在2020年世界胰島素抵抗、糖尿病和心血管疾病大會上，斯坦福大學醫學院Tracey McLaughlin教授報告，人工智慧（AI）可用於根據個體特定生理狀況量身定製飲食，而持續葡萄糖監測（CGM）可以“訓練”這樣的演算法來識別特定食物攝入後的模式。

Tracey McLaughlin

McLaughlin報告，在非糖尿病人群中，飲食減重的獲益在胰島素抵抗與胰島素敏感的個體之間存在不同。研究表明，對同一餐的餐後血糖反應存在高度的個體差異。透過AI，可以從這些個體獲取資料，並將其輸入計算機演算法中以識別不同的模式。透過訓練，可以預測特定食物、活動或睡眠模式後的預期血糖升高，從而建立“精準飲食”。

CGM通常用於跟蹤糖尿病患者的血糖波動，可以用來“訓練”這種演算法，以預測葡萄糖反應。問題是，這些飲食建議是否適合所有的患者？她一直認為事實並非如此。多年來的研究已經證明，與胰島素敏感的個體相比，減重獲益和飲食變化特別是大量營養素的改變，對胰島素抵抗的個體影響更明顯。

同樣的食物，不同的反應

McLaughlin指出，評估精準飲食是否有效的研究並不多；然而，一些試驗資料表明其或許有效。在2015年發表於Cell上的一項研究中，研究人員使用CGM監測了800例受試者1周內的血糖水平，觀察其對46 898次進食的反應，結果發現受試者對相同食物的反應差異很大，這表明通用飲食建議的效用可能有限。研究人員設計了一種機器學習演算法，綜合了該佇列中檢測的血液指標、飲食習慣、人體測量學、體力活動和腸道微生物群。基於該演算法的盲態、隨機對照飲食干預顯著降低了餐後反應，腸道菌群結構也發生了一致的改變。研究表明，如果想透過攝入的碳水化合物或熱量來預測餐後葡萄糖反應，結果不是很好。但是，他們的模型實際上要好得多。一旦訓練完畢，它就能更好地預測實際的餐後葡萄糖反應。

在2020年發表在Nature Medicine上的一項最新預測研究中，研究人員分析了英國1002對雙胞胎和無親屬關係的健康成人資料，並在臨床和家庭環境中評估了餐後代謝反應。研究人員觀察到，在對同一餐的餐後代謝反應上，存在相當大的個體差異，這對標準飲食建議的邏輯提出了挑戰。研究人員開發了一種機器學習模型，可以預測甘油三酯和血糖對食物攝入的反應。

McLaughlin說，除了評估方法的可擴充套件性和預測演算法的準確性，這些發現意味著至少從心臟代謝健康角度來看，在全人口範圍內，個體化營養策略具有預防疾病的潛力。

構建“最佳”飲食

McLaughlin和來自斯坦福精準健康與綜合診斷中心（PHIND）的研究人員目前正在收集使用CGM（Dexcom）、睡眠和活動追蹤器（FitBit）、食物記錄應用程式（Cronometer）的志願者資料，此外還進行代謝、基因組和微生物組檢測。利用AI，研究人員正試圖根據CGM對標準化測試餐、詳細的飲食日記、活動、睡眠模式和組學資料的反應，為每例受試者構建“最佳”飲食。研究結束時，根據食物記錄過程中所進行的“訓練”，專業營養師或計算機演算法會推薦吃什麼食物，CGM可以將各種食物、用餐時間和其他生活方式因素與血糖波動聯絡起來。

和其他研究一樣，McLaughlin等人也觀察到，吃相同食物的受試者之間的血糖差異很大。即使將結果與他們的基線飲食和非“不良”飲食進行比較，似乎60%的人可以從這些模式學習中受益。他們也沒有經歷太多的低血糖。如果患者的低血糖和高血糖均減少，不能只看平均血糖水平，這些模式或許能提供幫助。

參考文獻：McLaughlin T. Continuous glucose monitoring for precision diets. Presented at: World Congress on Insulin Resistance, Diabetes & Cardiovascular Disease; Dec. 3-6, 2020 (virtual meeting).