CC BY
1
АВТОМАТИЗАЦИЯ И УПРАВЛЕНИЕ ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ
И ПРОИЗВОДСТВАМИ
УДК 681.5
Б01: 10.24412/2071-6168-2024-10-512-513
АНАЛИЗ ПРОБЛЕМ ПРИ РАЗРАБОТКЕ СППР ДЛЯ АВТОМАТИЗАЦИИ ФОРМИРОВАНИЯ РАЦИОНОВ
ПИТАНИЯ СПЕЦИАЛИЗИРОВАННЫХ ГРУПП
Е.С. Половинкин, М.С. Чванова
В статье рассматриваются ключевые проблемы и особенности, связанные с созданием системы поддержки принятия решений (СППР), направленной на автоматизацию процессов формирования рационов питания для специализированных групп. Новизна работы состоит в том, что впервые поставлен вопрос о ключевых проблемах, возникающих при создании СППР для подбора рационов питания указанных групп. Основное внимание уделяется проблемам, связанным с проблемами обработки больших массивов данных о питании, использовании методов искусственного интеллекта, а также необходимости учета индивидуальных потребностей. Анализируются сложности стандартизации данных и адаптации системы к динамическим изменениям параметров здоровья пользователей. Рассматриваются проблемы, связанные с обработкой и стандартизацией данных, персонализацией рекомендаций, интеграцией искусственного интеллекта и биоинформатики, а также учётом генетических, физиологических и экологических факторов. В статье подчеркивается важность разработки СППР для оценки рациона питания и значимость постоянного обновления системы в ответ на изменения состояния здоровья пользователей.
Ключевые слова: автоматизация процессов формирования рационов питания, персонализированное питание, искусственный интеллект, система поддержки принятия решений
Введение. Рациональное питание играет ключевую роль в поддержании здоровья и жизнедеятельности человека. Особенно важно уделять внимание питанию специализированных групп, таких как спортсмены, пациенты с хроническими заболеваниями и пожилые люди. Эти группы имеют специфические потребности в питательных веществах, которые обусловлены их физиологическим состоянием, уровнем физической активности и особенностями обмена веществ. В связи с этим, разработка индивидуализированных рационов питания для таких групп становится актуальной задачей.
В настоящее время существует множество научных исследований, посвященных вопросам питания специализированных групп. Однако часто встречается проблема фрагментарности данных и отсутствия интегрированной системы, которая могла бы помочь в принятии решений относительно подбора оптимального питания для различных категорий людей. Создание системы поддержки принятия решений (СППР) может существенно повысить эффективность и точность рекомендаций по питанию, что, в свою очередь, положительно скажется на здоровье и качестве жизни этих групп. Это актуально для таких специализированных групп как спортсмены, для них важно обеспечивать организм достаточным количеством энергии и питательных веществ для поддержания высокой физической активности и ускоренного восстановления после тренировок и соревнований, пациенты с хроническими заболеваниями. Например, больные сахарным диабетом или сердечно-сосудистыми заболеваниями требуют специального подхода к питанию, чтобы поддерживать стабильное состояние и предотвращать возможные осложнения, представители различных профессий - у них, в связи с возможной специфической физической, психологической нагрузками может изменяться метаболизм и, следовательно, потребности в питательных веществах, что требует корректировки рациона для поддержания здоровья и предотвращения различных, в том числе, профессиональных заболеваний.
Прежде, чем рассматривать проблемы при разработке СППР для автоматизации формирования рационов питания специализированных групп важно определится с понятиями, используемыми в данном исследовании. Это важно по причине того, что в настоящее время они являются неустойчивыми, несмотря на существующие дефиниции этих понятий.
Описание проблемы. В текущее время не существует четкого понятия о том, что же такое персонализированное питание. В научных исследованиях различных авторов присутствуют лишь параметры, которыми оно должно обладать и цели его создания. Так, согласно исследованию, проведенному Хосе Орвадос и ряда других ученых, персонализированное питание базируется на использовании информации об индивидуальных характеристиках человека для разработки и конкретных рекомендаций, продуктов или услуг в области питания для того, чтобы помочь людям добиться долговременных изменений в поведении, благотворно влияющих на их здоровье[1].
Согласно теории адекватного питания, существуют и развиваются различные концепции дифференцированного, направленного, функционального и индивидуального питания[2].
Согласно исследованиям академика В.А. Тутельяна питание будет базироваться на совокупности традиционных продуктов с продуктами заданного химического состава и генетически модифицированными с широким применением для коррекции показателей здоровья человека[3]. Целью, на которую направлено персонализированное питание как очень важной части концепции точного питания [4] определяется создание рекомендаций по питанию для возможного лечения и профилактики метаболических нарушений, основанных на изменении взаимосвязанных параметров во внутренней и внешней среде человека на протяжении всей жизни[5].
Таким образом, сформировалась гипотеза о том, что ключевыми факторами, определяющими подходы к персонализированному питанию, являются: диетические привычки, пищевое поведение, физическая активность, детализированное фенотипирование с формированием соответствующих стратегий, понимание процессов метаболизма, кишечная микробиота, высокотехнологичные инструменты сбора информации о питании и формирования персонализированных рекомендаций, генетические факторы, описываемые в таком направлении современных исследований, как нутригенетика[6].
Эти факторы могут объяснить индивидуальную изменчивость метаболического ответа на конкретные ди-еты[7]. Учитывая все вышеперечисленное, можно попытаться сформулировать уточненное понятие персонализированного питания.
Таким образом, уточним понятие. Персонализированное питание - это подход к питанию, основанный на использовании информации об индивидуальных характеристиках человека, таких как: диетические привычки, пищевое поведение, физическая активность, процессы метаболизма, кишечная микробиота, результаты сбора информации высокотехнологичными инструментами, генетические факторы и другие, для разработки конкретных рекомендаций, продуктов или услуг в области питания, который направлен на достижении долгосрочных изменений в состоянии и поведения человека, положительно влияющих на показатели его здоровья.
В отдельных случаях целью персонализированного питания может являться создание рекомендаций по питанию для лечения и профилактики метаболических нарушений, основанных на изменении взаимосвязанных параметров во внутренней и внешней среде человека на протяжении всей жизни.
Причиной возникновения таких нарушений могут быть различные заболевания. Исследованиями специалистов ВОЗ показана взаимосвязь пищевых рационов с возникновением ряда заболеваний, в частности, сердечнососудистой системы, пищеварительной, эндокринной и других систем. Нарушения в структуре питания стали одним из ведущих факторов развития и хронизации большинства неинфекционных заболеваний.
Длительное нарушение биологических законов питания приводит к различным изменениям метаболизма в клетках, что приводит к алиментарным заболеваниям[8]. Так, сахарный диабет является одним из таких расстройств. Это заболевание эндокринной системы, возникающее при недостаточности инсулина в организме человека, что приводит к нарушению углеводного обмена, а впоследствии и всех остальных видов обмена. При сахарном диабете отмечается нарушение со стороны сердечно-сосудистой, нервной, мочевыделительной систем, которые развиваются вследствие гипергликемии (повышение уровня глюкозы в крови). Сахарным диабетом страдает 6 % населения, в цивилизованных странах число заболевших удваивается каждые 15 лет. Сахарный диабет занимает третье место среди причин смерти после сердечнососудистых заболеваний и онкологии[9]. При сахарном диабете формирование правильного рациона питания имеет огромное значение для контроля состояния больного и предупреждения тяжелых осложнений. Питание является обязательным элементом терапии диабета. Неправильное питание может негативно сказаться на многих органах и системах организма, таких как желудок, печень, кишечник, поджелудочная железа, скелет, сердце и желчевыводящие пути. Поэтому важно учитывать калорийность рациона, баланс белков, жиров и углеводов, а также ограничивать потребление продуктов с высоким гликемическим индексом. При составлении плана питания необходимо включать в рацион все типы пищи в рациональном количестве, отдавая предпочтение нерафинированным продуктам, богатым клетчаткой. Также важно следить за размером порций и частотой приемов пищи, избегать длительных перерывов между ними и пить достаточное количество чистой воды. Соблюдение данных правил питания помогает больному контролировать уровень сахара в крови, то есть приводить показатели здоровья человека в рамки допустимых.
Таким образом, становится очевидным, что выстраивание персонифицированного питания - это задача, предусматривающая рассмотрение сверхсложной процессуальной системы и управление этим процессом зависит от множества разных параметров, причем выделить наиболее важный из них не представляется возможным - для нормализации состояния здоровья человека все они важны. Исходя из этого, становится очевидным, что традиционным подходом выделения основных параметров задачу не решить или ее решение окажется не применимым на практике. Нужны новые подходы, которые могут реально помочь человеку с выбором рационального питания при существующих у него ограничениях.
Описание проблем разработки СППР. Прежде чем выбрать подход к решению задачи, необходимо понять сложности, связанные с разработкой и выбором СППР для автоматизации составления рационов питания для людей с особыми потребностями (специализированных групп). Хотя общие полезные свойства пищи исследованы, механизмы их воздействия на профилактику заболеваний и улучшение здоровья еще не изучены в полной мере. Кроме того, реакция на диетические изменения может значительно различаться у разных людей, и для одних когорт возможно извлечение большей пользы, чем для других. Это различие степени воздействия можно объяснить физиологическими характеристиками, такими как: возраст, генетические особенности, пол, воздействием окружающей среды, образ жизни, метаболизм, состояние микрофлоры кишечника, и спецификой и качеством рациона питания. Показатели биомаркеров также являются результатом различных реакций на питание.
Методы редукционизма не применимы для объяснения того, как молекулярные и клеточные реакции на пищу благоприятствуют повышению показателей здоровья человека. Для более эффективного анализа персонифицированных реакций на рацион применяются системная биология, метаболомика, протеомика, геномика. Вышеназванные направления современной науки способны производить интеграцию и анализ значительных объемов данных, собранных в результате различных опытов по изучению вопросов формирования рационов питания. Уже сего-
дня использование системных биологических подходов оказывает большое влияние в таких областях, как, например, иммунология, но наравне с этим, присутствуют и сложности, когда речь заходит о попытках использования полученных результатов в исследованиях, направленных на человека. Чтобы детально разобраться в вопросе, как связаны между собой здоровье и качество питания нужно понимать, что в данном случае невозможно обойтись без учета результатов динамического сетевой анализа процессов, происходящих в организме человека, как в здоровом состоянии и состоянии какого-либо заболевания, так и в момент начала течения болезни. Все вышесказанное приводит к пониманию, что необходимо сосредоточиться на применение новых прогностических методов для более детализированного объяснения индивидуальных реакции на вмешательство в рацион питания, их особенностей, изменений показателей здоровья.
Перспективы системной науки могут помочь врачам адаптировать методы целевого лечения, понять различия в ответах на терапию и разработать персонализированные подходы к питанию. Персонализированные стратегии в этой области могут способствовать созданию новых процессов обработки данных, связанных с пищеварением, усвоением и метаболизмом, интегрируя молекулярные события и клинические результаты через следующие подходы: генерацию неожиданных и неочевидных гипотез, интеграцию данных на различных уровнях анализа, экспериментальную проверку с использованием доклинических и клинических исследований с применением стандартизированных диетических вмешательств, использование моделей многомерного анализа для выявления связей между параметрами здоровья и современными методами машинного обучения [10].
Эти подходы позволяют формировать более целостное представление о процессах, происходящих в организме, что способствует выявлению скрытых закономерностей и пониманию влияния питания на различные аспекты здоровья. Внедрение персонализированных подходов к питанию также может поддержать профилактику и лечение ряда хронических заболеваний, таких как метаболический синдром, сердечно-сосудистые заболевания и диабет.
Использование системного подхода также открывает возможности для междисциплинарных исследований, объединяющих специалистов из биоинформатики, медицины, диетологии и анализа данных. Синтез их знаний позволяет создать основу для более точной и обоснованной разработки планов питания, что в долгосрочной перспективе может значительно повысить эффективность стратегий, направленных на улучшение здоровья населения. Благодаря им врачи и специалисты по питанию смогут предлагать пациентам более точные и адаптированные к их потребностям рекомендации, учитывающие не только текущие биохимические и физиологические показатели, но и прогнозируемые изменения на основе прогностических моделей.
Использование таких платформ также будет способствовать углубленному исследованию причинно-следственных связей между диетическими факторами и состоянием здоровья, позволяя выявлять потенциальные риски и предотвращать их еще на стадии планирования диеты. В перспективе, эти системы помогут перейти от универсальных рекомендаций к более детализированным и индивидуализированным подходам, способным учитывать даже малейшие отличия в физиологии и образе жизни человека.
Кроме того, данные, собранные с помощью таких платформ, могут способствовать улучшению моделей прогнозирования и алгоритмов искусственного интеллекта, которые помогут врачам выявлять и анализировать редкие случаи и аномалии. Это может сыграть ключевую роль в оптимизации здравоохранения и снижении затрат на лечение, так как позволит переходить к проактивному, а не реактивному подходу к здоровью пациентов. Идея персонализированного питания стимулирует большой интерес к разработке диагностических систем и СППР, которые обеспечивают непрерывный мониторинг и оценку состояния питания.
Сбор и обработка
Интеграция с
Разработка алгоритмов персонал изации
получ е и ия тсч н ых да н н ых о предпочтениях, аллергиях, диетах и Филологических особенностях
Обеспечение
рекомендации
Рис. 1. Проблемы, встречавшихся при разработке систем персонализированного питания
514
Такие диагностические системы и СППР (системы поддержки принятия решений) помогут специалистам отслеживать динамику состояния здоровья пациента и оперативно корректировать диетические рекомендации на основе полученных данных. Использование сенсорных устройств и портативных мониторов в сочетании с анализом больших данных позволяет контролировать ключевые параметры, такие как уровень глюкозы, липидный профиль, маркеры воспаления и микробиом кишечника. Это способствует более глубокому пониманию того, как конкретные продукты или нутриенты влияют на здоровье, что особенно важно для пациентов с хроническими заболеваниями или особыми потребностями.
Внедрение таких технологий также открывает возможности для создания цифровых двойников пациентов — виртуальных моделей, которые позволяют симулировать воздействие различных диет и прогнозировать их влияние на организм. Это дает врачам и нутрициологам уникальную возможность протестировать диетические вмешательства и оценить потенциальные риски и эффекты, не подвергая пациента прямому воздействию.
Кроме того, интеграция данных из различных источников — геномных, клинических, биохимических и поведенческих — способствует непрерывному обучению моделей ИИ и улучшению прогнозов. Такой комплексный подход позволит создавать персонализированные рационы, направленные не только на коррекцию существующих проблем, но и на профилактику возможных осложнений, поддерживая здоровье человека в долгосрочной перспективе.
Тем не менее, как показано на рис. 1., во время проектирования цифровой системы персонализации пищевых продуктов мы можем столкнуться с рядом проблем.
Задачи и их детализация при разработке СППР. Исследование биологических механизмов на уровне отдельного гена или белка в области питания сегодня считается многими учеными устаревшим. Взаимодействие между питанием, метаболизмом и микрофлорой на клеточном и молекулярном уровнях, а также их влияние на здоровье на индивидуальном уровне пока недостаточно изучено. Для целостного понимания здоровья важно учитывать взаимосвязь между питанием, генами, их продуктами, состоянием здоровья и факторами окружающей среды, вместо того чтобы фокусироваться только на взаимодействиях питательных веществ с отдельными генами или их продуктами. Современные экспериментальные методы ограничены в возможности контролируемого управления рационом питания у людей и животных и не всегда позволяют отслеживать процессы на уровне тканей, клетки и молекулярных взаимодействий, включая сигнальные механизмы. В этом могут помочь подходы, основанные на данных, использующие многопараметрические измерения, такие как воздействие питательных веществ на экспрессию генов.
Текущая система здравоохранения оценивает статические показатели здоровья, включая данные из ЭМК и результаты физического осмотра. Однако помимо этих статических данных, непрерывные измерения факторов здоровья, таких как ежедневное потребление пищи, состав микробиома, уровень метаболитов, качество сна и уровень стресса, могут позволить делить пациентов на подгруппы для более точного анализа. Определение базового диапазона для каждого показателя здоровья является ключевым. Эти многопараметрические измерения не только фиксируют динамическое взаимодействие между различными показателями здоровья, но и помогают в раннем выявлении заболеваний и поддерживают процесс принятия решений. Современные достижения в компьютерном моделировании, инструментах анализа данных и системных подходах могут быть использованы для разработки и обновления стратегий здравоохранения, основанных на питании, и улучшения профилактики заболеваний.
Интеграция данных из электронных медицинских карт (ЭМК), носимых устройств и приложений для здоровья с индивидуальными характеристиками представляет собой подход «больших данных». ЭМК служат клиническими хранилищами, в которых в реальном времени обновляется информация о здоровье пациента, собираемая в различных медицинских условиях. Эти данные включают физиологические показатели, демографические сведения, клинические заметки, анамнез, лабораторные результаты, назначения лекарств, радиологические отчеты и административную информацию. Эти данные отличаются от информации в реестрах заболеваний, страховых заявлениях и базах данных рецептов, поскольку предназначены для непосредственного ухода за пациентами, выставления счетов и являются важными для медицинских исследований. Хранилища данных ЭМК достаточно обширны и могут быть объединены с другими базами для выявления связей между фенотипическими данными и генетическими факторами риска. На мировом уровне уровень использования ЭМК растет, и ожидается, что вскоре в таких системах будет регистрироваться до миллиарда посещений пациентов ежегодно. Однако важно отметить, что данные о питании в ЭМК пока ограничены. Сбор информации о повседневном рационе, питательной ценности продуктов и интеграция данных о потребительских товарах с клиническими записями в ЭМК может открыть новые пути для развития точной медицины и персонализированных рекомендаций по питанию. Носимые устройства, синхронизированные с мобильными технологиями, становятся все более популярными, фиксируя параметры в режиме реального времени, такие как физическая активность, сожженные калории и уровень глюкозы в крови, что может помочь в индивидуальной оценке состояния здоровья. С учетом растущей потребности в сборе данных в реальном времени сотрудничество между медицинскими организациями, страховщиками и больницами становится крайне актуальным.
Использование передовых методов искусственного интеллекта также играет ключевую роль. В здравоохранении генерируется огромный объем данных, который может быть использован для исследований, связанных с оценкой рисков, лечением заболеваний и стратификацией пациентов. Для создания прогнозных моделей на основе данных пациентов необходимо применять методы моделирования данных, поскольку современные вычислительные системы и аналитические платформы помогают организовать, интерпретировать и извлекать из данных паттерны, касающиеся здоровья. Эти модели предполагают использование систем искусственного интеллекта и математических методов, включая дифференциальные уравнения, правила и другие подходы для моделирования и анализа данных.
С расширением использования методов искусственного интеллекта (ИИ) крупные хранилища данных становятся не просто хранилищами, а полноценными системами для анализа и извлечения знаний. Современные
технологии машинного обучения (МО) и ИИ становятся ключевыми инструментами для создания синтетических популяций пациентов, построенных на основе масштабных клинических данных. Эти технологии открывают новые возможности для исследования связей между режимами питания и изменениями молекулярных сигнатур в масштабе всего генома, что позволяет прогнозировать состояние здоровья, а также выявлять ранние признаки ухудшения здоровья и патологий.
При внедрении платформ аналитики данных как систем поддержки принятия решений важно учитывать не только их научные и функциональные возможности, но и аспекты управления и технологической совместимости. Ключевым фактором является интеграция ЭМК с технологиями МО и ИИ, а также необходимость разработки новых биомаркеров. С появлением моделей глубокого обучения, а также достижений в компьютерном зрении, стало возможным автоматизировать анализ клинических изображений. Например, глубокие нейронные сети, обученные на тысячах клинических изображений, показывают высокую точность в диагностике заболеваний, таких как рак кожи и диабетическая ретинопатия, иногда превосходя специалистов. Это подчеркивает потенциал ИИ как интеллектуальной поддержки принятия клинических решений. Аналогично ИИ может отслеживать содержание питательных веществ в ежедневном рационе и связывать эти данные с показателями здоровья. Это особенно важно для пациентов с хроническими метаболическими расстройствами, такими как диабет или ожирение, и тех, кто стремится поддерживать здоровый индекс массы тела.
Использование мобильных приложений и носимых датчиков также упрощает процесс ввода данных о питании, фиксируя изображения пищи, которые служат для обучения моделей МО наряду с данными из ЭМК. Модели МО могут дополнительно обрабатывать эти данные, оценивая калорийность, что помогает в мониторинге потребления пищи и отслеживании здоровья. Тем не менее, такие технологии требуют доработки для точного анализа сложных блюд с разнообразными ингредиентами и специями. В системе здравоохранения ИИ также интегрируется с участием врачей, которые проверяют прогнозы и рекомендации для помощи в принятии решений. После анализа рекомендаций ИИ врачи могут скорректировать или предложить дополнительные рекомендации по питанию или лечению, а ИИ-системы могут отправить рецепты в аптеку пациента и уведомить его о рекомендациях в режиме реального времени.
Кроме того, прогнозные модели, объединяющие данные пациента с молекулярных, клинических и других источников, могут выявлять новые биомаркеры для точной оценки индивидуальных реакций и различий в ответах на определенные диеты. Эти биомаркеры, такие как уровни незаменимых жирных кислот, белка, натрия и калия в плазме, могут варьироваться в зависимости от возраста и других факторов. Однако необходимы новые биомаркеры, которые бы отражали общие особенности рациона. Их интеграция с моделями МО позволит более точно прогнозировать персонализированную диету для каждого человека, учитывая его уникальные физиологические особенности и динамику здоровья.
Несмотря на значительный прогресс в науке о питании и данных, вызванный технологической революцией, необходимость создания персонализированной вычислительной инфраструктуры для исследований в области питания остаётся актуальной. При разработке такой инфраструктуры важно учитывать вопросы, связанные с базами данных о потреблении пищи, которые позволяют систематически фиксировать сложные модели питания, переводя химический состав продуктов в энергетическую и питательную ценность. Существующие инструменты, такие как дневники питания, сложны для преобразования информации о пище в энергетические показатели. Переход на специализированную инфраструктуру информатики в области питания может стать полезным для стандартизации форматов данных, однако возможны различия в подходах к описанию и сбору информации о продуктах, включая способы получения данных из различных источников, таких как лаборатории, клиники и больницы.
Создание исследовательской инфраструктуры, направленной на персонализированные исследования питания и здоровья, может существенно поддержать развитие этих направлений. Разработка платформ, удобных для пользователей и интегрирующих данные из множества источников и исследований на разных уровнях (молекулярном, клеточном, тканевом, органном и популяционном), может позволить более глубокий системный анализ факторов, влияющих на здоровье человека. Такая инфраструктура должна учитывать персонализированные данные, а не усреднённые показатели, чтобы точнее отразить индивидуальные реакции на питание, которые зависят от генетических, экологических и поведенческих факторов, специфичных для каждого человека. Появление устройств для самоконтроля, фиксирующих состояние здоровья в реальном времени, также может облегчить сбор данных. Хотя данные из таких устройств могут быть подвержены субъективным искажениям, их точность можно повысить, если пользователи будут достаточно информированы.
Персонализированные исследования питания также могут использовать траекторные наблюдения, где данные собираются ежедневно или периодически в течение месяцев или лет, что позволяет выявлять уникальные для каждого человека тенденции и риски. Это может значительно улучшить понимание персонализированных факторов риска, которые не могут быть выявлены при анализе усреднённых данных по группе. Подобная инфраструктура принесет пользу исследователям, врачам и другим заинтересованным сторонам, предоставляя доступ к данным и результатам в сфере здоровья и питания. Расширение доступа к таким данным также поддержит научные исследования и междисциплинарные проекты, помогая в развитии сотрудничества между промышленностью и академическим сектором и способствуя созданию общественных и частных партнерств.
Основное требование к инфраструктуре заключается в её классификации и определении как системы для питания и здравоохранения (ИПЗ). Управление и использование ИПЗ должны ориентироваться на потребности пользователей и включать структуры биоинформатики питания, такие как базы данных по питанию. Примером является база данных фенотипов питания, которая упрощает хранение биологически значимых, предварительно обработанных данных, а также описательной информации и данных фенотипов участников исследований. Важными функциями ИПЗ являются управление данными, их обработка, возможности обмена, а также платформы для публикации результатов исследований в широком сообществе, например, через веб-порталы. ИПЗ следует разрабатывать с учётом методов оценки потребления пищи и предоставлять возможности для ввода данных о
ежедневном рационе пользователя в электронном формате. ИПЗ должны быть гибкими, чтобы можно было регулярно оценивать статистические эффекты вмешательств в области питания на ранних этапах.
Взаимосвязь между питанием и экологическими факторами подчеркивает необходимость учета широкого спектра экологических показателей, влияющих на здоровье, из разных регионов мира. Интеграция данных об экологических переменных в ИПЗ поможет лучше понять, как эти факторы влияют на взаимодействие между питанием, генетическим разнообразием и микробиотой. Кроме того, химический состав пищи может изменять общий и микробный профиль организма, что подтверждается исследованиями на людях и животных, и это делает включение таких данных в ИПЗ особенно важным.
Создание ИПЗ позволит объединить в одной системе информацию о компонентах пищи, потреблении, экологических переменных, данных о здоровье, расходах энергии и рисках заболеваний. Эти данные помогут выявить факторы, влияющие на поведение, которые могут быть использованы для разработки диетических вмешательств. Дополнение информации об экологических переменных и интеграция знаний о взаимодействиях, связанных со здоровьем, способствует формированию новых гипотез, интерпретации и проверке результатов исследований. Стандартизация данных и использование ИПЗ упростит интеграцию информации о пациентах из различных источников, включая амбулаторное лечение, наблюдения и данные после выписки. Это, в свою очередь, поможет глубже понять индивидуальные особенности здоровья и благополучия, а также предсказывать риски заболеваний с учетом факторов окружающей среды, текущего питания и состояния здоровья.
Применение электронных медицинских карт (ЭМК) и систем питания и здравоохранения (ИПЗ) может облегчить доступ к медицинской информации пациентов, необходимой для их ухода. Переход с бумажных записей на электронные форматы в ЭМК способствует более точной диагностике, экономит ресурсы и улучшает результаты лечения, что также поддерживает эффективные решения в области здравоохранения. Однако цифровизация может сопровождаться рядом вызовов, таких как несоответствие форматов стандартизации, ошибки в документации кодов диагнозов, что может привести к ошибочной отчетности и отказам страховых компаний. Кроме того, неполное участие пользователей и недостаточно проработанные технологии могут способствовать ошибкам и вызвать недочеты в ЭМК. Врачи также могут неверно указывать диагностические и биллинговые коды для обеспечения страхового покрытия услуг, которые могут быть сочтены ненужными с медицинской точки зрения. Несмотря на широкое внедрение ЭМК, процессы стандартизации данных, извлечения, загрузки и представления данных в отделах выставления счетов остаются несовершенными.
Необходимо, чтобы организации стремились стандартизировать форматы данных, обеспечивали прозрачную связь между врачами и составителями счетов и давали доступ к документации для проверки диагностических кодов в случае несоответствий позволит сократить количество медицинских ошибок и обеспечить соответствие нормативным стандартам. Кроме того, наборы данных пациентов должны быть динамичными для регулярного обновления и пересмотра при поступлении новой информации. Стандартизированные данные упрощают поиск и обработку информации, что необходимо для оптимизации сбора клинических данных и прогнозирования. Существуют инициативы, такие как электронные медицинские записи и геномика, направленные на стандартизацию фенотипической информации и отображение клинических данных в формат единичных нуклеотидных полиморфизмов.
С развитием новых технологий, основанных на данных, возрастает потребность в специалистах, обладающих навыками, которые сочетают вычислительные методы с клиническими и трансляционными подходами. Важными становятся умения анализа и интерпретации больших и сложных баз данных — включая ЭМК и внешние источники, такие как заявки, открытые репозитории и другие — становятся всё более востребованными. Несмотря на доступность платформ с открытым исходным кодом, при установке, настройке и управлении анализом данных часто возникают сложности. Необходима подготовка специалистов, обладающих интегрированными знаниями в области наук о данных, биологии, питания, биомедицины, информатики, статистики и математики.
Хотя технологии искусственного интеллекта совершают прорыв в различных областях, важно помнить, что они являются инструментом для облегчения принятия решений, а не заменой экспертного человеческого опыта. Центральным элементом любой ИИ-системы остается «пользователь», который интерпретирует большие и сложные данные. Люди и их профессиональные знания играют важнейшую роль в процессе выявления знаний. Чтобы воспользоваться расширенными прогностическими возможностями ИИ, необходимо сотрудничество с экспертами — специалистами в таких областях, как нутрициология, биоинформатика, компьютерные науки, статистика, иммунология, биохимия, физиология, эндокринология, спорт и математика. Поскольку модели ИИ обучаются на предварительно обработанных данных, участие специалистов в предметной области является неотъемлемой частью этого процесса. Развитие ИИ-технологий достигло такой степени, что их доступность для всех стала крайне важной.
При работе с клиническими данными из электронных медицинских карт (ЭМК) одной из главных проблем остаются высокая размерность и редкость данных. ЭМК фиксируют все клинические события во время визитов или пребывания пациента в больнице. Однако в ЭМК часто встречаются пробелы в данных, сами данные могут быть сложными, неоднородными и содержать как структурированную, так и неструктурированную информацию. Структурированные данные включают демографическую информацию, клинические измерения, назначения лекарств и диагнозы, в то время как неструктурированные данные могут содержать рукописные записи врачей. Пробелы в данных подразделяются на три категории: полностью случайные, случайные и неслучайные. Полностью случайные пропуски происходят, когда разница между отсутствующими и наблюдаемыми значениями несущественна (например, из-за сбоя в работе медицинского оборудования). Случайные пропуски возникают, когда между отсутствующими и наблюдаемыми значениями существует систематическое различие (например, когда на значения влияет возраст или пол). Не случайные пропуски возникают, если пациенты пропускают прием по состоянию здоровья. Также может возникнуть дублирование данных, например, когда пациент многократно получает одно и то же лекарство.
Эти проблемы не только усложняют анализ данных из ЭМК, но и вносят разреженность и дублирование в доступную информацию. Важно учитывать отсутствие данных, так как они могут исказить результаты. В случаях пропусков применяются методы регрессии и анализа главных компонент, а также методы заполнения пропущенных
значений, такие как средние значения, медианные значения и метод ближайших соседей (к-ЫЫ). Для более сложных случаев применяются стохастические методы, такие как множественное вменение с использованием цепных уравнений, что помогает минимизировать искажения и сохраняет полноту информации для анализа.
Замена пропущенных значений на средние или медианные значения из распределения данных может вызвать систематические ошибки, особенно если пропущенные данные находятся в хвостовой части распределения. В случае метода К-ближайших соседей, пропущенные значения могут быть оценены на основе значений, полученных от группы схожих индивидуумов. Эти значения могут быть усреднены и назначены отсутствующему значению. Однако метод К-ближайших соседей может быть неэффективен, если индивиды не могут быть явно разделены на группы по данным их истории болезни. Стохастический метод, использующий многократное вменение через цепные уравнения, является основой для различных алгоритмов вменения. Процесс повторяется несколько раз, и на каждом шаге обновленные данные используются для обучения модели в следующей итерации. Важно отметить, что даже случайные процессы могут быть подвержены смещению. Методы множественного вменения предполагают, что данные нормально распределены, поэтому исключение переменных с ненормальным распределением может добавить смещение в результаты. Кроме того, методы множественного вменения требуют значительных вычислительных ресурсов, а время выполнения этих алгоритмов зависит от объема отсутствующих данных. Выбор метода вменения зависит от таких факторов, как размерность данных, количество индивидуумов, взаимосвязи между переменными, а также характер и количество пропущенных значений.
Высокая размерность и большое количество данных из ЭМК имеют ценность для персонализированных исследований в области питания, поэтому важно разработать более эффективные методы работы с пропущенными данными. Современные методы вменения могут привести к ошибкам смещения и требуют значительных вычислительных ресурсов, а время выполнения этих методов увеличивается с объемом данных. Помимо улучшения методов, полезной может быть и более качественная документация, а также глубокие знания статистических методов, касающихся пропущенных данных. Все вышепечисленные задачи показаны на рис. 2.
Ограничение редукционистских подходов и возможностей для внедрения передовых технологий, основанных на вычислительных
* Использование электронных медицинских карт
* Использование современных методов искусственного интеллекта
* Интеграция электронных медицинских карт с методами на основе искусственного интеллекта
Создание персонализированной вычислительной инфраструктуры
* Устройства самоконтроля, которые облегчают запись данных о состоянии здоровья в режиме реального времени
• Базы данных питания
Стандартизация данных и требования к обучению людей
• Стандартизация данных
* Осмысление данных и обучение людей
Устранение разреженности данных и необходимость в улучшенных методах
1 Улучшенные статистические методы
Рис. 2. Задачи, решение которых необходимо для разработки СППР для автоматизации формирования
рационов питания специализированные групп
Заключение. Таким образом, обобщены ключевые проблемы и задачи, связанные с разработкой системы поддержки принятия решений (СППР) для автоматизации составления рационов питания специализированных групп. Анализ показал, что создание такой системы требует учета множества факторов и решения различных задач, начиная с генерации принципиально новых подходов, основанных на внедрении передовых технологий, базирующихся на вычислительных данных, создания персонализированной вычислительной инфраструктуры питания, стандартизации данных и требований к обучению людей, а также устранением разреженности данных и необходимости в улучшенных методах обработки данных. Эти аспекты делают разработку СППР достаточно трудоемким, но необходимым процессом для создания эффективных и безопасных рекомендаций.
В рамках будущих исследований важно понимать, что проблемы, с которыми придется столкнуться, а именно: сбор и обработка данных, интеграция с внешними источниками, разработка алгоритмов персонализации, обеспечение точности рекомендаций, адаптация изменений данных и обеспечение пользовательского опыта невозможно решить без применения в создаваемых СППР моделей персонализации, которые способны адаптироваться к динамичным изменениям в состоянии пользователя, а также учитывать индивидуальные особенности и постоянно обновляться в ответ на новые научные данные.
Таким образом, дальнейшие исследования в области СППР для составления персонализированных рационов питания могут не только повысить эффективность рекомендательных систем, но и внести значительный вклад в профилактическое здравоохранение и улучшение качества жизни специализированных групп населения.
518
Список литературы
1. Orvados J.M., Ferguson L.R., Tai E. Sh., Mathers J.C. Personalised nutrition and health // BMJ. 2018. [Электронный ресурс] URL: https://www.bmi.com/content/361/bmi.k2173 (дата обращения: 10.05.2024).
2. Сычева В., Сычев В. Условия перехода к персонализированному питанию // ТППП АПК. 2020. №1. [Электронный ресурс] URL: https://cyberleninka.rU/article/n/usloviya-perehoda-k-personalizirovannomu-pitaniyu (дата обращения: 01.11.2024).
3. Генетические подходы к персонализации питания / А. К. Батурин, Е. Ю. Сорокина, А. В. Погожева, В. А. Тутельян // Вопросы питания. 2012. Т. 81, № 6. С. 4-11. EDN PUTCUD.
4. Ferguson LR, De Caterina R, Gorman U, Allayee H, Kohlmeier M, Prasad C, et al. Guide and Position of the 25 ОБЗОРЫ | REVIEWERS Том № 2 1 2022 International Society of Nutrigenetics/Nutrigenomics on Personalised Nutrition: Part 1. Fields of Precision Nutrition. J Nutrigenet Nutrigenomics. 2016;9(1). P. 12-27. DOI: 10.1159/000445350. EPUB 2016 May 12. PMID: 27169401.
5. Betts J.A., Gonzalez J.T. Personalised nutrition: What makes you so special? Nutr. Bull. 2016;41. P. 353359. DOI: 10.1111/nbu.12238.
6. Напольский И.Н. Персонализированное питание для профилактики и лечения метаболических заболеваний: возможности и перспективы / И.Н. Напольский, П.В. Попова // Российский журнал персонализированной медицины. 2022. Т. 2, № 1. С. 15-34. DOI 10.18705/2782-3806-2022-2-1-15-34. EDN YVMIVH.
7. McMahon G, Taylor AE, Davey Smith G, Munafo MR. Phenotype refinement strengthens the association of AHR and CYP1A1 genotype with caffeine consumption. PLoS One. 2014 Jul 30;9(7):e103448. DOI: 10.1371/journal.pone.0103448. PMID: 25075865; PMCID: PMC4116211. Vallée Marcotte B, Cormier H, Guénard F, Rudkowska I, Lemieux S, Couture P, Vohl MC. Novel Genetic Loci Associated with the Plasma Triglyceride Response to an Omega-3 Fatty Acid Supplementation. J Nutrigenet Nutrigenomics. 2016;9(1):1-11. DOI: 10.1159/000446024. Epub 2016 May PMID: 27160456. Keene KL, Chen WM, Chen F, Williams SR, Elkhatib SD, Hsu FC, Mychaleckyj JC, Doheny KF, Pugh EW, Ling H, Laurie CC, Gogarten SM, Madden EB, Worrall BB, Sale MM. Genetic Associations with Plasma B12, B6, and Folate Levels in an Ischemic Stroke Population from the Vitamin Intervention for Stroke Prevention (VISP) Trial. Front Public Health. 2014 Aug 6;2:112. DOI: 10.3389/fpubh.2014.00112. PMID: 25147783; PMCID: PMC4123605.
8. Cormier H, Rudkowska I, Paradis AM, Thifault E, Garneau V, Lemieux S, Couture P, Vohl MC. Association between polymorphisms in the fatty acid desaturase gene cluster and the plasma triacylglycerol response to an n-3 PUFA supplementation. Nutrients. 2012 Aug;4(8):1026-41. DOI: 10.3390/nu4081026. Epub 2012 Aug 17. PMID: 23016130; PMCID: PMC3448085.
9. Козлова Л. А., Казанцева О. В., Ткачева С. В., Лапенко И. В. Оценка суточных рационов питания у детей и подростков, проживающих в Ханты-Мансийском автономном округе // Вестник угроведения. 2013. №2 (12). [Электронный ресурс] URL: https://cyberleninka.ru/article/n/otsenka-sutochnyh-ratsionov-pitaniya-u-detey-i-podrostkov-prozhivayuschih-v-hanty-mansiyskom-avtonomnom-okruge (дата обращения: 01.11.2024).
10. Мелконян Ж.А., Потапова Ю.В. Рациональное питание в лечении сахарного диабета // Приоритетные научные направления: от теории к практике. 2013. №4. [Электронный ресурс] URL: https://cyberleninka.ru/article/n/ratsionalnoe-pitanie-v-lechenii-saharnogo-diabeta (дата обращения: 01.11.2024).
11. Шурупин О.Ю., Васковский А.М., Казанский Г.В., Васковский А.М. Проблемы разработки интеллектуального интерфейса в системах персонификации питания // Сборник статей XXII международной научно-практической конференции «Российская наука в современном мире», часть I. Москва: «Научно-издательский центр «Актуальность.РФ», 2019. С. 214-216.
Половинкин Евгений Станиславович, аспирант, Россия, Москва, «РОСБИОТЕХ»,
Чванова Марина Сергеевна, д-р пед. наук, профессор, [email protected], Россия, Москва, Московский государственный университет технологий и управления имени К.Г. Разумовского (Первый казачий университет)
ANALYSIS OF PROBLEMS IN THE DEVELOPMENT OF DSS FOR AUTOMATING THE FORMATION OF NUTRITION
RATIONS FOR SPECIALIZED GROUPS
E.S. Polovinkin, M.S. Chvanova
The article discusses the key problems and features associated with the creation of a decision support system (DSS) aimed at automating the processes of forming food rations for specialized groups. The novelty of the work lies in the fact that for the first time the question has been raised about the key problems that arise when creating a DSS for selecting diets for these groups. The main focus is on problems associated with processing large amounts of nutrition data, the use of artificial intelligence methods, and the need to take into account individual needs. The difficulties of standardizing data and adapting the system to dynamic changes in user health parameters are analyzed. Problems related to data processing and standardization, personalization of recommendations, integration of artificial intelligence and bioinformatics, as well as taking into account genetic, physiological and environmental factors are considered.
Key words: automation of diet formation processes, personalized nutrition, artificial intelligence, decision support system.
Polovinkin Evgeny Stanislavovich, postgraduate, Russia, Moscow, ROSBIOTECH,
Chvanova Marina Sergeevna, doctor of pedagogical sciences, professor, tmbtsu@gmail. com, Russia, Moscow, K.G. Razumovsky Moscow State University of Technology and Management (First Cossack University)
519
