Application of Artificial Intelligence Technologies as an Intervention for Promoting Healthy Eating and Nutrition in Older Adults: A Systematic Literature Review
Notice bibliographique
Résumé
Background/Objectives: The aging population faces a multitude of health challenges, particularly when it comes to maintaining proper nutrition. Age-related physiological changes, such as decreased metabolism, diminished taste perception, and difficulty in chewing, can lead to insufficient nutrient intake, ultimately resulting in malnutrition. It is crucial to address these issues to promote not only physical health but also overall well-being. In this modern era, artificial intelligence (AI) technologies, including robots and machine learning algorithms, are being increasingly harnessed to encourage healthy eating habits among older adults. This is critical to support healthy aging and mitigate diet-related chronic diseases. However, little or no synthesis has established their effectiveness in delivering personalized, scalable, and adaptive interventions for older adults. This systematic review considers the state-of-the-art application of AI-based interventions aimed at improving dietary behaviors and nutritional outcomes in older adults. Methods: Following the PRISMA 2020 guidelines and a registered PROSPERO protocol (ID: CRD420241045268), we systematically analyzed 30 studies we collected from five databases, published between 2015 and 2025 based on different AI techniques, including machine learning, natural language processing, and recommender systems. We synthesized data collected from these studies to examine the intervention types, outcomes, and methodological approaches. Results: Findings from our review highlight the potential of AI-based interventions to promote engagement among older adults and improve adherence to healthy eating guidelines. Additionally, we found some challenges related to ethical concerns such as privacy and transparency, and limited evidence of their long-term effectiveness. Conclusions: AI-based interventions offer significant promise in promoting healthy eating among older adults through personalized, adaptive, and scalable interventions. Yet, current evidence is constrained by some methodological limitations and ethical concerns, which calls for future research to design inclusive, evidence-based AI interventions that address the unique physiological, psychological, and social needs of older adults.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,007 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».