利用表型和生化标志物通过监督方程对膳食摄入量进行升级估算：其在分类DQI（饮食质量指数）方面的适用性

《Journal of the American Nutrition Association》：Upgraded Estimation of Dietary Intake Using Phenotypic and Biochemical Markers by Supervised Equations: Applicability for Categorizing DQI

　　精准营养研究通过整合138名参与者的膳食问卷、生化指标及机器学习算法，验证了预测Mediterranean饮食指数（AHEI、DASH等）的可行性，发现同型半胱氨酸、叶酸等参数与指数显著相关，模型R2达22.07%-35.76%，ROC值0.79-0.87。

　　

摘要

目的

饮食和营养摄入直接影响健康，遵循某些饮食模式与积极的结果相关。传统的调查方法（如食物频率问卷 FFQ 和 24 小时回顾法）具有主观性，这凸显了需要采用结合表型和代谢数据的高级技术。这项初步探索性研究旨在评估使用机器学习技术来整合常规收集的表型和生化数据以预测对已明确界定的饮食质量指标的遵守情况的可行性。

方法

共有 138 名参与者参与了这项横断面研究，收集了有关饮食摄入（FFQ、24 小时回顾法）、生化标志物、体力活动估计、生活质量问卷和人体测量数据的信息。作为质量指标，测试了地中海饮食遵循筛查工具（MEDAS 17p）、替代健康饮食指数（AHEI）、预防高血压的饮食方法（DASH）以及一个支持素食主义的模型。通过 STATA（v. 18.0）统计程序，使用调整后的逻辑回归方法整合了生化和饮食数据，以识别与食物消费相关的生化标志物，从而预测饮食质量。随后，开发了一种基于机器学习技术的算法，并通过接收者操作特征（ROC）曲线及相关指标（曲线下面积）确定了所获得模型的预测能力。

结果

创建了一种用于概率分类的计算算法，并考虑了年龄、性别、体重指数、体力活动和 SF-36 评分等因素进行校正。关键的生化参数包括葡萄糖、甘油三酯、高密度脂蛋白胆固醇、同型半胱氨酸和白蛋白。在同型半胱氨酸（AHEI 中的 p 值 = 0.007，支持素食主义模型的 p 值 = 0.040）、叶酸（DASH 中的 p 值 = 0.039，支持素食主义模型的 p 值 = 0.019）以及维生素 C（AHEI 中的 p 值 < 0.001，DASH 中的 p 值 = 0.023）等方面，这些变量在各个饮食质量指标中均显示出显著性。完全调整后的模型的解释能力介于 R2 = 22.07% 至 35.76% 之间，具体取决于所使用的指标。模型的准确率在 72.46% 至 78.26% 之间，ROC 值介于 0.79 和 0.87 之间，表明训练数据本身的预测有效性处于中等至良好水平。

结论

这项初步探索性分析证明了整合饮食和生化数据以适当预测对已验证的饮食质量指标的遵守情况的可行性。尽管该研究并非旨在作为可实际应用的预测工具，但它提供了初步证据，支持常规收集的临床数据可以通过客观的计算算法为个性化精准饮食建议提供依据，从而实现精准营养管理。