Введение

Формирование здорового пищевого поведения является одним из ключевых факторов профилактики заболеваний желудочно-кишечного тракта, сахарного диабета и сердечно-сосудистой патологии [1]. При этом важно формировать привычку здорового питания с раннего возраста, что позволит снизить заболеваемость и уменьшить нагрузку на систему здравоохранения [2]. Тем не менее, по данным исследований, значительная часть населения России обладает недостаточным уровнем знаний о принципах здорового питания, а многие граждане сталкиваются с трудностями при формировании новых пищевых привычек [3].

Современные вызовы, такие как урбанизация, доступность продуктов с избыточным содержанием критически значимых нутриентов, распространение противоречивой информации о питании в средствах массовой информации и социальных сетях, обусловливают необходимость применения более действенных инструментов для формирования здорового пищевого поведения [4]. В этом контексте цифровые технологии и искусственный интеллект (ИИ) становятся перспективными инструментами для изменения привычек питания [5, 6]. Учитывая, что в «Стратегии научно-технологического развития Российской Федерации» особый акцент делается на внедрении высокотехнологичных решений в здравоохранение [7, 8], а «Национальная стратегия развития искусственного интеллекта на период до 2030 года» предусматривает активное использование ИИ в персонализированной и профилактической медицине, необходимо изучать его потенциальные возможности для улучшения здоровья населения [9].

Цель исследования — изучить современные подходы и практический опыт применения цифровых технологий и ИИ для коррекции пищевого поведения, профилактики и лечения заболеваний, связанных с нарушением питания.

Материалы и методы

Выполнен обзор научных статей, посвященных изучению современных подходов к формированию пищевого поведения с использованием цифровых технологий и ИИ. Систематический поиск литературы осуществлен в международных научных базах PubMed, MedLine, Google, eLibrary. Глубина поиска составила 10 лет (январь 2015 г. — июнь 2025 г.). Логическая стратегия поиска основана на медицинских терминах: «искусственный интеллект», «машинное обучение», «глубокое обучение», «пищевое поведение», «персонализированное питание», «диета», «еда», «оценка диеты», «здоровое питание», «планирование питания», «пищевые вмешательства с искусственным интеллектом». Первоначально в результате поиска выявлено 1498 работ, связанных с применением технологий ИИ в области питания. После анализа содержания отобрано 45 статей, релевантных области ИИ и питания. Сначала проанализированы аннотация и название статьи на соответствие проблематике исследования, после этого каждое исследование изучено на предмет соответствия критериям включения или исключения.

Критерии включения: статьи, представляющие результаты рандомизированных контролируемых испытаний, метаанализов и систематических обзоров.

Критерии исключения: источники, не содержащие описания примененной методологии. Для обеспечения качества анализа публикаций использован гибридный подход, который сочетал стандартные этапы систематического обзора литературы [10] с рекомендациями по отчетности для метаанализа [11].

Результаты и обсуждение

Основные направления применения искусственного интеллекта в диетологии

В настоящее время выделяют пять ключевых направлений применения технологий ИИ в области питания: умное и персонализированное питание, оценка рациона, распознавание и отслеживание потребляемых продуктов, прогностическое моделирование заболеваний, диагностика и мониторинг хронических состояний [12].

Одним из наиболее перспективных направлений цифровой нутрициологии является интеграция комплексных биологических и поведенческих данных, включая микробиом, метаболомику и данные акселерометрии, полученные с носимых устройств [13, 14]. Методы, основанные на применении искусственных нейронных сетей, позволяют дифференцировать вклад отдельных факторов в энергетические затраты организма. Кроме того, ИИ используется для прогнозирования гликемического ответа на основе индивидуального микробиома [15]. Вместе с тем остаются актуальными вопросы этики, конфиденциальности и безопасности, которым следует уделять особое внимание при внедрении ИИ в клиническую практику [16].

Устройства и сервисы для анализа пищевого поведения

Современные технологии активно применяются для мониторинга и анализа пищевого поведения. Согласно систематическому обзору, включающему 122 исследования, наиболее часто используются следующие типы сенсоров: датчики движения, микрофоны, весовые датчики и фотокамеры [17]. Однако точность и надежность этих устройств остаются предметом дальнейших научных исследований [18]. Перспективным и неинвазивным методом контроля пищевого поведения являются видеозаписи. Согласно обзору 13 исследований, наивысшую точность имеют методы на основе лицевых ориентиров (распознавание укусов — 90%, жевания — 60%), глубоких нейронных сетей (укусы — 91%, жесты приема пищи — 86%), модель активного внешнего вида (жевание — 93%). Метод видеофлюороскопии применяется для отслеживания акта глотания, однако из-за инвазивности ограничен в применении за пределами клиник [19].

Использование носимых устройств, таких как смарт-часы, для автоматического определения приемов пищи становится все более популярным. В исследовании Monitoring and Modeling Family Eating Dynamics 58 участников в течение 2 нед носили смарт-часы и заполняли опросы в мобильном приложении. Алгоритм идентификации приемов пищи продемонстрировал точность 77% [20].

Модели и программы для анализа пищевого поведения и прогнозирования показателей здоровья

Несмотря на технический прогресс, одним из главных барьеров при построении ИИ-моделей остается этап предварительной обработки данных, который связан со значительными трудозатратами и влияет на итоговое качество алгоритмов и программ для анализа пищевого поведения [13, 14]. В обзоре 97 цифровых программ профилактики диабета показано, что многие из платформ использовали ИИ для персонализированных рекомендаций, включая коррекцию питания. Однако только 35% платформ предлагали полнофункциональные сайты, а информация о клинической эффективности и пользовательском опыте часто отсутствовала [21].

Цифровые решения на базе ИИ активно внедряются в системы оценки пищевых паттернов. Так, разработано мобильное приложение, использующее изображения потребляемой пищи и напитков для анализа приверженности средиземноморской диете. Комбинация сверточной и графовой сверточной нейронных сетей обеспечила более высокую точность распознавания и количественной оценки продуктов по сравнению с базовыми ИИ-моделями. Результаты работы сопоставимы с оценками опытных врачей-диетологов, что подтверждает практическую значимость подобного подхода [22].

Методы машинного обучения, такие как логистическая регрессия, случайный лес, деревья решений, сверточные нейронные сети и поддерживающие векторные машины, широко используются для исследования причин ожирения, прогнозирования индивидуальных рисков и разработки прецизионных диетических рекомендаций [23—25].

В последнее время машинное обучение и интеллектуальный анализ данных стали популярными, расширяя их применение в исследованиях диабета, в частности в сервисах прогнозирования уровня глюкозы в крови [26]. Модель ИИ с байесовским переносом обучения, использующая сбалансированные данные рандомизированных контролируемых исследований здоровых лиц для предварительного обучения с последующей адаптацией для пациентов с диабетом, показала на 68 пациентках с гестационным сахарным диабетом повышение точности прогноза постпрандиального уровня глюкозы [27]. Разнообразные методы машинного обучения (RNN, SVM, SOM, DNN и др.) демонстрируют определенный потенциал, но создание универсальной высокоточной модели гликемии остается сложным. Преодоление этих барьеров важно для развития алгоритмов прогнозирования и реализации полноценных систем замкнутого цикла («искусственная поджелудочная железа») [26].

Создана база данных AI4Food, разработанная для сбора комплексных данных в рамках месячного диетологического вмешательства, направленного на снижение массы тела у 100 участников с избыточной массой тела и ожирением. В ходе исследования применялись как традиционные ручные методы, так и современные цифровые технологии, а также проводился сбор биологических образцов. В частности, собраны следующие данные: биологические образцы до и после вмешательства; антропометрические измерения с 2-недельным интервалом; валидированные анкеты по питанию и образу жизни, заполняемые в двух временных точках; цифровые данные, включая изображения потребляемой пищи и данные с носимых датчиков, собранные в течение 14 дней. Насколько известно, AI4FoodDB является первой открытой базой данных, объединяющей изображения еды, информацию с носимых устройств, стандартизированные опросники и биообразцы, собранные в рамках одного клинического вмешательства по снижению веса [28].

Анализ российских приложений показывает, что многие решения слабо адаптированы к специфике отечественной системы здравоохранения, культурно-национальным особенностям питания, гастрономическим предпочтениям и социально-экономическим условиям. В области питания разработан сервис «HiFi — Здравоед», включающий мобильное приложение и интеграцию с системой обязательного медицинского страхования. Дополнительно инструмент НИАП, разработанный ФГБУН «ФИЦ питания и биотехнологии» совместно с ООО «Нутриент Планнер», позволяет автоматизировать анализ рациона и повысить точность диетологических рекомендаций [29].

Применение и эффективность искусственного интеллекта и цифровых технологий в формировании здорового пищевого поведения у взрослых

Несмотря на прогресс в области ИИ, важным ограничением при создании моделей для анализа пищевого поведения остается трудоемкий этап предварительной обработки данных, напрямую влияющий на точность и устойчивость алгоритмов [13].

ИИ часто применяется для анализа причин ожирения, оценки рисков и разработки прецизионных диетических рекомендаций [23, 24]. Так, ИИ выявил ключевые поведенческие предикторы ожирения у детей в виде родительского контроля (ОШ=1,77) и ограничения в питании (ОШ=1,22) [25]. Эти данные создают основу для разработки программ на основе ИИ, направленных на поддержку родителей в формировании здорового пищевого поведения дошкольников.

Машинное обучение также активно используется в системах прогнозирования уровня глюкозы в крови. Модель с байесовским переносом обучения, построенная на данных здоровых добровольцев и адаптированная к пациентам с диабетом, показала повышение точности прогноза постпрандиальной гликемии у 68 женщин с гестационным диабетом [27]. Тем не менее разработка универсальных моделей гликемического ответа остается затруднительной. Преодоление существующих барьеров критически важно для создания ИИ-систем нового поколения, включая замкнутые системы контроля гликемии («искусственная поджелудочная железа») [26].

Анализ форматов предоставления помощи показывает, что цифровые вмешательства не уступают традиционным методам и в ряде случаев превосходят их. Например, участники, выбравшие цифровой формат, теряли в среднем на 0,7—1,1 кг больше по сравнению с теми, кто проходил очные программы [30]. Доказана эффективность ИИ-чат-ботов в повышении физической активности, однако данных об их влиянии на пищевые привычки и массу тела пока недостаточно [31].

Систематический обзор и метаанализ 11 исследований (n=1698) продемонстрировал клинически значимый эффект пищевых вмешательств, основанных на применении технологий ИИ (общий эффект: 9,80; 95% ДИ 7,15—12,45; p<0,001), сопоставимый с традиционными методами. Число пациентов, необходимое для лечения, составило 12, что указывает на высокую практическую значимость ИИ в коррекции пищевого поведения [31].

Исследование H. Chew и соавт. показало, что ИИ-приложение с функциями машинного обучения, анализа пользовательского поведения, чат-ботом и фотоанализом еды способствует значимым улучшениям: снижению переедания и перекусов, повышению саморегуляции, уменьшению депрессии и увеличению физической активности. При этом было зафиксировано 67,1% пропусков приемов пищи (578 из 862), что подчеркивает эффективность машинного обучения в борьбе с перееданием [32, 33].

Доказана эффективность транстеоретической модели в изменении пищевого поведения у пациентов с метаболическим синдромом [34]. В исследовании (n=352) 12-месячная программа привела к статистически значимым улучшениям по стадиям изменений, самоэффективности и балансу решений в интервенционной группе (p<0,001), тогда как улучшения у лиц контрольной группы были менее выражены (p<0,05) [35].

Геймифицированное приложение Greenhabit, протестированное у пациентов с сахарным диабетом 2 типа (n=123), показало, что при равном снижении уровня гликированного гемоглобина (HbA1c) в обеих группах только цифровое вмешательство обеспечило дополнительные метаболические преимущества: снижение индекса массы тела (ИМТ), объема талии, уровня артериального давления, содержания триглицеридов и повышение уровня липопротеинов высокой плотности [36].

Исследование с участием 204 взрослых с избыточным весом и сахарным диабетом 2 типа показало более значительное снижение массы тела (–3,6 кг по сравнению с –1,2 кг) и уровня HbA1c (–0,7% по сравнению с –0,3%) при использовании ИИ-приложения. Наибольший эффект наблюдался у пациентов с HbA1c ≥8% (–1,8%, p=0,001), при этом потребность в гипогликемических препаратах снизилась у 23,3% по сравнению с 5,5% в контрольной группе [37].

Готовность продолжать использование ИИ-приложений для контроля веса выразили 69,4% участников в исследовании с ИМТ 27,2 кг/м² (n=271) [32, 33]. Дополнительно в настоящее время проводится проспективное рандомизированное контролируемое исследование с участием 368 человек, сравнивающее ИИ-программу Sweetch с традиционным обучением [38].

Технологии ИИ также находят применение в спортивной диетологии, способствуя повышению приверженности рациональному питанию у спортсменов [39].

Проведено проспективное перекрестное контролируемое исследование, направленное на оценку осуществимости краткосрочного нутрициологического вмешательства по снижению массы тела у взрослых с избыточной массой тела и ожирением. Всего в исследование включены 100 участников, которые методом рандомизации распределены на две группы. В течение первых 2 нед участники группы 1 использовали традиционные методы сбора данных — ручное заполнение валидированных анкет, тогда как участники группы 2 применяли автоматизированный сбор информации с использованием носимых сенсоров. Программу нутритивной терапии успешно завершили 93 участника. Среднее снижение массы тела составило 2 кг (с 84,99±13,69 до 82,72±13,32 кг; p<0,001). Зафиксировано статистически значимое снижение ИМТ, объема висцерального жира, окружности талии, уровня общего холестерина и гликированного гемоглобина. Эти результаты подтверждают клиническую значимость использования автоматизированных методов сбора данных в нутрициологических вмешательствах [40].

Результаты российского 6-месячного наблюдения показали, что как дистанционная поддержка с элементами цифрового сопровождения, так и режим самоконтроля оказались эффективными в достижении клинически значимого снижения массы тела у взрослых с избыточной массой тела или ожирением. Так, в группе активного вмешательства масса тела снизилась в среднем на 5,0 кг (p<0,05), а в группе самоконтроля — на 4,8 кг (p<0,05). Целевого снижения массы тела (≥5% от исходной) достигли 57,5% участников группы активного наблюдения и 50% — группы самоконтроля, однако межгрупповое различие не достигло статистической значимости (χ²=0,403; p=0,526). Уменьшилась окружность талии на 6,0 см у лиц группы активного наблюдения и на 4,0 см у лиц группы самоконтроля (p<0,05). Программа сопровождалась устойчивыми изменениями пищевого поведения. У лиц обеих групп снизилось потребление жирных мясных и молочных продуктов, жареного картофеля, солений и переработанных мясных изделий, одновременно увеличилось потребление овощей и фруктов (до ≥500 г/сут без учета картофеля) (p<0,05), что соответствует основным принципам рационального питания [41].

Применение искусственного интеллекта и цифровых технологий в формировании здорового пищевого поведения у детей и подростков

Несмотря на активное развитие цифровых вмешательств и вмешательств на основе ИИ в питании взрослых, доказательная база их эффективности в детской и подростковой популяции остается ограниченной [14]. Так, в двух рандомизированных контролируемых исследованиях с участием 105 детей младше 9 лет не выявлены статистически значимые изменения ИМТ. У подростков (10—19 лет) наблюдалась высокая вариативность результатов: изменение ИМТ составило 3,00 кг/м² (95% ДИ –0,26 до 6,26), массы тела — 11,40 кг (95% ДИ –0,47 до 23,27) [42—44]. Тем не менее отдельные цифровые решения с элементами геймификации и ИИ демонстрируют обнадеживающие результаты. Приложения SUKIA и NINS показали эффективность в снижении ИМТ у подростков с ожирением [45], а платформа ENDORSE — в улучшении пищевого поведения и снижении z-оценки ИМТ у детей [46, 47].

В более широком контексте информационно-коммуникационные технологии рассматриваются как интерактивный и экономически эффективный инструмент продвижения здорового питания у подростков. Систематический обзор 11 исследований (n=559) выявил наибольшую эффективность долгосрочных вмешательств с регулярным контактом, основанных на поведенческих теориях и направленных на изменение одного аспекта здоровья. Использовались компьютерные программы, обучающие игры, SMS-уведомления и CD-ROM. Однако разнородность методик, малые выборки и применение невалидированных инструментов ограничивают обобщаемость результатов и подчеркивают необходимость дальнейших исследований высокого уровня доказательности [48].

Примером успешной геймифицированной интервенции является бразильский проект Rango Cards. В кластерном рандомизированном контролируемом исследовании с включением 319 подростков (средний возраст 15,8±0,7 года) участники играли в цифровую карточную игру, основанную на национальных диетических рекомендациях. В течение 7—17 дней они принимали игровые решения, связанные с выбором продуктов и режимом питания. В группе вмешательства снизилась частота приемов пищи во время просмотра телевизора или учебы, сократилось потребление фастфуда, улучшились знания о питании и повысилась самоэффективность в вопросах приготовления здоровой пищи и снижения потребления натрия [49, 50].

Одним из наиболее перспективных направлений цифровизации здравоохранения в педиатрии является применение ИИ для мониторинга состояния пищеварительной системы и рациона питания на ранних этапах жизни. Такие технологии позволяют обеспечить более точный, непрерывный и объективный контроль, особенно в условиях, когда традиционные методы, основанные на самоотчетах родителей, демонстрируют низкую достоверность. Так, в одном из исследований, направленных на оценку консистенции стула у младенцев, проанализированы 905 изображений, предоставленных 98 парами «мать — ребенок». Из них 94% отнесены к категории жидкого стула. Алгоритмы ИИ показали высокую степень согласованности с эталонной оценкой: совпадение составило 95,8%, тогда как аналогичный показатель родительских оценок — только 66,9% [51]. Это подчеркивает преимущество ИИ в диагностике, особенно в семьях с ограниченными ресурсами или повышенным риском послеродовой депрессии. В более широком контексте применения ИИ в оценке рациона питания продемонстрирована высокая точность современных моделей. В зависимости от подхода точность распознавания продуктов достигает 74,0—99,85%, а средняя погрешность при расчете калорийности и содержания нутриентов составляет 10—15%.

Например, использование RGB-D-сенсоров позволило достичь средней абсолютной ошибки 15% при оценке энергетической ценности блюд, в то время как алгоритмы звуковой классификации обеспечили до 94% точности при идентификации факта приема пищи [52].

Дополнительную ценность представляет использование транстеоретической модели, часто интегрируемой в цифровые решения. Такие программы (мобильные приложения, онлайн-курсы, интерактивные платформы) оказались эффективными в формировании навыков увеличения потребления фруктов и овощей, снижения потребления жиров и рационального приготовления пищи. Продолжительность интервенций варьировала от 1 мес до 3 лет, при этом многие участники достигали стадии действия и поддержания, что подчеркивает потенциал долгосрочного цифрового сопровождения и возможностей ИИ для глубокой персонализации питания [53].

Реализация проекта «Ваш выбор» в российских школах наглядно демонстрирует потенциал цифровых платформ в формировании осознанного пищевого поведения у детей. Учащиеся используют гаджеты и электронные карты для самостоятельного выбора блюд, при этом родители сохраняют возможность контроля. Такой подход способствовал росту потребления горячих блюд на 20% и обеспечил лучшее соответствие рациона санитарно-гигиеническим требованиям, а также повысил осознанность школьников в отношении питания [54].

Выводы

1. Интеграция искусственного интеллекта в нутрициологию способствует персонализации питания, оценке пищевых паттернов и прогнозированию риска метаболических заболеваний. Особенно перспективными представляются модели, основанные на машинном обучении и анализе комплексных биоданных, включая микробиом и акселерометрию.

2. Цифровые инструменты и технологии искусственного интеллекта демонстрируют высокую эффективность в коррекции пищевого поведения у взрослых, обеспечивая сопоставимые или превосходящие результаты по сравнению с традиционными вмешательствами. При этом применение искусственного интеллекта способствует не только снижению массы тела, но и улучшению метаболических показателей, таких как уровень гликированного гемоглобина, липидный профиль и объем висцерального жира.

3. Использование носимых устройств и методов автоматизированного сбора данных повышает точность оценки рациона и пищевого поведения, позволяя объективизировать информацию, ранее доступную только с помощью субъективных анкет. Это особенно важно для реализации краткосрочных и долгосрочных вмешательств по контролю массы тела.

4. Применение искусственного интеллекта в педиатрической диетологии и подростковой популяции пока остается на ранней стадии, однако отдельные цифровые решения с элементами геймификации демонстрируют потенциал в изменении пищевых привычек, повышении самоэффективности и снижении индекса массы тела у подростков с ожирением.

5. Основными барьерами к повсеместному внедрению искусственного интеллекта в диетологическую практику остаются трудоемкость предварительной обработки данных, недостаток валидированных клинических данных, а также проблемы этики и конфиденциальности, что означает необходимость междисциплинарного подхода к разработке и реализации цифровых решений в здравоохранении.

Вклад авторов: концепция и дизайн исследования — Авдеева М.В., Гоголева М.Н., Ризаханова О.А.; сбор и обработка материала — Шаталова М.В., Носачева В.С., Сандгартен Л.М., Сигнаевская А.Р., Честный И.С.; статистический анализ данных — Шаталова М.В., Носачева В.С., Сандгартен Л.М., Сигнаевская А.Р., Честный И.С.; написание текста — Шаталова М.В., Носачева В.С., Сандгартен Л.М., Сигнаевская А.Р., Честный И.С.; научное редактирование — Авдеева М.В., Гоголева М.Н., Ризаханова О.А.

Авторы заявляют об отсутствии конфликта интересов.

Authors contribution: study design and concept — Avdeeva M.V., Gogoleva M.N., Rizakhanova O.A.; data collection and processing — Shatalova M.V., Nosacheva V.S., Sandgarten L.M., Signaevskaya A.R., Chestnyi I.S.; statistical analysis — Shatalova M.V., Nosacheva V.S., Sandgarten L.M., Signaevskaya A.R., Chestnyi I.S.; text writing — Shatalova M.V., Nosacheva V.S., Sandgarten L.M., Signaevskaya A.R., Chestnyi I.S.; scientific editing — Avdeeva M.V., Gogoleva M.N., Rizakhanova O.A.