消化-风湿共病患者的个性化营养干预系统及方法

本发明属于计算机，特别是涉及消化-风湿共病患者的个性化营养干预系统及方法。

背景技术：

1、消化-风湿共病如炎症性肠病（ibd）合并类风湿关节炎（ra）、强直性脊柱炎（as）等，其发病与“肠-关节轴”紊乱密切相关，核心病理表现为肠道屏障功能障碍、肠道微生物群失调及由此引发的系统性免疫炎症反应，这类共病患者的生理状态兼具肠道病理与全身免疫炎症的双重特征，对营养干预的精准性、协同性提出了特殊要求。

2、目前，针对消化-风湿共病患者的营养干预策略多沿用单一疾病的营养方案，例如针对ibd采用低可发酵寡糖、双糖、单糖和多元醇（fodmap）饮食以缓解肠道症状，针对ra采用高ω-3多不饱和脂肪酸饮食以减轻系统炎症，或采用普适性的健康饮食原则如地中海饮食进行干预。虽然部分现有营养干预技术尝试结合生物标志物进行营养指导，但多局限于单一标志物的阈值判断，未实现对个体生物响应的量化与动态追踪。并且现有营养干预技术还存在显著局限性：一方面，现有营养干预方案无法客观、实时地评估特定食物摄入后，个体肠道屏障功能（如肠道通透性）与系统炎症状态的即时及滞后响应，导致干预方案难以匹配患者的个体化生理特征；另一方面，现有营养干预方案多为静态设计，无法根据患者疾病活动度、药物调整、生理状态的日常波动进行动态适配，易出现干预效果随时间衰减的问题。

技术实现思路

1、基于此，有必要针对上述技术问题，提供消化-风湿共病患者的个性化营养干预系统及方法，旨在提高营养干预的精准性和营养干预方案的动态适配性。

2、第一方面，本技术提供了消化-风湿共病患者的个性化营养干预方法，包括：

3、基于多种标准化营养原型的测试餐，获取包括时序生物标志物数据、连续生理数据、营养响应数据及肠道微生物组数据的患者初始数据集，对患者初始数据集进行标准化处理，生成结构化的患者基线数据集；

4、从患者基线数据集中提取时序生物标志物数据与连续生理数据，进行因果建模处理，得到个体化肠道屏障响应向量和个体化炎症波动函数；从患者基线数据集中提取肠道微生物组数据与营养响应数据，进行分析处理，得到微生物组-营养响应关联规则；基于个体化肠道屏障响应向量、个体化炎症波动函数及微生物组-营养响应关联规则，生成个体化双重生物响应模型；

5、将个体化双重生物响应模型加载至预设的ai决策引擎，得到动态数字孪生体；通过ai决策引擎，基于动态数字孪生体对候选食谱进行模拟预测处理，得到预测肠道负荷与预测炎症反应，并基于预测肠道负荷与预测炎症反应，通过多目标优化算法进行计算处理，输出个性化营养处方；

6、采集患者执行个性化营养处方后产生的实际观测数据；将实际观测数据、预测肠道负荷与预测炎症反应进行比对处理，生成预测误差向量；基于预测误差向量对个体化双重生物响应模型进行增量式微调处理，得到更新后的个体化双重生物响应模型。

7、在其中一个实施例中，基于多种标准化营养原型的测试餐，获取包括时序生物标志物数据、连续生理数据、营养响应数据及肠道微生物组数据的患者初始数据集，对患者初始数据集进行标准化处理，生成结构化的患者基线数据集，包括：

8、基于患者依次摄入的标准化营养原型的测试餐，在每种测试餐摄入前及摄入后多个预设固定时间点采集患者的毛细血管血浆样本；

9、对每个毛细血管血浆样本进行生物标志物检测处理，得到每种测试餐后不同时间点的多种生物标志物浓度值，按测试餐类型与时间点进行整合，生成时序生物标志物数据；

10、在患者摄入标准化营养原型的测试餐期间，通过预设的连续生理监测设备采集患者的连续血糖数据，将连续血糖数据作为连续生理数据；

11、基于时序生物标志物数据中的肠道屏障标志物、炎症标志物的浓度变化，结合患者摄入每种测试餐后的生理反应记录，进行关联映射处理，生成营养响应数据；生理反应记录包括关节疼痛程度和腹胀频率；

12、采集患者的基线粪便样本，对基线粪便样本进行生物信息学分析处理，得到包含菌群组成特征、功能基因丰度的肠道微生物组数据；

13、将时序生物标志物数据、连续生理数据、营养响应数据及肠道微生物组数据执行标准化操作，生成结构化的患者基线数据集，标准化操作包括时间轴对齐、缺失值补全及归一化处理。

14、在其中一个实施例中，从患者基线数据集中提取时序生物标志物数据与连续生理数据，进行因果建模处理，得到个体化肠道屏障响应向量和个体化炎症波动函数，包括：

15、从时序生物标志物数据中提取肠道屏障标志物的浓度-时间序列数据，对每种测试餐对应的浓度-时间序列数据进行非线性曲线拟合处理，计算得到每种测试餐的曲线下面积；

16、将每种测试餐的曲线下面积与预设对照餐的曲线下面积进行比值计算处理，得到每种测试餐的相对响应强度；

17、基于营养响应数据中肠道屏障响应记录，通过多元回归分析确定权重系数，利用权重系数对各肠道屏障标志物的相对响应强度进行加权合成处理，得到个体化肠道屏障响应向量；

18、从连续生理数据中提取每种测试餐后的血糖波动特征参数，从时序生物标志物数据中提取对应滞后期的炎症标志物变化值；

19、以血糖波动特征参数为自变量、滞后期的炎症标志物变化值为因变量，采用时间序列因果分析模型进行建模处理，得到血糖-炎症关联系数，并基于营养响应数据中炎症响应记录进行校准处理，生成个体化炎症波动函数。

20、在其中一个实施例中，从患者基线数据集中提取肠道微生物组数据与营养响应数据，进行分析处理，得到微生物组-营养响应关联规则，包括：

21、从肠道微生物组数据中提取短链脂肪酸合成关联功能基因丰度、免疫调节关联菌属相对丰度作为微生物组特征数据；

22、从营养响应数据中提取针对可发酵纤维类测试餐、多酚类测试餐的响应数据作为目标营养响应数据，对微生物组特征数据与目标营养响应数据进行偏最小二乘回归分析处理，得到量化关联关系；

23、将量化关联关系进行规则化处理，生成微生物组-营养响应关联规则。

24、在其中一个实施例中，将个体化双重生物响应模型加载至预设的ai决策引擎，得到动态数字孪生体；通过ai决策引擎，基于动态数字孪生体对候选食谱进行模拟预测处理，得到预测肠道负荷与预测炎症反应，并基于预测肠道负荷与预测炎症反应，通过多目标优化算法进行计算处理，输出个性化营养处方，包括：

25、将个体化肠道屏障响应向量、个体化炎症波动函数及微生物组-营养响应关联规则加载至ai决策引擎，配置ai决策引擎的核心预测模块；

26、通过ai决策引擎调取预设的患者静态健康档案，结合核心预测模块的参数，进行初始化处理，构建患者的动态数字孪生体；

27、通过ai决策引擎从预设的食物营养组分数据库中提取食物原料信息，按营养均衡约束条件组合生成多个候选食谱；

28、对于每个候选食谱，基于ai决策引擎，通过动态数字孪生体解析候选食谱营养成分对应的标准化营养原型类型，查询个体化肠道屏障响应向量计算得到预测肠道负荷；

29、通过动态数字孪生体基于候选食谱的预估血糖负荷，调用个体化炎症波动函数计算得到预测炎症反应；

30、基于ai决策引擎，结合微生物组-营养响应关联规则，对候选食谱的菌群适配性进行评估处理，得到菌群适配评分；

31、以最小化预测肠道负荷、最小化预测炎症反应及最大化菌群适配评分为目标，通过多目标优化算法进行筛选处理，得到最优食谱；

32、将最优食谱按餐次分配、食材用量、烹饪建议进行格式化处理，输出个性化营养处方。

33、在其中一个实施例中，采集患者执行个性化营养处方后产生的实际观测数据；将实际观测数据、预测肠道负荷与预测炎症反应进行比对处理，生成预测误差向量；基于预测误差向量对个体化双重生物响应模型进行增量式微调处理，得到更新后的个体化双重生物响应模型，包括：

34、在患者执行个性化营养处方期间，采集更新时序生物标志物数据、更新连续生理数据、更新营养响应数据及更新肠道微生物组数据，生成实际观测数据；

35、将实际观测数据与预测肠道负荷、预测炎症反应按时间维度进行对齐处理，计算每项指标的绝对差值，构建预测误差向量；

36、基于预测误差向量，通过在线学习算法对个体化肠道屏障响应向量的权重系数、个体化炎症波动函数的关联系数进行增量更新处理，得到更新后的个体化肠道屏障响应向量和更新后的个体化炎症波动函数；

37、结合实际观测数据，对微生物组-营养响应关联规则进行修正处理，得到修正后的微生物组-营养响应关联规则；

38、将更新后的个体化肠道屏障响应向量、更新后的个体化炎症波动函数及修正后的微生物组-营养响应关联规则进行集成处理，得到更新后的个体化双重生物响应模型。

39、在其中一个实施例中，菌群适配评分通过以下公式计算得到：

40、

41、其中，为菌群适配评分；d为微生物组-营养共匹配特征维度数；为第d个微生物组特征的权重；为患者第d个微生物组特征的实际值；为第d个营养成分的权重；为候选食谱第d个营养成分的含量；为hadamard乘积；为校准偏置项；为第k对微生物组特征与营养成分的权重系数，由微生物组-营养响应关联规则确定，满足；n为微生物组-营养特征匹配对数；为第k对微生物组特征与营养成分的皮尔逊相关系数。

42、第二方面，本技术还提供了消化-风湿共病患者的个性化营养干预系统，包括：

43、基线数据采集与标准化模块，用于基于多种标准化营养原型的测试餐，获取包括时序生物标志物数据、连续生理数据、营养响应数据及肠道微生物组数据的患者初始数据集，对患者初始数据集进行标准化处理，生成结构化的患者基线数据集；

44、个体化生物响应模型构建模块，用于从患者基线数据集中提取时序生物标志物数据与连续生理数据，进行因果建模处理，得到个体化肠道屏障响应向量和个体化炎症波动函数；从患者基线数据集中提取肠道微生物组数据与营养响应数据，进行分析处理，得到微生物组-营养响应关联规则；基于个体化肠道屏障响应向量、个体化炎症波动函数及微生物组-营养响应关联规则，生成个体化双重生物响应模型；

45、营养处方生成模块，用于将个体化双重生物响应模型加载至预设的ai决策引擎，得到动态数字孪生体；通过ai决策引擎，基于动态数字孪生体对候选食谱进行模拟预测处理，得到预测肠道负荷与预测炎症反应，并基于预测肠道负荷与预测炎症反应，通过多目标优化算法进行计算处理，输出个性化营养处方；

46、模型反馈与优化模块，用于采集患者执行个性化营养处方后产生的实际观测数据；将实际观测数据、预测肠道负荷与预测炎症反应进行比对处理，生成预测误差向量；基于预测误差向量对个体化双重生物响应模型进行增量式微调处理，得到更新后的个体化双重生物响应模型。

47、第三方面，本技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面中的步骤。

48、第四方面，本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中的步骤。

49、上述消化-风湿共病患者的个性化营养干预系统及方法，首先基于多种标准化营养原型的测试餐获取患者基线数据集并进行标准化处理，为后续个体化生物响应的量化建模奠定了数据基础。其次从患者基线数据集中提取多维度数据进行因果建模与关联分析，生成个体化双重生物响应模型，为营养干预提供了靶向肠-关节轴双重病理的量化支撑。并且将个体化双重生物响应模型加载至ai决策引擎，通过动态数字孪生体模拟预测并输出个性化营养处方，提升了营养方案对患者肠道屏障负荷与系统炎症反应的精准适配性，实现了肠-关节轴多靶点的协同调控。最后采集患者执行处方后的实际观测数据，通过比对生成预测误差向量并微调模型得到更新版本，进一步实现了营养干预方案的动态迭代优化，提升了长期干预过程中对患者生理状态波动的适配性与干预效果的稳定性。