护理研究

作者	国家	技术基础及应用	病例	应用范畴	应用效果
尹婷婷等^[15]	中国	食物频次矩阵分析病人3 d饮食数据，筛选高频食物；多目标粒子群优化算法输出各类营养素具体含量；协同过滤算法输出食材	炎症性肠病病人20例，每例病人进行3 d膳食调查	健康膳食推荐	膳食推荐准确率80.0%~100.0%，平均准确率95.5%；6种营养素中有5种误差在20%以内，平均误差12.6%；构建了符合病人膳食偏好的个性化膳食推荐方案
Jiang等^[16]	中国	iNutrition小程序，算法根据收集到的每例病人的饮食偏好、手术后肠道功能的恢复和营养需求，生成具体的饮食要求和每周膳食计划	108例胃癌胃切除术后病人，对照组及干预组各54例，干预12周	个体化饮食方案设计	iNutrition干预改善病人营养行为及能量摄入(P<0.05)，符合能量需求及蛋白质要求
Ruiz-Leon等^[17]	西班牙	应用Greenhabit 应用程序，依据病人临床基线资料，通过推荐系统生成病人个性化行为干预内容	123例2型糖尿病病人，干预组61例，对照组62例，共干预12周	包含饮食管理在内的自我管理	干预组心血管风险因素和体质指数、腰围改善更明显，橄榄油、坚果和豆类消费增加，总脂肪和单不饱和脂肪酸摄入增加且高于对照组；社交功能改善，焦虑和身体疼痛感知减轻，身体活动增加
Sharp等^[18]	澳大利亚	使用聊天机器人，通过与病人对话、提供短视频及互动，对病人实施症状评估，心理教育、监测规律饮食	60例饮食失调症病人，试验组和对照组各30例，干预3个月	饮食行为干预	干预组社会心理障碍、抑郁、焦虑的降低更为显著
Tunali等^[19]	土耳其	通过机器学习进行微生物组分析，计算出肠易激综合征指数及个体所需微生物组调节量，个体化营养模型估算降低肠易激综合征指数所需的营养成分，算法进一步依据模型生成的饮食建议制定个性化饮食方案	121例肠易激综合征病人，干预组70例，对照组51例，共干预6周	个性化饮食干预	干预组对各亚型肠易激综合征症状严重程度评分（IBS-SSS）和肠易激综合征生活质量评分（IBS-QOL）改善更显著，肠道微生物组多样性和有益菌丰度增加
Sun等^[20]	中国	基于数字微护理干预模型，使用专家系统和知识图谱等技术构建饮食指导和行为矫正数据库，系统根据饮食相关问卷、病史收集以及体检结果，生成个性化饮食建议和行为矫正建议	54例≥60岁高血压病人，试验组23例，对照组31例，共干预12周	包括饮食管理在内的健康行为干预方案	试验组收缩压、运动时间、代谢当量、药物依从性、血压监测频率和学习成绩方面均有更好改善，增强了病人健康行为依从性
Han等^[21]	新加坡	通过Nutritionist Buddy应用程序，基于参与者在应用程序中的输入数据（如食物摄入、血糖、体重、体育活动等），通过应用程序仪表板提供个性化健康指导	148例糖尿病前期病人，对照组76例，干预组72例，共干预6个月	包含饮食管理在内的生活方式干预	干预组替代健康饮食指数-2010（AHEI-2010）总分较对照组提高6.2分，含糖饮料和钠摄入量降低，饮食质量随时间改善
Lee等^[22]	韩国	基于物体检测和卷积神经网络的深度学习技术能够实现食物的识别，通过单张餐食照片识别多种食物，自动生成饮食和营养数据（包括食物种类、热量等）	294例2型糖尿病病人，随机分为3组，共随访48周	饮食识别，营养干预	A组接受常规糖尿病护理；B组自行使用数字综合健康护理平台；C组使用医务人员反馈平台，间歇性应用个人连续血糖监测。B组、C组糖化血红蛋白及体重控制优于A组
Celano等^[23]	美国	算法驱动的自适应短信干预(TMI)，通过病人反馈实时生成调整消息，反馈循环；TMI可以随时间推移进行调整，生成定制的病人健康信息	15例2型糖尿病病人，共干预8周，失访1例，退出1例	包括饮食管理的健康行为干预	短信100%成功发送，回复率79%；病人接受度高，饮食依从性改善
Chen等^[24]	中国	应用小程序，依据病人上传的数据、选择以及记录，自动生成个性化健康管理建议，以及关于饮食数量、种类的个性化反馈	138例代谢综合征病人；类实验研究，干预12周，干预组和对照组各69例	包括饮食管理的健康行为干预	干预组在饮食行为、身体活动行为、饮食自我效能、身体活动自我效能、代谢综合征知识、身体健康和心理健康等方面有显著改善
Sakane等^[25]	日本	用户提供健康相关信息，如锻炼、饮食健康习惯、生活方式习惯等，经应用程序评估后筛选出聊天机器人支持的健康行为信息，筛选完毕再反馈给用户，从而改善用户的健康行为	78例40~64岁超重高血压病人，干预组和对照组各39例，干预3个月	包括饮食管理的健康行为干预	干预组每日测体重、佩戴计步器和血压监测的依从性高于对照组，体重和体质指数显著下降，饮食行为更健康
沈兴蓉^[26]	中国	基于人机协同咨询数据，收集病人24 h内饮食数据，设计饮食干预路线图和行为干预素材库，自动优化形成饮食干预方案	3 005例高血压病人，随机分为干预组1 488例和对照组1 517例，干预6个月	个性化饮食干预方案设计及应用	干预组81.0%病人接收过高血压饮食相关短信，其中47.2%表示会按照短信推荐内容去做；83.0%接到过高血压定期反馈报告；饮食知识、态度、行为评分得到提高，能量摄入和血压水平下降
刘庆^[27]	中国	基于数据挖掘、时序建模的饮食偏好预测对病人饮食偏好进行预测；基于营养病志数据的饮食约束预测模型生成病人建议食物量	14例慢性病病人，基于个人饮食记录构建饮食偏好模型	个性化饮食推荐系统设计及应用	基于时序建模饮食偏好预测模型，性能效果上达到最优，准确率达到18.06%，超越其他模型
Karakan等^[28]	土耳其	基于机器学习模型生成的 IBS指数，估算实现微生物组调节所需的最佳微量营养素组成。通过Metropolis 抽样法，以较小概率随机扰动基线微生物组组成，接受能降低IBS指数的扰动，找到基线附近低IBS指数的微生物组组成，进而估算实现该组成所需的个性化营养成分，再由经验丰富的营养师结合病人生活方式将微量营养素谱整合到饮食清单中	25例肠易激综合征病人，按照病人年龄、性别等特征分为试验组14例和对照组11例，干预6周	个体化饮食干预	试验组14例病人接受个性化营养，干预前后IBS-SSS评分改善，肠道益生菌属种类增加
曾芝兰^[29]	中国	数据挖掘建立慢性病病人的专属食谱、食材数据库；病人画像计算病人营养素需求评估模型，挖掘慢性病特征标签；推荐算法挖掘病人个性化需求的饮食推荐结果	慢性病，尤其是多病共存病人。抽取了10例慢性肾脏病病人进行系统测试	饮食推荐、饮食结构优化方案设计	在推荐系统中，“点餐”模式下病人使用成功率为99%，“菜市场”模式下成功率为100%，“智能推荐”模式下成功率为88%
Rafferty等^[30]	美国	使用Heali应用程序，扫描识别菜单和条形码，根据用户特定的个性化饮食计划提供营养信息和建议。应用程序生成不同颜色代表其饮食偏好，对食物进行匹配	25例肠易激综合征病人，干预组14例，对照组11例，共干预30 d	饮食健康教育	干预组生活质量评分改善，IBS-SSS评分降低更为显著
王卿宇等^[31]	中国	构建移动程序“爱心康”管理平台，可根据病人情况自动生成饮食计划，指导病人行为；病人输入问题可获得即时智能回答	134例冠心病病人，试验组68例和对照组66例，干预1个月	饮食行为干预	1个月随访时干预组低盐少油饮食、盐摄入量、油摄入量及蔬菜摄入量达标情况均优于对照组
Alfonsi等^[32]	加拿大	基于算法卷积神经网络进行食物图像识别，进而计算病人糖类摄入量，在 200 种常见食物上测试准确性，要求报告的糖类含量与真实净糖类值（总糖类减纤维）误差在10 g内	青少年1型糖尿病病人16例，共干预3个月	食物图像识别、饮食评估	通过构建iSpy程序，病人糖类计数准确性提高；研究结束时，43%的iSpy 参与者仍然使用，至少每2周使用1次
Popp等^[33]	美国	基于机器学习算法(PNP个性化营养项目)预测个体对食物的血糖反应，评估生成病人的膳食等级；参与者每日在智能手机应用中查看餐食记录的总热量目标，同时收到针对应用中输入食物的个性化餐后血糖反应预测反馈	肥胖的2型糖尿病或糖尿病前期病人164例，随机分为干预组与对照组各82例，干预6个月	个体化饮食预测、饮食行为干预	干预组在6个月时减重效果优于对照组；个性化饮食可能通过改善食物血糖反应、减轻血糖波动和炎症，增强减重效果
Abu-Saad等^[34]	以色列	基于数据挖掘的I-ACE软件，支持收集有关习惯性饮食和身体活动行为数据，并使用这些数据生成可实施的、以图形方式显示的总结措施；支持营养师-病人团队构建和跟踪个性化定制的健康生活方式计划	每组25例2型糖尿病病人，共干预6个月	包括饮食管理在内的健康行为干预方案设计、饮食咨询	试验组24例病人和对照组21例病人分别完成了I-ACE和标准生活方式建议主要结局最终评估。试验组糖尿病相关的生活方式知识比对照组增长更快
Eyles等^[35]	新西兰	使用SaltSwitch应用程序，使用智能手机摄像头扫描包装食品的条形码，程序可自动生成红绿灯营养标签，以及低盐替代食品列表	66例心血管疾病病人，干预组33例，对照组33例，干预6周	低盐饮食行为干预	干预组干预4周后每人每天减少食用0.7 g盐
Chee等^[36]	马来西亚	基于跨文化糖尿病营养算法(tDNA)的结构化生活方式干预，生成饮食计划。病人通过tDNA工具包接受饮食教育，内容包括健康饮食活页图、14 d饮食计划以及经过文化适配的体力活动和锻炼相关信息等	230例超重/肥胖、2型糖尿病病人，共干预6个月	结构化饮食干预方案设计	干预后6个月病人糖化血红蛋白、体重、空腹血糖、收缩压降低

作者	国家	技术基础及应用	病例	应用范畴	应用效果
尹婷婷等^[15]	中国	食物频次矩阵分析病人3 d饮食数据，筛选高频食物；多目标粒子群优化算法输出各类营养素具体含量；协同过滤算法输出食材	炎症性肠病病人20例，每例病人进行3 d膳食调查	健康膳食推荐	膳食推荐准确率80.0%~100.0%，平均准确率95.5%；6种营养素中有5种误差在20%以内，平均误差12.6%；构建了符合病人膳食偏好的个性化膳食推荐方案
Jiang等^[16]	中国	iNutrition小程序，算法根据收集到的每例病人的饮食偏好、手术后肠道功能的恢复和营养需求，生成具体的饮食要求和每周膳食计划	108例胃癌胃切除术后病人，对照组及干预组各54例，干预12周	个体化饮食方案设计	iNutrition干预改善病人营养行为及能量摄入(P<0.05)，符合能量需求及蛋白质要求
Ruiz-Leon等^[17]	西班牙	应用Greenhabit 应用程序，依据病人临床基线资料，通过推荐系统生成病人个性化行为干预内容	123例2型糖尿病病人，干预组61例，对照组62例，共干预12周	包含饮食管理在内的自我管理	干预组心血管风险因素和体质指数、腰围改善更明显，橄榄油、坚果和豆类消费增加，总脂肪和单不饱和脂肪酸摄入增加且高于对照组；社交功能改善，焦虑和身体疼痛感知减轻，身体活动增加
Sharp等^[18]	澳大利亚	使用聊天机器人，通过与病人对话、提供短视频及互动，对病人实施症状评估，心理教育、监测规律饮食	60例饮食失调症病人，试验组和对照组各30例，干预3个月	饮食行为干预	干预组社会心理障碍、抑郁、焦虑的降低更为显著
Tunali等^[19]	土耳其	通过机器学习进行微生物组分析，计算出肠易激综合征指数及个体所需微生物组调节量，个体化营养模型估算降低肠易激综合征指数所需的营养成分，算法进一步依据模型生成的饮食建议制定个性化饮食方案	121例肠易激综合征病人，干预组70例，对照组51例，共干预6周	个性化饮食干预	干预组对各亚型肠易激综合征症状严重程度评分（IBS-SSS）和肠易激综合征生活质量评分（IBS-QOL）改善更显著，肠道微生物组多样性和有益菌丰度增加
Sun等^[20]	中国	基于数字微护理干预模型，使用专家系统和知识图谱等技术构建饮食指导和行为矫正数据库，系统根据饮食相关问卷、病史收集以及体检结果，生成个性化饮食建议和行为矫正建议	54例≥60岁高血压病人，试验组23例，对照组31例，共干预12周	包括饮食管理在内的健康行为干预方案	试验组收缩压、运动时间、代谢当量、药物依从性、血压监测频率和学习成绩方面均有更好改善，增强了病人健康行为依从性
Han等^[21]	新加坡	通过Nutritionist Buddy应用程序，基于参与者在应用程序中的输入数据（如食物摄入、血糖、体重、体育活动等），通过应用程序仪表板提供个性化健康指导	148例糖尿病前期病人，对照组76例，干预组72例，共干预6个月	包含饮食管理在内的生活方式干预	干预组替代健康饮食指数-2010（AHEI-2010）总分较对照组提高6.2分，含糖饮料和钠摄入量降低，饮食质量随时间改善
Lee等^[22]	韩国	基于物体检测和卷积神经网络的深度学习技术能够实现食物的识别，通过单张餐食照片识别多种食物，自动生成饮食和营养数据（包括食物种类、热量等）	294例2型糖尿病病人，随机分为3组，共随访48周	饮食识别，营养干预	A组接受常规糖尿病护理；B组自行使用数字综合健康护理平台；C组使用医务人员反馈平台，间歇性应用个人连续血糖监测。B组、C组糖化血红蛋白及体重控制优于A组
Celano等^[23]	美国	算法驱动的自适应短信干预(TMI)，通过病人反馈实时生成调整消息，反馈循环；TMI可以随时间推移进行调整，生成定制的病人健康信息	15例2型糖尿病病人，共干预8周，失访1例，退出1例	包括饮食管理的健康行为干预	短信100%成功发送，回复率79%；病人接受度高，饮食依从性改善
Chen等^[24]	中国	应用小程序，依据病人上传的数据、选择以及记录，自动生成个性化健康管理建议，以及关于饮食数量、种类的个性化反馈	138例代谢综合征病人；类实验研究，干预12周，干预组和对照组各69例	包括饮食管理的健康行为干预	干预组在饮食行为、身体活动行为、饮食自我效能、身体活动自我效能、代谢综合征知识、身体健康和心理健康等方面有显著改善
Sakane等^[25]	日本	用户提供健康相关信息，如锻炼、饮食健康习惯、生活方式习惯等，经应用程序评估后筛选出聊天机器人支持的健康行为信息，筛选完毕再反馈给用户，从而改善用户的健康行为	78例40~64岁超重高血压病人，干预组和对照组各39例，干预3个月	包括饮食管理的健康行为干预	干预组每日测体重、佩戴计步器和血压监测的依从性高于对照组，体重和体质指数显著下降，饮食行为更健康
沈兴蓉^[26]	中国	基于人机协同咨询数据，收集病人24 h内饮食数据，设计饮食干预路线图和行为干预素材库，自动优化形成饮食干预方案	3 005例高血压病人，随机分为干预组1 488例和对照组1 517例，干预6个月	个性化饮食干预方案设计及应用	干预组81.0%病人接收过高血压饮食相关短信，其中47.2%表示会按照短信推荐内容去做；83.0%接到过高血压定期反馈报告；饮食知识、态度、行为评分得到提高，能量摄入和血压水平下降
刘庆^[27]	中国	基于数据挖掘、时序建模的饮食偏好预测对病人饮食偏好进行预测；基于营养病志数据的饮食约束预测模型生成病人建议食物量	14例慢性病病人，基于个人饮食记录构建饮食偏好模型	个性化饮食推荐系统设计及应用	基于时序建模饮食偏好预测模型，性能效果上达到最优，准确率达到18.06%，超越其他模型
Karakan等^[28]	土耳其	基于机器学习模型生成的 IBS指数，估算实现微生物组调节所需的最佳微量营养素组成。通过Metropolis 抽样法，以较小概率随机扰动基线微生物组组成，接受能降低IBS指数的扰动，找到基线附近低IBS指数的微生物组组成，进而估算实现该组成所需的个性化营养成分，再由经验丰富的营养师结合病人生活方式将微量营养素谱整合到饮食清单中	25例肠易激综合征病人，按照病人年龄、性别等特征分为试验组14例和对照组11例，干预6周	个体化饮食干预	试验组14例病人接受个性化营养，干预前后IBS-SSS评分改善，肠道益生菌属种类增加
曾芝兰^[29]	中国	数据挖掘建立慢性病病人的专属食谱、食材数据库；病人画像计算病人营养素需求评估模型，挖掘慢性病特征标签；推荐算法挖掘病人个性化需求的饮食推荐结果	慢性病，尤其是多病共存病人。抽取了10例慢性肾脏病病人进行系统测试	饮食推荐、饮食结构优化方案设计	在推荐系统中，“点餐”模式下病人使用成功率为99%，“菜市场”模式下成功率为100%，“智能推荐”模式下成功率为88%
Rafferty等^[30]	美国	使用Heali应用程序，扫描识别菜单和条形码，根据用户特定的个性化饮食计划提供营养信息和建议。应用程序生成不同颜色代表其饮食偏好，对食物进行匹配	25例肠易激综合征病人，干预组14例，对照组11例，共干预30 d	饮食健康教育	干预组生活质量评分改善，IBS-SSS评分降低更为显著
王卿宇等^[31]	中国	构建移动程序“爱心康”管理平台，可根据病人情况自动生成饮食计划，指导病人行为；病人输入问题可获得即时智能回答	134例冠心病病人，试验组68例和对照组66例，干预1个月	饮食行为干预	1个月随访时干预组低盐少油饮食、盐摄入量、油摄入量及蔬菜摄入量达标情况均优于对照组
Alfonsi等^[32]	加拿大	基于算法卷积神经网络进行食物图像识别，进而计算病人糖类摄入量，在 200 种常见食物上测试准确性，要求报告的糖类含量与真实净糖类值（总糖类减纤维）误差在10 g内	青少年1型糖尿病病人16例，共干预3个月	食物图像识别、饮食评估	通过构建iSpy程序，病人糖类计数准确性提高；研究结束时，43%的iSpy 参与者仍然使用，至少每2周使用1次
Popp等^[33]	美国	基于机器学习算法(PNP个性化营养项目)预测个体对食物的血糖反应，评估生成病人的膳食等级；参与者每日在智能手机应用中查看餐食记录的总热量目标，同时收到针对应用中输入食物的个性化餐后血糖反应预测反馈	肥胖的2型糖尿病或糖尿病前期病人164例，随机分为干预组与对照组各82例，干预6个月	个体化饮食预测、饮食行为干预	干预组在6个月时减重效果优于对照组；个性化饮食可能通过改善食物血糖反应、减轻血糖波动和炎症，增强减重效果
Abu-Saad等^[34]	以色列	基于数据挖掘的I-ACE软件，支持收集有关习惯性饮食和身体活动行为数据，并使用这些数据生成可实施的、以图形方式显示的总结措施；支持营养师-病人团队构建和跟踪个性化定制的健康生活方式计划	每组25例2型糖尿病病人，共干预6个月	包括饮食管理在内的健康行为干预方案设计、饮食咨询	试验组24例病人和对照组21例病人分别完成了I-ACE和标准生活方式建议主要结局最终评估。试验组糖尿病相关的生活方式知识比对照组增长更快
Eyles等^[35]	新西兰	使用SaltSwitch应用程序，使用智能手机摄像头扫描包装食品的条形码，程序可自动生成红绿灯营养标签，以及低盐替代食品列表	66例心血管疾病病人，干预组33例，对照组33例，干预6周	低盐饮食行为干预	干预组干预4周后每人每天减少食用0.7 g盐
Chee等^[36]	马来西亚	基于跨文化糖尿病营养算法(tDNA)的结构化生活方式干预，生成饮食计划。病人通过tDNA工具包接受饮食教育，内容包括健康饮食活页图、14 d饮食计划以及经过文化适配的体力活动和锻炼相关信息等	230例超重/肥胖、2型糖尿病病人，共干预6个月	结构化饮食干预方案设计	干预后6个月病人糖化血红蛋白、体重、空腹血糖、收缩压降低

生成式人工智能在慢性病病人饮食管理中应用的范围综述

杜力 ¹ , 董嘉慧 ¹ , 翟治平 ¹ , 李静 ¹ , 徐江涛 ² , 李百强 ³ , 江方正 ³ , 王芳 ³^,^*^,^*

护理研究 | 科研综述 2026,40(8): 1382-1390

收起

护理研究 |科研综述 2026 , 40 (8) : 1382 -1390

生成式人工智能在慢性病病人饮食管理中应用的范围综述

全屏

杜力¹, 董嘉慧¹, 翟治平¹, 李静¹, 徐江涛², 李百强³, 江方正³, 王芳³^,^*^,^*

作者信息

¹南京中医药大学护理学院，江苏 210023

²蚌埠医科大学

³东部战区总医院（南京中医药大学金陵临床医学院）秦淮医疗区

通讯作者:

王芳，E-mail：6764069@qq.com

WANG Fang， E-mail： 6764069@qq.com

作者简介:

杜力，护师，硕士研究生

Application of generative artificial intelligence in the dietary management of patients with chronic diseases:a scoping review

Li DU¹, Jiahui DONG¹, Zhiping ZHAI¹, Jing LI¹, Jiangtao XU², Baiqiang LI³, Fangzheng JIANG³, Fang WANG³

Affiliations

¹School of Nursing, Nanjing University of Chinese Medicine, Jiangsu 210023 China

²Bengbu Medical University

³Qinhuai Medical Area of Eastern Theater Command General Hospital(Jinling Clinical College of Nanjing University of Chinese Medicine)

Corresponding Author:

WANG Fang， E-mail： 6764069@qq.com

出版时间: 2026-04-25 doi: 10.12102/j.issn.1009-6493.2026.08.019

文章导航

摘要

收起

目的

对生成式人工智能在慢性病病人饮食管理中的应用研究进行范围综述。

方法

系统检索PubMed、Web of Science（WOS）、EMbase、Cochrane Library、CINAHL、Scopus、IEEE Xplore、Association for Computing Machinery Digital Library（ACM）、中国生物医学文献服务系统（SinoMed）、中国知网（CNKI）、万方数据知识服务平台（WanFang Data）及维普中文期刊数据库（VIP）等中英文数据库中关于生成式人工智能在慢性病病人饮食管理中的应用研究，检索时限为2014年1月1日—2025年8月20日。由2名研究者根据纳入及排除标准独立筛选文献并提取文献的基本特征。

结果

共纳入22篇文献，纳入研究涉及人群广泛，以糖尿病病人居多。生成式人工智能在病人饮食管理中的应用范畴包括食物图像识别、饮食评估、膳食推荐、饮食干预方案制定、饮食咨询；应用技术基础有推荐算法、数据挖掘、时序建模、神经网络、知识图谱、病人画像、深度学习、聊天机器人。

结论

生成式人工智能在慢性病病人饮食管理中的应用取得良好效果，具有显著优势，但其应用尚处于起步阶段，未来需要开展大样本的临床随机对照试验，同时加强多学科交流与合作。

关键词

生成式人工智能 / 慢性病 / 饮食管理 / 临床试验 / 范围综述

Abstract

收起

Objective

To conduct a scoping review of the application of generative artificial intelligence in the dietary management of patients with chronic diseases.

Methods

Systematic search was conducted in Chinese and English databases such as PubMed,Web of Science(WOS),EMbase,Cochrane Library,CINAHL,Scopus,IEEE Xplore,Association for Computing Machinery Digital Library(ACM),Chinese Biomedical Literature Service System(SinoMed),China National Knowledge Infrastructure(CNKI),WanFang Data Knowledge Service Platform,and VIP Database.The search period was from January 1,2014 to August 20,2025.Two researchers independently screened the literature according to the inclusion and exclusion criteria and extracted the basic characteristics of the literature.

Results

A total of 22 articles were included.The studies involved a wide range of populations,with a majority being patients with diabetes.The application scope of generative artificial intelligence in patient diet management included food image recognition,diet assessment,dietary recommendations,diet intervention plan formulation,and diet consultation.The application technologies included recommendation algorithms,data mining,time series modeling,neural networks,knowledge graphs,patient profiling,deep learning,chatbots.

Conclusions

The application of generative artificial intelligence in the dietary management of patients with chronic diseases had achieved good results and significant advantages.However,its application was still in its infancy.In the future,large-scale clinical randomized controlled trials need to be conducted,and communication and cooperation among multiple disciplines should be strengthened.

Key words

generative artificial intelligence / chronic diseases / dietary management / clinical trials / scoping review

引用本文

杜力, 董嘉慧, 翟治平, 李静, 徐江涛, 李百强, 江方正, 王芳. 生成式人工智能在慢性病病人饮食管理中应用的范围综述. 护理研究, 2026 , 40 (8) : 1382 -1390 . DOI: 10.12102/j.issn.1009-6493.2026.08.019

Li DU, Jiahui DONG, Zhiping ZHAI, Jing LI, Jiangtao XU, Baiqiang LI, Fangzheng JIANG, Fang WANG. Application of generative artificial intelligence in the dietary management of patients with chronic diseases:a scoping review[J]. Chinese Nursing Research, 2026 , 40 (8) : 1382 -1390 . DOI: 10.12102/j.issn.1009-6493.2026.08.019

正文

收起

《中国居民营养与慢性病状况报告（2020年）》^[1]显示，我国高血压、糖尿病等慢性病的患病率逐年上升。不健康饮食是慢性病发生发展的重要生活方式危险因素，对居民的膳食营养改善则是遏制疾病高发的重要手段，是延缓疾病进展、促进病人预后的有力保证^[2-3]。《健康中国行动(2019—2030年)》^[4]中明确指出，合理膳食是保证健康的基础，饮食健康也是国家《“十四五”国民健康规划》^[5]中的重要组成部分。生成式人工智能(generative artificial intelligence,GAI)是人工智能的一个重要分支，涵盖大语言模型、图像识别、数据挖掘、时序建模等多种技术手段，是一种新兴的内容生产方式。近年来，随着机器学习、计算机视觉和自然语言处理等技术的蓬勃发展，人工智能生成的内容越来越具有真实性，其语言理解和生成能力越来越趋于人性化，应用日益广泛^[6]，在医疗护理领域中的应用也日益增加^[7-8]，为疾病管理提供了新的技术手段。生成式人工智能在饮食管理中同样具有独特优势，Kaya等^[9]比较了人工智能生成的饮食计划中的饮食质量和热量的准确性，认为以ChatGPT为代表的聊天机器人在生成营养充足和多样化的减肥饮食计划方面展现出巨大的前景。但目前生成式人工智能在慢性病病人饮食管理中的应用尚处于起步阶段，较少开展大规模的临床试验研究，其干预内容、形式、技术基础、结局指标及效果评价等问题也尚未明确。因此，本研究以范围综述的研究方法为指导，对生成式人工智能在慢性病病人饮食管理中的研究进行系统检索及总结分析，以期为医护人员未来开展基于生成式人工智能的慢性病饮食管理研究提供参考。

1　资料与方法

收起

本研究以Arksey等的范围综述方法为指导，内容包括明确研究问题本质、制订文献检索计划、确定资料纳入及排除标准、前期开展数据处理预练习、形成分析框架或构建主题展现研究结论、将对利益相关者的咨询作为必须的研究内容6个步骤^[10]。依据范围综述报告规范(PRISMA-ScR)^[11]进行结果报告。研究方案已通过开放科学框架(Open Science Framework,OSF)平台注册(https://doi.org/10.17605/OSF.IO/KWAQG)。

1.1　生成式人工智能

生成式人工智能是人工智能的重要分支，是以ChatGPT、Genie、文心一言、豆包、DeepSeek、腾讯元宝等为代表，通过对海量数据的学习进而生成新内容的人工智能技术。相较传统的人工智能，生成式人工智能不仅能分析或处理现有的数据，更为重要的是，其自主创新新内容的能力，例如文本、语音、视频或图像生成等，其技术基础通常基于大语言模型、深度学习模型、算法、生成对抗网络、扩散模型等输出新数据。本研究中所指的生成式人工智能是基于人工智能技术，通过数据寻找规则并自动生成内容的生产方式，其通过大量数据的广泛训练表现出强大的综合能力和生成能力，能够有效地提供高质量、连贯且语法准确的自然语言响应。针对用户特定需求量身定制个性化答案，增强与用户的交互性，其输出内容具有创造性^[12]，其工作流程主要包括输入阶段、学习阶段和生成阶段，生成的内容是其应用的具体体现。

1.2　明确研究问题

本范围综述提出的研究问题主要为：1)生成式人工智能在慢性病病人饮食管理中的临床应用技术包括哪些?2)生成式人工智能在慢性病病人饮食管理中临床应用的场景和范畴有哪些?3)如何评价生成式人工智能对慢性病病人饮食管理的应用效果?

1.3　文献检索

系统检索PubMed、Web of Science(WOS)、EMbase、Cochrane Library、CINAHL、Scopus、IEEE Xplore、Association for Computing Machinery Digital Library(ACM)、中国生物医学文献服务系统(SinoMed)、中国知网(CNKI)、万方数据知识服务平台(WanFang Data)及维普中文期刊数据库(VIP)等中英文数据库。2014年，Ian Goodfellow 最早提出了生成对抗网络的概念，为人工智能的生成能力带来了质的飞跃，标志着人工智能在创造性任务中的发展^[13]。故本研究的检索时限为2014年1月1日—2025年8月20日。因慢性病种类较多，为保证文献查全，故检索时不限定特定病种。中文检索策略：(生成式人工智能 OR 大语言模型 OR ChatGPT OR 深度学习 OR 机器学习 OR 自然语言处理 OR 算法 OR 推荐系统 OR 数据挖掘 OR 移动健康 OR 神经网络 OR 扩散模型) AND (饮食 OR 膳食 OR 摄食 OR 摄入 OR 食物 OR 营养) AND (管理 OR 护理 OR 照顾 OR 照护 OR支持) AND (试验性研究 OR 干预性研究 OR 临床研究 OR 随机对照试验)。英文检索策略以PubMed为例：

#1 algorithms [MeSH] OR data mining [MeSH] OR deep learning [MeSH] OR machine learning [MeSH] OR natural language processing [MeSH] OR telemedicine mobile health [MeSH] OR neural network [MeSH]

#2 generative artificial intelligence OR big language model OR deep learning OR machine learning OR learning machine* OR natural language processing OR algorithm* OR recommendation model OR data mining OR explainable AI OR ChatGPT OR mobile health OR neural network OR diffusion model

#3 #1 OR #2

#4 eating OR diet* OR food* OR intake* OR nutriti* OR consump* OR appetite* OR appetite [MeSH]

#5 clinical study [MeSH] OR randomized controlled trial [MeSH]

#6 experimental study OR interventional study OR clinical study OR randomized controlled trial

#7 #5 OR #6

#8 manage* OR care OR caring OR support* OR nurs*

#9 #3 AND #4 AND #7 AND #8

1.4　文献纳入与排除标准

参考PCC结构^[14]，即研究对象(participants,P)、概念(concept,C)、情境(context,C)确定文献纳入标准。纳入标准：1)研究对象为慢性病住院或居家的病人，包括糖尿病、高血压、癌症、心脑血管疾病等；2)研究内容涉及生成式人工智能在慢性病饮食管理领域中的临床应用，包括饮食评估、饮食推荐、饮食教育、饮食方案设计及应用等；3)包括算法、模型构建、推荐系统、大语言模型等生成式人工智能技术在慢性病病人饮食管理中应用的干预性研究。排除标准：1)无全文的文献，如会议摘要、计划书等；2)非中英文文献；3)重复发表的文献。研究者对检索到的综述类文献采用滚雪球的方式追溯原始研究。

1.5　文献筛选、资料提取及分析

将所得文献导入EndNote X9.1及Zotero7软件，去除重复文献后由2名经过培训的护理研究生独立阅读标题和摘要对文章进行初筛，阅读全文后再次筛选获得文献，文献筛选过程中若有分歧，则与第3名研究者进行讨论决定是否纳入。最终对纳入文献进行资料提取，内容主要包括作者、发表年份、国家、数据来源、生成式人工智能技术及具体应用、构建方法、研究对象、样本量、应用效果及评价方法等。

2　结果

收起

2.1　文献筛选结果及纳入文献的基本信息

检索共获得相关文献5 626篇，对文献进行去重、阅读标题、摘要及全文。筛选后最终共纳入文献22篇^[15-36]，其中英文文献17篇^{[16-25,28,30,32-36]}，中文文献5篇^{[15,26-27,29,31]}。文献筛选过程见图1，纳入文献的基本信息见表1。

2.2　纳入文献一般特征分析

本范围综述共纳入22项^[15-36]研究，22项研究在时间、地区上分布不均。从发文时间来看，文章发文时间跨度为2017—2025年，近5年发文文章18篇^[15-32]，占81.8%，可看出该领域研究起步较晚。从发文国家来看，国外研究发文共14篇^{[17-19,21-23,25,28,30,32-36]}。22篇文章中，中国学者共发文8篇^{[15-16,20,24,26-27,29,31]}，其中3篇^[26-27,29]为学位论文，5篇^{[15-16,20,24,31]}为期刊论文，均为近5年研究。22篇文章中16篇^{[16-22,24-25,30-36]}为经过注册的临床随机对照试验或类试验研究，5篇^{[15,23,27-29]}为小样本的验证性研究。4篇^{[15-16,24,31]}为护理研究者完成的研究，其中3篇^[15,24,31]由护理研究者独立完成，1篇^[16]联合医生、临床营养师及工程学专家共同完成，未来可探索联合医学、护理学、营养学、计算机科学等多学科领域专家共同致力于生成式人工智能技术用于慢性病病人饮食管理的相关研究^[37-38]。

2.3　生成式人工智能在饮食管理中的应用

2.3.1　生成式人工智能的应用范畴及技术

从纳入的22项研究中，可归纳出生成式人工智能在慢性病饮食管理中所涉及的领域包括食物图像识别、饮食评估、膳食推荐、饮食干预方案制定及应用、饮食咨询等，以饮食干预为主，纳入研究所涉及的饮食管理领域广泛，功能强大。涉及的生成式人工智能技术包括推荐算法、数据挖掘、时序建模、神经网络、知识图谱、病人画像、深度学习、机器学习、聊天机器人等，以推荐算法为主，研究中应用的软件及应用程序也大多以算法为技术基础开发。当前生成式人工智能用于病人饮食管理大多以应用程序、软件、信息聊天对话等为载体开展，一些基于数据文本的早期聊天机器人只有简单的问答功能，灵活性较差，未来可应用更为多元化的生成式人工智能饮食管理形式。如Logan等^[39]比较了Gemini和ChatGPT模型与营养师生成饮食建议的差异，认为大语言模型能生成符合营养师建议的饮食计划，改善癌症病人的饮食支持，但当前尚未在病人群体中开展大规模的临床研究。

2.3.2　生成式人工智能应用的病人群体

慢性病的预防及管理是我国重点关注的医疗卫生问题，包含饮食管理在内的长期健康行为调整是慢性病管理的核心^[40]。慢性病种类较多，因此，生成式人工智能在慢性病饮食管理中应用的病人群体也较为广泛，包括糖尿病、高血压、冠心病、慢性肾病、肿瘤、炎症性肠病、肠易激综合征等。主要群体为糖尿病病人，共涉及8项研究^{[17,21-23,32-34,36]}，其中一项研究群体为青少年1型糖尿病病人^[32]。糖尿病是最为常见的代谢性疾病之一，饮食因素是其发病的重要因素，饮食管理是疾病治疗和控制的重要环节之一，因此可能是该病种纳入研究数量最多的原因。整体来看，22项研究中纳入病人例数普遍较少，仅10项研究^{[16-17,19,21-22,24,26,31,33,36]}病人超过100例；还有5项研究为验证性研究，虽然在病人群体中实施干预，但非设计严谨的随机对照试验，且研究样本量小。因此，生成式人工智能在饮食管理中的应用尚处于起步阶段，有待进一步探索，开展大样本随机对照研究，评价其应用效果。

2.3.3　生成式人工智能应用效果评价

生成式人工智能在慢性病病人饮食管理中应用效果的评价方式多样，既包含客观指标（如病人收缩压、代谢当量、血糖相关指标及体重变化、病人参与率等），也包括病人的主观感受评分（如IBS-SSS评分、IBS-QOL等）。从效果评价指标结果来看，生成式人工智能应用于病人的饮食管理取得了良好的效果。此外，22项研究干预时间普遍较短，除1项研究^[22]干预48周，其余研究干预时间均在6个月以内，能在较短的干预时间内取得较为理想的效果，进一步验证了生成式人工智能对于饮食管理的良好效能。

3　讨论

收起

3.1　生成式人工智能在饮食管理中干预研究范畴广泛

由于生成式人工智能具有高效、快速和可扩展性等特点，并且能够生成具有自然语言和创意性的内容，因此其生成的内容被广泛应用于医疗、教育、科研等领域中，在慢性病病人饮食管理中也不例外。基于图像识别、食物成分展示及分析等生成式人工智能技术在病人饮食状况评估中应用广泛^[32]，使慢性病病人的饮食评估更为智能化、科学化、便捷化、精准化，弥补了传统食物频率问卷法和膳食回顾法评估主观性强、耗时等方面的不足^[41]。文本、图像视频生成技术助力病人饮食指导和健康教育，帮助病人实现饮食自我评估，改变自己的饮食结构和认知，对自身身体成分、饮食结构、食物营养素的认知更为深入，助力疾病康复^[42]，同时可为病人生成推荐食谱，制定个体化饮食干预方案。此外，生成式人工智能在不同慢性病病人中的技术应用也有所不同，糖尿病病人中主要应用的技术基础为算法及图像识别；肠易激综合征病人中应用的技术基础包括图像识别、机器学习；在肿瘤、炎症性肠病、代谢综合征病人中则主要以算法为技术基础，相对较为单一，未来研究中应当进一步拓展。

3.2　生成式人工智能在饮食管理中展现出强大优势

慢性病病人的饮食管理具有长期性，且由于膳食营养学知识及社会支持等的匮乏，慢性病病人对营养师建议的理解可能存在偏差，导致病人对于饮食的自我管理不佳，可能会同时出现饮食过度和营养不良等状况^[3]。此外，病人的饮食管理涵盖饮食评估、饮食数据分析、饮食干预等多个维度，管理随访的过程中需要收集和分析大量的病人数据后再生成个性化的饮食管理内容。如本研究中涉及微生物组数据、营养素含量、病人身体成分分析、生化指标数据等。因此，慢性病病人的饮食管理存在诸多挑战以及不确定性。而生成式人工智能则凭借其强大的数据处理和内容生成能力，在病人饮食管理中展现出独特的优势，相较于传统的统计学及人工智能处理方法，生成式人工智能能够根据研究目的处理日益复杂的学习任务，提取数据特征，依据病人需求生成个性化的饮食营养干预方案。生成式人工智能具有强大的精准定量分析能力，能够对病人进行个体化、精准化的数据分析，弥补了传统健康教育或饮食咨询内容模糊、笼统、质量参差不齐等局限性，不仅能为病人提供精准、高效的饮食管理方案，鼓励病人积极参与自身健康行为的改善，同时减轻医务人员的负担，帮助缓解高水平营养师人力资源缺乏的问题，提高疾病管理效率^[40]。未来使用生成式人工智能技术对慢性病病人实施远程饮食管理还可充分发挥护士的院外管理的作用，将护理人员饮食管理的力量延伸至家庭、社区。程俊香等^[43]引入家庭护士食疗理论，未来可联合生成式人工智能技术为病人制定更多元的饮食管理方式，为慢性病病人饮食管理提供指导，推进慢性病医院-社区-家庭的全程饮食管理。

3.3　生成式人工智能在饮食管理中应用的局限性

首先，生成式人工智能在慢性病病人饮食管理中的应用尚处于起步阶段，因此其文化特异性尚不足，往往缺乏对我国特定饮食习惯和文化背景的深入理解，难以生成饮食推荐，本土化程度有待提高。因此，未来基于生成式人工智能的慢性病病人饮食管理须符合我国饮食文化，同时考虑病人经济条件、医疗资源、生活方式和社会习惯，为病人制定的管理计划应能够融入个人日常生活习惯，使其易于病人执行和长期坚持。其次，由于生成式人工智能在医疗护理领域的发展较晚，且较多关注临床医学诊疗技术、医学教育等范畴，回答慢性病健康管理问题的能力仍显不足^[40,44]，其技术基础大多以算法为核心，微信小程序平台、聊天机器人等为载体，技术基础有待进一步拓展。临床中大规模随机对照试验较少，故研究结果准确性有待进一步提升和验证。最后，生成式人工智能提供的信息基于现有数据库，数据库的真实性、准确性和完整性尚无法得到全面保证。因此，生成式人工智能提供饮食建议的专业性及准确性也有待进一步研究。

4　小结

收起

本研究对生成式人工智能在慢性病病人饮食管理领域中的干预性研究进行了系统检索及分析，总结了生成式人工智能实际应用于慢性病病人饮食管理中的相关技术、应用方法、应用效果及评价等。总体而言，生成式人工智能已经在饮食管理领域的多方面得到应用且效果良好，能帮助病人更为高效、便捷地获取饮食相关信息，制订饮食管理计划，应用前景广泛。但当前研究也存在一定的局限性，纳入研究大多样本量较小，部分为验证性试验，且文化特异性不足，提供信息的准确性有待提高。未来有待开展更大规模的随机对照研究，进一步验证生成式人工智能在慢性病病人饮食管理中的应用效果。此外，随着生成式人工智能的不断发展，其带来的个人信息泄露等伦理问题也不容忽视，未来研究中还应当注重病人个人数据的安全及隐私保护问题，保证研究的合法合规。

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

中国居民营养与慢性病状况报告(2020年)[J].营养学报,2020,42(6):521.

陈凤,苏恩惠,郭丹丹,等.老年多重慢性病与饮食习惯的关系及风险预测模型构建[J].护理研究,2024,38(15):2683-2689.

刘丹,张永慧,马文军.广东省膳食营养及慢性病防控建议[J].中国食品卫生杂志,2024,36(7):767-773.

健康中国行动(2019—2030年)[EB/OL].[2025-03-13].https://www.gov.cn/xinwen/2019-07/15/content_5409694.htm.

国务院办公厅.关于印发“十四五”国民健康规划的通知[EB/OL].[2025-03-13].https://www.gov.cn/zhengce/content/2022-05/20/content_5691424.htm.

梁海双,陈佳琪.生成式人工智能应用于医疗领域的伦理问题研究[J].锦州医科大学学报(社会科学版),2024,22(3):19-22.

张楠,杜静,阎子花,等.生成式人工智能在慢性病管理中的应用进展[J].护理学杂志,2024,39(20):120-123.

刘婷,杨富国,杨丽,等.护理硕士研究生使用人工智能生成内容工具体验的质性研究[J].中华护理教育,2024,21(9):1046-1051.

KAYA

K H

,KAÇAR

Ö F

,AVERY

.Diet quality and caloric accuracy in AI-generated diet plans:a comparative study across chatbots[J].Nutrients,2025,17(2):206.

王喜益,叶志弘,汤磊雯.范围综述在护理领域的应用进展[J].中华护理杂志,2019,54(8):1259-1263.

仇如霞,顾艳荭.范围综述报告规范(PRISMA-ScR)的解读[J].中国循证医学杂志,2022,22(6):722-730.

刘瑶瑶,梁永霞,李正风.生成式人工智能与科研伦理:变革、挑战与展望[J].科学观察,2024,19(4):1-8.

李禹佳.生成式人工智能训练合理使用研究[D].北京:中国政法大学,2024.

周雯,甘秀妮,黄苗,等.范围综述方法在中文护理期刊发文现状的可视化分析[J].护士进修杂志,2024,39(13):1449-1453.

尹婷婷,徒文静,柏亚妹,等.基于多目标规划的成年炎症性肠病患者健康膳食推荐模型研究[J].中国全科医学,2025.

https://doi.org/10.12114/j.issn.1007-9572.2024.0473

JIANG

X H

,YUAN

X H

,CHEN

J M

,et al.Effects of a nurse-led individualized mHealth nutrition intervention for post-discharged gastric cancer patients following gastrectomy:a randomized controlled trial[J].International Journal of Nursing Studies,2025,168:105092.

RUIZ-LEON

A M

,CASAS

,CASTRO-BARQUERO

,et al.Efficacy of a mobile health-based behavioral treatment for lifestyle modification in type 2 diabetes self-management:greenhabit randomized controlled trial[J].Journal of Medical Internet Research,2025,27:e58319.

SHARP

,DWYER

,RANDHAWA

,et al.The effectiveness of a chatbot single-session intervention for people on waitlists for eating disorder treatment:randomized controlled trial[J].Journal of Medical Internet Research,2025,27:e70874.

TUNALI

,ARSLAN

N Ç

,ERMIŞ

B H

,et al.A multicenter randomized controlled trial of microbiome-based artificial intelligence-assisted personalized diet vs low-fermentable oligosaccharides,disaccharides,monosaccharides,and polyols diet:a novel approach for the management of irritable bowel syndrome[J].The American Journal of Gastroenterology,2024,119(9):1901-1912.

SUN

,XU

X J

,DING

Z H

,et al.Development of a health behavioral digital intervention for patients with hypertension based on an intelligent health promotion system and WeChat:randomized controlled trial[J].JMIR MHealth and UHealth,2024,12:e53006.

HAN

C Y

,LIM

S L

,ONG

K W

,et al.Behavioral lifestyle intervention program using mobile application improves diet quality in adults with prediabetes(D'LITE study):a randomized controlled trial[J].Journal of the Academy of Nutrition and Dietetics,2024,124(3):358-371.

LEE

Y B

,KIM

,JUN

J E

,et al.An integrated digital health care platform for diabetes management with AI-based dietary management:48-week results from a randomized controlled trial[J].Diabetes Care,2023,46(5):959-966.

CELANO

C M

,MASSEY

,LONG

,et al.An adaptive,algorithm-based text message intervention to promote health behavior adherence in type 2 diabetes:treatment development and proof-of-concept trial[J].Journal of Diabetes Science and Technology,2023,17(2):364-373.

CHEN

D D

,ZHANG

,WU

J J

,et al.Effects of an individualized mHealth-based intervention on health behavior change and cardiovascular risk among people with metabolic syndrome based on the behavior change wheel:quasi-experimental study[J].Journal of Medical Internet Research,2023,25:e49257.

SAKANE

,SUGANUMA

,DOMICHI

,et al.The effect of a mHealth App(KENPO-app) for specific health guidance on weight changes in adults with obesity and hypertension:pilot randomized controlled trial[J].JMIR MHealth and UHealth,2023,11:e43236.

沈兴蓉.基于家庭自测及人机协同咨询数据的高血压患者个性化饮食干预方案设计及效果研究[D].合肥:安徽医科大学,2022.

刘庆.面向慢病管理的个性化饮食推荐研究与实现[D].哈尔滨:哈尔滨工业大学,2022.

KARAKAN

,GUNDOGDU

,ALAGÖZLÜ

,et al.Artificial intelligence-based personalised diet:a pilot clinical study for IBS[J].Gastroenterology,2021,160(6):S99-S100.

曾芝兰.基于数据挖掘的慢性病人群个性化饮食智能推荐系统的研究与实现[D].北京:北京邮电大学,2021.

RAFFERTY

A J

,HALL

,JOHNSTON

C S

.A novel mobile App(heali) for disease treatment in participants with irritable bowel syndrome:randomized controlled pilot trial[J].Journal of Medical Internet Research,2021,23(3):e24134.

王卿宇,陈玉玲,吴瑛,等.移动健康管理系统对冠心病患者饮食行为的影响[J].中华现代护理杂志,2021,27(24):3273-3279.

ALFONSI

J E

,CHOI

E E Y

,ARSHAD

,et al.Carbohydrate counting app using image recognition for youth with type 1 diabetes:pilot randomized control trial[J].JMIR MHealth and UHealth,2020,8(10):e22074.

POPP

C J

,ST-JULES

D E

,HU

,et al.The rationale and design of the personal diet study,a randomized clinical trial evaluating a personalized approach to weight loss in individuals with pre-diabetes and early-stage type 2 diabetes[J].Contemporary Clinical Trials,2019,79:80-88.

ABU-SAAD

,MURAD

,BARID

,et al.Development and efficacy of an electronic,culturally adapted lifestyle counseling tool for improving diabetes-related dietary knowledge:randomized controlled trial among ethnic minority adults with type 2 diabetes mellitus[J].Journal of Medical Internet Research,2019,21(10):e13674.

EYLES

,MCLEAN

,NEAL

,et al.A salt-reduction smartphone app supports lower-salt food purchases for people with cardiovascular disease:findings from the SaltSwitch randomised controlled trial[J].European Journal of Preventive Cardiology,2017,24(13):1435-1444.

CHEE

W S S

,GILCHARAN SINGH

H K

,HAMDY

,et al.Structured lifestyle intervention based on a trans-cultural diabetes-specific nutrition algorithm(tDNA) in individuals with type 2 diabetes:a randomized controlled trial[J].BMJ Open Diabetes Research & Care,2017,5(1):e000384.

李伊婷,徒文静,尹婷婷,等.人工智能在炎症性肠病患者营养管理中应用的范围综述[J].中国全科医学,2025,28(14):1709-1716.

张静,郭丹丹,杨国芳,等.营养支持专科护士的培养模式及在慢性病管理中应用的研究进展[J].护理研究,2025,39(9):1568-1571.

LOGAN

J A

,SADHU

,HAZLEWOOD

,et al.Bridging gaps in cancer care:utilizing large language models for accessible dietary recommendations[J].Nutrients,2025,17(7):1176.

吴天星,曹旭东,毕胜,等.基于大语言模型的重大慢病健康管理信息系统构建[J].计算机研究与发展,2025,62(7):1653-1667.

马兰芳,薛怡蓉.面向慢性病人群的智能膳食评估系统[J].首都医科大学学报,2021,42(2):262-268.

林昕,曹世华,王飞,等.基于智能食物成分展示和识别分析技术的膳食管理在脑卒中患者中的应用[J].中华现代护理杂志,2022,28(20):2714-2720.

程俊香,刘洽,朱瑞芳,等.家庭护士食疗理论解读[J].护理研究,2024,38(12):2069-2075.

万君丽,卞薇.人工智能在慢性病患者营养精准管理领域中的应用进展[J].军事护理,2023,40(10):92-95.

2026年第40卷第8期

引用本文

BibTeX

文章信息

doi: 10.12102/j.issn.1009-6493.2026.08.019

接收时间：2025-06-14
首发时间：2026-10-28
出版时间：2026-04-25

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-06-14
修回日期：2026-03-31

基金

作者信息

¹南京中医药大学护理学院，江苏 210023

²蚌埠医科大学

³东部战区总医院（南京中医药大学金陵临床医学院）秦淮医疗区

通讯作者:

王芳，E-mail：6764069@qq.com

WANG Fang， E-mail： 6764069@qq.com

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/hlyj/CN/10.12102/j.issn.1009-6493.2026.08.019

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

作者	国家	技术基础及应用	病例	应用范畴	应用效果
尹婷婷等^[15]	中国	食物频次矩阵分析病人3 d饮食数据，筛选高频食物；多目标粒子群优化算法输出各类营养素具体含量；协同过滤算法输出食材	炎症性肠病病人20例，每例病人进行3 d膳食调查	健康膳食推荐	膳食推荐准确率80.0%~100.0%，平均准确率95.5%；6种营养素中有5种误差在20%以内，平均误差12.6%；构建了符合病人膳食偏好的个性化膳食推荐方案
Jiang等^[16]	中国	iNutrition小程序，算法根据收集到的每例病人的饮食偏好、手术后肠道功能的恢复和营养需求，生成具体的饮食要求和每周膳食计划	108例胃癌胃切除术后病人，对照组及干预组各54例，干预12周	个体化饮食方案设计	iNutrition干预改善病人营养行为及能量摄入(P<0.05)，符合能量需求及蛋白质要求
Ruiz-Leon等^[17]	西班牙	应用Greenhabit 应用程序，依据病人临床基线资料，通过推荐系统生成病人个性化行为干预内容	123例2型糖尿病病人，干预组61例，对照组62例，共干预12周	包含饮食管理在内的自我管理	干预组心血管风险因素和体质指数、腰围改善更明显，橄榄油、坚果和豆类消费增加，总脂肪和单不饱和脂肪酸摄入增加且高于对照组；社交功能改善，焦虑和身体疼痛感知减轻，身体活动增加
Sharp等^[18]	澳大利亚	使用聊天机器人，通过与病人对话、提供短视频及互动，对病人实施症状评估，心理教育、监测规律饮食	60例饮食失调症病人，试验组和对照组各30例，干预3个月	饮食行为干预	干预组社会心理障碍、抑郁、焦虑的降低更为显著
Tunali等^[19]	土耳其	通过机器学习进行微生物组分析，计算出肠易激综合征指数及个体所需微生物组调节量，个体化营养模型估算降低肠易激综合征指数所需的营养成分，算法进一步依据模型生成的饮食建议制定个性化饮食方案	121例肠易激综合征病人，干预组70例，对照组51例，共干预6周	个性化饮食干预	干预组对各亚型肠易激综合征症状严重程度评分（IBS-SSS）和肠易激综合征生活质量评分（IBS-QOL）改善更显著，肠道微生物组多样性和有益菌丰度增加
Sun等^[20]	中国	基于数字微护理干预模型，使用专家系统和知识图谱等技术构建饮食指导和行为矫正数据库，系统根据饮食相关问卷、病史收集以及体检结果，生成个性化饮食建议和行为矫正建议	54例≥60岁高血压病人，试验组23例，对照组31例，共干预12周	包括饮食管理在内的健康行为干预方案	试验组收缩压、运动时间、代谢当量、药物依从性、血压监测频率和学习成绩方面均有更好改善，增强了病人健康行为依从性
Han等^[21]	新加坡	通过Nutritionist Buddy应用程序，基于参与者在应用程序中的输入数据（如食物摄入、血糖、体重、体育活动等），通过应用程序仪表板提供个性化健康指导	148例糖尿病前期病人，对照组76例，干预组72例，共干预6个月	包含饮食管理在内的生活方式干预	干预组替代健康饮食指数-2010（AHEI-2010）总分较对照组提高6.2分，含糖饮料和钠摄入量降低，饮食质量随时间改善
Lee等^[22]	韩国	基于物体检测和卷积神经网络的深度学习技术能够实现食物的识别，通过单张餐食照片识别多种食物，自动生成饮食和营养数据（包括食物种类、热量等）	294例2型糖尿病病人，随机分为3组，共随访48周	饮食识别，营养干预	A组接受常规糖尿病护理；B组自行使用数字综合健康护理平台；C组使用医务人员反馈平台，间歇性应用个人连续血糖监测。B组、C组糖化血红蛋白及体重控制优于A组
Celano等^[23]	美国	算法驱动的自适应短信干预(TMI)，通过病人反馈实时生成调整消息，反馈循环；TMI可以随时间推移进行调整，生成定制的病人健康信息	15例2型糖尿病病人，共干预8周，失访1例，退出1例	包括饮食管理的健康行为干预	短信100%成功发送，回复率79%；病人接受度高，饮食依从性改善
Chen等^[24]	中国	应用小程序，依据病人上传的数据、选择以及记录，自动生成个性化健康管理建议，以及关于饮食数量、种类的个性化反馈	138例代谢综合征病人；类实验研究，干预12周，干预组和对照组各69例	包括饮食管理的健康行为干预	干预组在饮食行为、身体活动行为、饮食自我效能、身体活动自我效能、代谢综合征知识、身体健康和心理健康等方面有显著改善
Sakane等^[25]	日本	用户提供健康相关信息，如锻炼、饮食健康习惯、生活方式习惯等，经应用程序评估后筛选出聊天机器人支持的健康行为信息，筛选完毕再反馈给用户，从而改善用户的健康行为	78例40~64岁超重高血压病人，干预组和对照组各39例，干预3个月	包括饮食管理的健康行为干预	干预组每日测体重、佩戴计步器和血压监测的依从性高于对照组，体重和体质指数显著下降，饮食行为更健康
沈兴蓉^[26]	中国	基于人机协同咨询数据，收集病人24 h内饮食数据，设计饮食干预路线图和行为干预素材库，自动优化形成饮食干预方案	3 005例高血压病人，随机分为干预组1 488例和对照组1 517例，干预6个月	个性化饮食干预方案设计及应用	干预组81.0%病人接收过高血压饮食相关短信，其中47.2%表示会按照短信推荐内容去做；83.0%接到过高血压定期反馈报告；饮食知识、态度、行为评分得到提高，能量摄入和血压水平下降
刘庆^[27]	中国	基于数据挖掘、时序建模的饮食偏好预测对病人饮食偏好进行预测；基于营养病志数据的饮食约束预测模型生成病人建议食物量	14例慢性病病人，基于个人饮食记录构建饮食偏好模型	个性化饮食推荐系统设计及应用	基于时序建模饮食偏好预测模型，性能效果上达到最优，准确率达到18.06%，超越其他模型
Karakan等^[28]	土耳其	基于机器学习模型生成的 IBS指数，估算实现微生物组调节所需的最佳微量营养素组成。通过Metropolis 抽样法，以较小概率随机扰动基线微生物组组成，接受能降低IBS指数的扰动，找到基线附近低IBS指数的微生物组组成，进而估算实现该组成所需的个性化营养成分，再由经验丰富的营养师结合病人生活方式将微量营养素谱整合到饮食清单中	25例肠易激综合征病人，按照病人年龄、性别等特征分为试验组14例和对照组11例，干预6周	个体化饮食干预	试验组14例病人接受个性化营养，干预前后IBS-SSS评分改善，肠道益生菌属种类增加
曾芝兰^[29]	中国	数据挖掘建立慢性病病人的专属食谱、食材数据库；病人画像计算病人营养素需求评估模型，挖掘慢性病特征标签；推荐算法挖掘病人个性化需求的饮食推荐结果	慢性病，尤其是多病共存病人。抽取了10例慢性肾脏病病人进行系统测试	饮食推荐、饮食结构优化方案设计	在推荐系统中，“点餐”模式下病人使用成功率为99%，“菜市场”模式下成功率为100%，“智能推荐”模式下成功率为88%
Rafferty等^[30]	美国	使用Heali应用程序，扫描识别菜单和条形码，根据用户特定的个性化饮食计划提供营养信息和建议。应用程序生成不同颜色代表其饮食偏好，对食物进行匹配	25例肠易激综合征病人，干预组14例，对照组11例，共干预30 d	饮食健康教育	干预组生活质量评分改善，IBS-SSS评分降低更为显著
王卿宇等^[31]	中国	构建移动程序“爱心康”管理平台，可根据病人情况自动生成饮食计划，指导病人行为；病人输入问题可获得即时智能回答	134例冠心病病人，试验组68例和对照组66例，干预1个月	饮食行为干预	1个月随访时干预组低盐少油饮食、盐摄入量、油摄入量及蔬菜摄入量达标情况均优于对照组
Alfonsi等^[32]	加拿大	基于算法卷积神经网络进行食物图像识别，进而计算病人糖类摄入量，在 200 种常见食物上测试准确性，要求报告的糖类含量与真实净糖类值（总糖类减纤维）误差在10 g内	青少年1型糖尿病病人16例，共干预3个月	食物图像识别、饮食评估	通过构建iSpy程序，病人糖类计数准确性提高；研究结束时，43%的iSpy 参与者仍然使用，至少每2周使用1次
Popp等^[33]	美国	基于机器学习算法(PNP个性化营养项目)预测个体对食物的血糖反应，评估生成病人的膳食等级；参与者每日在智能手机应用中查看餐食记录的总热量目标，同时收到针对应用中输入食物的个性化餐后血糖反应预测反馈	肥胖的2型糖尿病或糖尿病前期病人164例，随机分为干预组与对照组各82例，干预6个月	个体化饮食预测、饮食行为干预	干预组在6个月时减重效果优于对照组；个性化饮食可能通过改善食物血糖反应、减轻血糖波动和炎症，增强减重效果
Abu-Saad等^[34]	以色列	基于数据挖掘的I-ACE软件，支持收集有关习惯性饮食和身体活动行为数据，并使用这些数据生成可实施的、以图形方式显示的总结措施；支持营养师-病人团队构建和跟踪个性化定制的健康生活方式计划	每组25例2型糖尿病病人，共干预6个月	包括饮食管理在内的健康行为干预方案设计、饮食咨询	试验组24例病人和对照组21例病人分别完成了I-ACE和标准生活方式建议主要结局最终评估。试验组糖尿病相关的生活方式知识比对照组增长更快
Eyles等^[35]	新西兰	使用SaltSwitch应用程序，使用智能手机摄像头扫描包装食品的条形码，程序可自动生成红绿灯营养标签，以及低盐替代食品列表	66例心血管疾病病人，干预组33例，对照组33例，干预6周	低盐饮食行为干预	干预组干预4周后每人每天减少食用0.7 g盐
Chee等^[36]	马来西亚	基于跨文化糖尿病营养算法(tDNA)的结构化生活方式干预，生成饮食计划。病人通过tDNA工具包接受饮食教育，内容包括健康饮食活页图、14 d饮食计划以及经过文化适配的体力活动和锻炼相关信息等	230例超重/肥胖、2型糖尿病病人，共干预6个月	结构化饮食干预方案设计	干预后6个月病人糖化血红蛋白、体重、空腹血糖、收缩压降低

作者

国家

技术基础及应用

病例

应用范畴

应用效果

尹婷婷等^[15]

中国

食物频次矩阵分析病人3 d饮食数据，筛选高频食物；多目标粒子群优化算法输出各类营养素具体含量；协同过滤算法输出食材

炎症性肠病病人20例，每例病人进行3 d膳食调查

健康膳食推荐

膳食推荐准确率80.0%~100.0%，平均准确率95.5%；6种营养素中有5种误差在20%以内，平均误差12.6%；构建了符合病人膳食偏好的个性化膳食推荐方案

Jiang等^[16]

中国

iNutrition小程序，算法根据收集到的每例病人的饮食偏好、手术后肠道功能的恢复和营养需求，生成具体的饮食要求和每周膳食计划

108例胃癌胃切除术后病人，对照组及干预组各54例，干预12周

个体化饮食方案设计

iNutrition干预改善病人营养行为及能量摄入(P<0.05)，符合能量需求及蛋白质要求

Ruiz-Leon等^[17]

西班牙

应用Greenhabit 应用程序，依据病人临床基线资料，通过推荐系统生成病人个性化行为干预内容

123例2型糖尿病病人，干预组61例，对照组62例，共干预12周

包含饮食管理在内的自我管理

干预组心血管风险因素和体质指数、腰围改善更明显，橄榄油、坚果和豆类消费增加，总脂肪和单不饱和脂肪酸摄入增加且高于对照组；社交功能改善，焦虑和身体疼痛感知减轻，身体活动增加

Sharp等^[18]

澳大利亚

使用聊天机器人，通过与病人对话、提供短视频及互动，对病人实施症状评估，心理教育、监测规律饮食

60例饮食失调症病人，试验组和对照组各30例，干预3个月

饮食行为干预

干预组社会心理障碍、抑郁、焦虑的降低更为显著

Tunali等^[19]

土耳其

通过机器学习进行微生物组分析，计算出肠易激综合征指数及个体所需微生物组调节量，个体化营养模型估算降低肠易激综合征指数所需的营养成分，算法进一步依据模型生成的饮食建议制定个性化饮食方案

121例肠易激综合征病人，干预组70例，对照组51例，共干预6周

个性化饮食干预

干预组对各亚型肠易激综合征症状严重程度评分（IBS-SSS）和肠易激综合征生活质量评分（IBS-QOL）改善更显著，肠道微生物组多样性和有益菌丰度增加

Sun等^[20]

中国

基于数字微护理干预模型，使用专家系统和知识图谱等技术构建饮食指导和行为矫正数据库，系统根据饮食相关问卷、病史收集以及体检结果，生成个性化饮食建议和行为矫正建议

54例≥60岁高血压病人，试验组23例，对照组31例，共干预12周

包括饮食管理在内的健康行为干预方案

试验组收缩压、运动时间、代谢当量、药物依从性、血压监测频率和学习成绩方面均有更好改善，增强了病人健康行为依从性

Han等^[21]

新加坡

通过Nutritionist Buddy应用程序，基于参与者在应用程序中的输入数据（如食物摄入、血糖、体重、体育活动等），通过应用程序仪表板提供个性化健康指导

148例糖尿病前期病人，对照组76例，干预组72例，共干预6个月

包含饮食管理在内的生活方式干预

干预组替代健康饮食指数-2010（AHEI-2010）总分较对照组提高6.2分，含糖饮料和钠摄入量降低，饮食质量随时间改善

Lee等^[22]

韩国

基于物体检测和卷积神经网络的深度学习技术能够实现食物的识别，通过单张餐食照片识别多种食物，自动生成饮食和营养数据（包括食物种类、热量等）

294例2型糖尿病病人，随机分为3组，共随访48周

饮食识别，营养干预

A组接受常规糖尿病护理；B组自行使用数字综合健康护理平台；C组使用医务人员反馈平台，间歇性应用个人连续血糖监测。B组、C组糖化血红蛋白及体重控制优于A组

Celano等^[23]

美国

算法驱动的自适应短信干预(TMI)，通过病人反馈实时生成调整消息，反馈循环；TMI可以随时间推移进行调整，生成定制的病人健康信息

15例2型糖尿病病人，共干预8周，失访1例，退出1例

包括饮食管理的健康行为干预

短信100%成功发送，回复率79%；病人接受度高，饮食依从性改善

Chen等^[24]

中国

应用小程序，依据病人上传的数据、选择以及记录，自动生成个性化健康管理建议，以及关于饮食数量、种类的个性化反馈

138例代谢综合征病人；类实验研究，干预12周，干预组和对照组各69例

包括饮食管理的健康行为干预

干预组在饮食行为、身体活动行为、饮食自我效能、身体活动自我效能、代谢综合征知识、身体健康和心理健康等方面有显著改善

Sakane等^[25]

日本

用户提供健康相关信息，如锻炼、饮食健康习惯、生活方式习惯等，经应用程序评估后筛选出聊天机器人支持的健康行为信息，筛选完毕再反馈给用户，从而改善用户的健康行为

78例40~64岁超重高血压病人，干预组和对照组各39例，干预3个月

包括饮食管理的健康行为干预

干预组每日测体重、佩戴计步器和血压监测的依从性高于对照组，体重和体质指数显著下降，饮食行为更健康

沈兴蓉^[26]

中国

基于人机协同咨询数据，收集病人24 h内饮食数据，设计饮食干预路线图和行为干预素材库，自动优化形成饮食干预方案

3 005例高血压病人，随机分为干预组1 488例和对照组1 517例，干预6个月

个性化饮食干预方案设计及应用

干预组81.0%病人接收过高血压饮食相关短信，其中47.2%表示会按照短信推荐内容去做；83.0%接到过高血压定期反馈报告；饮食知识、态度、行为评分得到提高，能量摄入和血压水平下降

刘庆^[27]

中国

基于数据挖掘、时序建模的饮食偏好预测对病人饮食偏好进行预测；基于营养病志数据的饮食约束预测模型生成病人建议食物量

14例慢性病病人，基于个人饮食记录构建饮食偏好模型

个性化饮食推荐系统设计及应用

基于时序建模饮食偏好预测模型，性能效果上达到最优，准确率达到18.06%，超越其他模型

Karakan等^[28]

土耳其

基于机器学习模型生成的 IBS指数，估算实现微生物组调节所需的最佳微量营养素组成。通过Metropolis 抽样法，以较小概率随机扰动基线微生物组组成，接受能降低IBS指数的扰动，找到基线附近低IBS指数的微生物组组成，进而估算实现该组成所需的个性化营养成分，再由经验丰富的营养师结合病人生活方式将微量营养素谱整合到饮食清单中

25例肠易激综合征病人，按照病人年龄、性别等特征分为试验组14例和对照组11例，干预6周

个体化饮食干预

试验组14例病人接受个性化营养，干预前后IBS-SSS评分改善，肠道益生菌属种类增加

曾芝兰^[29]

中国

数据挖掘建立慢性病病人的专属食谱、食材数据库；病人画像计算病人营养素需求评估模型，挖掘慢性病特征标签；推荐算法挖掘病人个性化需求的饮食推荐结果

慢性病，尤其是多病共存病人。抽取了10例慢性肾脏病病人进行系统测试

饮食推荐、饮食结构优化方案设计

在推荐系统中，“点餐”模式下病人使用成功率为99%，“菜市场”模式下成功率为100%，“智能推荐”模式下成功率为88%

Rafferty等^[30]

美国

使用Heali应用程序，扫描识别菜单和条形码，根据用户特定的个性化饮食计划提供营养信息和建议。应用程序生成不同颜色代表其饮食偏好，对食物进行匹配

25例肠易激综合征病人，干预组14例，对照组11例，共干预30 d

饮食健康教育

干预组生活质量评分改善，IBS-SSS评分降低更为显著

王卿宇等^[31]

中国

构建移动程序“爱心康”管理平台，可根据病人情况自动生成饮食计划，指导病人行为；病人输入问题可获得即时智能回答

134例冠心病病人，试验组68例和对照组66例，干预1个月

饮食行为干预

1个月随访时干预组低盐少油饮食、盐摄入量、油摄入量及蔬菜摄入量达标情况均优于对照组

Alfonsi等^[32]

加拿大

基于算法卷积神经网络进行食物图像识别，进而计算病人糖类摄入量，在 200 种常见食物上测试准确性，要求报告的糖类含量与真实净糖类值（总糖类减纤维）误差在10 g内

青少年1型糖尿病病人16例，共干预3个月

食物图像识别、饮食评估

通过构建iSpy程序，病人糖类计数准确性提高；研究结束时，43%的iSpy 参与者仍然使用，至少每2周使用1次

Popp等^[33]

美国

基于机器学习算法(PNP个性化营养项目)预测个体对食物的血糖反应，评估生成病人的膳食等级；参与者每日在智能手机应用中查看餐食记录的总热量目标，同时收到针对应用中输入食物的个性化餐后血糖反应预测反馈

肥胖的2型糖尿病或糖尿病前期病人164例，随机分为干预组与对照组各82例，干预6个月

个体化饮食预测、饮食行为干预

干预组在6个月时减重效果优于对照组；个性化饮食可能通过改善食物血糖反应、减轻血糖波动和炎症，增强减重效果

Abu-Saad等^[34]

以色列

基于数据挖掘的I-ACE软件，支持收集有关习惯性饮食和身体活动行为数据，并使用这些数据生成可实施的、以图形方式显示的总结措施；支持营养师-病人团队构建和跟踪个性化定制的健康生活方式计划

每组25例2型糖尿病病人，共干预6个月

包括饮食管理在内的健康行为干预方案设计、饮食咨询

试验组24例病人和对照组21例病人分别完成了I-ACE和标准生活方式建议主要结局最终评估。试验组糖尿病相关的生活方式知识比对照组增长更快

Eyles等^[35]

新西兰

使用SaltSwitch应用程序，使用智能手机摄像头扫描包装食品的条形码，程序可自动生成红绿灯营养标签，以及低盐替代食品列表

66例心血管疾病病人，干预组33例，对照组33例，干预6周

低盐饮食行为干预

干预组干预4周后每人每天减少食用0.7 g盐

Chee等^[36]

马来西亚

基于跨文化糖尿病营养算法(tDNA)的结构化生活方式干预，生成饮食计划。病人通过tDNA工具包接受饮食教育，内容包括健康饮食活页图、14 d饮食计划以及经过文化适配的体力活动和锻炼相关信息等

230例超重/肥胖、2型糖尿病病人，共干预6个月

结构化饮食干预方案设计

干预后6个月病人糖化血红蛋白、体重、空腹血糖、收缩压降低