Per decenni la valutazione dietetica si è basata su diario, richiamo delle 24 ore e questionari di frequenza alimentare. Strumenti utili, ma con limiti noti: dipendono dalla memoria, risentono del bias di desiderabilità sociale e richiedono tempo per analisi. La diffusione di smartphone con fotocamere ad alta risoluzione ha accelerato lo sviluppo di algoritmi in grado di riconoscere alimenti, stimare volumi e collegarsi a database nutrizionali.
Nel dettaglio, Phalle e Gokhale hanno incluso studi testati su persone in contesti quotidiani, non solo in ambienti controllati. Le applicazioni più rilevanti emergono nella gestione di patologie croniche (es. obesità e diabete Tipo 2, dove il monitoraggio dei carboidrati è cruciale) e nella sorveglianza di anziani fragili a rischio di malnutrizione. Una misura più accurata dell'introito può incidere su scelte terapeutiche e prognosi.
Persistono però criticità: scoping review come quella di Shonkoff et al. (2022) riconoscono i progressi nel riconoscimento degli alimenti, ma evidenziano eterogeneità dei database e delle metriche di accuratezza; l'errore medio nella stima energetica può restare rilevante. Di conseguenza, oggi questi strumenti non sostituiscono la supervisione del dietista, soprattutto nei casi complessi.
La nutrizione personalizzata suggerisce che l'automazione riduca il carico per il paziente e migliori l'aderenza, ma servono studi clinici più robusti per dimostrare benefici sui risultati clinici (es. controllo glicemico, peso), non solo sulla qualità dei dati.
Operativamente, per il professionista, l'IA diventa un "terzo occhio": meno calcoli manuali e più verifica critica dei risultati, correzione di errori evidenti (condimenti non rilevati, piatti etnici non classificati correttamente) e integrazione con anamnesi e contesto socio-economico.
Restano questioni di etica e governance: responsabilità in caso di errori con impatto clinico, inclusività dei database rispetto a culture alimentari non occidentali, e standard di validazione e trasparenza in ottemperanza all'EU AI Act. Prima dell'adozione è essenziale una discussione condivisa con il paziente su limiti, rischi e appropriatezza clinica.
Alessandro Drago, consulente scientifico
Bibliografia
- Phalle A, Gokhale D. Navigating next-gen nutrition care using artificial intelligence-assisted dietary assessment tools-a scoping review of potential applications. Front Nutr. 2025; 12:1518466. doi:10.3389/fnut.2025.1518466. https://www.frontiersin.org/journals/nutrition/articles/10.3389/fnut.2025.1518466/full
- Wu X, Oniani D, Shao Z, et al. A Scoping Review of Artificial Intelligence for Precision Nutrition. Adv Nutr. 2025;16(4):100398. doi: 10.1016/j.advnut.2025.100398.https://www.sciencedirect.com/science/article/pii/S2161831325000341?via%3Dihub
- Zheng J, Wang J, An R. Artificial Intelligence Applications to Measure Food and Nutrient Intakes: Scoping Review. J Med Internet Res. 2024;26:e54557. doi:10.2196/54557.https://pubmed.ncbi.nlm.nih.gov/39608003/
- Shonkoff E, et al. The State of the Science on Artificial Intelligence-Based Dietary Assessment Methods That Use Digital Images: A Scoping Review. Curr Dev Nutr. 2022;6(Suppl 1):534. doi:10.1093/cdn/nzac077.037.https://pmc.ncbi.nlm.nih.gov/articles/PMC9194158/
- Chotwanvirat P, et al. Advancements in Using AI for Dietary Assessment Based on Food Images: Scoping Review. J Med Internet Res. 2024;26:e51432. doi:10.2196/51432.https://pubmed.ncbi.nlm.nih.gov/39546777/
- Bailey RL, et al. Artificial intelligence in food and nutrition evidence: The challenges and opportunities. PNAS Nexus. 2024;3(12):pgae461. doi:10.1093/pnasnexus/pgae461.https://pubmed.ncbi.nlm.nih.gov/39677367/
- Sosa-Holwerda A, et al. The Role of Artificial Intelligence in Nutrition Research: A Scoping Review. Nutrients. 2024;16(13):2066. doi:10.3390/nu16132066.https://pubmed.ncbi.nlm.nih.gov/38999814/