Спортивное питание как пример эффективной реализации инновационных трендов в нутрициологии — персонализации и цифровизации (обзор литературы)

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Пищевой статус спортсмена зависит от индивидуальных генетических особенностей организма, уровня физических и психоэмоциональных нагрузок и от сбалансированного рациона питания с включением в него специализированной пищевой продукции и биологически активных добавок. Развитие аналитики больших данных и искусственного интеллекта может способствовать разработке рекомендаций по питанию на индивидуальном или стратифицированном уровне.

Цель обзора — анализ и обобщение научно-исследовательских работ, посвящённых возможностям применения цифровых технологий, методик глубокого машинного обучения, искусственного интеллекта в области спортивной нутрициологии для обеспечения персонализированного подхода к повышению профессиональной успешности. Изучены работы, опубликованные за 2004–2024 гг. в отечественных и зарубежных электронных базах данных: Web of Science, Scopus, eLIBRARY.RU, Российская государственная библиотека, библиотечный фонд ФГБУН «ФИЦ питания и биотехнологии».

Возможности применения технологий на основе искусственного интеллекта в области спортивной нутрициологии крайне многоплановы: оценка рациона питания, распознавание и отслеживание разнообразия пищевых продуктов, прогностическое моделирование спортивной успешности и неинфекционных заболеваний, подбор персонализированного рациона питания. Для обеспечения стабильного роста охвата цифровыми продуктами и технологиями дальнейшие направления их применения в спортивной медицине должны быть нацелены на повышение качества и стандартизации данных и снижение алгоритмической предвзятости.

Участие авторов:
Никитюк Д.Б. — концепция и дизайн исследования, редактирование;
Коростелева М.М. — написание текста, составление списка литературы;
Тармаева И.Ю. — дизайн исследования, написание текста.
Все соавторы — утверждение окончательного варианта статьи, ответственность за целостность всех частей статьи.

Финансирование. Исследование не имело спонсорской поддержки.

Конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов в связи с публикацией данной статьи.

Поступила: 14.10.2024 / Принята к печати: 11.12.2024 / Опубликована: 28.02.2025

Об авторах

Дмитрий Борисович Никитюк

ФГБУН «Федеральный исследовательский центр питания, биотехнологии и безопасности пищи

Email: nikitjuk@ion.ru
ORCID iD: 0000-0002-4968-4517

Академик РАН, директор ФГБУН «ФИЦ питания и биотехнологии», 109240, Москва, Россия

e-mail: nikitjuk@ion.ru

Маргарита Михайловна Коростелева

ФГБУН «Федеральный исследовательский центр питания, биотехнологии и безопасности пищи

Email: korostel@bk.ru
ORCID iD: 0000-0002-2279-648X

Канд. мед. наук, ст. науч. сотр. лаб. спортивной антропологии и нутрициологии, ФГБУН «ФИЦ питания и биотехнологии», 109240, Москва, Россия

e-mail: korostel@bk.ru

Инна Юрьевна Тармаева

ФГБУН «Федеральный исследовательский центр питания, биотехнологии и безопасности пищи

Автор, ответственный за переписку.
Email: tarmaeva@ion.ru
ORCID iD: 0000-0001-7791-1222

Доктор мед. наук, профессор, учёный секретарь, ФГБУН «ФИЦ питания и биотехнологии», 109240, Москва, Россия

e-mail: tarmaeva@ion.ru

Список литературы

  1. Никитюк Д.Б., Кобелькова И.В. Спортивное питание как модель максимальной индивидуализации и реализации интегративной медицины. Вопросы питания. 2020; 89(4): 203–10. https://elibrary.ru/mavzkr
  2. Тутельян В.А., Никитюк Д.Б. Ключевые проблемы в структуре потребления пищевой продукции и прорывные технологии оптимизации питания для здоровьесбережения населения России. Вопросы питания. 2024; 93(1): 6–21. https://doi.org/10.33029/0042-8833-2024-93-1-6-21 https://elibrary.ru/xcdqzj
  3. Kirk D., Catal C., Tekinerdogan B. Precision nutrition: A systematic literature review. Comput. Biol. Med. 2021; 133: 104365. https://doi.org/10.1016/j.compbiomed.2021.104365
  4. Bush C.L., Blumberg J.B., El-Sohemy A., Minich D.M., Ordovás J.M., Reed D.G., et al. Toward the definition of personalized nutrition: a proposal by the american nutrition association. J. Am. Coll. Nutr. 2020; 39(1): 5–15. https://doi.org/10.1080/07315724.2019.1685332
  5. An R., Wang X. Artificial intelligence applications to public health nutrition. Nutrients. 2023; 15(19): 4285. https://doi.org/10.3390/nu15194285
  6. Mehrabi Z., Delzeit R., Ignaciuk A., Levers C., Braich G., Bajaj K., et al. Research priorities for global food security under extreme events. One Earth. 2022; 5(7): 756–66. https://doi.org/10.1016/j.oneear.2022.06.008
  7. Kirk D., Kok E., Tufano M., Tekinerdogan B., Feskens E.J.M., Camps G. Machine learning in nutrition research. Adv. Nutr. 2022; 13(6): 2573–89. https://doi.org/10.1093/advances/nmac103
  8. Fu T., Liu H., Shi C., Zhao H., Liu F., Xia Y. Global hotspots and trends of nutritional supplements in sport and exercise from 2000 to 2024: a bibliometric analysis. J. Health Popul. Nutr. 2024; 43(1): 146. https://doi.org/10.1186/s41043-024-00638-9
  9. Adami P.E., Fitch K. The innovative role of Olympic sports and exercise in the promotion of health, gender equality and sustainability: past achievements and future challenges. J. Sports Med. Phys. Fit. 2021; 61(8): 1042–51. https://doi.org/10.23736/s0022-4707.21.12721-5
  10. Kelly B.S., Judge C., Bollard S.M., Clifford S.M., Healy G.M., Aziz A., et al. Radiology artificial intelligence: a systematic review and evaluation of methods (RAISE). Eur. Radiol. 2022; 32(11): 7998–8007. https://doi.org/10.1007/s00330-022-08784-6
  11. Waqas A., Bui M.M., Glassy E.F., El Naqa I., Borkowski P., Borkowski A.A., et al. Revolutionizing digital pathology with the power of generative artificial intelligence and foundation models. Lab. Invest. 2023; 103(11): 100255. https://doi.org/10.1016/j.labinv.2023.100255
  12. Sahu A., Mishra J., Kushwaha N. Artificial Intelligence (AI) in drugs and pharmaceuticals. Comb. Chem. High Throughput. Screen. 2022; 25(11): 1818–37. https://doi.org/10.2174/1386207325666211207153943
  13. Kim J., Lin S., Ferrara G., Hua J., Seto E. Identifying people based on machine learning classification of foods consumed in order to offer tailored healthier food options. In: Ahram T., Karwowski W., Vergnano A., Leali F., Taiar R., eds. Intelligent Human Systems Integration 2020. Advances in Intelligent Systems and Computing. Cham: Springer; 2020. https://doi.org/10.1007/978-3-030-39512-4_30
  14. Zellerbach K., Ruiz C. Machine learning to predict overeating from macronutrient composition. In: 2019 IEEE International Conference on Bioinformatics and Biomedicine (BIBM). San Diego, CA; 2019. https://doi.org/10.1109/BIBM47256.2019.8983166
  15. Theodore Armand T.P., Nfor K.A., Kim J.I., Kim H.C. Applications of artificial intelligence, machine learning, and deep learning in nutrition: a systematic review. Nutrients. 2024; 16(7): 1073. https://doi.org/10.3390/nu16071073
  16. Salinari A., Machì M., Armas Diaz Y., Cianciosi D., Qi Z., Yang B., et al. The application of digital technologies and artificial intelligence in healthcare: an overview on nutrition assessment. Diseases. 2023; 11(3): 97. https://doi.org/10.3390/diseases11030097
  17. Li T., Wei W., Xing S., Min W., Zhang C., Jiang S. Deep learning-based near-infrared hyperspectral imaging for food nutrition estimation. Foods. 2023; 12(17): 3145. https://doi.org/10.3390/foods12173145
  18. Pouladzadeh P., Shirmohammadi S., Bakirov A., Bulut A., Yassine A. Cloud-based SVM for food categorization. Multimed. Tools Appl. 2015; 74: 5243–60. https://doi.org/10.1007/s11042-014-2116-x
  19. Mezgec S., Koroušić Seljak B. NutriNet: A deep learning food and drink image recognition system for dietary assessment. Nutrients. 2017; 9(7): 657. https://doi.org/10.3390/nu9070657
  20. Lo F.P.W., Sun Y., Qiu J., Lo B. A novel vision-based approach for dietary assessment using deep learning view synthesis. In: 2019 IEEE 16th International Conference on Wearable and Implantable Body Sensor Networks (BSN). Chicago, IL; 2019. https://doi.org/10.1109/BSN.2019.8771089
  21. Priyaa P.K., Sathyapriya S., Arockiam L. Nutrition monitoring and calorie estimation using internet of things (IoT). Int. J. Innov. Technol. Explor. Eng. 2019; 8(11): 2669–72. https://doi.org/10.35940/ijitee.K2072.0981119
  22. Kalantarian H., Alshurafa N., Le T., Sarrafzadeh M. Monitoring eating habits using a piezoelectric sensor-based necklace. Comput. Biol. Med. 2015; 58: 46–55. https://doi.org/10.1016/j.compbiomed.2015.01.005
  23. Kalantarian H., Sarrafzadeh M. Audio-based detection and evaluation of eating behavior using the smartwatch platform. Comput. Biol. Med. 2015; 65: 1–9. https://doi.org/10.1016/j.compbiomed.2015.07.013
  24. Тутельян В.А., Тармаева И.Ю., Каде М.А., Никитюк Д.Б. Медицина будущего: роль искусственного интеллекта в оптимизации питания для здоровьесбережения населения России. Вопросы питания. 2024; 93(4): 6–13. https://doi.org/10.33029/0042-8833-2024-93-4-6-13 https://elibrary.ru/kantys
  25. Singer P., Robinson E., Raphaeli O. The future of artificial intelligence in clinical nutrition. Curr. Opin. Clin. Nutr. Metab. Care. 2024; 27(2): 200–6. https://doi.org/10.1097/MCO.0000000000000977
  26. Porras E.M., Fajardo A.C., Medina R.P. Solving dietary planning problem using particle swarm optimization with genetic operators. In: Proceedings of the 3rd International Conference on Machine Learning and Soft Computing. Da Lat; 2019.
  27. Zitouni H., Meshoul S., Mezioud C. New contextual collaborative filtering system with application to personalized healthy nutrition education. J. King Saud Univ. Comput. Inf. Sci. 2022; 34(4): 1124–37. https://doi.org/10.1016/j.jksuci.2020.04.012
  28. Taye M.M. Understanding of machine learning with deep learning: Architectures, workflow, applications and future directions. Computers. 2023; 12(5): 91. https://doi.org/10.3390/computers12050091
  29. Pray L., ed. Nutrigenomics and the Future of Nutrition: Proceedings of a Workshop. Washington, DC: National Academies Press; 2018.
  30. Panagoulias D.P., Sotiropoulos D.N., Tsihrintzis G.A. Nutritional biomarkers and machine learning for personalized nutrition applications and health optimization. Intell. Decis. Technol. 2021; 15(4): 645–53.
  31. Karakan T., Gundogdu A., Alagözlü H., Ekmen N., Ozgul S., Tunali V., et al. Artificial intelligence-based personalized diet: A pilot clinical study for irritable bowel syndrome. Gut. Microbes. 2022; 14(1): 2138672. https://doi.org/10.1080/19490976.2022.2138672
  32. Lagoumintzis G., Patrinos G.P. Triangulating nutrigenomics, metabolomics and microbiomics toward personalized nutrition and healthy living. Hum. Genomics. 2023; 17(1): 109. https://doi.org/10.1186/s40246-023-00561-w
  33. Сорокина Е.Ю., Денисова Н.Н., Кешабянц Э.Э. Частота встречаемости генетических полиморфизмов, ассоциированных со спортивной успешностью, у спортсменов игровых видов спорта высших достижений. Спортивная медицина: наука и практика. 2021; 11(1): 5–10. https://doi.org/10.47529/2223-2524.2021.1.11 https://elibrary.ru/zkqqsn
  34. Шевелева С.А., Куваева И.Б., Ефимочкина Н.Р., Маркова Ю.М., Просянников М.Ю. Микробиом кишечника: от эталона нормы к патологии. Вопросы питания. 2020; 89(4): 35–51. https://elibrary.ru/savqcc
  35. Кобелькова И.В., Коростелева М.М. Влияние основных пищевых веществ на состав кишечного микробиома и оптимизацию адаптационного потенциала спортсмена. Наука и спорт: современные тенденции. 2022; 10(2): 15–26. https://doi.org/10.36028/2308-8826-2022-10-2-15-26 https://elibrary.ru/dsmkuo
  36. Rivera-Pinto J., Egozcue J.J., Pawlowsky-Glahn V., Paredes R., Noguera-Julian M., Calle M.L. Balances: a new perspective for microbiome analysis. mSystems. 2018; 3(4): e00053–18. https://doi.org/10.1128/mSystems.00053-18
  37. Dora M., Kumar A., Mangla S.K., Pant A., Kamal M.M. Critical success factors influencing artificial intelligence adoption in food supply chains. Int. J. Prod. Res. 2022; 60(14): 4621–40. https://doi.org/10.1080/00207543.2021.1959665
  38. Vrinten J., Van Royen K., Pabian S., De Backer C., Matthys C. Development and validation of a short nutrition literacy scale for young adults. Front. Nutr. 2023; 10: 1008971. https://doi.org/10.3389/fnut.2023.1008971
  39. Woschank M., Rauch E., Zsifkovits H. A review of further directions for artificial intelligence, machine learning, and deep learning in smart logistics. Sustainability. 2020; 12(9): 3760. https://doi.org/10.3390/su12093760
  40. Погожева А.В., Смирнова Е.А. К здоровью нации через многоуровневые образовательные программы для населения в области оптимального питания. Вопросы питания. 2020; 89(4): 262–72. https://elibrary.ru/mpogej
  41. Тутельян В.А., Никитюк Д.Б., Тармаева И.Ю. Формирование общероссийской системы образования в области здорового питания населения. Гигиена и санитария. 2023; 102(10): 1012–8. https://doi.org/10.47470/0016-9900-2023-102-10-1012-1018 https://elibrary.ru/bfloqs

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© , 2025


СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ:  ПИ № ФС77-50668 от 13.07.2012 г.