La révolution de la nutrition de précision par l'IA : une revue complète

La nutrition de précision est une approche avancée de la planification alimentaire qui adapte les conseils nutritionnels aux caractéristiques individuelles, notamment la génétique, le mode de vie et les facteurs environnementaux. L'intégration de l'intelligence artificielle (IA) dans la nutrition de précision ouvre des opportunités sans précédent pour améliorer l'efficacité et la personnalisation des recommandations nutritionnelles. L'IA peut analyser de vastes quantités de données provenant de diverses sources, telles que des profils multiomiques, des habitudes alimentaires et des antécédents médicaux, permettant d'identifier des besoins alimentaires nuancés au niveau individuel. Cette revue explore les dernières avancées en matière d'IA et leurs applications dans la nutrition de précision.

Une stratégie de revue de portée (scoping review) suivant l'extension Preferred Reporting Items for Systematic reviews and Meta-Analyses pour les revues de portée (PRISMA-ScR) a été utilisée. Les critères d'inclusion comprenaient des articles datant du 8 décembre 2014 au 28 mai 2024, en anglais, provenant de bases de données académiques réputées. Les mots-clés de recherche ont été classés en nutrition de précision, IA et traitement du langage naturel. Les critères d'exclusion comprenaient les éditoriaux, les errata, les lettres, les notes, les commentaires et les études sur les animaux. Au total, 198 articles pertinents ont été inclus dans cette revue de littérature.

Les 198 articles ont été diffusés dans 142 lieux, comprenant 98 revues et 44 conférences. Les revues ont été classées manuellement en cinq catégories distinctes : Médecine Clinique, Sciences de l'Alimentation et de la Nutrition, Informatique, Sciences Informatiques et Biologie. Cette répartition reflète un niveau élevé d'intérêt et d'activité en Médecine Clinique et en Informatique, suggérant un fort accent sur l'application des techniques d'IA dans des contextes cliniques pour des interventions nutritionnelles personnalisées ou des applications médicales.

Parmi les 198 publications analysées, 99 ont spécifiquement étudié une ou plusieurs maladies. Les trois maladies les plus étudiées sont le diabète, les maladies cardiovasculaires et les cancers. Les maladies moins étudiées comprennent les troubles gastro-intestinaux, les maladies neurodégénératives, les troubles alimentaires, les troubles de santé mentale, l'obésité, la fatigue oculaire, le COVID-19, les allergies alimentaires et les maladies de la peau. La recherche sur ces maladies moins étudiées a principalement émergé après 2020.

Les principales applications de l'IA en nutrition de précision sont l'optimisation de la santé, la prévention des maladies et la gestion des maladies. L'optimisation de la santé vise à améliorer le bien-être des individus grâce à des interventions nutritionnelles personnalisées utilisant diverses approches d'IA. La prévention des maladies se concentre sur l'utilisation de l'IA pour prédire et prévenir l'apparition de maladies grâce à des recommandations alimentaires personnalisées. La gestion des maladies implique l'utilisation de l'IA pour aider à la gestion des maladies existantes grâce à des plans nutritionnels adaptés.

La revue met en évidence les divers ensembles de données utilisés dans la littérature et résume les méthodologies et les métriques d'évaluation pour guider les études futures. Les méthodes d'IA sont systématiquement catégorisées, chaque méthode étant décrite avec des exemples issus de la recherche en nutrition de précision. Les métriques d'évaluation utilisées pour évaluer les modèles d'IA sont également catégorisées et expliquées avec des exemples pertinents.

La revue souligne l'importance des perspectives minoritaires et culturelles dans la promotion de l'équité pour la nutrition de précision utilisant l'IA. Elle explore l'impact et le potentiel de divers facteurs, tels que les aspects socio-économiques, la sensibilité culturelle, l'accessibilité technologique et la littératie numérique, les préoccupations éthiques et de confidentialité, les besoins nutritionnels personnalisés, les approches communautaires, ainsi que les politiques et le plaidoyer, sur l'IA pour la nutrition de précision.

La recherche future devrait intégrer davantage les facteurs minoritaires et culturels pour exploiter pleinement le potentiel de l'IA en nutrition de précision. Il est nécessaire de mener des recherches plus complètes, de fournir des informations détaillées sur les méthodes de recherche et les matériaux de recherche, y compris des liens et des descriptions détaillés des ensembles de données. Il est également crucial de remédier à la fragmentation des connaissances et aux schémas de publication dispersés.

Cette revue de portée offre un aperçu complet du paysage actuel de l'IA en nutrition de précision, mettant en évidence les avancées, les défis et les orientations futures. En examinant les lieux de publication, les maladies ciblées, les applications, les ensembles de données, les méthodes d'IA, les métriques d'évaluation et les facteurs minoritaires et culturels, cette revue améliore la compréhension du potentiel de l'IA en nutrition de précision et fournit de nouvelles orientations pour la recherche future.

AD : maladie d'Alzheimer, IA : intelligence artificielle, ANOVA : analyse de variance, AUC : aire sous la courbe, AUROC : aire sous la courbe caractéristique d'opération du récepteur, CGM : surveillance continue du glucose, CRC : cancer colorectal, DSS : système d'aide à la décision, EHR : dossier de santé électronique, EN : nutrition entérale, FEL : liste d'échanges alimentaires, FFQ : questionnaire de fréquence alimentaire, HbA1c : hémoglobine A1c, HEI : indice d'alimentation saine, ICU : unité de soins intensifs, LLM : grand modèle linguistique, LSTM : mémoire à long court terme, MIMIC-IV : Medical Information Mart for Intensive Care IV, NLP : traitement du langage naturel, PPGR : réponse glycémique postprandiale