从反思到行动：结合机器学习与专家知识进行营养目标推荐

文献标题

从反思到行动：结合机器学习与专家知识的营养目标推荐

文献信息

• 主题领域: 健康信息学与个性化饮食推荐
• 关键词: 个人信息学, 机器学习, 目标设定, 糖尿病, 自我管理, 营养推荐, 行为变更, 健康技术, 智能手机应用, 用户研究

研究背景与问题

• 问题与挑战

  • 2 型糖尿病（T2D）患者在每日饮食选择中面临持续挑战，个人化管理因复杂性高和个体差异而困难。
  • 虽然个人信息学有助于通过数据反思促进健康改善，但不适合低读写能力或技术水平较低的用户。
  • 大多数数据驱动的健康干预仍然没有为用户提供直接的、可操作的建议，仅依赖用户自行反思其数据。
  • 机器学习（ML）技术易于发现数据模式，但如何将其转化为可操作的个性化健康建议仍是挑战。

• 研究重要性

  • 针对糖尿病等慢性病，通过提供易理解的个性化健康行为建议来减少健康差异和改善健康结果。

• 研究动机与相关工作

  • 当前许多推荐系统聚焦于预测用户偏好，而非提供健康相关的行为推荐。
  • 其他研究尝试基于机器学习的数据洞察生成建议，但存在灵活性不足、未结合用户实时需求等问题。

解决方案

• 方法或解决方案

  • 提出了一个结合机器学习与专家系统的营养目标推荐系统，称为 GlucoGoalie。
  • 系统通过 ML 分析 T2D 患者的自跟踪数据（膳食和餐前/餐后血糖），推断营养与血糖变化之间的关系。
  • 使用基于规则的专家系统翻译 ML 输出，生成自然语言表述的个性化营养目标建议。

• 创新之处

  • 将 ML 与基于规则的专家系统结合，使得目标建议既能反映个人需求，又能结合营养学专家知识。
  • 提供了个体化、多维度的建议（如减少碳水化合物、增加蛋白质等），而非仅关注单一维度（如步数或卡路里）。
  • 实现了支持行动和反思的双重目标。

• 实施步骤

  1. 设计可操作且易于理解的个性化营养目标。
  2. 采用 ML 模型（如 Attributable Components Analysis）分析膳食与血糖的关系，捕捉非线性模式。
  3. 使用专家系统规则过滤具有潜在健康影响的目标建议，确保建议的可行性与科学性。
  4. 在 GlucoGoalie 应用中展示目标，用户可选择、记录膳食、跟踪目标并查看成就总结。

研究成果

• 具体成果

  • GlucoGoalie 系统在实验室和实地环境中的测试均展示了可行性。
  • 在对低收入社区 T2D 患者的研究中，实验显示用户普遍认为推荐目标是可理解且可采取行动的。

• 与现有方案的优势

  • 与当前以反思为主的数据驱动系统相比，GlucoGoalie 提供了更直接的行为指导。
  • 通过将 ML 与专家知识结合，建议既基于用户个性化数据，又拓展了其知识边界。

• 实验或评估结果

  • 实验室测试:
    • 参与者能够 89% 的情况下准确理解基于营养标签的目标推荐。
    • 当没有标签时，理解率降至 49%。这表明参与者难以从图像中推断出饮食成分。
    • 在虚拟自助餐测试中，参与者从目标方向（例如减少碳水）上选择膳食的准确率为 67%。
  • 实地测试:
    • 参与者在应用中平均每周记录约 93 次膳食和 173 次血糖；88% 的参与者接收并使用了个性化推荐。
    • 参与者反映目标推荐提示了自我反思，并形成了一些新的健康习惯。

• 局限性与未来方向

  • 局限性: 样本量较小，主要参加者为女性，且为单一美国都会区群体，结果可能欠缺普适性。
  • 未来方向:
    • 提供更多基于上下文的、动态交互的功能，例如使用交互式对话式代理更好地解释目标。
    • 将健康推荐与更高层个人健康动机及目标相匹配，用于更长时间的研究。