هوش مصنوعی در پیش بینی پاسخ گلوکز پس از غذا: مرور جامع روش شناسی ها، چالش ها و چشم اندازهای آینده

پاسخ گلوکز پس از غذا (PPGR) یک شاخص حیاتی در مدیریت بیماری دیابت است که به دلیل تنوع فیزیولوژیک، ژنتیکی و میکروبیومی، تفاوت های چشمگیری در میان افراد مختلف دارد. رویکردهای سنتی تغذیه قادر به پیش بینی دقیق این پاسخ نیستند. هدف از این مطالعه مروری، بررسی جامع و به روز کاربرد الگوریتم های هوش مصنوعی (AI) و یادگیری ماشین (ML) در پیش بینی فردمحور PPGR و نقش آن در توسعه تغذیه دقیق است. در این مطالعه، جستجوی سیستماتیک در پایگاه های داده معتبر (نظیر PubMed، Scopus و (EEE Xplore) برای شناسایی مقالات کلیدی منتشر شده انجام شد. تمرکز اصلی بر مطالعاتی بود که از مدل های هوش مصنوعی، داده های مانیتورینگ مداوم قند خون (CGM) و داده های چند-امیکس (Multi-omics) برای پیش بینی گلیسمی استفاده کرده بودند. بررسی ها نشان می دهد که مدل های هوش مصنوعی، از الگوریتم های کلاسیک (مانند (Random Forest) تا معماری های پیشرفته یادگیری عمیق (مانند LSTM و ترانسفورمرها)، عملکرد بسیار بهتری نسبت به روش های سنتی مبتنی بر شمارش کربوهیدرات دارند. ترکیب داده های میکروبیوم روده، ویژگی های بالینی و داده های حاصل از گجت های پوشیدنی، دقت پیش بینی PPGR را به طور قابل توجهی افزایش می دهد. همچنین، رویکردهای نوینی نظیر دوقلوهای دیجیتال (Digital Twins) در حال شخصی سازی هرچه بیشتر مداخلات درمانی هستند. هوش مصنوعی در حال ایجاد یک انقلاب در درک ما از متابولیسم انسانی و تغذیه است. با این حال، کاربرد بالینی گسترده این مدل ها نیازمند رفع چالش های مرتبط با کیفیت داده ها، حفظ حریم خصوصی بیماران و توسعه هوش مصنوعی توضیح پذیر (XAI) است تا اعتماد پزشکان و بیماران جلب شود. پیاده سازی این سیستم ها می تواند به ابزاری قدرتمند برای پیشگیری و مدیریت دیابت تبدیل شود.

کلیدواژه ها:

هوش مصنوعی ، دیابت ، یادگیری ماشین ، تغذیه دقیق ، میکروبیوم