Ottimizzazione · Budget e obiettivi, insieme
PROTEIN AI Advisor 2022 — Framework di raccomandazione basato sulla conoscenza per diete sane | ARETHE Kosmos
Immaginate un dietologo digitale che non dimentica mai un'allergia, non confonde un pasto per diabetici con uno per celiaci e può preparare i menù della settimana in tre minuti per dieci diverse condizioni di salute. È questo che fa il PROTEIN AI Advisor.
Lavora in due passaggi: prima un motore di conoscenza costruito con anni di esperienza clinica esamina migliaia di piatti disponibili ed esclude tutto ciò che potrebbe essere dannoso; poi un generatore di piani compone i menù giornalieri dal pool approvato, assicurandosi che i totali di proteine, grassi, carboidrati e calorie rientrino negli obiettivi raccomandati dai medici. Testato su 3.000 persone simulate e 21.000 menù giornalieri, riesce a centrare i valori dei macronutrienti in oltre nove casi su dieci.
Il principale limite attuale è la quantità di ricette disponibili, insufficiente soprattutto per vegani e persone con intolleranze rare.
Cosa dice, in breve
- Il PROTEIN AI Advisor è un framework di raccomandazione a due livelli: un livello qualitativo (RDSS) basato sull'ontologia NAct con inferenza fuzzy LiFR per pre-filtrare i pasti in base all'appropriatezza degli ingredienti, e un livello quantitativo (generatore NP) che ottimizza i piani alimentari giornalieri rispetto a valori target di macro e micronutrienti definiti da esperti e classificati come essenziali, desiderabili o non essenziali.
- Il sistema copre 10 gruppi di utenti (adolescenti sani, anziani, adulti, atleti e adulti con malattia cardiovascolare, diabete mellito di tipo 2, obesità, carenza di ferro e altre condizioni), attingendo a un database di 2.266 pasti validati da esperti e 381 piani alimentari di 24 ore creati da dietisti.
- L'ontologia NAct (v1.9.5, oltre 750 classi, costruita con la metodologia Methontology) codifica le linee guida nutrizionali EFSA e OMS come regole fuzzy; il livello RDSS raggiunge il 100% di precisione nell'esclusione di ingredienti pericolosi.
- La funzione di fitness pesata e tre filtri di varietà (ingredienti ripetuti, pasti ripetuti, sequenze di pasti ripetute) guidano il punteggio e la diversità dei NP su 6 slot giornalieri.
- La validazione su larga scala (3.000 utenti virtuali, 21.000 piani giornalieri) produce un'accuratezza media dei macronutrienti del 92,65%, correlazione di Pearson r > 0,98 tra apporto energetico raccomandato e target, e una varietà mediana dei pasti di 3-4 piatti unici a settimana per tipologia di pasto.
- Esperimenti di capacità su 300 utenti virtuali mostrano un tasso di creazione dei NP del 76-83%; i profili vegani e con intolleranza ai salicilati presentano i tassi di insuccesso più elevati a causa del pool limitato di pasti appropriati nel database.
Provenienza
- Fonte
- PROTEIN AI Advisor: A Knowledge-Based Recommendation Framework Using Expert-Validated Meals for Healthy Diets— Stefanidis 2022
- Licenza
- CC BY 4.0
- Nel Kosmos
- 4 voci · 159 fatti atomici · tier MAIOR
↯ Questa è una voce vera del nostro Knowledge Graph, ancorata alla sua fonte — non un testo generato da un modello. Il colore riflette il tipo reale di studio, mai gonfiato.