
-
生物通官微
陪你抓住生命科技
跳动的脉搏
机器学习能够通过各种环境因素来预测进食时的饮食多样性
《Proceedings of the Nutrition Society》:Machine learning enables prediction of dietary diversity at eating occasions via contextual factors
【字体: 大 中 小 】 时间:2026年07月04日 来源:Proceedings of the Nutrition Society 7.1
编辑推荐:
摘要 此内容不支持核心分享和HTML查看功能。不过,由于您有权访问该内容,可通过“保存PDF”按钮获取完整的PDF版本。 健康的饮食应包含多种营养丰富的食物,而饮食多样性——即摄入足够多样的营养食物类别——是判断营养状况的重要指标,且与降低非传染性疾病风险相关(1)。不过,对于多
健康的饮食应包含多种营养丰富的食物,而饮食多样性——即摄入足够多样的营养食物类别——是判断营养状况的重要指标,且与降低非传染性疾病风险相关(1)。不过,对于多样性的定义和衡量方法存在差异,大多数方法采用简单的计数方式(2)。本研究旨在通过分析进食场合的多样性,来同时了解所摄入食物类别的数量(覆盖度)以及这些类别中的摄入分布情况(均衡性),因为情境因素可能会影响人们的饮食选择(3)。此外,本研究还试图利用机器学习模型来预测进食场合的饮食多样性。研究分析了“日常生活饮食状况调查”中的数据,该调查针对的是18至30岁的年轻人,样本量为675人。人们通过手机应用在3到4个不连续的日子里记录自己的饮食情况,食物被归类为澳大利亚饮食指南规定的五类。一个进食场合被定义为在15分钟内开始进食、总热量至少为210千焦的所有食物和饮料。每个进食场合的食品类别间多样性得分是通过香农指数计算得出的,同时也会评估蔬菜种类的多样性。K均值聚类算法将不同的进食场合分为多样性高和多样性低的组别。研究者使用韦尔奇t检验和卡方检验来比较个体层面和进食场合层面的情境因素。梯度提升模型和随机森林模型被用来预测进食场合的多样性,模型的性能和变量重要性则是通过局部可解释模型无关解释方法来评估的。研究结果表明,那些符合运动建议且来自朋友的社会支持较多的参与者,其进食场合的饮食多样性更高(分别为p = 0.0017和p = 0.0038)。在多样性较低的进食场合,独自进食的情况更为常见,而有家人、朋友或其他人在场的进食场合则饮食多样性更高(p < 0.0001)。在咖啡馆/餐厅以及拜访家人或朋友时,进食场合的多样性也更高(p < 0.0001),而在工作场所、学校或出行途中,饮食多样性则较低。在预测食品类别间多样性以及蔬菜种类多样性方面,随机森林模型的表现优于梯度提升模型(准确率分别为0.83 vs. 0.64和0.81 vs. 0.68)。在各类模型中,年龄和自我效能感都是最强的预测因子,随机森林模型还指出,准备饭菜和食物的可获得性也是影响进食场合饮食多样性的关键因素。LIME分析显示,收入、准备饭菜的情况、运动习惯以及自我效能感等个体层面因素对不同进食场合的饮食多样性有着一致但较轻微的影响。相比之下,进食场合层面的情境因素则会产生更多样化且更显著的影响,其中有些因素甚至能显著提高饮食多样性。这些研究结果凸显了进食场合的情境因素在塑造饮食多样性方面的重要作用,表明利用机器学习技术针对进食场合的这些因素进行干预,有望有效帮助年轻人养成多样且营养充足的饮食习惯。