Application of Artificial Intelligence in Nutritional Management of Patients with Inflammatory Bowel Disease: a Scoping Review

doi:10.12114/j.issn.1007-9572.2024.0276

Abstract

Abstract:

Background

Diet plays a critical role in the development, progression and prognosis of inflammatory bowel disease (IBD) . Given that specific nutritional guidelines are limited, nutritional management for patients with IBD remains challenging and fraught with uncertainty. Although previous studies have demonstrated that artificial intelligence (AI) shows promising applications in the nutritional management of patients with chronic diseases, research specifically focused on its application in the nutritional management of patients with IBD remains limited.

Objective

To conduct a scoping review of studies on AI in nutrition management of patients with IBD.

Methods

Following the methodology of scoping reviews, the databases of PubMed, Web of Science, Embase, Cochrane Library, CINAHL, IEEE Xplore, Association for Computing Machinery Digital Library, SinoMed, CNKI, Wanfang Data, and VIP were systematically searched from inception to March 2024 for studies on the application of AI in the nutritional management of patients with IBD. According to the established inclusion and exclusion criteria, two investigators independently screened the literature, and the basic characteristics of the selected studies were extracted.

Results

A total of 15 studies were included. The applications of AI in this field include exploring the relationship between diet and IBD, assisting in nutritional assessment, and aiding nutritional interventions. The majority of utilization AI technologies in the included studies are machine learning, with some also employing additional techniques such as natural language processing and deep neural networks.

Conclusion

AI is beneficial for exploring healthy dietary patterns for patients with IBD and providing personalized nutritional guidance. However, its application in the field of nutritional management in patients with IBD is still in its infancy. Future efforts should focus on strengthening multidisciplinary collaboration, emphasizing the integration of clinical guidelines, and assessing the effectiveness of AI applications in clinical settings to enhance the rigor and accuracy of the results.

Key words: Inflammatory bowel disease, Artificial intelligence, Nutrition, Scoping review

摘要：

背景

饮食与炎症性肠病（IBD）的发生、发展及预后密切相关。在缺乏具体膳食营养指南建议的前提下，IBD患者的营养管理充满挑战和不确定性。现有研究表明人工智能在慢性病患者营养管理领域展现出良好的应用前景，但目前针对其在IBD患者营养管理领域应用的研究有限。

目的

对人工智能在IBD营养管理领域中应用的研究进行范围综述。

方法

系统检索PubMed、Web of Science、Embase、Cochrane Library、CINAHL、IEEE Xplore、Association for Computing Machinery Digital Library、中国生物医学文献数据库、中国知网、万方数据知识服务平台及维普网等，筛选关于人工智能在IBD患者营养管理中应用的研究，检索时限为建库至2024年3月。由2名研究者根据纳排标准独立筛选文献并提取文献的基本特征。

结果

共纳入15篇文献。人工智能在该领域的应用包括探索饮食与疾病的相互关系、协助营养评估和辅助营养干预。人工智能技术以机器学习为主，其他还包括自然语言处理、深度神经网络等。

结论

人工智能有助于探索IBD患者健康饮食模式及患者个性化营养指导，但目前在IBD营养管理领域的应用处于初步阶段，未来有必要加强多学科间合作，注重融合临床指南及其在临床中评估其应用效果，以确保结果的严谨性和准确性。

关键词: 炎症性肠病, 人工智能, 营养, 范围综述

CLC Number:

R 574

LI Yiting,TU Wenjing,YIN Tingting, et al. Application of Artificial Intelligence in Nutritional Management of Patients with Inflammatory Bowel Disease: a Scoping Review[J]. Chinese General Practice, 2025, 28(14): 1709-1716. DOI: 10.12114/j.issn.1007-9572.2024.0276.
李伊婷,徒文静,尹婷婷等. 人工智能在炎症性肠病患者营养管理中应用的范围综述[J]. 中国全科医学, 2025, 28(14): 1709-1716. DOI: 10.12114/j.issn.1007-9572.2024.0276.

Figures/Tables 4

References 47

[1]	SHAO B L, YANG W J, CAO Q. Landscape and predictions of inflammatory bowel disease in China：China will enter the compounding prevalence stage around 2030[J]. Front Public Health，2022，10：1032679. DOI：10.3389/fpubh.2022.1032679.
[2]	ADOLPH T E, ZHANG J W. Diet fuelling inflammatory bowel diseases：preclinical and clinical concepts[J]. Gut，2022，71(12)：2574-2586. DOI：10.1136/gutjnl-2021-326575.
[3]	李明松，石汉平，杨桦. 中国炎症性肠病饮食管理专家建议[J]. 中华消化病与影像杂志（电子版），2021，11(3)：97-105. DOI：10.3877/cma.j.issn.2095-2015.2021.03.001.
[4]	BISCHOFF S C, BAGER P, ESCHER J, et al. ESPEN guideline on clinical nutrition in inflammatory bowel disease[J]. Clin Nutr，2023，42(3)：352-379. DOI：10.1016/j.clnu.2022.12.004.
[5]	SOOD A, AHUJA V, KEDIA S, et al. Diet and inflammatory bowel disease：the Asian Working Group guidelines[J]. Indian J Gastroenterol，2019，38(3)：220-246. DOI：10.1007/s12664-019-00976-1.
[6]	LI Y T, TU W J, YIN T T, et al. 'Food doesn't control me anymore!' psychosocial experiences during dietary management in adults with inflammatory bowel disease：a qualitative study[J]. J Clin Nurs，2024. DOI：10.1111/jocn.17327.
[7]	RINES J, DALEY K, LOO S, et al. A patient-led，peer-to-peer qualitative study on the psychosocial relationship between young adults with inflammatory bowel disease and food[J]. Health Expect，2022，25(4)：1486-1497. DOI：10.1111/hex.13488.
[8]	ZICKGRAF H F, LOFTUS P, GIBBONS B, et al. “If I could survive without eating，it would be a huge relief”：development and initial validation of the Fear of Food Questionnaire[J]. Appetite，2022，169：105808. DOI：10.1016/j.appet.2021.105808.
[9]	尹婷婷，徒文静，张苏闽，等. 炎症性肠病患者食物素养与避免/限制性食物摄入障碍的相关性研究[J]. 中国全科医学，2024，27(12)：1445-1451. DOI：10.12114/j.issn.1007-9572.2023.0503.
[10]	DAY A S, YAO C K, COSTELLO S P, et al. Food avoidance，restrictive eating behaviour and association with quality of life in adults with inflammatory bowel disease：a systematic scoping review[J]. Appetite，2021，167：105650. DOI：10.1016/j.appet.2021.105650.
[11]	JABŁOŃSKA B, MROWIEC S. Nutritional status and its detection in patients with inflammatory bowel diseases[J]. Nutrients，2023，15(8)：1991. DOI：10.3390/nu15081991.
[12]	ZEEVI D, KOREM T, ZMORA N, et al. Personalized nutrition by prediction of glycemic responses[J]. Cell，2015，163(5)：1079-1094. DOI：10.1016/j.cell.2015.11.001.
[13]	STEFANIDIS K, TSATSOU D, KONSTANTINIDIS D, et al. PROTEIN AI advisor：a knowledge-based recommendation framework using expert-validated meals for healthy diets[J]. Nutrients，2022，14(20)：4435. DOI：10.3390/nu14204435.
[14]	KARAKAN T, GUNDOGDU A, ALAGÖZLÜ H, et al. Artificial intelligence-based personalized diet：a pilot clinical study for irritable bowel syndrome[J]. Gut Microbes，2022，14(1)：2138672. DOI：10.1080/19490976.2022.2138672.
[15]	BLAJOVAN B L, CHIRILĂ O S, STĂNESCU D, et al. FoodMedicine-android-based food recognition app for guiding patients with nutritional diseases[C]//2023 27th International Conference on System Theory，Control and Computing（ICSTCC）. Timisoara，Romania. IEEE，2023：167-172.
[16]	KAPLAN H C, OPIPARI-ARRIGAN L, YANG J B, et al. Personalized research on diet in ulcerative colitis and Crohn's disease：a series of N-of-1 diet trials[J]. Am J Gastroenterol，2022，117(6)：902-917. DOI：10.14309/ajg.0000000000001800.
[17]	SAMAAN J S, ISSOKSON K, FELDMAN E, et al. Artificial intelligence and patient education：examining the accuracy and reproducibility of responses to nutrition questions related to inflammatory bowel disease by GPT-4[Z]. 2023.
[18]	BRIEN S E, LORENZETTI D L, LEWIS S, et al. Overview of a formal scoping review on health system report cards[J]. Implement Sci，2010，5：2. DOI：10.1186/1748-5908-5-2.
[19]	ARKSEY H, O'MALLEY L. Scoping studies：towards a methodological framework[J]. Int J Soc Res Methodol，2005，8(1)：19-32. DOI：10.1080/1364557032000119616.
[20]	TRICCO A C, LILLIE E, ZARIN W, et al. PRISMA extension for scoping reviews（PRISMA-ScR）：checklist and explanation[J]. Ann Intern Med，2018，169(7)：467-473. DOI：10.7326/M18-0850.
[21]	SOSA-HOLWERDA A, PARK O H, ALBRACHT-SCHULTE K, et al. The role of artificial intelligence in nutrition research：a scoping review[J]. Nutrients，2024，16(13)：2066. DOI：10.3390/nu16132066.
[22]	曾华堂，柯夏童，伍丽群，等. 人工智能在医疗质量管理中应用现状和效果范围综述[J]. 中国医院管理，2023，43(8)：21-26.
[23]	CHEN X X, WANG X M, ZHANG K, et al. Recent advances and clinical applications of deep learning in medical image analysis[J]. Med Image Anal，2022，79：102444. DOI：10.1016/j.media.2022.102444.
[24]	The Lancet. Artificial intelligence in health care：within touching distance[J]. Lancet，2017，390(10114)：2739. DOI：10.1016/S0140-6736(17)31540-4.
[25]	LOCKWOOD C, DOS SANTOS K B, PAP R. Practical guidance for knowledge synthesis：scoping review methods[J]. Asian Nurs Res，2019，13(5)：287-294. DOI：10.1016/j.anr.2019.11.002.
[26]	RUBIN D T, TORRES J, DOTAN I, et al. An insight into patients' perspectives of ulcerative colitis flares via analysis of online public forum posts[J]. Inflamm Bowel Dis，2023：izad247. DOI：10.1093/ibd/izad247.
[27]	JONES C M A, CONNORS J, DUNN K A, et al. Bacterial taxa and functions are predictive of sustained remission following exclusive enteral nutrition in pediatric Crohn's disease[J]. Inflamm Bowel Dis，2020，26(7)：1026-1037. DOI：10.1093/ibd/izaa001.
[28]	PAN J F, FU D N, LI Y, et al. Body weight，serum albumin and food intolerance were linked to upper gastrointestinal Crohn's disease：a 7-year retrospective analysis[J]. Ann Transl Med，2020，8(21)：1370. DOI：10.21037/atm-20-2212.
[29]	JATKOWSKA A, WHITE B, NICHOLS B, et al. Development and validation of the Glasgow exclusive enteral nutrition index of compliance[J]. J Crohns Colitis，2023，17(9)：1426-1435. DOI：10.1093/ecco-jcc/jjad063.
[30]	LIMKETKAI B N, HAMIDEH M, SHAH R, et al. Dietary patterns and their association with symptoms activity in inflammatory bowel diseases[J]. Inflamm Bowel Dis，2022，28(11)：1627-1636. DOI：10.1093/ibd/izab335.
[31]	HE H D, LIU C, CHEN M L, et al. Effect of dietary patterns on inflammatory bowel disease：a machine learning bibliometric and visualization analysis[J]. Nutrients，2023，15(15)：3442. DOI：10.3390/nu15153442.
[32]	JACTEL S N, OLSON J M, WOLIN K Y, et al. Efficacy of a digital personalized elimination diet for the self-management of irritable bowel syndrome and comorbid irritable bowel syndrome and inflammatory bowel disease[J]. Clin Transl Gastroenterol，2023，14(1)：e00545. DOI：10.14309/ctg.0000000000000545.
[33]	STEMMER M, PARMET Y, RAVID G. Identifying patients with inflammatory bowel disease on twitter and learning from their personal experience：retrospective cohort study[J]. J Med Internet Res，2022，24(8)：e29186. DOI：10.2196/29186.
[34]	STAWISKI K, STRZAŁKA A, PUŁA, et al. PancreApp：an innovative approach to computational individualization of nutritional therapy in chronic gastrointestinal disorders[J]. Stud Health Technol Inform，2015，216：325-328.
[35]	SUN S P, HU Y H, LI H, et al. Patients' perspectives on，experience with and concerns about Crohn's disease：insights from Chinese social media[J]. BMC Gastroenterol，2023，23(1)：105. DOI：10.1186/s12876-023-02747-x.
[36]	BROEKSTRA R, CAMPMANS-KUIJPERS M J E, DIJKSTRA G, et al. Personal health record for personalizing research and care trajectories：a proof of concept pilot with diet in inflammatory bowel diseases[J]. J Pers Med，2023，13(4)：601.
[37]	陈玉萍，徐海利，戴益，等. 人工智能肠鸣音监测在克罗恩病患者术后进食时机判断的应用研究[J]. 中华普通外科杂志，2023，38(8)：595-599.
[38]	MOYEN A, RAPPAPORT A I, FLEURENT-GRÉGOIRE C, et al. Relative validation of an artificial intelligence-enhanced，image-assisted mobile app for dietary assessment in adults：randomized crossover study[J]. J Med Internet Res，2022，24(11)：e40449. DOI：10.2196/40449.
[39]	YERA R, ALZAHRANI A A, MARTÍNEZ L, et al. A systematic review on food recommender systems for diabetic patients[J]. Int J Environ Res Public Health，2023，20(5)：4248. DOI：10.3390/ijerph20054248.
[40]	AHMED A, AZIZ S, ABD-ALRAZAQ A, et al. Overview of artificial intelligence-driven wearable devices for diabetes：scoping review[J]. J Med Internet Res，2022，24(8)：e36010. DOI：10.2196/36010.
[41]	CHEW H S J, ANG W H D, LAU Y. The potential of artificial intelligence in enhancing adult weight loss：a scoping review[J]. Public Health Nutr，2021，24(8)：1993-2020. DOI：10.1017/S1368980021000598.
[42]	YANG L, HSIEH C K, YANG H, et al. Yum-me：a personalized nutrient-based meal recommender system[J]. ACM Trans Inf Syst，2017，36(1)：7. DOI：10.1145/3072614.
[43]	VON GERICH H, MOEN H, BLOCK L J, et al. Artificial intelligence-based technologies in nursing：a scoping literature review of the evidence[J]. Int J Nurs Stud，2022，127：104153. DOI：10.1016/j.ijnurstu.2021.104153.
[44]	HUNTER D J, HOLMES C. Where medical statistics meets artificial intelligence[J]. N Engl J Med，2023，389(13)：1211-1219. DOI：10.1056/NEJMra2212850.
[45]	熊欢. 炎症性肠病病人饮食限制行为研究进展[J]. 护理研究，2022，36(11)：1963-1966. DOI：10.12102/j.issn.1009-6493.2022.11.014.
[46]	YEO Y H, SAMAAN J S, NG W H, et al. Assessing the performance of ChatGPT in answering questions regarding cirrhosis and hepatocellular carcinoma[J]. Clin Mol Hepatol，2023，29(3)：721-732. DOI：10.3350/cmh.2023.0089.
[47]	DAVE T, ATHALURI S A, SINGH S. ChatGPT in medicine：an overview of its applications，advantages，limitations，future prospects，and ethical considerations[J]. Front Artif Intell，2023，6：1169595. DOI：10.3389/frai.2023.1169595.

步骤	检索式
#1	（"Neural Networks，Computer"[Mesh]）OR（"Fuzzy Logic"[Mesh]）OR（"Expert Systems"[Mesh]）OR（"Data Mining"[Mesh]）OR（"Algorithms"[Mesh]）
#2	（artificial intelligence* OR computational intelligence* OR machine intelligence* OR automated reasoning OR bayesian network* OR bayes network* OR naive bayes OR bayesian learning OR computer heuristic* OR computer reasoning OR data mining OR text mining OR expert system* OR fuzzy logic OR fuzzy cognitive OR knowledge representation* OR knowledge acquisition* OR machine learning OR learning machine* OR natural language processing* OR neural network* OR deep learning OR support vector* OR hidden markov model* OR random forest* OR random decision forest* OR supervised learning OR unsupervised learning OR autoencoder* OR Generative adversarial network* OR reservoir computing OR shallow learning OR echo state network* OR case-based reasoning OR metaheuristic* OR soft computing OR approximate reasoning OR evolutionary computing OR genetic algorithm* OR bio-inspired algorithm*）
#3	（#1 OR #2）
#4	（inflammatory bowel disease* OR Crohn* disease OR ulcer* colitis）OR（"Inflammatory Bowel Diseases"[Mesh]）
#5	（meal OR food OR nutri* OR recipe* OR diet* OR eating）
#6	#3 AND #4 AND #5

步骤	检索式
#1	（"Neural Networks，Computer"[Mesh]）OR（"Fuzzy Logic"[Mesh]）OR（"Expert Systems"[Mesh]）OR（"Data Mining"[Mesh]）OR（"Algorithms"[Mesh]）
#2	（artificial intelligence* OR computational intelligence* OR machine intelligence* OR automated reasoning OR bayesian network* OR bayes network* OR naive bayes OR bayesian learning OR computer heuristic* OR computer reasoning OR data mining OR text mining OR expert system* OR fuzzy logic OR fuzzy cognitive OR knowledge representation* OR knowledge acquisition* OR machine learning OR learning machine* OR natural language processing* OR neural network* OR deep learning OR support vector* OR hidden markov model* OR random forest* OR random decision forest* OR supervised learning OR unsupervised learning OR autoencoder* OR Generative adversarial network* OR reservoir computing OR shallow learning OR echo state network* OR case-based reasoning OR metaheuristic* OR soft computing OR approximate reasoning OR evolutionary computing OR genetic algorithm* OR bio-inspired algorithm*）
#3	（#1 OR #2）
#4	（inflammatory bowel disease* OR Crohn* disease OR ulcer* colitis）OR（"Inflammatory Bowel Diseases"[Mesh]）
#5	（meal OR food OR nutri* OR recipe* OR diet* OR eating）
#6	#3 AND #4 AND #5

第一作者	发表时间（年）	国家	人工智能技术	数据来源	数据量	数据类型	应用/构建方法	结果	伦理问题	技术阶段
BLAJOVAN^[15]	2023	罗马尼亚	①	食物图片库	101 000	A、B	使用DNN构建两种食物图片识别模型	研发了一款专门用于有饮食限制患者的食物识别并评估营养摄入，其中食物识别准确率约为74.6%，延迟时间为637 ms	Ⅲ	模型构建
PAN^[28]	2020	中国	②	CD患者	869	C、D	将有意义变量纳入RF算法计算MDG，根据数值排序筛选出对L4型CD患者影响较大的营养指标	血清白蛋白、铁蛋白、体重和病程是前四个指标，对L4型CD患者预测较为重要	Ⅰ	数据分析
KAPLAN^[16]	2022	美国	③④	7~18岁且有活动性炎症的IBD患者	28/26 （SCD/MSCD）	C、D、F	分别用贝叶斯GLM及GLMM对个体层面的PROs数据及汇总个体的结果，以获得平均治疗效果及平滑估计值	SCD与MSCD之间存在差异的概率较小；SCD症状改善、FCP下降的概率优于UD，MSCD也观察到同样结果，但效果弱于SCD	Ⅰ	数据分析
陈玉萍^[37]	2023	中国	⑤	CD手术患者	30/30	C、E	监测组使用基于人工智能的记录仪实时记录患者肠鸣音；对照组采用传统听诊方法记录	相较于对照组，监测组患者在术后更早的开始ONS	Ⅲ	可用性验证
HE^[31]	2023	中国	⑥	Web of Science核心数据库中文献	1 074	NA	借助bibliometrix程序对1 074篇文章的频率分析、关系网络分析及地理可视化分析	饮食模式对IBD影响的研究重点是寻找益于IBD的饮食模式及其与肠道菌群的关系；其中脂肪酸及肠道菌群是研究的热点	Ⅱ	可用性验证
LIMKETKAI^[30]	2022	美国	⑦	成年IBD患者	691	C、F	使用无监督K-means聚类算法识别参与者的饮食模式	得出5种模式：2种近似西方饮食，1种类似于均衡饮食，2种近似植物性饮食其中，近似植物饮食模式与活动性症状风险降低有关	Ⅰ	数据分析
SAMAAN^[17]	2023	美国	⑧	IBD患者提出的营养问题	88	G	验证ChatGPT4回答IBD患者营养问题的正确性、充分性及可重复性	纳入88个问题，ChatGPT4对73个问题回答正确，61个问题回答正确且全面，15个回答包含错误/过时的内容。对81个问题提供可重复性回答	Ⅱ	可用性验证
RUBIN^[26]	2023	美国	⑨	UC论坛上与复发、症状等相关的帖子	>27 000	G	使用人工智能文本分析软件和NLP软件筛选出与复发相关的帖子，并分析其主题、情绪、复发症状等内容	对12 900篇帖子分析发现帖子最常见的主题是治疗经验、不良反应及复发症状，最常讨论的主题是同伴支持及饮食建议	Ⅲ	数据分析
STEMMER^[33]	2022	以色列	⑦⑨⑩	IBD患者在Twitter发布推文	4 160	G	使用IBM Cloud的自然语言理解模块对推文识别主题和提取关键字，并判断发布者情绪	得到3个主题：健康与锻炼、饮食、宗教与灵性。含酒精、牛奶等刺激肠道关键词的推文消极情绪较高；与运动及治疗饮食相关的关键词积极情绪较高	Ⅱ	数据分析
SUN^[35]	2023	中国	⑩	"克罗恩病吧"中的帖子	6 757	G	利用LDA主题模型分析帖子主题信息。同时随机抽取200条帖子，基于扎根理论方法分析	得到5个主题：寻求疾病信息、用药决策、心理负担、饮食和营养。有助于预测克罗恩病患者在治疗过程中的想法和担忧	Ⅲ	数据分析
JONES^[27]	2020	加拿大	②	CD患儿	22	C、D、F	将132份粪便标本中16s ASV和MGS的功能图谱作为RF的输入数据，构建预测治疗反应的模型	仅使用ASV预测治疗反应的模型有显著性；在利用ASV和MGS预测FCP水平发现，ASV和MGS分别能够解释17.0%和4.5%的FCP变异水平	Ⅱ	数据分析

第一作者	发表时间（年）	国家	人工智能技术	数据来源	数据量	数据类型	应用/构建方法	结果	伦理问题	技术阶段
BLAJOVAN^[15]	2023	罗马尼亚	①	食物图片库	101 000	A、B	使用DNN构建两种食物图片识别模型	研发了一款专门用于有饮食限制患者的食物识别并评估营养摄入，其中食物识别准确率约为74.6%，延迟时间为637 ms	Ⅲ	模型构建
PAN^[28]	2020	中国	②	CD患者	869	C、D	将有意义变量纳入RF算法计算MDG，根据数值排序筛选出对L4型CD患者影响较大的营养指标	血清白蛋白、铁蛋白、体重和病程是前四个指标，对L4型CD患者预测较为重要	Ⅰ	数据分析
KAPLAN^[16]	2022	美国	③④	7~18岁且有活动性炎症的IBD患者	28/26 （SCD/MSCD）	C、D、F	分别用贝叶斯GLM及GLMM对个体层面的PROs数据及汇总个体的结果，以获得平均治疗效果及平滑估计值	SCD与MSCD之间存在差异的概率较小；SCD症状改善、FCP下降的概率优于UD，MSCD也观察到同样结果，但效果弱于SCD	Ⅰ	数据分析
陈玉萍^[37]	2023	中国	⑤	CD手术患者	30/30	C、E	监测组使用基于人工智能的记录仪实时记录患者肠鸣音；对照组采用传统听诊方法记录	相较于对照组，监测组患者在术后更早的开始ONS	Ⅲ	可用性验证
HE^[31]	2023	中国	⑥	Web of Science核心数据库中文献	1 074	NA	借助bibliometrix程序对1 074篇文章的频率分析、关系网络分析及地理可视化分析	饮食模式对IBD影响的研究重点是寻找益于IBD的饮食模式及其与肠道菌群的关系；其中脂肪酸及肠道菌群是研究的热点	Ⅱ	可用性验证
LIMKETKAI^[30]	2022	美国	⑦	成年IBD患者	691	C、F	使用无监督K-means聚类算法识别参与者的饮食模式	得出5种模式：2种近似西方饮食，1种类似于均衡饮食，2种近似植物性饮食其中，近似植物饮食模式与活动性症状风险降低有关	Ⅰ	数据分析
SAMAAN^[17]	2023	美国	⑧	IBD患者提出的营养问题	88	G	验证ChatGPT4回答IBD患者营养问题的正确性、充分性及可重复性	纳入88个问题，ChatGPT4对73个问题回答正确，61个问题回答正确且全面，15个回答包含错误/过时的内容。对81个问题提供可重复性回答	Ⅱ	可用性验证
RUBIN^[26]	2023	美国	⑨	UC论坛上与复发、症状等相关的帖子	>27 000	G	使用人工智能文本分析软件和NLP软件筛选出与复发相关的帖子，并分析其主题、情绪、复发症状等内容	对12 900篇帖子分析发现帖子最常见的主题是治疗经验、不良反应及复发症状，最常讨论的主题是同伴支持及饮食建议	Ⅲ	数据分析
STEMMER^[33]	2022	以色列	⑦⑨⑩	IBD患者在Twitter发布推文	4 160	G	使用IBM Cloud的自然语言理解模块对推文识别主题和提取关键字，并判断发布者情绪	得到3个主题：健康与锻炼、饮食、宗教与灵性。含酒精、牛奶等刺激肠道关键词的推文消极情绪较高；与运动及治疗饮食相关的关键词积极情绪较高	Ⅱ	数据分析
SUN^[35]	2023	中国	⑩	"克罗恩病吧"中的帖子	6 757	G	利用LDA主题模型分析帖子主题信息。同时随机抽取200条帖子，基于扎根理论方法分析	得到5个主题：寻求疾病信息、用药决策、心理负担、饮食和营养。有助于预测克罗恩病患者在治疗过程中的想法和担忧	Ⅲ	数据分析
JONES^[27]	2020	加拿大	②	CD患儿	22	C、D、F	将132份粪便标本中16s ASV和MGS的功能图谱作为RF的输入数据，构建预测治疗反应的模型	仅使用ASV预测治疗反应的模型有显著性；在利用ASV和MGS预测FCP水平发现，ASV和MGS分别能够解释17.0%和4.5%的FCP变异水平	Ⅱ	数据分析

第一作者	发表时间（年）	国家	人工智能技术	构建阶段		验证阶段					伦理问题
第一作者	发表时间（年）	国家	人工智能技术	数据来源	构建方法	研究对象	样本量（例）	验证方法	评价方法	应用效果	伦理问题
STAWISKI^[34]	2015	波兰	①	不清楚	利用ML构建基于患者饮食和身体情况数据预测饮食相关的身体变化的模型	A，B，D，E	16	初步验证共6名成年人参与；二次验证共10例患者参与。所有参与者需记录饮食、身体状况和抑郁状况	实际值与预测值间的差异、脱落率	初步验证：实际值与模型预测值差异无统计学意义。二次验证：仅4例患者全程参与。实际值与模型预测值相关系数为0.87	Ⅰ
JACTEL^[32]	2023	美国	①	文献	将246份诱发症状食物清单与临床特征标记，并用有监督ML算法构建预测诱发肠道症状食物模型	A，D	39	参与者需完成4个阶段排除饮食。在第2、3、4阶段结合模型预测结果实施排除饮食	症状评分、参与度、保留率及依从性	81%参与者症状改善，70%参与者症状持续改善。患者参与度、保留率、依从性及满意度为95%、95%、89%、92%	Ⅲ
BROEKSTRA^[36]	2023	荷兰	②	IBD患者	构建一种能根据荷兰饮食指南评价患者饮食摄入情况的算法，并自动反馈饮食摄入量及文本建议	A	11	参与者在PHR端填写GINQ-FFQ，填写完成后将个人反馈和饮食摄入建议	深入访谈	访谈结果发现，该技术可用于饮食质量评估	Ⅱ
JATKOWSKA^[29]	2023	英国	①	61名健康成年人	参与者分为4组，每组遵循不同程度EN治疗，收集入组当天及第7天粪便。使用ML算法构建2种预测患者遵循EEN依从性模型	C	30	入组患儿均接受为期8周的EEN治疗，在第7周和恢复正常饮食4周后收集粪便标本，用于模型验证	预测准确度、灵敏度、特异度、PPV	C-GENIE模型的预测准确率为86%，其灵敏度、特异度、PPV分别为85%、88%、88%	Ⅰ