رویکردهای مبتنی بر هوش مصنوعی در ارزیابی الگوهای غذایی: یک مرور نظام مند

سابقه و هدف: توسعه هوش ‌مصنوعی فرصت‌ های جدیدی را برای تحقیق در زمینه علوم تغذیه فراهم کرده است. این مقاله با هدف مرور و بررسی جامع مطالعات مربوط به حوزه رژیم ‌غذایی و الگوهای غذایی که از تکنیک‌های هوش ‌مصنوعی و الگوریتم ‌های یادگیری ماشین استفاده کرده‌اند، انجام شد. مواد و روش‌ها: تمامی مطالعات به چاپ رسیده تا نوامبر 2023 با استفاده از پایگاه‌های اطلاعاتی pubmed  cochrane,  و scopus و موتور جستجوی google scholar و با کلیدواژه‌های مرتبط مورد جست‌وجو قرار‌گرفت. یافته‌ها‌: بعد از بررسی کامل مقالات 31 مقاله مرتبط انتخاب شدند که با هدف مطالعه حاضر هم‌خوانی داشتند. روش­های مختلف یادگیری ماشین در پیش­بینی الگوهای غذایی دقت متفاوتی دارند. به عنوان مثال شبکه عصبی هوشمند دقت بالاتری در پیش‌بینی پنجک‌های شاخص غذایی سالم دارد، در حالی که در مورد وعده‌های غذایی درخت تصمیم‌گیری دقت بالاتری دارد. کاربرد دیگر یادگیری ماشین، استخراج الگوهای غذایی و بررسی ارتباط آنها با بیماری­های مختلف مانند چاقی، بیماری‌های قلبی، سکته مغزی، خطر مرگ ناشی از بیماری قلبی عروقی و سرطان می­باشد. همچنین برخی از روش­های یادگیری ماشین مانند درخت تصمیم قادر به ارائه مدل‌هایی برای پیش‌بینی میزان پیروی از رژیم غذایی مختلف مانند رژیم‌غذایی مدیترانه‌ای است. نتیجه گیری: روش‌های مختلف هوش مصنوعی می‌توانند به شناخت بیشتر الگوهای غذایی مرتبط با بیماری‌های مزمن کمک کنند. مهمترین الگوریتم‌های مطرح در بررسی الگوهای غذایی درخت تصمیم گیری، جنگل تصادفی، میانگین کا، نزدیک ترین همسایه کا، روش‌های رگرسیونی، ماشین بردار پشتیبان و شبکه عصبی هوشمند هستند. این روش‌ها می‌توانند با دسته بندی و یافتن ارتباط پنهان بین گروه‌ها و مواد غذایی، به درک بهتر الگوهای غذایی مرتبط با بیماری‌های مزمن کمک کنند. برای درک بهتر این ارتباطات مطالعات بیشتری در این حوزه لازم است.

artificial intelligence-based approaches to assess dietary patterns: a systematic review

background and objectives: development of artificial intelligence has provided novel opportunities for research in the field of nutrition sciences. this study was carried out with the aim of reviewing and comprehensively assessing studies linked to the field of diet and food patterns, using artificial intelligence and machine learning algorithms. materials & methods: all studies published until june 2023 were searched using pubmed cochrane, embase and scopus databases with associated keywords. no time and language restrictions were used.results: after a complete review of the articles, 31 relevant articles were selected that were consistent with the purpose of the present study. various machine-learning methods have various accuracy in predicting food patterns. for example, intelligent neural network is further accurate in predicting healthy food index quintiles, while it is further accurate in decision tree meals. another use of machine learning includes extracting food patterns and investigating their relationships with various diseases such as obesity, heart diseases, stroke, risks of death from cardiovascular diseases and cancers. machine learning methods such as decision trees are able to provide models for predicting adherence to various diets such as the mediterranean diet.conclusion: various artificial intelligence methods can help better understand food patterns linked to chronic diseases. the most important algorithms in the study of food patterns are decision tree, random forest, k-means, k-nearest neighbor, regression methods, support vector machine and intelligent neural network. these methods can help better understand dietary patterns associated with chronic diseases by categorizing and finding hidden associations between the groups and foods. further studies are needed to better understand these connections.