关注营养和代谢数据的整合。新兴的AI方法——包括基于图像的膳食评估、自然语言处理驱动的聊天机器人以及连续血糖监测（CGM）整合的预测模型——在邻近领域如一般2型糖尿病管理和血液透析中显示出前
本综述综合了人工智能（AI）在糖尿病足溃疡（DFU）管理中的应用，特别关注营养和代谢数据的整合。新兴的AI方法——包括基于图像的膳食评估、自然语言处理驱动的聊天机器人以及连续血糖监测（CGM）整合的预测模型——在邻近领域如一般2型糖尿病管理和血液透析中显示出前景。然而，这些方法均未在DFU人群中直接验证，其在DFU护理中的适用性仍是未来的研究方向而非当前现实。主要障碍包括现有DFU队列中标准化营养数据的匮乏、多模态数据融合的方法学障碍，以及需要在不同人群中进行稳健验证。研究人员提出了未来的研究议程，强调AI、营养科学和多学科护理途径的融合。通过解决这些基础性差距，AI赋能的方法可能最终有助于减少全球糖尿病相关截肢的负担，但在现实地预期临床转化之前，需要大量的方法学和验证工作。
2 糖尿病足溃疡的主要病因和危险因素
DFU是由宿主与环境因素复杂交互作用发展的。营养状况通过预后营养指数（PNI）和控制营养状况（CONUT）评分等复合评分系统量化，与DFU发病、愈合轨迹和截肢风险密切相关。PNI降低可预测截肢（AUC=0.937，OR=81.8），高CONUT评分与溃疡严重性独立相关。锌缺乏与愈合失败相关，但因果关系未定；维生素D缺乏增加DFU发生风险（OR=3.28，<25 nmol/L）。其他微量营养素（如维生素A、C、硒）缺乏和蛋白质-能量营养不良（低白蛋白血症与高死亡率相关）也具重要性。这些营养参数为AI预测模型整合提供基础，但现有证据多为观察性，干预性研究的确定性较低（GRADE评估为低至极低）。此外，血糖控制差——包括糖化血红蛋白（HbA
1c）升高和血糖变异性（GV）——显著增加截肢风险（HbA
1c≥8%时汇总OR=4.80）。CGM衍生指标（如时间范围[TIR]、时间高于范围[TAR]）与溃疡愈合时间直接相关，提示AI整合CGM数据可优化个性化代谢管理。
3 糖尿病足溃疡的预防
预防包括营养支持和血糖控制。营养支持方面，精氨酸、谷氨酰胺和β-羟基-β-甲基丁酸（HMB）补充剂在低白蛋白血症或踝臂指数（ABI）<1.0的高危亚组中改善愈合；锌（50 mg/日）和维生素D（2000 IU/日）补充减少溃疡面积并改善代谢参数。膳食模式（如地中海饮食）结合CGM可实时调整宏量营养素比例。血糖控制方面，强化血糖控制降低截肢风险35%（DCCT/EDIC试验中23%风险降低）；CGM使用显著降低HbA
1c并促进伤口愈合（TIR与愈合时间负相关）。药物选择需注意SGLT2抑制剂可能增加截肢风险。AI赋能平台可整合CGM、膳食记录和伤口轨迹生成个性化营养建议，但尚未在DFU中验证。
4 糖尿病足溃疡与人工智能
AI主要通过两种范式应用于DFU管理：基于图像的伤口评估（如卷积神经网络[CNN]分类溃疡、感染、正常和坏疽，准确率95.34%）和临床风险预测（如人工神经网络[ANN]和随机森林模型预测截肢风险）。这些方法虽非营养导向，但建立了计算基础（深度学习架构和多模态数据融合），可迁移至膳食评估和营养生物标志物整合。
5 人工智能在糖尿病足溃疡早期诊断和管理中的应用
5.1 预测模型
机器学习模型（如ANN和决策树）预测DFU风险准确率达97%，用于早期识别截肢风险。可解释预测模型（如XGBoost）预测住院截肢。但现有模型主要依赖临床和生化参数，尚未整合动态营养数据。
5.2 糖尿病足溃疡中的AI营养与代谢评估
目前无DFU特异性AI驱动个性化营养干预。证据分为三类：A类（DFU特异性预后关联研究，如PNI、CONUT评分预测愈合，但非AI干预）；B类（非营养的DFU AI工具，如伤口图像分类，高准确率但未涉及膳食信息）；C类（从其他疾病迁移的AI-营养方法，如基于图像的膳食评估、CGM联合机器学习预测血糖反应，但未在DFU队列验证）。方法学挑战包括：缺乏DFU特异性验证、真实世界性能不足（如SNAQ应用在肥胖者中低估能量摄入25%）、研究间异质性和报告标准不统一。
5.3 将CGM和身体成分与AI整合用于DFU管理
概念框架包括四个核心模块：膳食摄入传感器（智能手机图像识别）、代谢监测（CGM）、临床数据整合（伤口特征、营养生物标志物）和个性化推荐引擎（强化学习）。例如，62岁DFU患者根据CGM和膳食数据调整碳水化合物分布、蛋白质补充和微量元素。验证需分步推进：技术可行性、30-50名患者先导试验和最终多中心随机对照试验（RCT）。CGM衍生指标（TIR、GV）预测愈合。
5.4 图像分析
CNN如ScoreDFUNet分类准确率95.34%；Fast R-CNN检测效率90%；深度子空间分析和类知识库提高分类性能；热成像和XAI-FusionNet增强可解释性。
5.5 热成像与温度监测
足部温度梯度≥1°C预测DFU愈合受损；远程温度监测降低医疗资源利用和复发风险；在家监测程序减少DFU发生。
5.6 自动评分系统
ScoreDFUNet等自动系统量化溃疡特征；37种分类系统（如SINBAD、Wagner-Armstrong）提供预后指标；中性粒细胞与淋巴细胞比值（NLR）和血小板与淋巴细胞比值（PLR）为系统标志物。
5.7 远程医疗与远程监测
远程温度监测垫早期检测；智能手机应用实现远程伤口评估；虽减少急诊，但部分研究未显示截肢风险降低。
5.8 数据挖掘与风险评估
利用大数据分析识别额外风险因素（如并发症和机械应力）；预测列线图量化截肢风险；临床预测规则识别高危个体。
5.9 多学科方法
AI整合内分泌学、伤口护理、血管外科等多学科，通过预测分析优化治疗；但需解决数据质量、算法偏差和伦理问题。
6 与人工智能应用相关的挑战
6.1 人工智能实施的一般障碍
缺乏客观评估标准（如ScoreDFUNet优于初中级医生）；临床工作流整合困难（资源受限环境）；数据质量与偏差导致不准确风险评估；患者隐私与数据安全（HIPAA/GDPR合规）；疾病复杂性需多模态数据；需要多学科协作。
6.2 当前DFU队列中营养与代谢数据匮乏
现有队列缺乏前瞻性膳食记录、纵向微量营养素谱、身体成分和CGM数据，限制AI模型训练（如仅通过常规血液检测获取PNI/CONUT）。研究设计以伤口愈合或截肢为主要终点，营养为次要变量。一致的数据表型（如非验证问卷）妨碍数据调和。需转向前瞻性标准化数据收集。
6.3 AI驱动膳食评估方法的内在局限性
回忆偏倚（食物频率问卷[FFQ]和24小时回忆依赖记忆）在DFU患者中更严重；缺乏金标准（双标水仅适用于总能量消耗，不提供宏量营养素信息）；膳食照片存在隐私风险（家庭背景、用药信息），需加密和本地处理。
6.4 资源有限环境中的经济障碍
CGM传感器和云计算基础设施成本高（尤其在低收入和中等收入国家[LMIC]），且缺乏保险覆盖。远程医疗干预未显示持续成本节约。
6.5 验证差距：单中心设计与缺乏外部验证
大多数模型基于单中心数据（如ScoreDFUNet和Fast R-CNN），外部验证时AUC下降（0.81→0.79）。缺乏整合临床、影像、营养和代谢数据的前瞻性多中心数据集。需遵循TRIPOD+AI报告标准。
6.6 多模态数据整合的技术与方法学挑战
数据格式异质性、非随机缺失、时间不规则性和电子健康记录（EHR）互操作性不足。先进架构如多模态融合网络、变换器和图神经网络可整合结构化与非结构化数据。联邦学习框架可在保护隐私下进行多中心联合训练。
7 前景
7.1 技术创新的趋势
强化学习优化治疗策略（如敷料、药物组合）；生成对抗网络（GAN）如图像增强（AFSegGAN提高边缘检测）和数据增强（生成合成溃疡图像）提升分类准确率；整合GAN与CNN实现实时评估。
7.2 其他尖端技术的整合
3D生物打印创建定制化组织支架和皮肤替代品；基因治疗（如生长因子基因）刺激血管生成。联合应用同步满足伤口即时需求和解决延迟愈合机制（如血管化不足、慢性炎症）。
7.3 糖尿病足溃疡诊断与治疗的未来方向：多学科协作
国际糖尿病足工作组（IWGDF）指南强调结构化预防与管理；多学科团队（MDT）降低截肢率；远程医疗和远程监测支持早期检测；创新疗法（生物工程皮肤、先进敷料）结合MDT框架优化治疗效果。
8 结论
AI与营养科学的融合在DFU管理中具有前景但尚处于早期。PNI、CONUT评分和微量营养素生物标志物为独立预后因素，但证据主要为观察性（GRADE极低）。现有机器学习模型在伤口分类和风险分层中表现良好，但缺乏动态营养参数（如膳食模式、身体组成、CGM曲线）限制全面理解与精准干预。未来需解决数据标准化、方法学验证和临床转化挑战，以实现AI驱动个性化营养管理。
