DOI: https://doi.org/10.1093/pnasnexus/pgae461
PMID: https://pubmed.ncbi.nlm.nih.gov/39677367
تاريخ النشر: 2024-10-15
المؤلف: Regan L Bailey وآخرون
الموضوع الرئيسي: تحليل البيانات الشامل والمراجعات المنهجية
نظرة عامة
تحدد هذه القسم الدور الحاسم لتجميع الأدلة في إبلاغ سياسة الغذاء والتغذية، مع تسليط الضوء على الحواجز المهمة مثل نقص البيانات عالية الجودة، وتعقيد علاقات النظام الغذائي بالأمراض، والموارد الواسعة المطلوبة للمراجعات المنهجية. تعيق هذه التحديات الترجمة الفورية للنتائج العلمية إلى سياسة قابلة للتنفيذ.
يتم تقديم الذكاء الاصطناعي (AI) كحل تحويلي يمكن أن يعزز فهمنا للأمراض المزمنة المرتبطة بالنظام الغذائي من خلال توضيح أسبابها المعقدة والاختلافات الفردية. بالإضافة إلى ذلك، لدى الذكاء الاصطناعي القدرة على توليد بيانات جديدة محسوبة بشأن فعالية التدخلات الغذائية وأتمتة عملية المراجعة المنهجية، مما يسرع من اتخاذ القرارات المستندة إلى الأدلة في مجال الغذاء والتغذية. تعكس هذه الملخص المناقشات من اجتماع نظمته الأكاديمية الوطنية للعلوم والهندسة والطب، مع التركيز على التطبيقات الحالية والمستقبلية للذكاء الاصطناعي في هذا المجال.
مقدمة
تؤكد مقدمة ورقة البحث على الدور الحاسم للمراجعات المنهجية (SRs) في تشكيل سياسات الغذاء والتغذية المستندة إلى العلم. تقوم المراجعات المنهجية بتجميع الأدلة لتقييم موثوقية البيانات العلمية، وهو أمر ضروري لوضع التوصيات الغذائية مثل المدخولات المرجعية الغذائية (DRIs) والإرشادات الغذائية للأمريكيين. تُعلم هذه الإرشادات سياسات متنوعة، بما في ذلك تعزيز الغذاء والتعليم الغذائي، وهي ضرورية في معالجة الأمراض المزمنة المرتبطة بالنظام الغذائي التي تؤثر بشكل كبير على تكاليف الرعاية الصحية في الولايات المتحدة.
ومع ذلك، تحدد الورقة عدة حواجز أمام صنع السياسات الفعالة المستندة إلى العلم، بما في ذلك نقص البيانات عالية الجودة، والتكاليف المرتبطة بتوليد مثل هذه البيانات، وتعقيد مشهد الأدبيات. تتفاقم التحديات بسبب الطبيعة المعقدة للأمراض المزمنة، التي تنشأ من تفاعلات متعددة العوامل بين العناصر الغذائية وعوامل نمط الحياة، مما يجعل من الصعب تطبيق نماذج نقص العناصر الغذائية التقليدية على الوقاية من الأمراض المزمنة. استجابت الأكاديميات الوطنية للعلوم والهندسة والطب لهذه التعقيدات من خلال توسيع الفئة المستهدفة للمدخولات المرجعية الغذائية لتشمل الأفراد المعرضين لخطر الأمراض المزمنة، مما يزيد من تعقيد البيانات المطلوبة لتطوير إرشادات غذائية فعالة.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على الإمكانيات التحويلية للذكاء الاصطناعي (AI) في مجال تجميع الأدلة الغذائية. لقد تقدمت تقنيات الذكاء الاصطناعي، وخاصة نماذج اللغة الكبيرة (LLMs)، بشكل كبير بفضل التحسينات في خوارزميات تقدير المعلمات، والبنية التحتية الحاسوبية، وتوافر مجموعات بيانات ضخمة. تمكنت هذه التقدمات الذكاء الاصطناعي من أتمتة وتسريع تجميع المراجعات المنهجية (SRs)، مما يوفر معلومات علمية شاملة وفي الوقت المناسب لصانعي القرار. ومع ذلك، فإن القيود الحالية في جودة البيانات وندرتها، خاصة فيما يتعلق بالمدخول الغذائي والبيانات الحيوية الغذائية في السجلات الطبية الإلكترونية (EMRs)، تشكل تحديات لفعالية تطبيقات الذكاء الاصطناعي في هذا المجال.
تؤكد هذه القسم أيضًا على تعقيد وضع التوصيات العلمية لتقليل مخاطر الأمراض المزمنة من خلال التغذية، والتي تتفاقم بسبب التباين الفردي في الاستجابات الغذائية والطبيعة متعددة الأوجه لأنظمة الغذاء. يتم استكشاف أدوات الذكاء الاصطناعي، بما في ذلك الرسوم البيانية المعرفية، لفهم هذه التعقيدات بشكل أفضل ولإبلاغ استراتيجيات التغذية الدقيقة. على سبيل المثال، أظهر محرك المعرفة المفتوحة للطب الدقيق القابل للتوسع (SPOKE) القدرة على التنبؤ بمخاطر الأمراض بناءً على البيانات الغذائية، مما يبرز إمكانية الذكاء الاصطناعي لتعزيز التدخلات الغذائية الشخصية. بالإضافة إلى ذلك، يهدف دمج الذكاء الاصطناعي في عملية تجميع الأدلة إلى تبسيط إنتاج مراجعات عالية الجودة، مع إظهار الأساليب الهجينة بين الإنسان والذكاء الاصطناعي وعدًا في تقليل عبء العمل وتحسين كفاءة فحص الأدبيات للمراجعات المنهجية. بشكل عام، بينما يقدم الذكاء الاصطناعي فرصًا كبيرة لتقدم علم التغذية، يبقى النظر بعناية في جودة البيانات وقابلية تفسير النماذج أمرًا حاسمًا لتنفيذه الناجح.
DOI: https://doi.org/10.1093/pnasnexus/pgae461
PMID: https://pubmed.ncbi.nlm.nih.gov/39677367
Publication Date: 2024-10-15
Author(s): Regan L Bailey et al.
Primary Topic: Meta-analysis and systematic reviews
Overview
The section outlines the critical role of evidence synthesis in informing food and nutrition policy, highlighting significant barriers such as insufficient high-quality data, the complexity of diet-disease relationships, and the extensive resources required for systematic reviews. These challenges hinder the timely translation of scientific findings into actionable policy.
Artificial intelligence (AI) is presented as a transformative solution that can enhance our understanding of diet-related chronic diseases by elucidating their complex etiology and individual variations. Additionally, AI has the potential to generate new computed data regarding the efficacy of nutrition interventions and to automate the systematic review process, thereby expediting evidence-based decision-making in food and nutrition. This summary reflects discussions from a meeting organized by the National Academy of Sciences, Engineering, and Medicine, focusing on the current and future applications of AI in this domain.
Introduction
The introduction of the research paper emphasizes the critical role of systematic reviews (SRs) in forming science-informed food and nutrition policies. SRs synthesize evidence to assess the trustworthiness of scientific data, which is essential for establishing dietary recommendations such as the Dietary Reference Intakes (DRIs) and the Dietary Guidelines for Americans. These guidelines inform various policies, including food fortification and nutrition education, and are crucial in addressing diet-related chronic diseases that significantly impact healthcare costs in the United States.
However, the paper identifies several barriers to effective science-informed policy-making, including a lack of high-quality data, the costs associated with generating such data, and the complexity of the literature landscape. The challenges are compounded by the intricate nature of chronic diseases, which arise from multifactorial interactions among nutrients and lifestyle factors, making it difficult to apply traditional nutrient deficiency models to chronic disease prevention. The National Academies of Sciences, Engineering, and Medicine have responded to these complexities by broadening the target population for DRIs to include individuals at risk for chronic diseases, thereby increasing the complexity of data needed for developing effective food and nutrition guidelines.
Discussion
The discussion section of the research paper highlights the transformative potential of artificial intelligence (AI) in the field of nutrition evidence synthesis. AI technologies, particularly large language models (LLMs), have advanced significantly due to improvements in parameter estimation algorithms, computing infrastructure, and the availability of vast datasets. These advancements enable AI to automate and expedite the synthesis of systematic reviews (SRs), thereby providing timely and comprehensive scientific information for decision-makers. However, the current limitations in data quality and sparsity, particularly regarding dietary intake and nutritional biomarkers in electronic medical records (EMRs), pose challenges to the effectiveness of AI applications in this domain.
The section further emphasizes the complexity of establishing scientific recommendations for chronic disease risk reduction through nutrition, which is compounded by individual variability in dietary responses and the multifaceted nature of food systems. AI tools, including knowledge graphs, are being explored to better understand these complexities and to inform precision nutrition strategies. For instance, the Scalable Precision Medicine Open Knowledge Engine (SPOKE) has demonstrated the ability to predict disease risk based on dietary data, showcasing the potential for AI to enhance personalized nutrition interventions. Additionally, the integration of AI in the evidence synthesis process aims to streamline the generation of high-quality reviews, with hybrid human-AI approaches showing promise in reducing the workload and improving the efficiency of literature screening for SRs. Overall, while AI presents significant opportunities for advancing nutrition science, careful consideration of data quality and model interpretability remains crucial for its successful implementation.