患有某些疾病的人，如糖尿病或高血压，通常被建议改善他们的饮食，以控制症状和阻止疾病的发展。但许多人发现自己无法或不愿意遵循医生建议的严格的“一刀切”的营养计划，因为这些方法并不总是考虑到患者的饮食偏好和习惯。

约翰霍普金斯大学的一位系统工程师表示，通过一种名为“反向优化”的人工智能学习过程，根据个别患者的口味和习惯定制饮食，可能是最终帮助人们做出更健康食品选择的关键。

怀廷工程学院土木与系统工程系的助理教授基米亚·戈巴迪说:“我们的想法不仅仅是告诉病人他们理想的食物是什么。”“相反，我们需要考虑患者的偏好、生活方式和以前的选择，以找出他们最可行的饮食方式。”

与传统优化不同的是，反向优化使用数学来建模决策过程，并找到最佳的可能决策，反向优化使用过去的决策来学习数学模型应该是什么，以复制有关的决策过程。例如，当一个人选择吃什么来改善健康或控制病情时，约束条件(他们应该做什么)是清楚的，但他们在现实生活中怎么吃就不清楚了。反向优化可以帮助人们了解那些基于个人过去决策的偏好。Ghobadi的模型目前使用的数据来自疾病控制中心的全国健康和营养检查调查，其中包括全国约5000人的习惯信息。

她的方法结合了理想(例如，病人应该做些什么来降低盐或糖的摄入量，或增加纤维或蛋白质的摄入量)和实际(他们每天实际做些什么)。结果是一套建议计划，从与患者日常习惯密切相关的食物开始，随着时间的推移，引导他们朝着实现更营养健康目标的方向发展。

Ghobadi说:“我们基本上是帮助他们找到一种健康的饮食，但又尽可能接近他们每天的饮食习惯。”“然后我们添加了一些建议，以帮助患者在达到理想状态的同时，仍然保持他们的口味和适合他们的生活方式，包括准备食物需要多长时间。这增加了患者成功的机会，并长期坚持这种饮食。”

根据Ghobadi的说法，一开始会向患者提供长期推荐的饮食，这样他们就能了解朝着更健康的生活方式所需要采取的步骤。

她说:“然后就由他们和他们的医生来决定什么时候从一种更宽容的饮食转变为一种更理想的饮食。”这样，优化的饮食作为一种路径和一组选项，尊重患者和他们的饮食习惯，同时也引导他们实现更健康的营养目标。他们知道每一步会发生什么。如果他们的行为和习惯发生变化，我们可以再次运行数学模型来调整事情的发展。”

Ghobadi设想，这种饮食计划和调整的方法最终可能会通过应用程序提供给顾客，但与此同时，她和她的团队目前正在与患者群体合作，开发一个交互式网站，让他们可以通过登录并根据现有数据查看样本饮食路径来尝试定制的饮食。“我们的目标是实现数据驱动的饮食个性化，这是第一步，”Ghobadi说。

Ghobadi正在与土木与系统工程系的博士候选人Farzin Ahmadi和Fardin Ganjkhanloo以及约翰霍普金斯大学凯里商学院的教授Tinglong Dai一起研究这个项目。

注：本文由院校官方新闻直译，仅供参考，不代表指南者留学态度观点。