ПЕРСОНАЛІЗОВАНА НУТРИЦІОЛОГІЯ ТА ШТУЧНИЙ ІНТЕЛЕКТ: СУЧАСНІ ПІДХОДИ, РЕГУЛЯТОРНІ ВИКЛИКИ ТА КЛІНІЧНА ЕФЕКТИВНІСТЬ
DOI:
https://doi.org/10.31548/humanhealth.3.2026.67Ключові слова:
персоніфікована дієта, машинне навчання, глибоке навчання, аналіз мікробіому, біомаркери метаболізму, пояснюваний штучний інтелектАнотація
Цифровізація охорони здоров'я стимулює перехід від узагальнених моделей дієтології до персоналізованої нутриціології. Традиційні підходи не враховують індивідуальних варіацій у метаболізмі, що знижує їхню ефективність у профілактиці хронічних захворювань. Мета роботи – аналіз систем штучного інтелекту у створенні персоналізованих дієтичних рекомендацій, оцінка їхньої клінічної ефективності, викликів стандартизації та етичних аспектів впровадження. У роботі застосовано систематичний аналіз наукових джерел, метод порівняльного аналізу клінічних досліджень, зокрема рандомізовані контрольовані випробування та концептуальне моделювання операційного потоку даних. Встановлено, що персоналізація дієти є динамічним 5-кроковим циклом: збір мультимодальних даних, аналіз із залученням штучного інтелекту, прогнозування, генерація рекомендацій та зворотний зв'язок у реальному часі. Показано, що певні моделі штучного інтелекту (XGBoost, Stacking) показують точність прогнозування метаболічних ризиків до 96,07%. Оцінення раціону за допомогою комп'ютерного зору та глибокого навчання підвищує точність ідентифікації продуктів на 30% при врахуванні ннаціонального контексту та геолокації.
Клінічні дані підтверджують, що дієтичні рекомендації, розроблені із застосуванням моделей штучного інтелекту, забезпечують зменшення симптомів синдрому подразненого кишечника на 39% та ремісію діабету 2 типу у 72,7% пацієнтів. Таким чином, доведено ефективність залучення технологій штучного інтелекту у створенні персоналізованих рекомендацій для поліпшення здоров'я й зменшення симптомів хронічних захворювань, зокрема, результати показують суттєве покращення метаболічних показників та якості життя пацієнтів.
Також акцентовано на необхідності стандартизації даних та розвитку регуляторних вимог для успішного впровадження персоналізованої нутриціології у клінічну практику. Висвітлюються питання етики, пов’язані з конфіденційністю та відповідальністю у застосуванні штучного інтелекту, а також важливість пояснюваного штучного інтелекту для підвищення довіри пацієнтів до технологічних рішень у сфері здоров’я. У підсумку окреслено перспективи розвитку персоналізованої нутриціології як нової парадигми у харчуванні, що має потенціал значно вдосконалити підходи до здоров’я і благополуччя людей.
Отримано 12.07.2026, прийнято 21.08.2026, опубліковано 22.06.2026
Посилання
Abbas, Q., Jeong, W., & Lee, S. W. (2025). Explainable AI in Clinical Decision Support Systems: A Meta-Analysis of Methods, Applications, and Usability Challenges. Healthcare, 13(17), 2154. https://doi.org/10.3390/healthcare13172154
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, Article 1636980. https://doi.org/10.3389/fnut.2025.1636980
Andrade-Calle, R., de la Torre-Díez, I., & de Luis-Román, D. (2025). Predictive Modeling of Weight Loss and Metabolic Health Outcomes: A Retrospective Predictive Modeling Study. Health Science Reports, 8(10), e71236. https://doi.org/10.1002/hsr2.71236
Brankovic, A., & Hendrie, G. A. (2025). Perspectives, challenges and future of artificial intelligence in personalised nutrition research. Proceedings of the Nutrition Society, 84(4), 1–9. https://doi.org/10.1017/S0029665125100657
Chotwanvirat, P., Prachansuwan, A., Sridonpai, P., & Kriengsinyos, W. (2024). Advancements in Using AI for Dietary Assessment Based on Food Images: Scoping Review. Journal of Medical Internet Research, 26, e51432. https://doi.org/10.2196/51432
Chudyk, N. (2024). Ethical and legal aspects of artificial intelligence systems implementation: Balancing technological progress and fundamental human rights in the context of society’s digital transformation. Actual Problems of Law, 3, 42–47. https://doi.org/10.35774/app2024.03.042
Detopoulou, P., Voulgaridou, G., Moschos, P., & Papadopoulou, S. K. (2023). Artificial intelligence, nutrition, and ethical issues: A mini-review. Clinical Nutrition Open Science, 50, Article 100570. https://doi.org/10.1016/j.nutos.2023.07.001
EuroFIR. (n.d.). Retrieved November 11, 2025, from https://www.eurofir.org/
Fernandes, G. J., Choi, A., Schauer, J. M., Pfammatter, A. F., Spring, B. J., Darwiche, A., & Alshurafa, N. I. (2023). An Explainable Artificial Intelligence Software Tool for Weight Management Experts (PRIMO): Mixed Methods Study. Journal of Medical Internet Research, 25, e42047. https://doi.org/10.2196/42047
Fonseca, D. C., Fernandes, G. da R., & Waitzberg, D. L. (2025). Artificial intelligence and human microbiome: A brief narrative review. Clinical Nutrition Open Science, 59, 134–142. https://doi.org/10.1016/j.nutos.2024.12.009
FoodData Central. USDA’s comprehensive source of food composition data with multiple distinct data types. (n.d.) Retrieved November 11, 2025, from https://fdc.nal.usda.gov/
Gaiduchek, D., Kryvoplias-Volodina, L., Kostin, V., Burova, Z., & Zaporozhets, O. (2025). Synthesis of an analytical system prototype using MQTT and AWS in the Industry 4.0 context. CEUR Workshop Proceedings, 4146, 487–497. https://www.scopus.com/pages/publications/105037230065?
origin=resultslist
Gavai, A. K., & van Hillegersberg, J. (2025). AI-driven personalized nutrition: RAG-based digital health solution for obesity and type 2 diabetes. PLOS Digital Health, 4(5), e0000758. https://doi.org/10.1371/journal.pdig.0000758
Li, Z., Wu, W., & Kang, H. (2024). Machine Learning-Driven Metabolic Syndrome Prediction: An International Cohort Validation Study. Healthcare, 12(24), 2527. https://doi.org/10.3390/healthcare12242527
Liu, D., Zuo, E., Wang, D., He, L., Dong, L., & Lu, X. (2025). Deep Learning in Food Image Recognition: A Comprehensive Review. Applied Sciences, 15(14), 7626. https://doi.org/10.3390/app15147626
Mansouri, M., Benabdellah Chaouni, S., Jai Andaloussi, S., & El Aachak, O. (2023). Deep Learning for Food Image Recognition and Nutrition Analysis Towards Chronic Diseases Monitoring: A Systematic Review. SN Computer Science, 4(513). https://doi.org/10.1007/s42979-023-01972-1
Martynchuk, O., Bal-Prylypko, L., Shvets, O., & Altanova, A. (2025). Potential applicationts of artificial intelligence in nutrition science. Human and Nation’s Health, 3(1), 100–125. https://doi.org/10.31548/humanhealth.1.2025.100
Panayotova, G. G. (2025). Artificial Intelligence in Nutrition and Dietetics: A Comprehensive Review of Current Research. Healthcare, 13(20), 2579. https://doi.org/10.3390/healthcare13202579
Rafie, Z., Talab, M. S., Koor, B. E. Z., Garavand, A., Salehnasab, C., & Ghaderzadeh, M. (2025). Leveraging XGBoost and explainable AI for accurate prediction of type 2 diabetes. BMC Public Health, 25(1), Article 3688. https://doi.org/10.1186/s12889-025-24953-w
Romero-Tapiador, S., Lacruz-Pleguezuelos, B., Tolosana, R., Freixer, G., et al. (2023). AI4FoodDB: A database for personalized e-Health nutrition and lifestyle through wearable devices and artificial intelligence. Database: The Journal of Biological Databases and Curation, 2023, baad049. https://doi.org/10.1093/database/baad049
SAP. (n.d.). How to implement responsible AI practices. Retrieved November 11, 2025, from https://www.sap.com/ukraine/products/artificial-intelligence/ai-ethics.html
Verma, M., Hontecillas, R., Tubau-Juni, N., Abedi, V., & Bassaganya-Riera, J. (2018). Challenges in Personalized Nutrition and Health. Frontiers in Nutrition, 5, Article 117. https://doi.org/10.3389/fnut.2018.00117
Wang, L., Wang, X., Chen, A., Jin, X., & Che, H. (2020). Prediction of Type 2 Diabetes Risk and Its Effect Evaluation Based on the XGBoost Model. Healthcare, 8(3), 247. https://doi.org/10.3390/healthcare8030247
Wang, X., Sun, Z., Xue, H., & An, R. (2025). Artificial Intelligence Applications to Personalized Dietary Recommendations: A Systematic Review. Healthcare, 13(12), 1417. https://doi.org/10.3390/healthcare13121417
Wu, X., Oniani, D., Shao, Z., Arciero, P., Sivarajkumar, S., Hilsman, J., Mohr, A. E., Ibe, S., Moharir, M., Li-Jia Li, Jain, R., Chen, J., & Wang, Y. (2025). A Scoping Review of Artificial Intelligence for Precision Nutrition. Advances in Nutrition, 16(4), 100398. https://doi.org/10.1016/j.advnut.2025.100398
Yang, C. C. (2022). Explainable Artificial Intelligence for Predictive Modeling in Healthcare. Journal of Healthcare Informatics Research, 6, 228–239. https://doi.org/10.1007/s41666-022-00114-1
Yao, Y., Duan, J., Xu, K., Cai, Y., Sun, Z., & Zhang, Y. (2024). A survey on large language model (LLM) security and privacy: The good, the bad, and the ugly. High-Confidence Computing, 4(2), 100211. https://doi.org/10.1016/j.hcc.2024.100211
Zale, A., & Mathioudakis, N. (2022). Machine Learning Models for Inpatient Glucose Prediction. Current Diabetes Reports, 22, 353–364. https://doi.org/10.1007/s11892-022-01477-w
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Здоров'я людини і нації
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution-NonCommercial 4.0 International License.
Усі матеріали розповсюджуються згідно з умовами міжнародної публічної ліцензії Creative Commons Attribution 4.0 International Public License, що дозволяє іншим поширювати статтю з визнанням авторства та першої публікації в цьому журналі.
