人工智能在慢性腎臟病營(yíng)養(yǎng)管理中的應(yīng)用進(jìn)展

Application progress of artificial intelligence in nutritional management of chronic kidney disease

YUAN Yi， ZHANG Hongmei*， CHANG Liyang， TIAN Rongrong， LONG Zhiqiao

Hangzhou Traditional Chinese Medicine Hospital Affiliated to Zhejiang Chinese Medicine University， Zhejiang 310000 China

*Corresponding Author" ZHANG Hongmei， E?mail： lh85281908@sina.com

Abstract" This article briefly described the application status of artificial intelligence in dietary intake assessment，nutritional decision support，nutrition related risk prediction in chronic kidney disease.Additionally， the current application status of artificial intelligence combined with mobile communication technology for nutrition management.Furthermore，the existing challenges were summarized and prospects were proposed，aiming to provide a reference for medical workers to carry out intelligent nutrition management for patients with chronic kidney disease.

Keywords""" artificial intelligence; chronic kidney disease; nutritional management; nursing; review

摘要" 簡(jiǎn)述了人工智能在慢性腎臟病膳食攝入評(píng)估、營(yíng)養(yǎng)決策支持、營(yíng)養(yǎng)相關(guān)風(fēng)險(xiǎn)預(yù)測(cè)以及結(jié)合移動(dòng)通信技術(shù)進(jìn)行營(yíng)養(yǎng)管理中的應(yīng)用現(xiàn)狀，同時(shí)對(duì)存在的挑戰(zhàn)進(jìn)行總結(jié)并提出展望，以期為醫(yī)療工作者對(duì)慢性腎臟病病人進(jìn)行智能營(yíng)養(yǎng)管理提供參考。

關(guān)鍵詞" 人工智能；慢性腎臟病；營(yíng)養(yǎng)管理；護(hù)理；綜述

doi：10.12102/j.issn.1009-6493.2025.06.025

2023年國(guó)際腎臟病學(xué)會(huì)報(bào)告數(shù)據(jù)顯示，全球約有8.5億人患有慢性腎臟?。╟hronic kidney disease， CKD）[1]，我國(guó)CKD病人數(shù)量較多[2]。隨著我國(guó)人口老齡化日益加重，糖尿病、高血壓等疾病發(fā)病率增加，受CKD影響的病人還將進(jìn)一步增加[3]。CKD起病隱匿、病程長(zhǎng)且病情遷延不愈，進(jìn)展至終末期并發(fā)癥多，預(yù)后不佳。早發(fā)現(xiàn)、早診斷、早治療對(duì)于延緩CKD發(fā)展，減輕社會(huì)負(fù)擔(dān)至關(guān)重要[3]。營(yíng)養(yǎng)治療是CKD治療的重要組成部分[4]，合理的營(yíng)養(yǎng)管理能提高CKD整體診治水平，延緩疾病進(jìn)展，改善病人預(yù)后，減少醫(yī)療費(fèi)用支出[5]。在臨床實(shí)踐中，CKD病人很難得到針對(duì)性的飲食指導(dǎo)及深入的隨訪管理，CKD營(yíng)養(yǎng)管理的效果并不理想[6?7]。我國(guó)學(xué)者探索建立了以護(hù)士為主體的多學(xué)科合作CKD營(yíng)養(yǎng)門(mén)診，進(jìn)行個(gè)體化、一對(duì)一、持續(xù)性的飲食營(yíng)養(yǎng)管理，提高了營(yíng)養(yǎng)管理的安全性、依從性、有效性[8]。但CKD營(yíng)養(yǎng)門(mén)診惠及面窄，難以滿(mǎn)足廣大CKD病人日益增長(zhǎng)的管理需求，如何科學(xué)、有效地將院內(nèi)營(yíng)養(yǎng)服務(wù)延伸至院外是現(xiàn)階段CKD營(yíng)養(yǎng)管理的難題之一[9]。人工智能（artificial intelligence，AI）的興起使這一難題有望得到解決。2017年，國(guó)務(wù)院發(fā)布《新一代AI發(fā)展規(guī)劃》，將AI放在戰(zhàn)略層面進(jìn)行系統(tǒng)布局，聚焦AI與醫(yī)療等的交叉學(xué)科應(yīng)用，加強(qiáng)各級(jí)群體智能健康管理[10]。借助AI制訂符合病人需求的管理模式，可提高醫(yī)療服務(wù)效率和能力，有利于重構(gòu)醫(yī)療服務(wù)模式，緩解醫(yī)療人力資源緊張局面[11]。目前已有研究對(duì)AI在CKD中的應(yīng)用進(jìn)行概述，但多集中于疾病診斷和藥物管理方面[12?13]，聚焦CKD智能營(yíng)養(yǎng)管理的報(bào)告較少?，F(xiàn)就AI在CKD病人營(yíng)養(yǎng)管理中的研究進(jìn)行綜述，以期為優(yōu)化我國(guó)CKD營(yíng)養(yǎng)管理提供參考。

1" AI的概述

AI由McCarthy于20世紀(jì)50年代首次提出，是指制造智能機(jī)器的科學(xué)和工程[14]，其目的是模仿人類(lèi)思維過(guò)程、學(xué)習(xí)能力和知識(shí)管理[15]。AI技術(shù)泛指AI領(lǐng)域所使用的方法、算法和模型[16]，其范疇包括但不限于機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、自然語(yǔ)言處理[17]。AI應(yīng)用于醫(yī)學(xué)可以追溯到20世紀(jì)70年代[18]，早期的AI主要集中在規(guī)則驅(qū)動(dòng)的專(zhuān)家系統(tǒng)中，這些系統(tǒng)依賴(lài)于人類(lèi)專(zhuān)家的知識(shí)解決特定的醫(yī)學(xué)問(wèn)題[19]。21世紀(jì)以來(lái)，隨著計(jì)算能力的提升、大數(shù)據(jù)的普及和深度學(xué)習(xí)等機(jī)器學(xué)習(xí)技術(shù)的崛起，AI在醫(yī)學(xué)領(lǐng)域逐漸發(fā)展出基于數(shù)據(jù)的方法，從而實(shí)現(xiàn)了對(duì)圖像、音頻和文本等多模態(tài)數(shù)據(jù)的自動(dòng)分析，在數(shù)據(jù)的智能識(shí)別、理解、決策等方面取得了重大突破[20?21]。

2" AI在CKD營(yíng)養(yǎng)管理中的應(yīng)用

AI在CKD病人營(yíng)養(yǎng)管理中的應(yīng)用已有初步探索，體現(xiàn)出智能化、便捷化、高效性及實(shí)時(shí)監(jiān)測(cè)的優(yōu)勢(shì)。

2.1 AI在CKD膳食攝入評(píng)估方面的應(yīng)用

營(yíng)養(yǎng)評(píng)估的目的在于收集相關(guān)信息，為營(yíng)養(yǎng)診斷提供證據(jù)，并為營(yíng)養(yǎng)干預(yù)計(jì)劃提供依據(jù)，是飲食營(yíng)養(yǎng)管理的基礎(chǔ)[5]。評(píng)估CKD病人的膳食攝入一直是營(yíng)養(yǎng)評(píng)估中的重難點(diǎn)之一。傳統(tǒng)的飲食調(diào)查方法，如3 d飲食記錄、24 h膳食回顧和膳食頻率調(diào)查存在稱(chēng)重準(zhǔn)確性參差不齊、回憶偏倚等局限性[22]。

近年來(lái)，隨著智能手機(jī)和食物追蹤應(yīng)用程序的出現(xiàn)，手機(jī)拍攝食物照片并上傳至應(yīng)用程序成為記錄膳食攝入的主要方式之一[23]。張顯龍等[24]指導(dǎo)3～5期非透析病人稱(chēng)重、拍照記錄3 d每餐食材，通過(guò)應(yīng)用程序傳給醫(yī)生，醫(yī)生遠(yuǎn)程接收資料并進(jìn)行營(yíng)養(yǎng)成分計(jì)算，這種遠(yuǎn)程飲食記錄方式方便、實(shí)時(shí)且能避免回憶錯(cuò)誤，但營(yíng)養(yǎng)分析過(guò)程主要依靠專(zhuān)業(yè)營(yíng)養(yǎng)師，人工分析時(shí)間長(zhǎng)且營(yíng)養(yǎng)師數(shù)量有限，不足以滿(mǎn)足廣大CKD病人的需求[25]。膳食圖像識(shí)別技術(shù)基于深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)對(duì)食物圖像進(jìn)行處理、分析和理解，可實(shí)現(xiàn)自動(dòng)化食物識(shí)別、分類(lèi)和營(yíng)養(yǎng)分析[26]。一款名為“Gohan Couch”的應(yīng)用程序通過(guò)膳食圖片自動(dòng)計(jì)算熱量和營(yíng)養(yǎng)成分，證實(shí)了AI驅(qū)動(dòng)的智能手機(jī)應(yīng)用程序在減少CKD病人每日鹽攝入量方面具有臨床實(shí)用性[27]。基于AI的圖像識(shí)別技術(shù)簡(jiǎn)化了膳食評(píng)估方法，加快了評(píng)估速度，有利于以更智能的方式記錄飲食攝入，但CKD膳食圖像識(shí)別準(zhǔn)確性尚不明確，有待進(jìn)一步驗(yàn)證與優(yōu)化。隨著互聯(lián)網(wǎng)文本、圖像等數(shù)據(jù)的不斷積累，基于深度學(xué)習(xí)的生成模型結(jié)合自然語(yǔ)言處理技術(shù)不僅能夠理解和學(xué)習(xí)人類(lèi)的語(yǔ)言并進(jìn)行對(duì)話(huà)，還能根據(jù)聊天上下文進(jìn)行互動(dòng)[28]。Qarajeh等[29]在4種語(yǔ)言對(duì)話(huà)模型（ChatGPT 3.5、ChatGPT 4、Bing Chat和Bard AI）中輸入了240種來(lái)自《妙佑醫(yī)療國(guó)際腎臟飲食手冊(cè)》的食物，以期評(píng)估每個(gè)模型識(shí)別食物中鉀、磷含量的準(zhǔn)確性，結(jié)果4種AI模型在評(píng)估腎病食物中鉀和磷的含量方面表現(xiàn)出不同的準(zhǔn)確性，其中ChatGPT 4和 Bing Chat分類(lèi)鉀含量高低的準(zhǔn)確率超過(guò)80%，而B(niǎo)ard AI則準(zhǔn)確識(shí)別了100%的高磷食物。為降低CKD病人出現(xiàn)高鉀血癥風(fēng)險(xiǎn)，有必要評(píng)估并調(diào)整膳食中鉀的含量以將血清鉀維持在合理范圍[30]。一項(xiàng)研究納入了375例常規(guī)采集24 h尿液的CKD病人數(shù)據(jù)，通過(guò)AI中的貝葉斯網(wǎng)絡(luò)算法與24 h尿鉀量數(shù)據(jù)開(kāi)發(fā)了一種估計(jì)膳食鉀攝入量的工具，該工具準(zhǔn)確率為74%，但研究并未進(jìn)行外部驗(yàn)證，工具的可拓展性存疑[31]。新興AI模型展示出有效評(píng)估CKD膳食營(yíng)養(yǎng)素含量的潛力，但仍需要進(jìn)一步改進(jìn)，以達(dá)到90%或以上的準(zhǔn)確率并擴(kuò)展至更多CKD病人。

2.2 AI在CKD營(yíng)養(yǎng)決策支持方面的應(yīng)用

臨床決策支持可以為醫(yī)療工作者、病人或其他個(gè)人提供知識(shí)和特定于個(gè)人的信息，并在適當(dāng)?shù)臅r(shí)間進(jìn)行智能過(guò)濾或呈現(xiàn)，以增強(qiáng)健康和醫(yī)療保健[32]。在CKD營(yíng)養(yǎng)領(lǐng)域，臨床決策支持系統(tǒng)（clinical decision support system， CDSS）利用AI技術(shù)，結(jié)合海量的疾病知識(shí)、真實(shí)數(shù)據(jù)和臨床經(jīng)驗(yàn)，輔助營(yíng)養(yǎng)師進(jìn)行營(yíng)養(yǎng)診斷、個(gè)體化飲食推薦及解決復(fù)雜問(wèn)題[33?34]。

營(yíng)養(yǎng)診斷是指專(zhuān)業(yè)營(yíng)養(yǎng)師對(duì)營(yíng)養(yǎng)評(píng)估數(shù)據(jù)進(jìn)行整理和分析，識(shí)別病人的營(yíng)養(yǎng)狀況和問(wèn)題[35]。Chen等[36]基于50種不同的營(yíng)養(yǎng)規(guī)則，構(gòu)建了一個(gè)營(yíng)養(yǎng)診斷系統(tǒng)，在完成營(yíng)養(yǎng)評(píng)估后，該系統(tǒng)可依據(jù)規(guī)則庫(kù)進(jìn)行推斷并進(jìn)行營(yíng)養(yǎng)診斷。研究人員選擇并記錄了100例血液透析（hemodialysis，HD）病人透析前的白蛋白、膽固醇、肌酐、身高和干體重?cái)?shù)據(jù)，系統(tǒng)和營(yíng)養(yǎng)師同時(shí)利用這些數(shù)據(jù)進(jìn)行營(yíng)養(yǎng)診斷，結(jié)果顯示，系統(tǒng)較營(yíng)養(yǎng)師更快、更準(zhǔn)確。臨床決策支持系統(tǒng)能處理的問(wèn)題種類(lèi)繁多，在提高營(yíng)養(yǎng)師臨床實(shí)踐效率方面具有優(yōu)勢(shì)，可以輔助營(yíng)養(yǎng)師進(jìn)行診斷。在進(jìn)行營(yíng)養(yǎng)診斷后，專(zhuān)業(yè)營(yíng)養(yǎng)師需要為病人制訂營(yíng)養(yǎng)計(jì)劃，進(jìn)行飲食指導(dǎo)。CKD個(gè)體化飲食建議的提出需要在平衡膳食基礎(chǔ)上，根據(jù)病人疾病分期選配食物種類(lèi)和品質(zhì)，具體到每個(gè)病人還需要根據(jù)個(gè)人身高、體重、體力活動(dòng)以及疾病狀態(tài)計(jì)算營(yíng)養(yǎng)素需求并適時(shí)調(diào)整，以滿(mǎn)足病人健康需求，減少腎臟負(fù)擔(dān)[37]。Chi等[38]研究整合了多種知識(shí)源，采用網(wǎng)絡(luò)本體語(yǔ)言和語(yǔ)義網(wǎng)絡(luò)規(guī)則語(yǔ)言構(gòu)建了一個(gè)飲食咨詢(xún)系統(tǒng)，基于84例CKD病人的病歷數(shù)據(jù)評(píng)估系統(tǒng)在推薦不同食物種類(lèi)和攝入量方面的性能，結(jié)果顯示，系統(tǒng)推理的實(shí)驗(yàn)結(jié)果與營(yíng)養(yǎng)師人工計(jì)算和推理的結(jié)果相同。臨床決策支持系統(tǒng)不僅能夠模仿?tīng)I(yíng)養(yǎng)師在CKD飲食咨詢(xún)中的決策過(guò)程，還可以減少時(shí)間消耗和計(jì)算錯(cuò)誤。Chen等[39]基于領(lǐng)域本體和決策樹(shù)算法設(shè)計(jì)了一個(gè)具備專(zhuān)家知識(shí)的CKD飲食推薦系統(tǒng)，系統(tǒng)對(duì)病人情況進(jìn)行分析并推斷食物與病人間的關(guān)系，從而進(jìn)行個(gè)體化飲食推薦，研究結(jié)果顯示，該系統(tǒng)推薦的膳食準(zhǔn)確率達(dá)100%。AI在為營(yíng)養(yǎng)師提供決策支持方面的前景優(yōu)越，未來(lái)可憑借開(kāi)放數(shù)據(jù)聯(lián)動(dòng)和知識(shí)庫(kù)可擴(kuò)展性的優(yōu)勢(shì)，建立更完善、更全面的決策系統(tǒng)，確保營(yíng)養(yǎng)師和病人獲得最佳、可用和有效的臨床決策支持。

2.3 AI在CKD營(yíng)養(yǎng)相關(guān)風(fēng)險(xiǎn)預(yù)測(cè)方面的作用

營(yíng)養(yǎng)不良是CKD的常見(jiàn)并發(fā)癥之一，也是CKD疾病進(jìn)展及心血管事件發(fā)生與死亡的危險(xiǎn)因素之一[5]。因此，預(yù)測(cè)CKD營(yíng)養(yǎng)相關(guān)風(fēng)險(xiǎn)對(duì)醫(yī)護(hù)人員實(shí)施早期營(yíng)養(yǎng)管理、改善病人結(jié)局具有重要意義。機(jī)器學(xué)習(xí)可以應(yīng)用于臨床數(shù)據(jù)集，以開(kāi)發(fā)風(fēng)險(xiǎn)模型，常見(jiàn)的算法有邏輯回歸、決策樹(shù)、隨機(jī)森林、人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等[14，40]。李雪芹等[41]采用邏輯回歸分析探討了1 059例CKD住院病人營(yíng)養(yǎng)不良危險(xiǎn)因素并建立預(yù)測(cè)模型，模型的一致性指數(shù)為0.977，曲線(xiàn)下面積為0.977，提示模型具有較高的準(zhǔn)確性和可靠性。柴桂芬等[42]收集了200例腹膜透析病人資料，采用邏輯回歸構(gòu)建營(yíng)養(yǎng)不良風(fēng)險(xiǎn)預(yù)測(cè)模型，臨床驗(yàn)證結(jié)果顯示，模型靈敏度、特異度、準(zhǔn)確度分別為0.891，0.903，0.872，模型預(yù)測(cè)效能良好。血液透析病人的低白蛋白血癥與營(yíng)養(yǎng)不良、炎癥和死亡率增加有關(guān)[43]。王瑤[44]應(yīng)用4種機(jī)器學(xué)習(xí)算法（隨機(jī)森林、支持向量機(jī)、邏輯回歸和反向傳播神經(jīng)網(wǎng)絡(luò)）開(kāi)發(fā)維持性血液透析（maintenance hemodialysis，MHD）病人的低蛋白血癥風(fēng)險(xiǎn)預(yù)測(cè)模型，構(gòu)建的4種機(jī)器學(xué)習(xí)模型均表現(xiàn)出良好的性能，其中隨機(jī)森林模型預(yù)測(cè)的整體性能和診斷效能優(yōu)于其他3種模型，可幫助護(hù)士盡早識(shí)別病人相關(guān)指標(biāo)變化，篩選出高危病人，預(yù)測(cè)維持性血液透析病人低蛋白血癥的發(fā)生。機(jī)器學(xué)習(xí)不僅可以預(yù)測(cè)疾病發(fā)生風(fēng)險(xiǎn)，還可以對(duì)疾病相關(guān)生物標(biāo)志物起到一定的預(yù)測(cè)作用。Hu等[45]結(jié)合2種機(jī)器學(xué)習(xí)方法分析了314例血液透析病人的3 069條健康記錄，開(kāi)發(fā)出一種預(yù)測(cè)血液透析病人血清白蛋白趨勢(shì)的有效輔助工具，準(zhǔn)確率和特異性分別為98.39%和96.77%，表明該模型在預(yù)測(cè)血液透析病人血清白蛋白水平趨勢(shì)方面具有巨大潛力。Yang等[46]收集了臺(tái)灣最大血透中心內(nèi)1 567例新發(fā)血液透析病人的縱向電子健康記錄，基于機(jī)器學(xué)習(xí)結(jié)合深度學(xué)習(xí)的方法預(yù)測(cè)血清白蛋白水平，模型的曲線(xiàn)下面積和準(zhǔn)確率分別為98%和95%，可以提高臨床篩查效率和低血清白蛋白預(yù)測(cè)準(zhǔn)確性。AI在快速、客觀預(yù)測(cè)CKD營(yíng)養(yǎng)相關(guān)風(fēng)險(xiǎn)方面具有潛力，但在處理具有群體差異的數(shù)據(jù)方面效能有待提升。

2.4 AI結(jié)合移動(dòng)通信技術(shù)進(jìn)行營(yíng)養(yǎng)管理

AI結(jié)合移動(dòng)通信技術(shù)后可突破時(shí)間和空間限制，在實(shí)施個(gè)體化管理時(shí)更具連續(xù)性，有利于對(duì)CKD病人進(jìn)行跟蹤隨訪管理，增加營(yíng)養(yǎng)管理的惠及面和普及度[47?48]。Chen等[49]采用“互聯(lián)網(wǎng)+醫(yī)院到家”營(yíng)養(yǎng)護(hù)理模式對(duì)3～5期的CKD病人進(jìn)行6個(gè)月的營(yíng)養(yǎng)護(hù)理，選用基于去噪算法的CT低劑量灌注圖像評(píng)價(jià)護(hù)理效果，結(jié)果顯示，“互聯(lián)網(wǎng)+醫(yī)院到家”營(yíng)養(yǎng)護(hù)理模式較傳統(tǒng)護(hù)理方法更具個(gè)體性，能較好地改善病人身體素質(zhì)、精神狀態(tài)及疾病預(yù)后。阮卓欣[50]結(jié)合國(guó)內(nèi)外CKD臨床實(shí)踐指南設(shè)計(jì)了CKD病人個(gè)性化健康管理系統(tǒng)，系統(tǒng)根據(jù)病人所處不同CKD階段的特點(diǎn)，制定并提供個(gè)性化的健康管理方案，醫(yī)生可遠(yuǎn)程監(jiān)測(cè)病人數(shù)據(jù)并及時(shí)調(diào)整方案。此外，系統(tǒng)結(jié)合自然語(yǔ)言處理技術(shù)，提供醫(yī)患溝通輔助問(wèn)答模塊，有利于醫(yī)生方便、快速地處理病人咨詢(xún)。目前，該系統(tǒng)已在CKD病人院外管理中得到應(yīng)用。系統(tǒng)不僅能節(jié)省病人前往門(mén)診的時(shí)間和費(fèi)用，提高醫(yī)療資源利用效率，而且有利于提高CKD病人治療依從性，促使病人進(jìn)行持續(xù)的健康管理，輔助病人控制CKD進(jìn)展、改善預(yù)后。通過(guò)整合移動(dòng)通信技術(shù)，AI能夠優(yōu)化CKD的遠(yuǎn)程管理模式，未來(lái)這一模式有望推廣應(yīng)用至基層醫(yī)療機(jī)構(gòu)，將AI智能、精準(zhǔn)、高效的優(yōu)勢(shì)延伸覆蓋至更廣泛的CKD病人。

3" 挑戰(zhàn)與展望

隨著大數(shù)據(jù)、互聯(lián)網(wǎng)的迅速發(fā)展，AI在CKD病人飲食營(yíng)養(yǎng)領(lǐng)域逐漸開(kāi)始應(yīng)用。盡管AI為CKD病人的營(yíng)養(yǎng)管理帶來(lái)了諸多便利，但仍面臨一些挑戰(zhàn)。首先，基于圖像輔助評(píng)估膳食攝入的精確度是當(dāng)前面臨的重要問(wèn)題之一。食物變化多樣，形狀各不相同，各種食物相混合更增加了復(fù)雜性[51]。在理想情況下，需要大量膳食圖片，其中需包含有關(guān)拍攝背景實(shí)況的信息，以訓(xùn)練系統(tǒng)并提高其準(zhǔn)確性[52]。其次，目前AI的自動(dòng)化方法尚不夠先進(jìn)，在使用AI進(jìn)行營(yíng)養(yǎng)管理時(shí)，人工、時(shí)間等方面的問(wèn)題未得到妥善解決。未來(lái)需進(jìn)行多中心、前瞻性的研究，提升AI模型水平，驗(yàn)證AI的可信度和有效性，以減輕參與者和研究人員的負(fù)擔(dān)。此外，AI模型的構(gòu)建和應(yīng)用階段會(huì)使用大量病人的數(shù)據(jù)，有必要降低實(shí)施AI的倫理風(fēng)險(xiǎn)，包括數(shù)據(jù)隱私和保密規(guī)定、知情同意和病人自主權(quán)等。在精準(zhǔn)醫(yī)療、大數(shù)據(jù)和AI的交匯領(lǐng)域，制定數(shù)據(jù)保護(hù)法以保障病人隱私至關(guān)重要，同時(shí)建議使用身份驗(yàn)證算法等安全信息通道增強(qiáng)數(shù)據(jù)安全性。

4" 小結(jié)

AI在CKD營(yíng)養(yǎng)管理領(lǐng)域的研究處于探索階段，在AI工具幫助下，醫(yī)療工作者可以在一定程度上實(shí)現(xiàn)智能化的膳食攝入過(guò)程記錄，推薦個(gè)體化的飲食建議，更好地幫助病人調(diào)整飲食方案，實(shí)施遠(yuǎn)程管理，增加營(yíng)養(yǎng)治療的可及性，有效防范不良事件和并發(fā)癥發(fā)生。然而，臨床有效性證據(jù)需要進(jìn)一步的研究支持，今后需將線(xiàn)上線(xiàn)下有機(jī)結(jié)合，整合多學(xué)科團(tuán)隊(duì)為CKD病人提供個(gè)性化、精準(zhǔn)化、便捷化服務(wù)，形成從全面評(píng)估到精準(zhǔn)干預(yù)再到持續(xù)監(jiān)測(cè)與及時(shí)調(diào)整的智能營(yíng)養(yǎng)管理閉環(huán)。

參考文獻(xiàn)：

[1]" International Society of Nephrology（ISN）.ISN-global didney health atlas[EB/OL].（2023-03-30）[2024-04-06].https：//www.theisn.org/initiatives/global-kidney-health-atlas/.

[2]" GBD Chronic Kidney Disease Collaboration.Global，regional，and national burden of chronic kidney disease，1990-2017：a systematic analysis for the Global Burden of Disease Study 2017[J].Lancet，2020，395（10225）：709-733.

[3]" 上海慢性腎臟病早發(fā)現(xiàn)及規(guī)范化診治與示范項(xiàng)目專(zhuān)家組，高翔，梅長(zhǎng)林.慢性腎臟病篩查診斷及防治指南[J].中國(guó)實(shí)用內(nèi)科雜志，2017，37（1）：28-34.

[4]" 姚穎.慢性腎臟病患者的營(yíng)養(yǎng)治療[J].中華醫(yī)學(xué)信息導(dǎo)報(bào)，2021，36（9）：10.

[5]" 中國(guó)醫(yī)師協(xié)會(huì)腎臟內(nèi)科醫(yī)師分會(huì)，中國(guó)中西醫(yī)結(jié)合學(xué)會(huì)腎臟疾病專(zhuān)業(yè)委員會(huì)營(yíng)養(yǎng)治療指南專(zhuān)家協(xié)作組.中國(guó)慢性腎臟病營(yíng)養(yǎng)治療臨床實(shí)踐指南（2021版）[J].中華醫(yī)學(xué)雜志，2021，101（8）：539-559.

[6]" BEERENDRAKUMAR N，RAMAMOORTHY L，HARIDASAN S.Dietary and fluid regime adherence in chronic kidney disease patients[J].J Caring Sci，2018，7（1）：17-20.

[7]" 宋欣芫，郝潔，肖莉，等.護(hù)理專(zhuān)案改善在提高門(mén)診慢性腎臟病患者自我管理能力中的應(yīng)用研究[J].中華護(hù)理雜志，2017，52（6）：692-697.

[8]" 張紅梅，徐佳美，常立陽(yáng)，等.以護(hù)士為主體的飲食營(yíng)養(yǎng)門(mén)診在慢性腎臟病治療中的意義及工作模式探討[J].中國(guó)慢性病預(yù)防與控制，2010，18（2）：172-174.

[9]" CUPISTI A，BRUNORI G，DI IORIO B R，et al.Nutritional treatment of advanced CKD：twenty consensus statements[J].J Nephrol，2018，31（4）：457-473.

[10]" The State Council of the People's Republic of China.Development plan for the new generation of AI[EB/OL].（2017-07-24）[2024-04-06].https：//www.gov.cn/zhengce/content/2022-05/20/content_5691424.htm.

[11]" 曹艷林，王將軍，陳璞，等.人工智能對(duì)醫(yī)療服務(wù)的機(jī)遇與挑戰(zhàn)[J].中國(guó)醫(yī)院，2018，22（6）：25-28.

[12] "TANGRI N，F(xiàn)ERGUSON T W.Role of artificial intelligence in the diagnosis and management of kidney disease：applications to chronic kidney disease and acute kidney injury[J].Curr Opin Nephrol Hypertens，2022，31（3）：283-287.

[13]" 王李勝，童輝，楊建國(guó)，等.人工智能在慢性腎臟病應(yīng)用現(xiàn)狀及展望[J].中國(guó)血液凈化，2022，21（1）：59-62.

[14]" HAMET P，TREMBLAY J.Artificial intelligence in medicine[J].Metabolism，2017，69：S36-S40.

[15]" SAK J，SUCHODOLSKA M.Artificial intelligence in nutrients science research：a review[J].Nutrients，2021，13（2）：322.

[16]" 李軍蓮，陳穎，鄧盼盼，等.國(guó)外基于人工智能的臨床決策支持系統(tǒng)發(fā)展及啟示[J].醫(yī)學(xué)信息學(xué)雜志，2018，39（6）：2-6.

[17]" HE J X，BAXTER S L，XU J，et al.The practical implementation of artificial intelligence technologies in medicine[J].Nat Med，2019，25（1）：30-36.

[18]" HANDELMAN G S，KOK H K，CHANDRA R V，et al.eDoctor：machine learning and the future of medicine[J].J Intern Med，2018，284（6）：603-619.

[19]" 劉蓬然，霍彤彤，陸林，等.人工智能在醫(yī)學(xué)中的應(yīng)用現(xiàn)狀與展望[J].中華醫(yī)學(xué)雜志，2021，101（44）：3677-3683.

[20]" KAUL V，ENSLIN S，GROSS S A.History of artificial intelligence in medicine[J].Gastrointest Endosc，2020，92（4）：807-812.

[21]" 劉蓬然，陸林，霍彤彤，等.人工智能技術(shù)在骨科領(lǐng)域中的應(yīng)用進(jìn)展[J].中華骨科雜志，2020，40（24）：1699-1704.

[22]" SHIM J S，OH K，KIM H C.Dietary assessment methods in epidemiologic studies[J].Epidemiol Health，2014，36：e2014009.

[23]" VASILOGLOU M F，MARCANO I，LIZAMA S，et al.Multimedia data-based mobile applications for dietary assessment[J].J Diabetes Sci Technol，2023，17（4）：1056-1065.

[24]" 張顯龍，劉旭生，傅立哲，等.遠(yuǎn)程飲食記錄法與紙質(zhì)3d飲食記錄法對(duì)慢性腎臟病患者營(yíng)養(yǎng)管理依從性的影響研究[J].中國(guó)全科醫(yī)學(xué)，2021，24（15）：1909-1914.

[25]" KIRK D，CATAL C，TEKINERDOGAN B.Precision nutrition：a systematic literature review[J].Comput Biol Med，2021，133：104365.

[26]" MEZGEC S，KOROU?I?SELJAK B.NutriNet：a deep learning food and drink image recognition system for dietary assessment[J].Nutrients，2017，9（7）：657.

[27]" YANAI A，UCHIYAMA K，SUGANUMA S.Salt reduction using a smartphone application based on an artificial intelligence system for dietary assessment in patients with chronic kidney disease：a single-center retrospective cohort study[J].Kidney and Dialysis，2023，3（1）：139-151.

[28]" 張熙，楊小汕，徐常勝.ChatGPT及生成式人工智能現(xiàn)狀及未來(lái)發(fā)展方向[J].中國(guó)科學(xué)基金，2023，37（5）：743-750.

[29]" QARAJEH A，TANGPANITHANDEE S，THONGPRAYOON C，et al.AI-powered renal diet support：performance of ChatGPT，bard AI，and Bing chat[J].Clin Pract，2023，13（5）：1160-1172.

[30]" IKIZLER T A，BURROWES J D，BYHAM-GRAY L D，et al.KDOQI clinical practice guideline for nutrition in CKD：2020 update[J].Am J Kidney Dis，2020，76（Suppl 1）：S1-S107.

[31]" GRANAL M，SLIMANI L，F(xiàn)LORENS N，et al.Prediction tool to estimate potassium diet in chronic kidney disease patients developed using a machine learning tool：the universel study[J].Nutrients，2022，14（12）：2419.

[32]" OSHEROFF J A，TEICH J M，MIDDLETON B，et al.A roadmap for national action on clinical decision support[J].J Am Med Inform Assoc，2007，14（2）：141-145.

[33]" 楊競(jìng)，閆婧爽，楊云生，等.臨床決策支持系統(tǒng)在消化疾病診療中的應(yīng)用[J].中華內(nèi)科雜志，2022，61（11）：1263-1268.

[34]" PAULSEN M M，PAUR I，GJESTLAND J，et al.Effects of using the MyFood decision support system on hospitalized patients'nutritional status and treatment：a randomized controlled trial[J].Clin Nutr，2020，39（12）：3607-3617.

[35]" CEDERHOLM T，BOSAEUS I，BARAZZONI R，et al.Diagnostic criteria for malnutrition--an ESPEN consensus statement[J].Clin Nutr，2015，34（3）：335-340.

[36]" CHEN Y C，HSU C Y，LIU L，et al.Constructing a nutrition diagnosis expert system[J].Expert Syst Appl，2012，39（2）：2132-2156.

[37]" MACLAUGHLIN H L，F(xiàn)RIEDMAN A N，ALP IKIZLER T.Nutrition in kidney disease：core curriculum 2022[J].Am J Kidney Dis，2022，79（3）：437-449.

[38]" CHI Y L，CHEN T Y，TSAI W T.A chronic disease dietary consultation system using OWL-based ontologies and semantic rules[J].J Biomed Inform，2015，53：208-219.

[39]" CHEN R C，HUANG C Y，TING Y H，et al.A chronic disease diet recommendation system based on domain ontology and decision tree[J].Journal of Advanced Computational Intelligence and Intelligent Informatics，2017，21（3）：474-482.

[40]" 張蕊，鄭黎強(qiáng)，潘國(guó)偉.疾病發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)模型的應(yīng)用與建立[J].中國(guó)衛(wèi)生統(tǒng)計(jì)，2015，32（4）：724-726.

[41]" 李雪芹，陳崇誠(chéng)，羅燕，等.慢性腎臟病住院患者營(yíng)養(yǎng)不良的危險(xiǎn)因素分析和預(yù)測(cè)模型構(gòu)建[J].華西醫(yī)學(xué)，2023，38（7）：1014-1020.

[42]" 柴桂芬，周明皓，汪宏，等.腹膜透析患者營(yíng)養(yǎng)不良的影響因素及風(fēng)險(xiǎn)預(yù)測(cè)模型的構(gòu)建及驗(yàn)證[J].現(xiàn)代生物醫(yī)學(xué)進(jìn)展，2022，22（16）：3182-3187.

[43]" CARRERO J J，QURESHI A R，AXELSSON J，et al.Comparison of nutritional and inflammatory markers in dialysis patients with reduced appetite[J].Am J Clin Nutr，2007，85（3）：695-701.

[44]" 王瑤.基于機(jī)器學(xué)習(xí)的維持性血液透析患者低蛋白血癥風(fēng)險(xiǎn)預(yù)測(cè)模型構(gòu)建[D].長(zhǎng)春：吉林大學(xué)，2023.

[45]" HU J，LIU Y，HEIDARI A A，et al.An effective model for predicting serum albumin level in hemodialysis patients[J].Comput Biol Med，2022，140：105054.

[46]" YANG C H，CHEN Y S，CHEN J B，et al.Application of deep learning to predict the low serum albumin in new hemodialysis patients[J].Nutr Metab，2023，20（1）：24.

[47]" SALINARI A，MACHì M，ARMAS DIAZ Y，et al.The application of digital technologies and artificial intelligence in healthcare：an overview on nutrition assessment[J].Diseases，2023，11（3）：97.

[48]" LI J O，LIU H R，TING D S J，et al.Digital technology，tele-medicine and artificial intelligence in ophthalmology：a global perspective[J].Prog Retin Eye Res，2021，82：100900.

[49]" CHEN X，HUANG X Q，YIN M Y.Implementation of hospital-to-home model for nutritional nursing management of patients with chronic kidney disease using artificial intelligence algorithm combined with CT Internet[J].Contrast Media Mol Imaging，2022，2022（1）：1183988.

[50]" 阮卓欣.慢性腎臟病患者個(gè)性化管理系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].杭州：浙江大學(xué)，2020.

[51]" KAWANO Y，YANAI K.Automatic expansion of a food image dataset leveraging existing categories with domain adaptation[M].Cham：Springer International Publishing，2015：3-17.

[52]" BENNETT B D，KIMBALL E H，GAO M，et al.Absolute metabolite concentrations and implied enzyme active site occupancy in Escherichia coli[J].Nat Chem Biol，2009，5：593-599.

（收稿日期：2024-04-07；修回日期：2025-03-02）

（本文編輯 陳瓊）