Вернуться в архив
Для цитирования
RU · Выпуск 3 · 2026
ПЕРСОНАЛИЗИРОВАННОЕ ПИТАНИЕ С ПРИМЕНЕНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ КАРДИОМЕТАБОЛИЧЕСКОГО ЗДОРОВЬЯ: СИСТЕМАТИЧЕСКИЙ ОБЗОР КЛИНИЧЕСКИХ ЭФФЕКТОВ И ГЕНЕРИРУЕМЫХ РЕКОМЕНДАЦИЙ ПО ПИТАНИЮ
Аннотация
Введение. Питание с искусственным интеллектом (ИИ) включает предиктивную персонализацию рациона, цифровые программы управления образом жизни и сгенерированные рекомендации по питанию. Цель. Оценить клинические результаты персонализированного питания с ИИ у взрослых с кардиометаболическим риском, точность и безопасность сгенерированных рекомендаций. Материалы и методы. Поиск проводили в пяти библиографических базах данных и двух реестрах клинических исследований с момента создания до августа 2026 года, дополнив его поиском в Semantic Scholar, medRxiv и веб-источниках. Включали цифровые инструменты, в которых ИИ, машинное обучение, большая языковая модель или диалоговый агент формировали индивидуальные рекомендации по рациону, меню или приемам пищи. Клинические результаты и точность сгенерированных рекомендаций синтезировали раздельно. Риск систематической ошибки оценивали по RoB 2, ROBINS- I и адаптированному инструменту QUADAS-2, а достоверность доказательств по GRADE. Результаты. Итоговый рабочий массив доказательств включал 62 исследования (64 публикации): 26 в клиническом домене и 36 в домене точности. Через шесть месяцев диета под управлением машинного обучения снижала HbA1c на 0,08 процентного пункта больше, чем средиземноморская диета (95% ДИ от −0,14 до −0,02), тогда как в другом исследовании персонализированная диета не улучшила снижение веса по сравнению с диетой с низким содержанием жиров (разница +1,05 процентного пункта от исходного веса; 95% ДИ от −0,40 до 2,50). Персонализированный промптинг для LLM улучшил снижение веса по сравнению с ручным промптингом ChatGPT, а программа снижения потребления натрия на основе ИИ не улучшила потребление соли или артериальное давление. Исследование с участием 368 человек достигло заранее установленного критерия неменьшей эффективности при сравнении направления в программу профилактики диабета под управлением ИИ и человека-инструктора. Исследования сгенерированных рекомендаций выявили благоприятные экспертные оценки наряду с несоответствиями по нутриентам и руководствам, сложные профили оказались более трудными. Заключение. Отдельные вмешательства улучшали конкретные результаты, но польза питания с ИИ как класса не установлена. Эффекты программ не изолируют вклад ИИ, а положительные оценки содержания не подтверждают нутритивную адекватность или безопасность пациентов.
Ключевые слова
персонализированное питаниеискусственный интеллектбольшие языковые моделикардиометаболическое здоровьерекомендации по питаниюсинтез доказательств
Ф. ХОЖАМҚҰЛ, А.Т. ШАРМАН. ПЕРСОНАЛИЗИРОВАННОЕ ПИТАНИЕ С ПРИМЕНЕНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ КАРДИОМЕТАБОЛИЧЕСКОГО ЗДОРОВЬЯ: СИСТЕМАТИЧЕСКИЙ ОБЗОР КЛИНИЧЕСКИХ ЭФФЕКТОВ И ГЕНЕРИРУЕМЫХ РЕКОМЕНДАЦИЙ ПО ПИТАНИЮ. Вестник КазНМУ. 2026; 78(3). doi: 10.53065/kaznmu.2026.78.3.004