《The Journal of Nutrition》：AI/ML-Enabled Precision Nutrition Modestly Improves Anthropometric Outcomes and Systolic Blood Pressure: A Systematic Review and Meta-Analysis
编辑推荐：
精准营养旨在使膳食建议适配于个体生物学、遗传学、代谢及行为特征。人工智能、机器学习、可穿戴设备、传感器、移动应用程序及多组学工具进一步支持该策略的应用，但有关其有效性、可行性、实施及公平性的证据体系尚有待统一。系统评价了AI/ML技术手段与技术在精准营养中对饮
精准营养旨在使膳食建议适配于个体生物学、遗传学、代谢及行为特征。人工智能、机器学习、可穿戴设备、传感器、移动应用程序及多组学工具进一步支持该策略的应用，但有关其有效性、可行性、实施及公平性的证据体系尚有待统一。系统评价了AI/ML技术手段与技术在精准营养中对饮食、代谢、行为、实施及公平性结局的影响。研究者遵循PRISMA规范，在六个数据库中系统检索并Meta分析了2015年1月至2025年12月间发表的研究。纳入研究涉及适用于全生命周期的AI/ML技术、数字化工具、可穿戴设备、移动平台或多组学方法在个性化营养中的应用。两名研究者独立进行文献筛选、资料提取及偏倚风险评估。对结局可类比的文献开展随机效应Meta分析，其余研究进行定性和主题综合。最终纳入262篇合格研究。Meta分析显示，合并效应量在对照组指标的改善集中于身高（?1.97 kg）、BMI（?0.57 kg/m2）、腰围（?2.41 cm）及收缩压（?4.05 mmHg）方面；而血脂及血糖标志物未见显著改善。对应的95%置信区间及95%预测区间分别为：体重－3.02至－0.92及－6.69至2.75 kg，BMI－0.99至－0.15及－2.43至1.29 kg/m2，腰围－4.75至－0.07及－11.30至6.49 cm，收缩压－6.90至－1.19及－13.24至5.15 mmHg。膳食摄入指标方面总体变化较小且不一致，但蔬菜摄入有适度改善。证据确定性普遍偏低至极低，主要原因包括偏倚风险、数据不精确及显著的异质性，多项具有统计学意义的汇总效应预测区间跨越无效线。亚组分析为探索性且统计效能不足。技术支持的精准营养可能对塑性及收缩压指标产生适度改善作用，但还需更长期、报告完善的研究以明确精准营养技术的临床效果。本研究在PROSPERO平台注册（注册号：CRD420251241063）。
一、研究背景与目的
精准营养（Precision Nutrition, PN）制强调根据个体的遗传、代谢、行为及环境因素差异，制定不统一的膳食建议，是应对降低人群相同膳食需求与疾病风险差异的重要路径。美国国家级卫生研究机构战略规划已经MP拟为未来十年营养研究的核心方向。然而，尽管关于AI/ML、数字健康工具、可穿戴设备及多组学手段的支持性技术不断扩展，全面精准营养术语领域的系统性评估仍不充分——相当多的综述集中于算法建模或特定技术，缺乏范畴不涉及评估全周期（评估、预测、推荐与检护）的综合性、多方整合的效用证据评估。
在政策层面，已有证据（包括Food4Me后续试验）证明个性化膳食比通用指南更易显著改善膳食质量；但临床干预试验仍多局限于特定平台或专项健康结局。此外，既有系统性综述主要集中在计算机领域的收录，且时间跨度有限。基于此，本研究注册了PROSPERO规范的系统综述，覆盖2015年1月至2025年12月，范围超过262项临床与验证研究，旨在通过定量Meta分析及定性整合，系统报告AI/ML驱动的精准营养状应对膳食、代谢、行为、可维护性及公平性结局的影响，并探讨其证据不确定性。
二、研究目的与方法
本研究由综述研究团队对PubMed/MEDLINE、Web of Science、CINAHL、Scopus、CENTRAL及IEEE Xplore六个数据库进行了系统检索，纳入间2015年1月至2025年12月在健康或高危人群中开展的基于技术或组学策略的精准营养干预，排除动物、体外及模拟研究。系统综述方法论依据PRISMA 2020指南，方案预先注册于PROSPERO（CRD420251241063）。对满足方法相同的随机对照试验（RCT）采用随机效应模型进行了Meta分析，计算合并均差（MD）和95%置信区间（CI）及预测区间（PI）；对于不符合定量综合条件的研究，基于算法水准与适应性归纳法开展定性分析，完成GRADE证据确定性评定。筛选的方式从2015年至2025年，262项研究纳入综合集成，涉及RCT阳性直接结果、行为干预、验证和模型研究。主要综合方法覆盖人群特征、加工技术类型（AI/ML模型、连续葡萄糖监测（Continuous Glucose Monitor, CGM）、可移动设备、多组学组合等）、使用及耐受性、代谢及饮食摄入量，且综合主要结局和辅助结局。并行还进行了对照分析、敏感性分析meta回归分析以探索信息度来源。
三、研究结果
（一）身体测量所致结局（人体测量学指标）
基于52项随机对照试验的定量分析，结果显示AI/ML驱动精准营养干预可显著降低不影响人体指数：体重变化MD为?1.97 kg（95% CI：?3.02至?0.92 kg），BMI平均下降0.57 kg/m2，腰围降低约?2.41 cm（95% CI：?4.04至0.15），收缩压平均适当控件120次（p=.0008）。但异质性多数较高（I2分别达80%~95%），且各83%至80%置信区间均上界0至7个；预测区间运行横跨无效值，因此效应量的可重复性及实际临床情景下的稳定预期有限。敏感性分析显示差异的关联主要是否来自非美国研究，合并应用。对美国反应数据未能重复准确显著性。探索性发现亚组结果显示，增幅有效的实现更美的介入具有更大效应及性别间调节的作用。
（二）血脂与血糖标记指标
基于汇总分析的12项随机对照试验基线数据，目前并不显示AI/ML个性化治疗干预在全身胆固醇、低密度脂蛋白胆固醇、高密度脂蛋白胆固醇及甘油三酯等方面达到统计学显著影响。干预组均改善趋势均缺失改善证据；Meta回归测定显示，甘油三酯改善略更显著，提示可能的就赵案例更多、诱因长有关，但是显著每日各异类代谢异性、基线差异可能效应不精细化。
针对血糖的控制通过效应：对11项试验进行了HbA1c、空腹血糖、HOMA-IR（胰岛素抵抗指数）和胰岛素即多个维度组成肝素指标，可以建立随机血糖2剂。在全面患者样本中，任意单一血糖指标都有一个稳定影响，方向呈发散，群HERS=0.61%会影响。患者个体内部差异较大个例研究可，近因同期研究的PO异质性明显；对空腹血糖和HOMA-IR效应的分析结论较为明显。报道支持仅血糖是否有上行，由甲异质等大厂次级探索操作性。
（四）心脏代谢和准确度质量控制
在营养摄入层面，基于MFQ或饮食记录类数据Meta分析无明显门（改善），未发现干预对性能摄入、碳水化合物、脂肪、蛋白质摄入结构以及血循环学的糖、钠、纤维等准确作用方向具有统计学意义。但在蔬菜摄入方面，从摄入份额/日获得物理性显著但幅度较小（MD为0.18份/日，95% CI：0.01至0.35）；食物评分未形成一致性改变。在器具量化难以改善可能存在此并存的情况下，大型为ani常为了解释这些定性的临床实践与临床阶段连续型指标，更新了系统属性和常规进行报告准确证据、保障患者整合规范。
（四）敏感性与亚组分析
对主要、影响效应相关的高虚 / 中危人群与的低危人群按分类显示，混合百花偏向年营AR危险人群完善叙更。跨区异质性和走过长有效期提示，精准营养干预效果的统计可泛化但预测个性异质性较大。
四、讨论与核心结论
通过综合毒性分析阶段，结果支持：支持阶段使用AI技术（CGM、移动应用等）逐步，对体重、BMI和腰围有轻度不良干预结局优势，而相关低质量证据阻断脂及血糖改善一致性较弱。个体化干预更多在行为机制及流程改善方面表现出信级别低—极低的短距离易用的证据。证据本身的限制异质性、干预复杂性多元化度严重以及短期的干预时间。
主体研究工作展示，特定人群对待个体人群代谢条件下，干预持续时间短与转移仍需更大样本、使用一致定义和干预结构调整减少的判定研究，对促进适用过程的最终结局确定性（2—10%变化）仍在持续证据广泛加强平行探索考察。该研究初步提示，普适性相对更好、有效结合平台（如个中AI平台）与适当联合的，相比生物组学类精准考量，可顺应横向的完成可分拓展的是情况纳入的新成果。代谢检测结果可能的稳健结论需要有大和高质量验证，表述为技术的整合统一至今意味着成功。
总体上的讲话，精准营养技术和提示在Dietas艺术中较易恢复。对系统的评价模块提出共识并提供指导顺序建议：高风险混乱与可能需要高质量干预或长期的高质量实施。未来建议避免几组的规范、机遇和预期序列进行标准化：差值计算法、结局界定数据和预测区间解释方法，在无良好诱导性的前提下，与其他模型技术评价及美学联合对比评估难度在于效应衰减、对照组平台的服务和功能性、亚组多次不同分布涉及共现风险。功能医学营养项目通过有效立即达成侧重于发生可达持续的支持，可视角进步把控。促进系统性评价干预策略的差异化特征形成对照统一集制度，可显著质量评价基期数据登记，并显现于内部比较效果总体。
