基于机器学习模型的饮食情境预测：提升年轻成年人饮食质量的新途径

本研究针对年轻成年人饮食质量不佳的公共卫生问题，采用机器学习技术分析饮食情境因素对进食场合食物选择的预测能力。研究人员通过生态瞬时评估法收集675名18-30岁澳大利亚年轻人的饮食数据，应用随机森林和梯度提升决策树模型，发现模型能准确预测各食物组摄入量（MAE<0.75份/次），其中烹饪信心、自我效能感和食物可得性等因子对饮食质量预测最具影响力。该研究为开发个性化营养干预策略提供了创新方法学支持。

在当今社会，不良饮食习惯已成为可预防的非传染性疾病的主要风险因素，全球74%的死亡与肥胖、高血压和心血管疾病等相关。澳大利亚年轻成年人群体尤其面临挑战，2022年数据显示仅有2.1%的18-24岁年轻人达到果蔬推荐摄入量。年轻成年期形成的饮食习惯往往持续影响终身，这使得该阶段成为营养干预的关键窗口期。

传统营养研究往往关注长期饮食模式，却忽视了进食场合（Eating Occasions, EOs）这一重要维度。进食场合作为饮食决策的关键时刻，受到个人特征和即时环境因素的双重影响。然而，现有研究多局限于单一食物组或复杂难解的神经网络模型，缺乏对多食物组消费及整体饮食质量的综合预测能力。正是这一研究空白，促使Tran等学者开展了创新性探索。

为应对这一挑战，研究团队巧妙地将机器学习技术与生态瞬时评估（Ecological Momentary Assessment, EMA）方法相结合。他们利用"FoodNow"智能手机应用收集了675名18-30岁澳大利亚年轻人3-4个非连续日的详细饮食记录，共包含11,497个进食场合数据。这些数据不仅包括食物摄入量（按澳大利亚膳食指南转换为蔬菜、水果、谷物、肉类、乳制品和自由选择食品的份数），还涵盖了进食场合层面（如进食地点、社交情境、活动状态）和个人层面（如人口学特征、烹饪信心、自我效能感）的多维情境因素。

研究团队采用了随机森林（Random Forest, RF）和随机梯度提升决策树（Stochastic Gradient Boosting Decision Tree, SGBDT）两种机器学习算法，并创新性地引入了障碍模型（Hurdle Model）来处理零膨胀数据。这种模型首先预测是否消费某类食物（二元部分），再预测消费量（连续部分），更符合实际饮食行为特征。

模型预测性能

机器学习模型在预测各食物组消费量方面表现出色，均方根误差（RMSE）和平均绝对误差（MAE）均保持在较低水平。最佳性能模型（基于最低MAE）对蔬菜、水果、乳制品和自由选择食品的预测误差分别为0.75、0.30、0.28和0.59份/次。对于每日饮食质量（通过膳食指南指数DGI评估，范围0-120），预测误差为11.86分，展现了模型在整体饮食质量评估上的中等预测能力。

特征重要性分析

通过SHapley Additive exPlanations（SHAP）值分析，研究发现不同食物组的预测因子重要性存在显著差异。水果消费主要受自我效能感、食物可得性和烹饪信心等个人层面因素影响；蔬菜消费则与区域社会经济地位（SEIFA）和收入水平关联更强；而自由选择食品消费更多受到进食地点和时间压力等即时情境因素影响。

多层次分析洞察

研究还发现预测因子的重要性随分析层次变化而动态变化。在单个进食场合层面，情境因素（如进食地点、社交陪伴）影响力最大；而在日级或个体级层面，个人特征（如社会经济地位、自我效能感）的影响更为突出。这种多层次分析为个性化营养干预提供了精准的靶点定位。

这项研究的创新之处在于首次将机器学习模型系统应用于年轻成年人多食物组消费预测，并揭示了情境因素在不同时间尺度上的动态影响机制。研究结果支持了"即时适应性干预"（Just-In-Time Adaptive Interventions, JITAIs）的可行性，即根据个体的实时情境提供精准饮食建议。例如，当检测到个体处于高自由选择食品消费风险情境时，可即时推送个性化健康替代建议。

然而，研究也存在一定局限性。样本中女性、高教育水平人群比例较高，可能影响结果的普适性。此外，饮食质量的预测精度仍有提升空间，未来研究可考虑将健康与不健康饮食组分分别建模。

该研究为个性化营养科学开辟了新方向。未来研究可纵向追踪饮食行为变化，在不同人群中验证模型稳定性，并开发基于实时情境的饮食干预应用程序。从更广阔的视角看，机器学习模型还可用于模拟政策干预效果，如评估提高健康食品可及性对人群饮食模式的潜在影响，为公共卫生政策制定提供科学依据。

总之，Tran等人的研究成功展示了机器学习在理解复杂饮食行为方面的强大能力，为开发精准、情境敏感的营养干预策略奠定了重要基础。随着技术的不断进步和数据的日益丰富，基于人工智能的个性化营养指导有望成为改善人群饮食质量、预防慢性疾病的有效工具。