IA, Nutrizione e Healthspan: perché i professionisti non possono ignorare questa nuova triade

Architetture di deep learning nella ricerca sull'invecchiamento

L'evoluzione della stima dell'età biologica

L'applicazione del deep learning alla ricerca sull'invecchiamento è iniziata nel biennio 2015-2016 con lo sviluppo dei primi orologi dell'invecchiamento basati sul deep learning, noti come Deep Aging Clocks (DAC), da parte di Zhavoronkov e colleghi. Questi modelli pionieristici utilizzavano reti neurali profonde feed-forward addestrate su dati di biochimica del sangue di individui ragionevolmente sani, raggiungendo un errore medio assoluto di circa 5,5 anni nella stima dell'età cronologica. Questo lavoro fondamentale ha stabilito che gli algoritmi di machine learning sono in grado di catturare relazioni complesse e non lineari tra molteplici biomarcatori che riflettono i processi di invecchiamento biologico in modo più accurato rispetto alla sola età cronologica.

I moderni orologi dell'invecchiamento si sono evoluti in modo sostanziale sia nella metodologia che nell'accuratezza. Gli orologi epigenetici, che misurano i modelli di metilazione del DNA in siti CpG specifici, sono emersi come strumenti particolarmente potenti. L'orologio di Horvath, uno degli orologi epigenetici di prima generazione più ampiamente utilizzati, dimostra accuratezza su molteplici tipi di tessuto. L'orologio di Hannum, ottimizzato specificamente per i campioni di sangue, mostra un'utilità particolare negli studi sulla salute basati su esami ematici ed evidenzia forti associazioni con marcatori clinici quali BMI, salute cardiovascolare, funzione immunitaria e condizioni croniche. Gli orologi di seconda generazione, come PhenoAge, integrano i dati di metilazione del DNA con nove biomarcatori clinici chiave (tra cui albumina, creatinina, glucosio, proteina C-reattiva, percentuale di linfociti, volume corpuscolare medio, ampiezza della distribuzione dei globuli rossi, fosfatasi alcalina e conta dei globuli bianchi), aumentando la sensibilità alle variazioni individuali e migliorando l'accuratezza della stima dell'età biologica.

Recenti studi di validazione hanno esaminato 14 indicatori alternativi di invecchiamento, inclusi otto biomarcatori epigenetici, compositi BioAge da parametri di laboratorio clinico, età cerebrale, età cutanea, età soggettiva e orizzonte di salute futuro, dimostrando associazioni moderate all'interno delle categorie e supportando la natura multidimensionale dell'invecchiamento biologico. Una piattaforma completa chiamata TranslAGE armonizza oggi 179 dataset di metilazione del DNA da sangue umano con punteggi pre-calcolati per 41 modelli di biomarcatori epigenetici su oltre 42.000 campioni, consentendo una validazione sistematica attraverso un framework STAR (Stability, Treatment response, Associations, Risk). Questa standardizzazione è fondamentale per far progredire la traduzione clinica dei biomarcatori dell'invecchiamento.

Il framework ENABL Age

Il framework ENABL Age (ExplaiNAble BioLogical Age) rappresenta un progresso significativo nell'affrontare il compromesso tra accuratezza e interpretabilità che ha storicamente limitato l'adozione clinica degli orologi dell'invecchiamento. Sviluppato utilizzando i dataset della UK Biobank e del National Health and Nutrition Examination Survey (NHANES), ENABL Age combina modelli di machine learning con metodi di intelligenza artificiale spiegabile (XAI) sia per stimare accuratamente l'età biologica sia per fornire spiegazioni individualizzate sui fattori di rischio contribuenti.

L'orologio ENABL Age dimostra una forte correlazione con l'età cronologica (r=0,7867, p<0,0001 per la UK Biobank; r=0,7126, p<0,0001 per NHANES) ottenendo al contempo una previsione della mortalità superiore rispetto agli orologi esistenti. I gruppi identificati come "non in salute" da ENABL Age, ovvero con un'età biologica superiore a quella cronologica, hanno mostrato log hazard ratio da circa 3 a 12 volte superiori rispetto ai gruppi in salute. Il modello raggiunge un elevato potere predittivo per la mortalità con valori AUROC pari a 0,8179 per la mortalità a 5 anni e 0,8115 per quella a 10 anni sul dataset UK Biobank, e rispettivamente 0,8935 e 0,9107 su NHANES.

Un aspetto fondamentale è che ENABL Age fornisce due versioni accessibili: ENABL Age-L, basato su esami del sangue, ed ENABL Age-Q, basato sulle caratteristiche rilevate tramite questionario. Le spiegazioni individualizzate scompongono i punteggi nei fattori di rischio contribuenti, rivelando che i fattori modificabili come la composizione corporea, il controllo della glicemia, lo stato di fumatore, i livelli di attività fisica e la qualità della dieta possono essere realmente prioritari nel counseling personalizzato, invece di essere trattati come una lista di controllo universale. Per clinici e dietisti, questo si traduce in informazioni azionabili che consentono di passare da un'assistenza reattiva alle malattie a una gestione proattiva dell'healthspan, a condizione che il giudizio umano rimanga saldamente al controllo del processo decisionale clinico.

Tecnologie di valutazione dietetica potenziate dall'IA

Limiti dei metodi tradizionali

I metodi tradizionali di valutazione dietetica, tra cui il recall delle 24 ore, i diari alimentari e i questionari sulle frequenze alimentari, sono da tempo riconosciuti come vulnerabili a bias sistematici. Questi metodi soffrono di vuoti di memoria, errori di stima delle porzioni, bias di desiderabilità sociale e sottostima; fenomeni particolarmente pronunciati nelle popolazioni anziane. La ricerca dimostra che questi limiti compromettono l'affidabilità e la validità dei dati dietetici, minando di conseguenza la robustezza delle associazioni tra modelli alimentari ed esiti di salute.

Riconoscimento delle immagini potenziato dall'IA e tecnologie wearable

Recenti revisioni sistematiche dimostrano che il riconoscimento delle immagini basato sull'IA, le applicazioni per smartphone e i sensori indossabili possono migliorare sostanzialmente le stime delle porzioni, automatizzare i calcoli nutrizionali e ridurre l'onere per l'utente. Una scoping review completa sulle applicazioni dell'IA per misurare l'assunzione di cibo e nutrienti ha identificato 25 studi pubblicati tra il 2010 e il 2023, esaminando diverse tipologie di dati di input tra cui immagini di cibo, dati sonori e del movimento della mascella dai dispositivi indossabili e dati testuali. Gli approcci di deep learning, in particolare le reti neurali convoluzionali (CNN), hanno raggiunto accuratezze nel rilevamento del cibo che vanno dal 74% al 99,85%.

La stima dei nutrienti, tuttavia, presenta sfide maggiori. Le reti di fusione RGB-D (Red, Green, Blue-Depth) hanno ottenuto errori medi assoluti di circa il 15% nella stima delle calorie, mentre i modelli di classificazione basati sul suono hanno dimostrato fino al 94% di accuratezza nel rilevare l'assunzione di cibo in base al movimento della mascella e ai modelli di masticazione. Una revisione sistematica che ha confrontato i metodi di valutazione dietetica tramite immagini digitali basati sull'IA con la stima umana ha rilevato che gli errori relativi per le stime del volume e delle calorie suggeriscono che i metodi IA si allineano con l'accuratezza delle stime umane, avendo potenzialmente la capacità di superarla. Tuttavia, le immagini di cibi più semplici (come una mela singola) hanno mostrato costantemente tassi di errore relativo inferiori rispetto ai piatti misti complessi.

Le valutazioni delle app nutrizionali più diffuse rivelano una sostanziale variabilità nella qualità e nell'accuratezza. Tra 18 app valutate, Noom ha ottenuto il punteggio più alto sia sulla Mobile App Rating Scale (MARS, media=4,44) che sull'ABACUS per il potenziale di cambiamento comportamentale (21/21). Tra le app manuali per la registrazione degli alimenti testate con diete standardizzate, le stime energetiche hanno mostrato un bias sistematico, con sovrastime per le diete occidentali e sottostime per quelle asiatiche. Tra le app di riconoscimento delle immagini alimentari abilitate dall'IA, MyFitnessPal e Fastic hanno dimostrato l'accuratezza più elevata, sebbene le stime energetiche automatiche siano rimaste sostanzialmente inaccurate. Questi risultati sottolineano che, sebbene l'IA offra vantaggi significativi nel migliorare l'accuratezza delle misurazioni e consentire il monitoraggio in tempo reale, rimangono sfide nell'adattarsi ai diversi tipi di cibo, nel garantire l'equità algoritmica tra cucine diverse e nell'affrontare i problemi di privacy dei dati.

Monitoraggio continuo del glucosio e integrazione dell'IA

L'integrazione del monitoraggio continuo del glucosio (CGM) con l'analitica basata sull'IA rappresenta un cambio di paradigma nella nutrizione personalizzata, in particolare per la gestione del diabete e dell'obesità. I dispositivi CGM forniscono dati continui e in tempo reale sulle dinamiche del glucosio e, se combinati con strumenti analitici guidati dall'IA, consentono interventi dietetici veramente personalizzati.

I modelli di machine learning che incorporano i dati CGM, il contenuto dei pasti, i fattori legati allo stile di vita, i parametri biochimici e i dati del microbioma hanno dimostrato un'accuratezza predittiva superiore per le risposte glicemiche postprandiali. Gli studi dimostrano che l'IA può analizzare i dati CGM per identificare gli alimenti specifici che causano fluttuazioni della glicemia e fornire raccomandazioni dietetiche ottimizzate con una precisione precedentemente irraggiungibile. Le reti neurali profonde combinate con metodi di IA spiegabile possono analizzare molteplici fattori, tra cui la glicemia pre-pasto e il dosaggio di insulina, per prevedere accuratamente i livelli di glucosio postprandiale. In modo rilevante, la pianificazione dei pasti guidata dall'IA basata sui dati CGM ha ottenuto una riduzione del 27% dei picchi glicemici postprandiali nei pazienti con diabete di tipo 2, consentendo ai team sanitari di implementare interventi tempestivi con feedback personalizzati inclusi avvisi di anomalie.

Efficacia clinica degli interventi dietetici generati dall'IA

Evidenze dagli studi clinici randomizzati

Le evidenze delle revisioni sistematiche dimostrano che i piani alimentari generati dall'IA stanno iniziando a superare i consigli dietetici convenzionali in specifiche condizioni cliniche, in particolare nel diabete e nella sindrome dell'intestino irritabile (IBS). Una revisione sistematica che ha seguito le linee guida PRISMA ha identificato 11 studi (cinque studi clinici randomizzati, cinque design pre-post e un'analisi trasversale) pubblicati tra il 2015 e il 2024. La maggior parte dei metodi IA impiegati si basava sul machine learning, inclusi algoritmi convenzionali, deep learning e approcci ibridi integrati con sistemi IoT. Questi interventi hanno portato a un miglioramento del controllo glicemico, a un rafforzamento della salute metabolica e a risultati psicologici positivi rispetto alle diete standard, con una qualità delle evidenze valutata da moderata ad alta.

I sistemi che integrano profili del microbioma, marcatori metabolici e input sullo stile di vita hanno prodotto miglioramenti clinicamente significativi nel controllo della glicemia e nei sintomi dell'IBS rispetto alle linee guida convenzionali. Questo dimostra come la personalizzazione possa arricchire, piuttosto che sostituire, i principi classici della scienza della nutrizione.

Applicazioni in gastroenterologia ed epatologia

Una revisione narrativa della letteratura recente ha esaminato la nutrizione personalizzata guidata dall'IA in gastroenterologia ed epatologia, evidenziandone il potenziale trasformativo pur riconoscendo le sfide implementative. Per la malattia infiammatoria intestinale e l'IBS, l'IA consente la personalizzazione della dieta guidata dal microbioma catturando l'interazione dinamica tra ecosistemi microbici, esposizioni dietetiche e fisiologia dell'ospite. Rispetto all'orientamento dietetico convenzionale, i piani dietetici generati dall'IA hanno portato a un controllo glicemico significativamente migliorato e a cambiamenti favorevoli nella composizione microbica intestinale per i pazienti con steatosi epatica associata a disfunzione metabolica.

Per i professionisti, queste piattaforme funzionano in modo ottimale come strumenti di supporto decisionale che suggeriscono opzioni su misura. I clinici mantengono la responsabilità ultima per l'adeguatezza clinica, la facilitazione del cambiamento comportamentale e le cure di follow-up, preservando così gli elementi umani essenziali del counseling nutrizionale quali empatia, motivazione e sensibilità culturale.

L'IA nei workflow nutrizionali ospedalieri e previsione della malnutrizione

Modelli predittivi per il rischio di malnutrizione

L'IA è sempre più integrata nei flussi di lavoro nutrizionali ospedalieri per identificare i pazienti a rischio di malnutrizione, perdita di massa muscolare o complicanze prima che questi problemi diventino clinicamente evidenti. I modelli di machine learning addestrati sulle cartelle cliniche elettroniche utilizzano variabili quali BMI, recente perdita di peso, marcatori infiammatori, comorbidità, punteggi funzionali, livelli di albumina e persino fattori psicosociali come la solitudine. Questi modelli possono prevedere gli esiti avversi in modo più accurato rispetto ai soli strumenti di screening tradizionali.

Una revisione sistematica della letteratura ha tuttavia rilevato che oltre il 90% dei modelli IA rimane inutilizzato nella pratica clinica quotidiana, nonostante l'efficacia dimostrata. I modelli di apprendimento supervisionato sono l'approccio più diffuso, con la malnutrizione correlata alla malattia come categoria principale. La revisione ha evidenziato divari critici tra ricerca e implementazione clinica, dovuti alla mancanza di protocolli standardizzati, a preoccupazioni etiche su bias e privacy, alla limitata validazione in popolazioni diverse e all'integrazione insufficiente nei sistemi informativi sanitari.

Modelli di previsione specializzati per popolazioni vulnerabili

Diversi modelli IA specializzati hanno dimostrato un'utilità particolare per le popolazioni vulnerabili. Un modello di machine learning interpretabile per la previsione della malnutrizione in pazienti post-ictus è stato sviluppato e validato su dati multicentrici. Tra gli otto modelli testati, l'algoritmo CatBoost ha ottenuto le prestazioni superiori con un'elevata accuratezza predittiva.

Per la previsione della sarcopenia, è stato sviluppato un modello personalizzato per anziani europei con artrite utilizzando dati longitudinali su un arco di 12 anni. Il modello cattura le traiettorie di progressione a lungo termine della sarcopenia, supportando la valutazione dinamica del rischio. L'integrazione di analisi di interpretabilità basate su SHAP fornisce insight trasparenti, consentendo ai clinici di comprendere quali specifici fattori guidano le singole previsioni di rischio. Inoltre, studi su pazienti anziani ospedalizzati hanno dimostrato che gli approcci basati sul machine learning possono migliorare la previsione di esiti avversi tra cui infezioni, ulcere da decubito, cadute e mortalità. Questi modelli consentono una valutazione dietetica più precoce, un uso più strategico degli integratori e una migliore allocazione delle risorse cliniche.

Panorama normativo e quadri etici

L'AI Act dell'Unione Europea

La rapida proliferazione dell'IA nell'healthspan e nella nutrizione amplifica la necessità di pensiero critico e consapevolezza normativa. L'AI Act dell'Unione Europea (Regolamento UE 2024/1689) è entrato in vigore il 1° agosto 2024, stabilendo un quadro giuridico completo basato sul rischio. Questa legislazione tratta la maggior parte dei dispositivi medici abilitati dall'IA e dei sistemi di supporto decisionale clinico come ad "alto rischio", richiedendo standard rigorosi per la qualità dei dati, la trasparenza, la supervisione umana e il monitoraggio continuo.

Ai sensi dell'AI Act, qualsiasi sistema di IA inteso come componente di sicurezza di un prodotto soggetto ai regolamenti sui dispositivi medici si qualifica automaticamente come ad alto rischio. Questa classificazione include virtualmente tutti i software medici abilitati all'IA, gli algoritmi di diagnosi assistita e gli strumenti per il triage. La normativa impone obblighi quali la gestione continua del rischio, il controllo dei bias e la segnalazione degli incidenti entro 15 giorni. I requisiti di supervisione umana impongono ai fornitori di creare meccanismi che consentano ai clinici di ignorare o contestare gli output dell'IA, mentre gli utilizzatori devono garantire l'alfabetizzazione sull'IA e il monitoraggio delle prestazioni. Le sanzioni per non conformità possono raggiungere i 35 milioni di euro o il 7% del fatturato annuo globale, ponendo la conformità all'IA sullo stesso livello strategico del GDPR.

La roadmap dell'EFSA sull'IA per la sicurezza alimentare

Parallelamente, l'Autorità Europea per la Sicurezza Alimentare (EFSA) ha lanciato la sua roadmap per l'IA nella valutazione del rischio. Il progetto mira ad aumentare l'accessibilità delle prove scientifiche e migliorare l'affidabilità dei processi applicando un'IA antropocentrica in coesistenza con l'esperienza umana entro il 2027.

L'approccio dell'EFSA si concentra strategicamente su attività ad alto volume e basso grado di giudizio, come la normalizzazione della terminologia e lo screening della letteratura, massimizzando l'impatto e riducendo i rischi. L'enfasi sulla validazione rispetto ai gold standard e sulla supervisione degli esperti rimane centrale, sottolineando che l'IA funge da potenziamento piuttosto che da completa automazione.

Implicazioni per i professionisti della nutrizione

Per i professionisti della nutrizione, comprendere l'origine, la validazione e i limiti degli strumenti di IA sta diventando fondamentale quanto le competenze cliniche tradizionali. I professionisti devono sviluppare competenze nella valutazione della provenienza e qualità dei dati, della metodologia di validazione, della spiegabilità delle raccomandazioni e dell'integrazione nei flussi di lavoro clinici. Le organizzazioni professionali devono quindi sviluppare programmi educativi che dotino i nutrizionisti della necessaria alfabetizzazione sull'IA, permettendo loro di interpretare gli output dei modelli e mantenere uno scetticismo appropriato pur rimanendo aperti all'innovazione.

Integrazione e direzioni future

Costruire il ciclo di apprendimento continuo

La convergenza tra IA, scienza della nutrizione e ricerca sull'invecchiamento offre l'opportunità di collegare dati dietetici, marcatori biologici ed esiti clinici in un ciclo di apprendimento continuo. Questa visione richiede l'integrazione di molteplici flussi di dati (tra cui l'assunzione dietetica in tempo reale, l'età biologica, le risposte metaboliche e il microbioma) in modelli predittivi unificati che migliorano costantemente. Piattaforme come ZOE esemplificano questo approccio, sfruttando il machine learning per generare raccomandazioni dietetiche individualizzate basate su dati biologici completi. Anche le collaborazioni tra industria e accademia stanno portando avanti lo sviluppo di alimenti funzionali e tecnologie di imballaggio intelligente, dimostrando l'implementazione pratica di sistemi informati dall'IA.

Affrontare le sfide per l'implementazione

Realizzare questa visione richiede di affrontare sfide critiche attraverso la collaborazione tra clinici, data scientist, regolatori e pazienti. Per i professionisti europei, i prossimi anni saranno cruciali per dimostrare che un'IA etica può rafforzare la pratica clinica costruendo fiducia. Le priorità includono la standardizzazione dei dati per favorire l'interoperabilità, la validazione clinica rigorosa in popolazioni diverse, la garanzia di equità per evitare di esacerbare le disparità sanitarie, la formazione professionale specifica e una progettazione centrata sul paziente che assicuri usabilità e appropriatezza culturale.

Priorità di ricerca

La ricerca futura dovrebbe concentrarsi su studi di validazione longitudinale per valutare gli esiti a lungo termine, sull'elucidazione dei meccanismi biologici sottostanti, su studi di efficacia comparativa rispetto allo standard di cura, sulla scienza dell'implementazione per ottimizzare l'adozione clinica e su valutazioni economiche che considerino il rapporto costo-efficacia dell'assistenza abilitata dall'IA.

Conclusione

L'intelligenza artificiale si è evoluta da tecnologia speculativa a strumento pratico che sta rimodellando la nutrizione e la ricerca sull'invecchiamento. I modelli di deep learning forniscono stime accurate dell'età biologica, le app consentono valutazioni dietetiche precise e gli algoritmi predittivi identificano precocemente il rischio di malnutrizione. Questi progressi sono realtà attuali supportate da solide evidenze scientifiche.

Tuttavia, realizzare il pieno potenziale dell'IA richiede vigilanza. L'AI Act europeo e la roadmap dell'EFSA stabiliscono standard rigorosi per la supervisione e la trasparenza. I professionisti della nutrizione devono sviluppare l'alfabetizzazione sull'IA come competenza fondamentale, imparando a valutare criticamente gli strumenti e mantenendo il giudizio umano al centro della cura. Impegnarsi in questa trasformazione è essenziale per fornire un'assistenza basata sulle prove che estenda non solo la durata della vita, ma soprattutto gli anni vissuti in salute.

#NutriAI #NutriAINewsletter #IntelligenzaArtificiale #AI #Nutrizione #ComunicazioneScientifica #FoodTech #SicurezzaAlimentare #RegolamentoAI #EFSA #ConformitàNormativa #ISO42001 #HealthClaims #InnovazioneDigitale #AIResponsabile #TrasparenzaAI #Governance #DataScience #ComplianceAlimentare #NutrizioneDigitale #FoodLaw #RischioAltoAI #TrustInAI #AINews #ScientificCommunication #EUAIAct #MedicalEducation #AIliteracy #ContinuingEducation #Dietitians #Nutritionists #LargeLanguageModels #AIAct #ClinicalDecisionSupport #DigitalHealth #Nutrition

Disclaimer: Tutti i diritti delle immagini e contenuti utilizzati appartengono ai rispettivi proprietari. Questo articolo è fornito a scopo educativo e informativo. Non costituisce consulenza legale o normativa. Le organizzazioni dovrebbero consultare esperti legali e normativi qualificati prima di implementare sistemi di IA nel settore nutrizionale.

--------------------------------------------------------------------------

Riferimenti bibliografici

1. Wilczok D, Zhavoronkov A, et al. Deep learning and generative artificial intelligence in aging research and healthy longevity medicine. Aging (Albany NY). 2025;17(1):251–275. doi: 10.18632/aging.206190

2. Abadir PM. The promise of AI and technology to improve quality of life and care for older adults. Nature Aging. 2023;3:239–240. doi: 10.1038/s43587-023-00371-x

3. Kalargiros G, et al. Towards AI-driven longevity research: an overview. Frontiers in Aging. 2023;4:1057204. doi: 10.3389/fragi.2023.1057204

4. Lyu YX, Zhavoronkov A, Moskalev A, et al. Longevity biotechnology: bridging AI, biomarkers, geroscience and clinical applications for healthy longevity. Aging (Albany NY). 2024;16(20):13382–13441. doi: 10.18632/aging.206135

5. Horvath S. DNA methylation age of human tissues and cell types. Genome Biology. 2013;14(10):R115. doi: 10.1186/gb-2013-14-10-r115

6. Hannum G, et al. Genome-wide methylation profiles reveal quantitative views of human aging rates. Molecular Cell. 2013;49(2):359–367. doi: 10.1016/j.molcel.2012.10.016

7. Levine ME, et al. An epigenetic biomarker of aging for lifespan and healthspan. Aging (Albany NY). 2018;10(4):573–591. doi: 10.18632/aging.101414

8. Liu Z, et al. Underlying features of epigenetic aging clocks in vivo and in vitro. Aging Cell. 2020;19(1):e13080. doi: 10.1111/acel.13080

9. Higgins-Chen AT, et al. A computational solution for bolstering reliability of epigenetic clocks: implications for clinical trials and longitudinal tracking. Nature Aging. 2022;2:644–661. doi: 10.1038/s43587-022-00248-2

10. Qiu W, et al. ExplaiNAble BioLogical Age (ENABL Age): an artificial intelligence framework for interpretable biological age. The Lancet Healthy Longevity. 2023;4(12):e711–e723. doi: 10.1016/S2666-7568(23)00189-7

11. Zhang Q. An interpretable biological age. The Lancet Healthy Longevity. 2023;4(12):e662–e663. doi: 10.1016/S2666-7568(23)00213-1

12. Durão C, et al. Artificial Intelligence Applications to Measure Food and Nutrient Intakes: Scoping Review. Journal of Medical Internet Research. 2024;26:e54557. doi: 10.2196/54557

13. Agrawal K, et al. Artificial intelligence in personalized nutrition and food manufacturing: a comprehensive review. Frontiers in Nutrition. 2025;12:1636980. doi: 10.3389/fnut.2025.1636980

14. Mezgebo LB, et al. Accuracy of digital image-based dietary assessment methods compared to human estimation: systematic review. Public Health Nutrition. 2023;26(12):2836–2849. doi: 10.1017/S1368980023001398

15. Wang X, et al. Artificial Intelligence Applications to Personalized Dietary Recommendations: A Systematic Review. Healthcare. 2025;13(12):1417. doi: 10.3390/healthcare13121417

16. Sun Y, et al. Artificial intelligence-integrated continuous glucose monitoring for prediabetes management: A comprehensive review. Frontiers in Endocrinology. 2024;15:1320880. doi: 10.3389/fendo.2024.1320880

17. Contreras I, Vehi J. Artificial intelligence for diabetes management and decision support: literature review. Journal of Medical Internet Research. 2018;20(5):e10775. doi: 10.2196/10775

18. Zeevi D, et al. Personalized nutrition by prediction of glycemic responses. Cell. 2015;163(5):1079–1094. doi: 10.1016/j.cell.2015.11.001

19. Wang X, et al. Artificial Intelligence Applications to Personalized Dietary Interventions: Systematic Review. Healthcare. 2025;13(12):1417. doi: 10.3390/healthcare13121417

20. Deng Z, et al. AI-driven personalized dietary recommendations in type 2 diabetes: A systematic review of machine learning approaches. Diabetes Care. 2024 [in press]. doi: 10.2337/dc23-2274

21. Güney-Coşkun M, et al. The Future of Artificial Intelligence-driven Personalized Nutrition in Gastroenterology and Hepatology. Journal of Translational Gastroenterology. 2026;5(1). doi: 10.14218/JTG.2025.00043

22. Hjorth MF, et al. Pre-treatment microbial Prevotella-to-Bacteroides ratio and diet effects on weight loss. International Journal of Obesity. 2019;43:149–157. doi: 10.1038/s41366-018-0093-2

23. Rinninella E, et al. Artificial Intelligence in Malnutrition: A Systematic Literature Review. Advances in Nutrition. 2024;15(9):100264. doi: 10.1016/j.advnut.2024.100264

24. Cederholm T, et al. GLIM criteria for the diagnosis of malnutrition: A consensus report from the global clinical nutrition community. Clinical Nutrition. 2019;38(1):1–9. doi: 10.1016/j.clnu.2018.08.002

25. Deutz NE, et al. Protein intake and exercise for optimal muscle function with aging: recommendations from the ESPEN Expert Group. Clinical Nutrition. 2014;33(6):929–936. doi: 10.1016/j.clnu.2014.04.007

26. Sun P, et al. Interpretable machine learning-based predictive model for malnutrition in subacute post-stroke patients: an internal and external validation study. Frontiers in Nutrition. 2026;12:1692020. doi: 10.3389/fnut.2025.1692020

27. Chen L, et al. LASSO-based feature selection for clinical prediction models: methodology and applications. Journal of Clinical Epidemiology. 2020;123:1–12. doi: 10.1016/j.jclinepi.2020.03.015

28. Sun Q, Che J. Machine Learning-Driven Personalized Risk Prediction: Developing an Explainable Sarcopenia Model for Older European Adults with Arthritis. Journal of Clinical Medicine. 2026;15(3):892. doi: 10.3390/jcm15030892

29. Cruz-Jentoft AJ, et al. Sarcopenia: revised European consensus on definition and diagnosis. Age and Ageing. 2019;48(1):16–31. doi: 10.1093/ageing/afy169

30. Ren SS, et al. Machine Learning-Based Prediction of In-Hospital Complications in Elderly Patients Using GLIM-, SGA-, and ESPEN 2015-Diagnosed Malnutrition as a Factor. Nutrients. 2022;14(15):3035. doi: 10.3390/nu14153035

31. Cederholm T, et al. ESPEN guidelines on definitions and terminology of clinical nutrition. Clinical Nutrition. 2017;36(1):49–64. doi: 10.1016/j.clnu.2016.09.004

32. Kondrup J, et al. Nutritional risk screening (NRS 2002): a new method based on an analysis of controlled clinical trials. Clinical Nutrition. 2003;22(3):321–336. doi: 10.1016/S0261-5614(02)00214-5

33. European Parliament and Council. Regulation (EU) 2024/1689 of 13 June 2024 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). Official Journal of the European Union. 2024;L 1689. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=OJ:L_2024_1689

34. Gesund.ai. The EU AI Act is Redefining High-Risk Healthcare AI. Industry Regulatory Report. November 2024. https://gesund.ai/blog/eu-ai-act_6KenBl2z3htfqYnAnyIdhn

35. Ozturk A, et al. The AI Act: responsibilities and obligations for healthcare professionals and organizations. Diagnostic and Interventional Radiology. 2025;31(3). doi: 10.4274/dir.2024-24712

36. Bersani G, et al. Roadmap for actions on artificial intelligence for evidence management in risk assessment. EFSA Supporting Publications. 2022;19(5):EN-7339. doi: 10.2903/sp.efsa.2022.EN-7339

37. European Food Safety Authority (EFSA). Roadmap for actions on artificial intelligence for evidence management in risk assessment. May 2022. https://www.efsa.europa.eu/en/supporting/pub/en-7339

38. EFSA Scientific Committee. Guidance on communication of uncertainty in scientific assessments. EFSA Journal. 2019;17(1):5520. doi: 10.2903/j.efsa.2019.5520

39. Dahl WJ, et al. Precision nutrition: hype or hope? Advances in Nutrition. 2023;14(6):1349–1363. doi: 10.1016/j.advnut.2023.09.001