Персонализированное питание на основе ИИ: адаптивное планирование рационов с учётом поведения и метаболизма

Введение

В условиях стремительного роста неинфекционных хронических заболеваний, включая ожирение, диабет, сердечно-сосудистые и нейродегенеративные патологии, всё более очевидной становится необходимость пересмотра традиционных подходов к организации питания. Классические диетические рекомендации, основанные на популяционных данных и усреднённых нормативах, показывают ограниченную эффективность из-за невозможности учёта индивидуальных физиологических, генетических и поведенческих особенностей (Agrawal et al., 2025). Ключевым ограничением таких обобщённых подходов является игнорирование значительной межиндивидуальной вариабельности метаболических реакций на идентичные пищевые продукты.

Революционным шагом в области нутрициологии стало применение технологий искусственного интеллекта (ИИ), способных анализировать многомерные данные о метаболическом профиле, пищевом поведении и образе жизни для формирования действительно персонализированных рекомендаций. Исследования показывают, что люди демонстрируют значительно различающиеся гликемические, липидные и гормональные ответы на одинаковые продукты питания, даже при контроле таких факторов, как возраст, пол и индекс массы тела (Zeevi et al., 2015). Эти различия обусловлены сложным взаимодействием генетических факторов, состава микробиоты кишечника, особенностей физической активности и множества других физиологических и средовых детерминант.

Современные подходы к персонализированному питанию основаны на интеграции и анализе комплексных, мультимодальных наборов данных, включающих геномную информацию, данные непрерывного мониторинга глюкозы, состав микробиома и поведенческие паттерны, для создания адаптивных диетических рекомендаций (Berry et al., 2020). Это представляет фундаментальный сдвиг от статичных диетических рекомендаций к динамическим, основанным на данных стратегиям питания, которые могут непрерывно корректироваться на основе физиологической обратной связи в реальном времени.

Целью настоящего исследования является всестороннее изучение современного ландшафта персонализированного питания на основе ИИ, с особым акцентом на адаптивное планирование диеты с учётом метаболического профиля и пищевого поведения. Исследование охватывает методологические подходы, практические применения, этические проблемы и перспективы развития данной области, обеспечивая комплексное понимание того, как искусственный интеллект трансформирует нутрициологию и диетологическую практику.

Научные основы персонализированного питания на базе метаболических показателей

Понимание метаболической вариабельности и её влияния на питание

Научное обоснование персонализированного питания коренится в существенных доказательствах метаболической гетерогенности среди индивидов. Исследования последовательно демонстрируют, что люди проявляют заметно различающиеся гликемические, липидные и гормональные реакции на идентичные приёмы пищи, даже при контроле таких факторов, как возраст, пол и индекс массы тела (Zeevi et al., 2015). Эти различия обусловлены сложным взаимодействием генетических факторов, состава микробиома кишечника, режимов физической активности и других физиологических и средовых детерминант.

Нутригеномика — изучение взаимодействия питательных веществ с генами — формирует критически важную научную основу для персонализированного питания. Как объясняют Feng et al. (2025), «конвергенция пищевой науки и нутригеномики исследует новые рубежи инноваций и возможностей развития», позволяя идентифицировать генетические варианты, влияющие на метаболизм, абсорбцию и утилизацию питательных веществ. Эти знания позволяют разрабатывать диетические вмешательства на основе генотипа, которые могут более точно удовлетворять индивидуальные потребности в питании.

Аналогично, микробиом кишечника играет решающую роль в опосредовании метаболических реакций на пищу. Ferreira et al. (2025) подчёркивают, что «модели ИИ продемонстрировали потенциал в управлении весом, здоровьем желудочно-кишечного тракта и метаболическими рисками, особенно при включении данных о микробиоме». Интеграция анализа микробиома с планированием питания на базе ИИ представляет значительный прогресс в этой области, позволяя разрабатывать более комплексные стратегии персонализации.

Мульти-омиксные подходы в нутрициологическом профилировании

Интеграция нескольких "омиксных" технологий — геномики, протеомики, метаболомики и микробиомики — обеспечивает комплексную основу для понимания индивидуальных метаболических процессов. Этот мульти-омиксный подход позволяет глубже проникнуть в молекулярные механизмы, лежащие в основе нутриционных реакций, и поддерживает более точные диетические вмешательства.

Алгоритмы ИИ особенно хорошо приспособлены для интеграции этих разнородных типов данных, выявления сложных закономерностей и генерации действенной информации. Модели машинного обучения (МО), особенно архитектуры глубокого обучения, могут обрабатывать многомерные данные для выявления биомаркеров и предикторов нутрициологической чувствительности (Bhattamisra et al., 2023). Эти технологии повышают как предиктивную точность, так и масштабируемость обнаружения биомаркеров, продвигая клиническую применимость стратегий персонализированного питания.

Исследование PREDICT (Berry et al., 2020) иллюстрирует потенциал этого подхода. Анализируя генетические, метаболические и микробиомные данные вместе с детальными диетическими записями и непрерывным мониторингом глюкозы, исследователи смогли разработать точные модели для прогнозирования индивидуальных постпрандиальных реакций на пищу. Эти результаты демонстрируют осуществимость использования мульти-омиксных данных для формирования персонализированных диетических рекомендаций на основе метаболических профилей.

Методы и технологии ИИ для персонализированного питания

Алгоритмы машинного обучения для прогнозирования метаболических ответов

Различные алгоритмы МО применяются для прогнозирования индивидуальных метаболических реакций на различные продукты питания и диетические схемы. Подходы обучения с учителем, такие как многослойные персептроны (MLP) и сети с долгой краткосрочной памятью (LSTM), показали перспективность в прогнозировании постпрандиальных гликемических реакций, колебаний липидов и динамики веса (Choudhry et al., 2025). Эти модели преобразуют пользовательские специфические параметры в персонализированные, действенные диетические рекомендации, которые могут адаптироваться к меняющимся физиологическим условиям.

Например, Choudhry et al. (2025) разработали протокол использования МО для прогнозирования индивидуальных постпрандиальных гликемических реакций на пищу у людей с диабетом 2 типа в Индии. Их подход интегрирует данные непрерывного мониторинга глюкозы с подробными диетическими записями для создания персонализированных моделей, которые могут направлять планирование питания и улучшать гликемический контроль. Такие модели, как показано, снижают гликемические колебания до 40% по сравнению со стандартными диетическими подходами.

Методы обучения без учителя, включая кластеризацию k-средних и анализ главных компонент (PCA), поддерживают стратификацию на основе фенотипа для целевых вмешательств (Kirk et al., 2022). Эти методы помогают выявлять различные метаболические профили или "кластеры" внутри популяций, позволяя давать более нюансированные диетические рекомендации на основе метаболических сходств, а не традиционных демографических категорий.

Обучение с подкреплением для адаптивных диетических рекомендаций

Обучение с подкреплением (RL) представляет особенно перспективный подход для персонализированного питания, так как оно позволяет осуществлять непрерывную адаптацию на основе обратной связи от поведенческих и физиологических данных. Алгоритмы RL, такие как глубокие Q-сети и методы градиента политики, изучают оптимальные диетические рекомендации через итеративные процессы экспериментирования и обратной связи (Choudhry et al., 2025). Этот подход особенно ценен в контексте питания на основе метаболизма, где цель состоит в оптимизации выбора продуктов на основе метаболических реакций в реальном времени.

В практическом применении системы RL могут интегрировать данные с устройств непрерывного мониторинга глюкозы для предоставления динамических рекомендаций по питанию, минимизирующих гликемическую вариабельность. По мере того как пользователи потребляют различные приёмы пищи, а система наблюдает за результирующими метаболическими реакциями, алгоритм уточняет свои рекомендации для лучшего соответствия индивидуальным метаболическим паттернам. Этот адаптивный подход представляет значительный прогресс по сравнению со статичными диетическими рекомендациями, поскольку он постоянно эволюционирует на основе эмпирических доказательств того, что работает для каждого человека.

Компьютерное зрение и глубокое обучение для диетической оценки

Точная оценка питания является решающим компонентом систем персонализированного питания, и ИИ значительно расширил возможности в этой области. Сверточные нейронные сети (CNN) и архитектуры на основе трансформеров достигли замечательной точности в классификации изображений пищи, оценке размера порций и прогнозировании содержания питательных веществ, обеспечивая более объективное и масштабируемое отслеживание питания (Xiao et al., 2025; Chen et al., 2025).

Недавние достижения в компьютерном зрении для распознавания пищи особенно примечательны:

«Модели на основе CNN стабильно достигают точности классификации выше 85% на стандартных наборах данных, а при сочетании с архитектурами на основе трансформеров, такими как CSWin или визуальные трансформеры, точность может превышать 90% при детальной идентификации пищи» (Agrawal et al., 2025).

Эти технологии автоматизируют трудоёмкий процесс регистрации пищи, снижая нагрузку на пользователя и улучшая соответствие мониторингу питания. Мобильные приложения, такие как "Diet Engine", используют конвейеры CNN на базе YOLOv8 для распознавания пищи и оценки питательных веществ в реальном времени, достигая точности классификации 86% (Saad et al., 2025). Такие инструменты поддерживают более точную и последовательную оценку питания, что является существенным для метаболической адаптации и персонализированного диетического руководства.

Обработка естественного языка для поведенческих инсайтов

Обработка естественного языка (NLP) играет всё более важную роль в отслеживании поведенческих аспектов пищевых привычек путем анализа текстовых данных, таких как дневники питания, записи разговоров с чат-ботами и записи в социальных сетях. Архитектуры на основе трансформеров, включая модели BERT и GPT, могут выявлять паттерны пищевого поведения, обнаруживать аномалии и оценивать эмоциональные состояния, влияющие на выбор пищи (Fadhil & Gabrielli, 2017).

Диетические чат-боты на основе ИИ продемонстрировали значительное улучшение в соблюдении пользователями планов питания, с исследованиями, показывающими до 32% лучшее соблюдение по сравнению с традиционными методами консультирования (Fadhil & Gabrielli, 2017). Это улучшение приписывается способности ИИ предлагать непрерывную, контекстно-зависимую и эмоционально адаптивную обратную связь, резонирующую с потребностями и предпочтениями пользователей.

Более того, мультимодальные подходы, объединяющие визуальное распознавание с NLP, могут обеспечивать более комплексный мониторинг питания. Система "iFood" интегрирует распознавание изображений пищи с NLP для интерпретации текста, созданного пользователями на платформах социальных медиа, демонстрируя многообещающую применимость в реальных условиях регистрации питания (Lan et al., 2023). Эти интегрированные подходы поддерживают более холистическую оценку пищевого поведения и метаболических реакций.

Практические применения метаболически-ориентированных систем питания на базе ИИ

Пример исследования: платформа персонализированного питания ZOE

ZOE представляет одно из наиболее сложных применений персонализированного питания на основе ИИ с учётом метаболического профилирования. Основанная на исследованиях PREDICT, ZOE использует продвинутые алгоритмы МО для анализа состава микробиома кишечника, постпрандиальных гликемических реакций и профилей липидов крови, генерируя индивидуализированные диетические рекомендации, адаптированные к уникальным метаболическим паттернам пользователей.

Платформа использует непрерывный мониторинг глюкозы наряду с микробиотическими и метаболическими биомаркерами для прогнозирования индивидуальных реакций на различные продукты питания в реальном времени и соответствующего корректирования диетических предложений. Этот холистический и адаптивный подход нацелен на оптимизацию метаболического здоровья и предотвращение связанных с питанием хронических заболеваний путём предоставления точного диетического руководства на основе измеренных физиологических реакций, а не общих рекомендаций (Berry et al., 2020).

Клинические исследования, поддерживающие подход ZOE, продемонстрировали, что вмешательства в области персонализированного питания на основе метаболического профилирования могут привести к значительным улучшениям в гликемическом контроле, снижению воспалительных маркеров и благоприятным изменениям в составе микробиома кишечника. Эти результаты подчёркивают потенциал персонализированного питания на основе метаболизма для достижения измеримых улучшений здоровья через адаптированные диетические стратегии.

Пример исследования: прогнозирование гликемического ответа DayTwo

DayTwo предлагает ещё один убедительный пример персонализированного питания на основе метаболизма с использованием ИИ. Компания применяет метагеномное секвенирование в сочетании с предиктивным моделированием на основе ИИ для создания индивидуализированных планов питания, специально разработанных для минимизации гликемических реакций, особенно для лиц с метаболическим синдромом, предиабетом или диабетом 2 типа.

Научная основа для подхода DayTwo происходит из прорывной работы Zeevi et al. (2015), которые продемонстрировали, что алгоритмы машинного обучения могут точно прогнозировать персонализированные постпрандиальные гликемические реакции на основе профилей микробиома и других личных характеристик. Это исследование показало, что диеты, созданные с использованием этих прогнозов, привели к значительно улучшенному гликемическому контролю по сравнению со стандартными диетическими рекомендациями.

Методология DayTwo была валидирована через клинические исследования, демонстрирующие значительные улучшения в гликемическом контроле и приверженности пациентов. Как отмечают Agrawal et al. (2025), «Эти платформы иллюстрируют, как технологии ИИ преобразуют принципы точного питания в масштабируемые и клинически релевантные инструменты, обеспечивая более проактивные и персонализированные вмешательства в области здравоохранения».

ИИ-решения Nutrino Health для управления диабетом

Nutrino Health разработала предиктивные модели, интегрирующие данные с систем непрерывного мониторинга глюкозы, журналов приёма пищи и индивидуальных профилей здоровья для прогнозирования персонализированных гликемических реакций. Эта технология анализирует сложное взаимоотношение между приёмом пищи и колебаниями глюкозы, чтобы обеспечить понимание того, как конкретные приёмы пищи влияют на уровень сахара в крови в реальных условиях.

«Анализируя сложное взаимодействие между приёмом пищи и колебаниями глюкозы, алгоритмы Nutrino предоставляют понимание того, как конкретные приёмы пищи влияют на уровень сахара в крови в реальных условиях. Этот персонализированный предиктивный подход позволяет более эффективно планировать приёмы пищи и контролировать глюкозу, особенно для лиц, управляющих диабетом» (Agrawal et al., 2025).

Клиническая полезность технологии Nutrino привлекла значительный интерес, приведя к её приобретению компанией Medtronic. Интеграция аналитики Nutrino в платформы управления диабетом Medtronic была направлена на усиление систем доставки инсулина с замкнутым циклом и предоставление рекомендаций по питанию в реальном времени, адаптированных для пациентов. Этот случай демонстрирует, как нутриционное моделирование на основе ИИ может быть преобразовано в конкретные клинические инструменты, поддерживающие как улучшенные терапевтические результаты, так и самоуправление пациентов.

Предиктивная аналитика для оптимизации здоровья через питание

Стратификация метаболического риска и раннее вмешательство

Предиктивное моделирование на основе ИИ позволяет рано идентифицировать пищевые дефициты и риски заболеваний, поддерживая проактивные диетические вмешательства до развития клинических симптомов. Эти модели интегрируют разнообразные источники данных, включая электронные медицинские записи, опросы о приёме пищи, метаболические маркеры и геномную информацию, для оценки индивидуальных профилей риска и создания персонализированных стратегий вмешательства.

Методы отбора признаков, такие как рекурсивное исключение признаков и SHAP (SHapley Additive exPlanations) анализ, помогают выявить предикторы результатов метаболического здоровья с высоким воздействием. Модели, обученные с использованием этих признаков, включая деревья решений с градиентным бустингом и глубокие нейронные сети, могут стратифицировать индивидов в соответствии с метаболическим риском и генерировать целенаправленное диетическое руководство (Pudjihartono et al., 2022).

Например, модели прогнозирования риска могут выявлять индивидов с повышенным риском для таких состояний, как метаболический синдром или пищевые дефициты, позволяя рано внедрять диетические вмешательства для решения распространённых дефицитов питательных веществ, таких как кальций и витамин D (Munns et al., 2016). Этот подход позволяет более проактивно и персонализированно управлять здоровьем через питание, потенциально снижая частоту и тяжесть хронических метаболических состояний.

Непрерывный мониторинг и адаптивное вмешательство

Интеграция ИИ с носимыми технологиями и устройствами непрерывного мониторинга представляет значительный прогресс в персонализированном питании на основе метаболизма. Непрерывные мониторы глюкозы, носимые сенсоры для физической активности и сна, и другие инструменты удалённого мониторинга обеспечивают потоки данных в реальном времени, которые системы ИИ могут анализировать для предоставления динамического нутриционного руководства.

Телемедицинские платформы на основе ИИ и электрохимические сенсоры для дыхания позволяют непрерывно мониторить метрики пациента, такие как уровни глюкозы, приём пищи и респираторные биомаркеры, улучшая управление такими состояниями, как диабет, хроническая обструктивная болезнь лёгких (ХОБЛ) и хроническая болезнь почек (ХБП) (Subawickrama et al., 2025). Эти технологии обеспечивают более отзывчивые и точные нутриционные вмешательства на основе метаболических данных в реальном времени.

Проект FAITH демонстрирует федеративную ИИ-структуру, которая мониторит индикаторы здоровья у выживших после рака, используя данные о питании, сне, активности и голосовые маркеры через носимые технологии (Lemos et al., 2022). Такие интегрированные системы мониторинга поддерживают более комплексную оценку метаболического здоровья и обеспечивают более холистические, адаптивные нутриционные рекомендации.

Аналитика с сохранением конфиденциальности для данных о здоровье

По мере того, как персонализированное питание на основе ИИ всё больше полагается на чувствительные данные о здоровье и метаболизме, обеспечение конфиденциальности и безопасности становится первостепенным. Федеративное обучение (FL) стало ключевым подходом к решению этих проблем, позволяя децентрализованное обучение модели, которое держит данные пациента локализованными, в то время как обмениваются только зашифрованными обновлениями модели (Xu et al., 2020).

«FL обеспечивает децентрализованное обучение модели путём локализации данных пациента при обмене только зашифрованными обновлениями модели. Эта парадигма особенно релевантна в аналитике здоровья и питания, где конфиденциальность и безопасность являются критическими проблемами» (Agrawal et al., 2025).

Недавние достижения в структурах FL ввели протоколы безопасной агрегации, которые защищают индивидуальные данные во время обновлений модели. Например, VerifyNet использует протокол двойного маскирования для обеспечения того, что чувствительные данные пациента остаются конфиденциальными на протяжении всего процесса обучения (Xu et al., 2020). Дополнительно, дифференциальная приватность и техники гомоморфного шифрования далее усиливают безопасность, снижая риски, связанные с потенциальными утечками данных (Reddy et al., 2019).

Интеграция FL с технологией блокчейн была предложена для повышения доверия и прозрачности в децентрализованной аналитике данных о здоровье. Архитектуры FL на основе блокчейна позволяют вести неизменяемый учёт обновлений модели без воздействия на сырые данные о здоровье, поддерживая такие приложения, как межсекторальный обмен электронными медицинскими записями и системы рекомендаций по питанию (Lu et al., 2020).

Этические соображения и проблемы

Конфиденциальность данных и безопасность в метаболическом мониторинге

Сбор и анализ детальных метаболических данных для персонализированного питания поднимает значительные проблемы конфиденциальности, которые должны решаться через надёжные технические и административные структуры. Учитывая глубоко личный характер таких данных, обеспечение защиты от нарушений и неправомерного использования является императивом.

Дифференциальная приватность, FL и гомоморфное шифрование выступают ключевыми стратегиями для защиты пользовательских данных во время обучения модели без компрометации аналитических характеристик (Murdoch, 2021; Zhao & Chen, 2022). Соответствие нормативным структурам, таким как Общий регламент по защите данных (GDPR) и Закон о переносимости и подотчётности в области медицинского страхования (HIPAA), необходимо для поддержания этических стандартов в развёртывании ИИ.

Aldoseri et al. (2023) подчёркивают необходимость доменно-специфических стратегий защиты данных, адаптированных к уникальным рискам, представляемым диетическими и медицинскими наборами данных. Движение вперёд, разработка ориентированных на пользователя структур приватности, которые продвигают прозрачность и информированное согласие, будет критически важной для поддержания доверия и этических стандартов в системах персонализированного питания.

Алгоритмическое смещение и справедливость в здравоохранении

Смещения, встроенные в обучающие наборы данных и алгоритмический дизайн, могут привести к неравному доступу и искажённым рекомендациям по здоровью, особенно для недообслуживаемых или культурно разнообразных популяций. Как указывают Saraswat et al. (2022), модели, обученные на гомогенных или западноцентричных данных, могут не обобщаться на разные социально-экономические или этнические группы, потенциально усугубляя существующие диспаритеты в здоровье.

Zhao и Chen (2022) предлагают дифференциальную приватность как механизм улучшения демографической репрезентативности во время обучения. Тем не менее, остаётся критическая необходимость в стандартизованных структурах оценки для оценки справедливости и инклюзивности советов по питанию, сгенерированных ИИ. Исследования должны приоритизировать включение культурно релевантных диетических паттернов и генетического разнообразия в разработку моделей, чтобы обеспечить равноценное обслуживание разнообразных популяций системами персонализированного питания.

Доступность и цифровое равенство

Прогресс в персонализированном питании на основе ИИ поднимает важные вопросы о доступе и цифровом равенстве. Сложные системы питания на основе метаболизма часто полагаются на дорогостоящие технологии, такие как непрерывные мониторы глюкозы, генетическое тестирование и смартфон-приложения, которые могут быть недоступны всем популяциям.

Kalyoncu Atasoy et al. (2024) подчёркивают важность разработки инклюзивных стратегий питания на основе ИИ, чувствительных к потребностям групп риска. Обеспечение доступности технологий персонализированного питания во всех социально-экономических слоях, возрастных группах и географических регионах является существенным для реализации полного потенциала этих инноваций и избежания создания новых диспаритетов в здоровье.

Этическое развёртывание ИИ в диетических вмешательствах для уязвимых популяций должно учитывать доступность, цифровую грамотность и равенство. Подход с участием многих заинтересованных сторон, интегрирующий нормативный надзор, междисциплинарное сотрудничество и инклюзивное общественное участие, необходим для обеспечения широкой общественной пользы от персонализированного питания на основе ИИ, а не усугубления существующих неравенств.

Направления будущего развития и инновации

Продвинутое федеративное обучение для совместных исследований в области питания

Будущее персонализированного питания на основе метаболизма, вероятно, увидит значительные продвижения в подходах федеративного обучения, которые позволят совместные исследования при сохранении конфиденциальности. Структуры следующего поколения FL решают проблемы гетерогенности данных через оценку степени не-IID (не-Независимо и Идентично Распределённые) (Chen et al., 2025), включая адаптивную регуляризацию и интегрируя механизмы дифференциальной приватности для клинического применения (Li et al., 2025).

Эти разработки будут поддерживать более надёжные, совместные и безопасные инновации в здравоохранении, позволяя институтам коллективно обучать модели ИИ на разнообразных популяциях пациентов без компрометации конфиденциальности. По мере созревания этих технологий они будут обеспечивать более всеобъемлющие и репрезентативные модели для прогнозирования метаболических реакций в различных демографических группах и географических регионах.

Интеграция мульти-омики и цифровых двойников

Интеграция множественных "омиксных" технологий с ИИ будет продолжать прогрессировать, создавая более комплексные и точные модели индивидуального метаболизма. Будущие системы могут включать цифровых двойников — виртуальные репрезентации индивидуальных метаболических систем, которые могут симулировать реакции на различные диетические вмешательства до их практической реализации.

Эти цифровые двойники могут интегрировать геномные, протеомные, метаболомные и микробиомные данные с физиологическим мониторингом в реальном времени для создания динамических моделей, которые адаптируются и эволюционируют по мере доступности новых данных. Такие системы обеспечат более точное предсказание метаболических реакций на специфические продукты питания и диетические паттерны, поддерживая высоко персонализированное планирование питания с большей точностью, чем текущие подходы.

Мобильные платформы на основе ИИ для демократизированного доступа

Разработка более доступных и приемлемых по цене платформ питания на основе ИИ представляет важное направление для будущих инноваций. Мобильные платформы на основе ML предоставляют контекстно-зависимые диетические рекомендации, адаптированные к физиологическим, поведенческим и демографическим профилям. Такие системы улучшают материнское здоровье и более широкие результаты общественного здоровья через масштабируемые, ориентированные на пользователя вмешательства (Al-Massoudi et al., 2025).

Эти мобильные платформы могут использовать сенсоры смартфонов и более доступные технологии мониторинга для обеспечения персонализированного диетического руководства без требования дорогостоящего оборудования, такого как непрерывные мониторы глюкозы. Делая персонализированное питание более доступным, эти инновации могут помочь преодолеть цифровой разрыв и обеспечить доступность преимуществ питания на основе ИИ для более широких сегментов популяции.

Умная упаковка и IoT-интеграция для мониторинга питания

Интеллектуальная упаковка, включающая IoT-подключение, анализ изображений на основе ИИ и оптимизацию дизайна на основе энтропии, может улучшить отслеживание, маркировку и мониторинг свежести пищевых продуктов (Alam et al., 2021). Эти технологии могут быть интегрированы с системами персонализированного питания для предоставления более точной информации о питательном содержании продуктов и помочь индивидам делать выбор питания, соответствующий их метаболическим потребностям.

Например, умная упаковка может предоставлять информацию о составе питательных веществ упакованных продуктов в реальном времени, которая затем может быть интегрирована с приложениями персонализированного питания для предоставления руководства о том, подходят ли конкретные продукты для метаболического профиля индивида. Эта интеграция пищевой технологии с персонализированным питанием представляет перспективное направление для будущего развития.

 Заключение

Персонализированное питание на основе ИИ, базирующееся на метаболическом профилировании, представляет значительный прогресс в нашем подходе к диетическому руководству и управлению здоровьем. Используя машинное обучение, глубокое обучение и другие технологии ИИ, мы теперь можем разрабатывать диетические рекомендации, которые адаптируются к индивидуальным метаболическим реакциям, генетическим профилям и образу жизни, предлагая более точный и эффективный подход к питанию, чем традиционные популяционные рекомендации.

Интеграция технологий непрерывного мониторинга с ИИ-аналитикой позволяет оценку метаболических реакций на различные продукты питания и диетические паттерны в реальном времени, поддерживая динамическое и отзывчивое диетическое руководство. Реальные приложения, такие как ZOE, DayTwo и Nutrino Health, демонстрируют практическую реализацию и клиническую ценность этих подходов, особенно для таких состояний, как диабет и метаболический синдром.

В то время как область показывает огромный потенциал, значительные проблемы остаются, включая обеспечение конфиденциальности и безопасности данных, решение алгоритмического смещения, продвижение равного доступа и установление надёжных доказательств долгосрочной эффективности. Решение этих проблем потребует междисциплинарного сотрудничества между исследователями ИИ, нутриционистами, провайдерами здравоохранения, этиками и политиками.

Глядя вперёд, прогресс в федеративном обучении, мульти-омиксной интеграции, мобильных платформах и IoT-технологиях будет продолжать усиливать возможности и доступность персонализированного питания на основе метаболизма. Эти инновации имеют потенциал трансформировать наш подход к питанию и управлению здоровьем, поддерживая более персонализированные, точные и эффективные диетические вмешательства, которые могут улучшить результаты здоровья и качество жизни.

Используя силу ИИ для понимания и реагирования на индивидуальные метаболические паттерны, мы можем двигаться к будущему, где питание действительно персонализировано, динамично и оптимизировано для уникальной биологии каждого человека и целей здоровья.

1. Agrawal, K., Goktas, P., Kumar, N., & Leung, M.F. (2025). Artificial intelligence in personalized nutrition and food manufacturing: a comprehensive review of methods, applications, and future directions. Frontiers in Nutrition, 12, 1636980. https://pmc.ncbi.nlm.nih.gov/articles/PMC12325300/
2. Alam, A.U., Rathi, P., Beshai, H., Sarabha, G.K., & Deen, M.J. (2021). Fruit quality monitoring with smart packaging. Sensors, 21, 1509.
3. Aldoseri, A., Al-Khalifa, K.N., & Hamouda, A.M. (2023). Re-thinking data strategy and integration for artificial intelligence: concepts, opportunities, and challenges. Applied Sciences, 13, 7082.
4. Al-Massoudi, Y.M.A., Mariya Shah, U.E., Anjum, S.S., & Cherukuru, P. (2025). HealthyBaby: Prototype of an AI-Based Nutrition Recommendation Mobile Application for Pregnant Women. Smart Innovation, Systems and Technologies, 396, 129-143.
5. Berry, S.E., Valdes, A.M., Drew, D.A., Asnicar, F., Mazidi, M., Wolf, J., et al. (2020). Human postprandial responses to food and potential for precision nutrition. Nature Medicine, 26, 964-973.
6. Bhattamisra, S.K., Banerjee, P., Gupta, P., Mayuren, J., Patra, S., & Candasamy, M. (2023). Artificial intelligence in pharmaceutical and healthcare research. Big Data and Cognitive Computing, 7, 10.
7. Chen, K.Y., Shyu, C.R., Tsai, Y.Y., Baskett, W.I., Chang, C.Y., Chou, C.Y., et al. (2025). Effective non-IID degree estimation for robust federated learning in healthcare datasets. Journal of Healthcare Informatics Research, 45, 176-192.
8. Chen, Z., Wang, J., & Wang, Y. (2025). Enhancing food image recognition by multi-level fusion and the attention mechanism. Foods, 14, 461.
9. Choudhry, N.K., Priyadarshini, S., Swamy, J., & Mehta, M. (2025). Use of machine learning to predict individual postprandial glycemic responses to food among individuals with type 2 diabetes in India: protocol for a prospective cohort study. JMIR Research Protocols, 14, e59308.
10. Fadhil, A., & Gabrielli, S. (2017). Addressing challenges in promoting healthy lifestyles: the AI-chatbot approach. In Proceedings of the 11th EAI International Conference on Pervasive Computing Technologies for Healthcare (p. 17).
11. Feng, J., Zhang, Y., Zheng, F., Cheng, K., Zeng, X., Li, M., et al. (2025). The convergence of food science and nutrigenomics: exploring new frontiers in innovation and development opportunities. Trends in Food Science & Technology, 159, 104975.
12. Ferreira, D.D., Ferreira, L.G., Amorim, K.A., Delfino, D.C.T., Ferreira, A.C.B.H., & Souza, L.P.C.E. (2025). Assessing the links between artificial intelligence and precision nutrition. Current Nutrition Reports, 14, 47.
13. Kalyoncu Atasoy, Z.B., Avery, A., & Goktas, P. (2024). Artificial intelligence-powered nutrition strategies: a focus on vulnerable populations. Kompass Nutrition & Dietetics, 4, 49-52.
14. Kirk, D., Catal, C., & Tekinerdogan, B. (2022). Predicting plasma vitamin C using machine learning. Applied Artificial Intelligence, 36, 2042924.
15. Lan, Y., Xu, X., Guo, Z., Sun, L., Lai, J., & Li, J. (2023). iFood: development and usability study of a social media-based applet for dietary monitoring. Digital Health, 9, 20552076231210707.
16. Lemos, R., Areias-Marques, S., Ferreira, P., O'Brien, P., Beltrán-Jaunsarás, M.E., Ribeiro, G., et al. (2022). A prospective observational study for a Federated Artificial Intelligence solution for moniToring mental Health status after cancer treatment (FAITH): study protocol. BMC Psychiatry, 22, 817.
17. Li, M., Xu, P., Hu, J., Tang, Z., & Yang, G. (2025). From challenges and pitfalls to recommendations and opportunities: implementing federated learning in healthcare. Medical Image Analysis, 101, 103497.
18. Lu, Y., Huang, X., Dai, Y., Maharjan, S., & Zhang, Y. (2020). Blockchain and federated learning for privacy-preserved data sharing in industrial IoT. IEEE Transactions on Industrial Informatics, 16, 4177-4186.
19. Munns, C.F., Shaw, N., Kiely, M., Specker, B.L., Thacher, T.D., Ozono, K., et al. (2016). Global consensus recommendations on prevention and management of nutritional rickets. Hormone Research in Paediatrics, 85, 83-106.
20. Murdoch, B. (2021). Privacy and artificial intelligence: challenges for protecting health information in a new era. BMC Medical Ethics, 22, 4929-5021.
21. Pudjihartono, N., Fadason, T., Kempa-Liehr, A.W., & O'Sullivan, J.M. (2022). A review of feature selection methods for machine learning-based disease risk prediction. Frontiers in Bioinformatics, 2, 927312.
22. Reddy, S., Allan, S., Coghlan, S., & Cooper, P. (2019). A governance model for the application of AI in health care. Journal of the American Medical Informatics Association, 27, 491-497.
23. Saad, A.M., Rahi, M.R.H., Islam, M.M., & Rabbani, G. (2025). Diet engine: a real-time food nutrition assistant system for personalized dietary guidance. Food Chemistry Advances, 7, 100978.
24. Saraswat, D., Bhattacharya, P., Verma, A., Prasad, V.K., Tanwar, S., Sharma, G., et al. (2022). Explainable AI for healthcare 5.0: opportunities and challenges. IEEE Access, 10, 84486-84517.
25. Subawickrama Mallika Widanaarachchige, N.R., Paul, A., Banga, I.K., Bhide, A., Muthukumar, S., & Prasad, S. (2025). Advancements in breathomics: special focus on electrochemical sensing and AI for chronic disease diagnosis and monitoring. ACS Omega, 10, 4187-4196.
26. Xiao, Z., Ling, R., & Deng, Z. (2025). FoodCSWin: a high-accuracy food image recognition model for dietary assessment. Journal of Food Composition and Analysis, 139, 107110.
27. Xu, G., Li, H., Liu, S., Yang, K., & Lin, X. (2020). VerifyNet: secure and verifiable federated learning. IEEE Transactions on Information Forensics and Security, 15, 911-926.
28. Zeevi, D., Korem, T., Zmora, N., Israeli, D., Rothschild, D., Weinberger, A., et al. (2015). Personalized nutrition by prediction of glycemic responses. Cell, 163, 1079-1094.
29. Zhao, Y., & Chen, J. (2022). A survey on differential privacy for unstructured data content. ACM Computing Surveys, 54, 1-28.