この研究は、中国の研究機関の研究論文です。

掲載誌：Frontiers in Nutrition

ライセンス: CC BY　対象: 公開論文　確認元: OpenAlex

なぜ「一律の食事指導」では足りないのか

肥満や2型糖尿病、心血管疾患、がんといった病気の負担には、食生活が大きく関わっています。食事は生活習慣のなかでも変えられる要素であるため、公衆衛生上の重要な対象とされてきました。ところが著者らは、同じ食べ物を口にしても人によって体の反応が大きく異なる点を指摘しています。全員に同じ食事指針をあてはめるやり方には、この個人差を扱いきれないという限界があるというわけです。

この総説は、そうした個人差に人工知能(AI)をどう役立てられるかを整理したものです。著者らは網羅的な検索手順(PRISMAなど)を用いた系統的レビューではなく、文献を選んで論じる「ナラティブレビュー」であると明記しています。主に2015年1月から2026年9月までに公表された研究を対象とし、無作為化比較試験(参加者をくじ引きのように割り付けて効果を比べる研究)や系統的レビュー、前向きコホート研究を優先して取り上げたと述べています。

個人差を生む三つの生物学的な層

著者らはまず、人による食事応答の違いを三つの側面から整理しています。一つ目は栄養ゲノミクス、つまり遺伝子の個人差で、栄養素の代謝や病気のなりやすさに影響します。ただし論文は、個々の遺伝子変異だけを根拠に食事を処方することには慎重な姿勢をとっています。糖尿病予防プログラムでは、TCF7L2という遺伝子のリスク型を持つかどうかにかかわらず生活習慣介入は糖尿病への進行を減らし、遺伝型と介入の間に有意な相互作用は見られなかったこと、また家族歴・年齢・性別・BMI・空腹時血糖といった従来の臨床的な要因のほうが、単独の遺伝子変異よりも2型糖尿病の予測に優れる場合があることが紹介されています。

二つ目はメタボロミクス、すなわち血液などに含まれる小さな代謝物を測る手法です。遺伝情報が比較的変わりにくいのに対し、代謝物のパターンは今の体の状態や食事の影響を動的に映し出します。著者らは、これらが客観的な食事・代謝の指標になりうる一方、単独の物質よりも多数の指標が描く全体のパターンにこそ価値があると述べています。

三つ目は腸内細菌叢です。食習慣が腸内細菌の構成を変え、逆に腸内細菌が栄養素の変換や代謝物の産生を通じて宿主の反応に影響するという、双方向の関係が説明されています。もともとの腸内細菌の構成に大きな個人差があるため、同じ食事をとっても人によって異なる反応が生じうるとされます。著者らの見立てでは、この三つはいずれも単独では不完全であり、AIによってまとめて扱うところに意味があります。

AIは何ができると報告されているか

技術面では、機械学習が複数の情報をまとめて食後の血糖や中性脂肪の反応を予測する研究が中心に紹介されています。Zeeviらの研究では800人を1週間にわたって持続血糖測定(CGM)で観察し、46,898食分を記録したうえで、血液検査値・食習慣・身体計測・運動・腸内細菌のデータを用いた予測モデルを作り、別の100人で検証しています。PREDICT 1コホート(1,002人)では、食事・臨床・腸内細菌の情報を統合したモデルが食後血糖反応をr=0.77、食後中性脂肪反応をr=0.47の相関で予測したと報告されています。この研究では食後中性脂肪の変動について、腸内細菌などの個人側の要因が説明する割合(7.1%)が食事の栄養素構成による割合(3.6%)を上回った一方、遺伝要因の寄与は血糖反応の分散の9.5%、中性脂肪反応の0.8%と比較的小さかったとされています。

食事記録の負担を減らす技術も取り上げられています。深層学習とコンピュータビジョンによって料理の写真から栄養を推定する方向で、約5,000品の実際の料理に食材レベルの栄養情報を付けたNutrition5kというデータセットでは、画像から直接栄養素を推定できることが示され、動画を用いた分量推定は人間の目視よりも誤差が小さかったと報告されています。このほか、対話型の相談を担う自然言語処理と大規模言語モデル、食材の制約を守った推薦を支える知識グラフ(食品や栄養の関係を構造化して蓄えた知識データベース)、そしてCGMやウェアラブル機器のデータを取り込んで介入をその場で調整するデジタルツイン・適応型クローズドループ系が紹介されています。

ただし著者らは、これらの成果を一括りにしないよう注意を促しています。予測の精度が高いことと、臨床的な効果が示されたこと、現場で運用できることは別の水準の話であり、総説では技術的妥当性・外的妥当性・臨床的有効性・実装上の有効性・患者にとって重要なアウトカムという五段階を区別して論じるとしています。

臨床の証拠には強弱がある

論文によれば、証拠が最も充実しているのは2型糖尿病と前糖尿病の血糖管理です。6か月間のPERSONAL無作為化比較試験では、機械学習が導いた個別化食事(食後血糖を標的とする食事)が地中海食よりも血糖コントロールを改善し、その効果は12か月の追跡時点でも保たれたと報告されています。また、完全に自動化されたAIによる糖尿病予防プログラムが、人間のコーチによる指導に劣らない結果を得たことも紹介されています。一方で、肥満、心血管疾患、がん、消化器疾患の領域については、結果がまちまちであるか、まだ予備的な段階にとどまると著者らは評価しています。

大規模言語モデルについては、流暢さが正確さを意味しないという指摘が繰り返されています。専門家がChatGPTの作った食事計画を評価した研究では、診療ガイドラインとの一致度はサルコペニアで55.5%、非アルコール性脂肪性肝疾患で73.3%と中程度にとどまり、複数の病気を併せ持つ複雑な事例では矛盾した助言も生じたとされています。別の研究では、栄養リテラシーの客観テストで84.38%という高い得点を示した一方、場面ごとの要求を完全に満たせたのは7.50〜37.56%にすぎませんでした。著者らは、現時点の大規模言語モデルは管理栄養士の代わりにはならず、その出力は専門家の確認を要する意思決定支援と位置づけるべきだと述べています。

課題はほかにもあります。食事データや多層オミクスデータの偏りと標準化の不足、ヨーロッパ系以外の集団が十分に含まれていないことによるモデルの一般化可能性と健康の公平性への懸念、モデルの判断根拠が見えにくいこと、プライバシーとデータ管理、医療機器としてのソフトウェアに対する規制の未整備などが挙げられています。実際、イスラエルのコホートで作られたモデルを米国の糖尿病のない成人327人に適用した検証では、予測値と実測値の相関はR=0.62で、カロリーのみ(R=0.34)や炭水化物のみ(R=0.40)に基づくモデルを上回りましたが、より多様な集団や長期の追跡、自由な食生活のもとで性能が保たれるかは未解決の問題だとされています。

この総説が示すこと

著者らはこの分野を、原理の実証段階から臨床への橋渡しへ進みつつある途上として描いています。同じ食事への反応が人によって大きく違うという観察を出発点に、遺伝・代謝・腸内細菌という異なる層の情報をAIでまとめて扱う道筋が整理され、糖尿病の血糖管理という限られた領域では試験による裏づけが積み上がってきました。他方で、領域によって証拠の成熟度が異なること、そして精度の高さがそのまま安全性や実用性を保証しないことも、同じ論文のなかで明確に線引きされています。

その可能性を公平な形で実現するために必要なこととして、論文は多民族を含む栄養・オミクスのコホート、プライバシーを保護した多施設共同、管理栄養士が主導する人とAIの協働、そして生成モデルに対する製品寿命全体を通じた安全管理を挙げています。技術の進歩を語るだけでなく、誰のデータで作られ、誰が最終的に判断するのかという問いを同時に扱うことが、この総説の姿勢だと言えます。

著者：Ya Zhang（Department of Health Management, Aerospace Center Hospital）、Meijing Feng（Department of Health Management, Aerospace Center Hospital）、Qiuyan Xue（Department of Health Management, Aerospace Center Hospital）、Rui Ma（Department of Health Management, Aerospace Center Hospital）、Fangming Liu（Department of Health Management, Aerospace Center Hospital）

※本記事は原著論文をもとに、日本語で要約・説明を加えた研究紹介です。 出典（原著論文）：Ya Zhang, Meijing Feng, Qiuyan Xue, et al. Applications of artificial intelligence in personalized nutrition interventions. Frontiers in Nutrition 2026-09-28. DOI: 10.3389/fnut.2026.1974199. 原著ライセンス：CC BY.