Версия для печати

Современные тенденции использования возможностей искусственного интеллекта (ИИ) в области здравоохранения демонстрируют нам грандиозные успехи в обработке больших массивов накопленных в медицине данных при распознавании рентгеновских снимков, анализов крови и результатов других исследований. Но, как только речь заходит о более сложных, комплексных методиках лечения и оздоровления населения, применение хорошо отработанных приемов и инструментов ИИ наталкивается на непреодолимые пока трудности построения цифровых моделей сложных медицинских технологий, связанных с анализом практического опыта врачей, и самое главное - в накоплении большой выборки данных.

Мы столкнулись с этим в знакомой для нас области цифровой диетологии и нутрициологии.

Перечислим основные этапы нашего движения к использованию ИИ в цифровой нутрициологии и диетологии.

1. Первое, что мы предприняли – это сбор и анализ рационов, которые накопились у пользователей наших ПК. Мы работаем в направлении диетологии и нутрициологии уже более 30 лет. Только за последние 15 лет участниками наших проектов стали более 2000 диетологов и нутрициологов. Большая часть из них прошла лицензирование с нашими ПК «Индивидуальная диета 3.0», ПК «Оптимальное питание 5.0», ПК «Индивидуальная диета 5.0» по приказу № 920Н Минздрава РФ. Каждый специалист по питанию в течение последних 2 лет работал и продолжает работать не менее чем со 100 клиентами. В результате на основе предоставленных нам данных был сформирован и верифицирован огромный массив рационов, созданных специалистами по питанию для клиентов разных половозрастных групп с учетом их образа жизни, пищевых предпочтений, пищевого поведения, медицинского анамнеза и других данных.

2. Мы отобрали небольшой массив (около 1000) лучших рационов по экспертным оценкам специалистов (эталонов), а затем разделили эталонные образцы на группы по половозрастным признакам. Далее мы применили статистический алгоритм оптимального приближения к индивидуальной нутриентной норме нового клиента нутриентного состава вновь создаваемого рациона. Алгоритм оптимизации позволяет «масштабировать» эталонные образцы во время персонализации под нового клиента. За несколько секунд рассчитывается персонализированный недельный рацион с максимальным разнообразием продуктов и блюд. Это существенная помощь диетологу в преодолении рутинных операций при создании многодневных рационов, но не достаточная, поскольку предполагает «ручную доводку» сгенерированных рационов.

3. Следующим шагом стала разработка и испытание прототипа интеллектуальной платформы управления питанием человека на основе автоматической оптимизации персонализированных рационов питания. В рамках этой работы на ограниченном объеме верифицированных данных была проведена их разметка для машинного обучения для более полного диетологического цифрового портрета клиента. Прототип интеллектуальной платформы был успешно испытан и на него оформлено Свидетельство Роспатента.

4. В настоящее время нами продолжается работа по совершенствованию цифровой диетологической модели клиента. Также мы продолжаем в тесном сотрудничестве с пользователями наших ПК вести накопление массива рационов и машинную разметку накопленных данных. Надеемся, что по завершении этой работы мы сможем включить в наше программное обеспечение модуль с ИИ на основе классификаторов в виде деревьев решений, который работает как с количественными, так и с категориальными данными, а также кластеризации на основе нейронных сетей Кохонена.

Более подробно о нашей работе в сфере цифровизации диетологии - в статье «Наш опыт в накоплении больших данных и машинном обучении интеллектуальной модели, используемой при создании персонализированного рациона питания»