Ключевые слова
интеллектуальные системы поддержки принятия решений
персонализированная диета
искусственный интеллект
машинное обучение
большие данные в питании
анализ состава пищевых продуктов
пищевые добавки
переедание
рекомендательные системы
носимые устройства
нутригеномика
пищевые базы данных
профилактика хронических заболеваний
визуально-языковые модели
цифровое здоровье
пищевое поведение
метаболический профиль
сенсоры и трекинг питания
этика и приватность в ИИ
Как цитировать
Аннотация
системы поддержки принятия решений в области индивидуализированного питания развиваются на стыке ИИ и нутрициологии, опираясь на разнообразные данные: от химического состава продуктов и биомаркеров до изображений блюд и пользовательских предпочтений. В фокусе — создание рекомендаций, адаптированных к особенностям организма и реальному пищевому поведению, включая скрытое переедание вредных компонентов.
Современные архитектуры таких систем задействуют языковые модели, методы машинного обучения, компьютерное зрение и обработку естественного языка. Используются как классические пищевые базы, так и данные с носимых сенсоров, микробиота и визуальные сигналы. Заметна тенденция к объединению различных типов данных — от биомедицинских до визуальных — в рамках одной аналитической структуры, пусть и не всегда с заранее определенной архитектурой.
Публикации последних лет (2018–2025) свидетельствуют: при использовании персонализированных данных продвинутые алгоритмы демонстрируют более высокую точность оценок и зачастую оказываются результативнее в генерации диетических рекомендаций. Клинические наблюдения, проведенные в ряде проектов, фиксируют значимые улучшения: снижение выраженности симптомов СРК почти на 40 % и достижение ремиссии диабета 2 типа примерно у 73 % испытуемых.
В работе рассмотрены как практические решения — чат-боты с языковыми моделями и системы оценки нутриентного состава по фото, так и концептуальные сдвиги в понимании роли ИИ в питании. Основной вектор — переход от шаблонных рекомендаций к тонко настроенным вмешательствам, способным учитывать не только биометрию, но и повседневные контексты выбора пищи.
Литература
Limit Fat, Salt, and Sugar Intake. World Health Organization, Eastern Mediterranean Region. Режим доступа: https://www.emro.who.int/nutrition/reduce-fat-salt-and-sugar-intake/.
Huang L., Li J., Zhang Y., Chen X. The Role of Artificial Intelligence in Obesity Risk Prediction and Management: Approaches, Insights, and Recommendations. Medicina. 2025;61(2):358. DOI: 10.3390/medicina61020358.
Theodore Armand T. P., Nfor K. A., Kim J-I., Kim H.-C. Applications of Artificial Intelligence, Machine Learning, and Deep Learning in Nutrition: A Systematic Review. Nutrients. 2024;16(7):1073. DOI: 10.3390/nu16071073.
Agrawal K., Goktas P., Kumar N., Leung M.-F. Artificial Intelligence in Personalized Nutrition and Food Manufacturing: A Comprehensive Review of Methods, Applications, and Future Directions. Frontiers in Nutrition. 2025;12. DOI: 10.3389/fnut.2025.1636980.
Yang Z., Khatibi E., Nagesh N., Abbasian M., Azimi I., Jain R., Rahmani A. ChatDiet: Empowering Personalized Nutrition-Oriented Food Recommender Chatbots through an LLM-Augmented Framework. arXiv:2403.00781. 2024. DOI: https://doi.org/10.48550/arXiv.2403.00781.
Lee D.-S., Kwon S.-K. Amount Estimation Method for Food Intake Based on Color and Depth Images through Deep Learning. Sensors. 2024;24(7):2044. DOI: 10.3390/s24072044.
Ma P., Wu Y., Yu N., Zhang Y., Backes M., Wang Q., Wei C.-I. UMDFood: Vision-Language Models Boost Food Composition Compilation. arXiv:2306.01747. 2023. DOI: 10.48550/arXiv.2306.01747.
Arefeen A., Fessler S., Mostafavi S. M., Johnston C. S., Ghasemzadeh H. MealMeter: Using Multimodal Sensing and Machine Learning for Automatically Estimating Nutrition Intake. arXiv:2503.11683. 2025. DOI: https://doi.org/10.48550/arXiv.2503.11683.
Yang Z., Khatibi E., Nagesh N., Abbasian M., Azimi I., Jain R., Rahmani A. M. ChatDiet: Empowering Personalized Nutrition-Oriented Food Recommender Chatbots through an LLM-Augmented Framework. arXiv:2403.00781. 2024. DOI: https://doi.org/10.48550/arXiv.2403.00781.
Rao S., Neethirajan S. Computational Architectures for Precision Dairy Nutrition Digital Twins: A Technical Review and Implementation Framework. Sensors. 2025;25(16):4899. DOI: 10.3390/s25164899.
Xu Z., Gu Y., Xu X., Topaz M., Guo Z., Kang H., Sun L., Li J. Developing a Personalized Meal Recommendation System for Chinese Older Adults: Observational Cohort Study. JMIR Formative Research. 2024;8:e52170. DOI: 10.2196/52170.
Tunali V., Arslan N. C¸., Ermis¸ B. H. et al. A Multicenter Randomized Controlled Trial of MicrobiomeBased Artificial Intelligence-Assisted Personalized Diet vs Low-Fermentable Oligosaccharides, Disaccharides, Monosaccharides, and Polyols Diet: A Novel Approach for the Management of Irritable Bowel Syndrome. The American Journal of Gastroenterology. 2024;119(9):1901–1912. DOI: 10.14309/ajg.0000000000002862.
Tay J., Thompson C. H., Luscombe-Marsh N. D., Wycherley T. P., Noakes M., Buckley J. D., Wittert G. A., Yancy W. S. Jr., Brinkworth G. D. Effects of an Energy-Restricted Low-Carbohydrate, High Unsaturated Fat/Low Saturated Fat Diet Versus a High-Carbohydrate, Low-Fat Diet in Type 2 Diabetes: A 2-Year Randomized Clinical Trial. Diabetes, Obesity and Metabolism. 2018;20(4):858–871. DOI: 10.1111/dom.13164.
Tily H., Partridge E., Cai Y., et al. Gut Microbiome Activity Contributes to Prediction of Individual Variation in Glycemic Response in Adults. Diabetes Therapy. 2022;13(1):89–111. DOI: 10.1007/s13300021-01174-z. Режим доступа: https://pubmed.ncbi.nlm.nih.gov/PMC8776936.
Azzimani K., Bihri H., Dahmi A., Azzouzi S. An AI-Based Approach for Personalized Nutrition and Food Menu Planning. Proc. of 2022 IEEE 3rd International Conference on Electronics, Control, Optimization and Computer Science (ICECOCS). Fez, Morocco, 2022:1–5. DOI: 10.1109/ICECOCS55148.2022.9983099.