個體化膳食指導的智能化決策支持演講人01個體化膳食指導的智能化決策支持02引言：個體化膳食指導的時代價值與智能化轉(zhuǎn)型的必然性03個體化膳食指導的核心邏輯與智能化轉(zhuǎn)型的必然性04智能化決策支持系統(tǒng)的技術(shù)架構(gòu)與核心模塊05智能化決策支持在個體化膳食指導中的實踐路徑與場景應(yīng)用06智能化決策支持的挑戰(zhàn)與未來發(fā)展方向07結(jié)論：智能化賦能個體化膳食指導，邁向精準健康新時代目錄01個體化膳食指導的智能化決策支持02引言：個體化膳食指導的時代價值與智能化轉(zhuǎn)型的必然性引言：個體化膳食指導的時代價值與智能化轉(zhuǎn)型的必然性隨著“健康中國2030”戰(zhàn)略的深入推進，膳食作為健康管理的核心環(huán)節(jié)，其科學性與個體化需求日益凸顯。傳統(tǒng)膳食指導多基于群體性營養(yǎng)素推薦，難以匹配年齡、遺傳背景、代謝狀態(tài)、生活方式等個體差異，導致指導效果存在顯著局限性。我在臨床營養(yǎng)工作中曾遇到一位2型糖尿病患者，按照通用膳食建議控制主食攝入后，卻頻繁出現(xiàn)低血糖反應(yīng)，追問發(fā)現(xiàn)其從事重體力勞動，每日能量消耗遠超平均水平——這一案例深刻揭示了傳統(tǒng)“一刀切”模式的不足。個體化膳食指導的本質(zhì)，是通過對個體生理、病理、行為等多維度數(shù)據(jù)的綜合分析，構(gòu)建“精準匹配”的營養(yǎng)干預方案。而智能化技術(shù)的出現(xiàn)，為破解這一難題提供了全新路徑。大數(shù)據(jù)、人工智能、物聯(lián)網(wǎng)等技術(shù)的融合，不僅能夠處理海量復雜數(shù)據(jù)，更能實現(xiàn)動態(tài)預測、實時調(diào)整與個性化推薦，推動膳食指導從“經(jīng)驗驅(qū)動”向“數(shù)據(jù)驅(qū)動”轉(zhuǎn)型。本文將從技術(shù)邏輯、實踐應(yīng)用、挑戰(zhàn)與未來三個維度，系統(tǒng)闡述個體化膳食指導的智能化決策支持體系，為行業(yè)提供兼具理論深度與實踐價值的參考。03個體化膳食指導的核心邏輯與智能化轉(zhuǎn)型的必然性個體化膳食指導的核心邏輯：從“群體標準”到“個體畫像”3.行為差異：夜班人群的皮質(zhì)醇節(jié)律與正常人群相反，需調(diào)整餐次時間以避免代謝紊亂；傳統(tǒng)膳食指導以《中國居民膳食指南》為核心，依據(jù)年齡、性別等基礎(chǔ)變量提供普適性建議，其邏輯基礎(chǔ)是“群體統(tǒng)計最優(yōu)”。但個體差異遠超基礎(chǔ)變量范疇：2.代謝差異：相同碳水負荷下，胰島素抵抗者血糖波動幅度是健康人群的1.5-2倍；1.生理差異：如攜帶FTO基因變異者更易因高脂飲食肥胖，MTHFR基因突變者對葉酸的需求量是普通人的2-4倍；4.疾病狀態(tài)：慢性腎病患者的蛋白質(zhì)攝入需根據(jù)腎小球濾過率（GFR）動態(tài)調(diào)整，過個體化膳食指導的核心邏輯：從“群體標準”到“個體畫像”量或不足均會加速病情進展。個體化膳食指導的核心邏輯，是通過構(gòu)建“多維個體畫像”，實現(xiàn)“千人千面”的營養(yǎng)干預。這一過程需整合四大核心要素：-基礎(chǔ)信息：年齡、性別、身高、體重等；-生理生化指標：血糖、血脂、肝腎功能、激素水平等；-行為數(shù)據(jù)：膳食攝入（種類、數(shù)量、頻率）、運動量、作息模式等；-健康目標：體重管理、疾病控制、體能提升等。傳統(tǒng)膳食指導的局限性：效率、精度與動態(tài)性的三重困境盡管個體化膳食的理念早已提出，但傳統(tǒng)方法在實踐中面臨顯著瓶頸：1.數(shù)據(jù)采集效率低：回顧性膳食調(diào)查（如24小時回顧法）依賴受試者記憶，易產(chǎn)生回憶偏倚，且需營養(yǎng)師逐條錄入分析，耗時耗力；2.個性化程度不足：即使采集到個體數(shù)據(jù)，傳統(tǒng)方法多依賴人工經(jīng)驗進行“規(guī)則匹配”，難以處理多變量交互作用（如基因-飲食-腸道菌群的復雜網(wǎng)絡(luò)）；3.動態(tài)調(diào)整滯后：個體生理狀態(tài)隨時間變化（如妊娠期、疾病進展、訓練周期），傳統(tǒng)指導多為靜態(tài)方案，無法實現(xiàn)實時優(yōu)化。以臨床營養(yǎng)科工作為例，一位營養(yǎng)師日均接診患者不超過15人，且需花費2-3小時完成膳食分析與方案制定，難以滿足大規(guī)模個體化需求。智能化轉(zhuǎn)型的必然性：技術(shù)驅(qū)動下的范式革新智能化技術(shù)通過“數(shù)據(jù)-算法-應(yīng)用”的閉環(huán)，系統(tǒng)性解決傳統(tǒng)模式的痛點：-數(shù)據(jù)采集智能化：可穿戴設(shè)備（如智能手環(huán)、連續(xù)血糖監(jiān)測儀）實時采集運動、血糖數(shù)據(jù)；圖像識別技術(shù)（如膳食拍照APP）自動分析食物種類與分量；電子病歷系統(tǒng)整合生化指標與健康史，構(gòu)建多源數(shù)據(jù)池；-分析算法智能化：機器學習模型（如隨機森林、神經(jīng)網(wǎng)絡(luò)）挖掘多變量間的非線性關(guān)系，預測個體對特定飲食的反應(yīng)（如高纖維飲食對腸道菌群的調(diào)節(jié)效果）；強化學習算法根據(jù)實時反饋動態(tài)優(yōu)化方案（如根據(jù)血糖波動調(diào)整碳水比例）；-應(yīng)用場景智能化：智能APP實現(xiàn)方案推送、執(zhí)行提醒、效果追蹤；營養(yǎng)師通過決策支持系統(tǒng)（DSS）獲取個性化建議與風險預警，提升工作效率。這一轉(zhuǎn)型不僅提升了指導精度與效率，更推動了膳食從“被動治療”向“主動預防”延伸，契合“預防為主”的健康戰(zhàn)略。04智能化決策支持系統(tǒng)的技術(shù)架構(gòu)與核心模塊智能化決策支持系統(tǒng)的技術(shù)架構(gòu)與核心模塊個體化膳食指導的智能化決策支持系統(tǒng)，本質(zhì)是“多學科交叉融合”的復雜工程，其技術(shù)架構(gòu)可分為數(shù)據(jù)層、算法層、應(yīng)用層與支撐層，各模塊協(xié)同作用，實現(xiàn)從數(shù)據(jù)到?jīng)Q策的全流程閉環(huán)。數(shù)據(jù)層：多源異構(gòu)數(shù)據(jù)的整合與標準化數(shù)據(jù)是個體化膳食決策的“燃料”，系統(tǒng)需整合以下四類核心數(shù)據(jù)，并通過標準化處理解決“異構(gòu)性”問題：數(shù)據(jù)層：多源異構(gòu)數(shù)據(jù)的整合與標準化個體基礎(chǔ)數(shù)據(jù)-靜態(tài)數(shù)據(jù)：人口學信息（年齡、性別、種族）、遺傳數(shù)據(jù)（基因多態(tài)性檢測結(jié)果）、疾病史（糖尿病、高血壓等診斷信息）、用藥史（如降糖藥、利尿劑等影響營養(yǎng)代謝的藥物）；-動態(tài)數(shù)據(jù)：生理指標（體重、體脂率、血壓、心率）、生化指標（血糖、血脂、肝腎功能、炎癥因子）、代謝組學數(shù)據(jù)（尿有機酸、血清氨基酸譜）。數(shù)據(jù)層：多源異構(gòu)數(shù)據(jù)的整合與標準化膳食行為數(shù)據(jù)-攝入數(shù)據(jù)：通過圖像識別（如手機拍照AI分析）、可穿戴設(shè)備（如智能餐具）實時采集食物種類、分量、進食時間；-環(huán)境數(shù)據(jù)：地理位置（如餐廳環(huán)境）、經(jīng)濟狀況（如食物可及性）、文化背景（如飲食禁忌）。數(shù)據(jù)層：多源異構(gòu)數(shù)據(jù)的整合與標準化健康目標數(shù)據(jù)-顯性目標：用戶主動輸入的減重增肌、血糖控制等需求；-隱性目標：通過行為數(shù)據(jù)挖掘（如運動頻率、睡眠質(zhì)量）推斷的潛在需求（如改善代謝健康、提升運動表現(xiàn)）。數(shù)據(jù)層：多源異構(gòu)數(shù)據(jù)的整合與標準化知識庫數(shù)據(jù)-營養(yǎng)素數(shù)據(jù)庫：食物成分（宏量營養(yǎng)素、微量營養(yǎng)素、生物活性物質(zhì)）、營養(yǎng)素-疾病關(guān)聯(lián)（如ω-3脂肪酸與心血管保護）；-干預知識庫：膳食指南（中國居民膳食指南、DRIs）、臨床路徑（糖尿病腎病膳食管理共識）、循證研究（如地中海飲食對認知功能的影響）。數(shù)據(jù)標準化技術(shù)：采用SNOMEDCT標準統(tǒng)一醫(yī)學術(shù)語，使用FoodEx2系統(tǒng)分類食物，通過自然語言處理（NLP）提取電子病歷中的非結(jié)構(gòu)化數(shù)據(jù)（如“近期食欲減退”），確保數(shù)據(jù)可比性與可計算性。算法層：智能化決策的核心引擎算法層是系統(tǒng)的“大腦”，通過機器學習、深度學習、多模態(tài)融合等技術(shù)，實現(xiàn)數(shù)據(jù)到?jīng)Q策的轉(zhuǎn)化，核心包括以下模塊：算法層：智能化決策的核心引擎?zhèn)€體需求預測算法-目標驅(qū)動預測：基于用戶健康目標（如減重5kg/月），結(jié)合基礎(chǔ)代謝率（BMR）、身體活動水平（PAL）計算能量需求，采用遺傳算法優(yōu)化宏量營養(yǎng)素比例（如低碳水高脂肪或均衡型方案）；-風險預警預測：通過邏輯回歸、XGBoost模型預測個體對特定飲食的風險（如高鹽飲食對高血壓患者的血壓影響幅度），提前調(diào)整方案。算法層：智能化決策的核心引擎?zhèn)€性化推薦算法-協(xié)同過濾：基于相似人群（同基因型、同疾病狀態(tài)）的膳食反應(yīng)數(shù)據(jù)，推薦“已驗證有效”的食譜（如攜帶APOEε4基因者推薦MIND飲食）；-深度強化學習：以“血糖平穩(wěn)性”“營養(yǎng)充足性”為獎勵函數(shù)，動態(tài)調(diào)整餐次分配與食物選擇（如針對糖尿病患者，根據(jù)餐后血糖反應(yīng)調(diào)整下一餐的GI值）。算法層：智能化決策的核心引擎動態(tài)優(yōu)化算法-卡爾曼濾波：融合實時監(jiān)測數(shù)據(jù)（如連續(xù)血糖監(jiān)測值），修正短期預測偏差（如運動后血糖下降，臨時增加10g碳水化合物）；-貝葉斯網(wǎng)絡(luò)：整合多源不確定性數(shù)據(jù)（如膳食記錄誤差、個體代謝變異），生成概率化推薦方案（如“該方案有85%概率控制血糖在4.4-7.0mmol/L”）。算法層：智能化決策的核心引擎多模態(tài)融合算法-通過圖神經(jīng)網(wǎng)絡(luò)（GNN）整合基因-代謝-行為數(shù)據(jù)，構(gòu)建個體“營養(yǎng)代謝網(wǎng)絡(luò)”，識別關(guān)鍵調(diào)控節(jié)點（如特定腸道菌群豐度與膳食纖維攝入的相關(guān)性），指導精準干預。應(yīng)用層：面向多場景的智能交互終端算法層的輸出需通過應(yīng)用層觸達用戶與專業(yè)人員，實現(xiàn)“決策-執(zhí)行-反饋”的閉環(huán)：應(yīng)用層：面向多場景的智能交互終端用戶端應(yīng)用-智能膳食日記：支持拍照識別食物、語音記錄（如“午餐吃了1碗米飯、100g清蒸魚”），自動分析營養(yǎng)攝入與目標差距，生成可視化報告（如“今日蛋白質(zhì)攝入達標，但維生素C不足20%”）；01-個性化食譜推薦：基于口味偏好（如“不吃辣”）、烹飪條件（如“只有15分鐘做飯時間”）、庫存食材（如“冰箱里有雞蛋、番茄”），生成定制化食譜，附帶營養(yǎng)標簽與烹飪步驟；02-實時干預提醒：通過可穿戴設(shè)備震動提醒（如“餐后1小時血糖已達8.0mmol/L，建議進行10分鐘輕度步行”），推送個性化建議（如“今日鈉攝入接近上限，晚餐避免腌制食品”）。03應(yīng)用層：面向多場景的智能交互終端專業(yè)端應(yīng)用-營養(yǎng)師決策支持系統(tǒng)（DSS）：整合患者數(shù)據(jù)，生成“個體化營養(yǎng)評估報告”，標注風險因素（如“腎功能不全，蛋白質(zhì)攝入需限制至0.6g/kg/d”），推薦干預方案（如“采用α-酮酸復合低蛋白飲食”），并支持方案調(diào)整模擬（如“若增加5%脂肪比例，對血脂的影響預測”）；-遠程監(jiān)測平臺：實時查看患者膳食執(zhí)行情況與生理指標變化，對依從性差的患者（如連續(xù)3天未記錄膳食）自動發(fā)送隨訪提醒，提供“在線營養(yǎng)咨詢”入口。應(yīng)用層：面向多場景的智能交互終端機構(gòu)端應(yīng)用-醫(yī)院臨床營養(yǎng)管理系統(tǒng)：與電子病歷（EMR）、實驗室信息系統(tǒng)（LIS）對接，自動生成營養(yǎng)支持醫(yī)囑（如“腸內(nèi)營養(yǎng)輸注速度調(diào)整為80ml/h”），支持多學科協(xié)作（如與醫(yī)生共同調(diào)整糖尿病患者的降糖藥物與膳食方案）；-社區(qū)健康管理平臺：整合區(qū)域健康數(shù)據(jù)，識別高風險人群（如“代謝綜合征前期居民”），推送群體化膳食干預活動（如“高纖維飲食挑戰(zhàn)營”），實現(xiàn)“預防-篩查-干預”的全程管理。支撐層：系統(tǒng)運行的保障體系1.隱私保護技術(shù)：采用聯(lián)邦學習實現(xiàn)“數(shù)據(jù)可用不可見”（如醫(yī)院與科研機構(gòu)合作建模時，原始數(shù)據(jù)不出本地）；差分隱私技術(shù)（如添加拉普拉斯噪聲）保護用戶個體信息；區(qū)塊鏈技術(shù)確保數(shù)據(jù)不可篡改，符合《個人信息保護法》要求。2.算力支持：云計算平臺（如阿里云、AWS）提供彈性算力，支持大規(guī)模數(shù)據(jù)處理與模型訓練；邊緣計算（如智能手環(huán)本地數(shù)據(jù)處理）降低延遲，提升實時性。3.標準規(guī)范：遵循《營養(yǎng)健康信息數(shù)據(jù)元》《個性化營養(yǎng)服務(wù)規(guī)范》等行業(yè)標準，確保系統(tǒng)兼容性與數(shù)據(jù)質(zhì)量。05智能化決策支持在個體化膳食指導中的實踐路徑與場景應(yīng)用慢性病管理：從“被動控制”到“主動干預”慢性?。ㄈ缣悄虿?、高血壓、肥胖）的膳食管理需長期堅持，智能化系統(tǒng)通過“動態(tài)監(jiān)測-精準干預-風險預警”提升依從性與效果：慢性病管理：從“被動控制”到“主動干預”糖尿病膳食管理-案例：某三甲醫(yī)院應(yīng)用智能DSS對2型糖尿病患者進行干預，系統(tǒng)通過連續(xù)血糖監(jiān)測（CGM）數(shù)據(jù)發(fā)現(xiàn)，患者午餐后血糖峰值與主食中快速消化淀粉比例顯著相關(guān)（r=0.78，P<0.01）。為此，系統(tǒng)推薦“低GI主食+膳食纖維”組合（如用燕麥飯?zhí)娲酌罪?，搭?00g炒蔬菜），并模擬不同餐次碳水分配（如早餐30%、午餐40%、晚餐30%）對血糖波動的影響，最終使患者餐后血糖波動幅度降低32%，糖化血紅蛋白（HbA1c）下降1.2%。-技術(shù)支撐：強化學習算法根據(jù)患者血糖反應(yīng)調(diào)整食譜，如對“脆性糖尿病”患者，自動生成“小份多餐”方案（每日6餐，每餐碳水15-20g），避免低血糖風險。慢性病管理：從“被動控制”到“主動干預”高血壓膳食管理-應(yīng)用：智能系統(tǒng)結(jié)合患者24小時動態(tài)血壓監(jiān)測與膳食記錄，發(fā)現(xiàn)“隱性鹽攝入”（如醬油、加工食品）是其血壓控制不佳的主因。系統(tǒng)通過圖像識別識別加工食品，推送“低鹽食譜”（如用檸檬汁替代醬油調(diào)味），并通過可穿戴設(shè)備提醒“每日鹽攝入不超過5g”，6個月后患者收縮壓降低8mmHg，達標率從45%提升至78%。特殊人群營養(yǎng)：精準匹配生命周期需求特殊人群（孕婦、老年人、運動員）的膳食需求具有顯著特異性，智能化系統(tǒng)通過“生命周期模型”實現(xiàn)精準供給：特殊人群營養(yǎng)：精準匹配生命周期需求孕婦營養(yǎng)管理-挑戰(zhàn)：孕早期葉酸需求是普通女性的2倍，孕晚期鐵需求增加50%，但過量補充可能增加妊娠期高血壓風險。-解決方案：系統(tǒng)整合孕婦基因檢測（如MTHFR基因突變）、產(chǎn)檢數(shù)據(jù)（如血紅蛋白、葉酸水平），動態(tài)調(diào)整營養(yǎng)素補充劑量。如對攜帶MTHFRC677T突變純合子的孕婦，推薦葉酸補充量從400μg/d增至800μg/d，并同步監(jiān)測同型半胱氨酸水平，確保安全有效。特殊人群營養(yǎng)：精準匹配生命周期需求老年人營養(yǎng)管理-痛點：老年人常存在“肌少癥”“味覺減退”等問題，易導致蛋白質(zhì)攝入不足與膳食結(jié)構(gòu)失衡。-智能應(yīng)用：系統(tǒng)通過語音交互了解老人飲食偏好（如“喜歡軟爛食物”“愛吃甜食”），推薦“高蛋白、易消化”食譜（如雞蛋羹、魚肉粥），并添加“風味增強劑”（如herbs、檸檬汁）改善食欲。同時結(jié)合步數(shù)監(jiān)測數(shù)據(jù)，調(diào)整能量需求（如每日步數(shù)<3000步時，能量攝入減少10%），避免肥胖風險。特殊人群營養(yǎng)：精準匹配生命周期需求運動員營養(yǎng)管理-需求：不同運動項目（如耐力型vs力量型）的代謝需求差異顯著，需根據(jù)訓練周期（備賽期、比賽期、恢復期）動態(tài)調(diào)整。-實踐：某職業(yè)足球俱樂部應(yīng)用智能系統(tǒng)，通過運動手環(huán)采集訓練強度（如跑步距離、心率區(qū)間）與身體成分（如肌肉量、水分含量），生成“訓練-營養(yǎng)”聯(lián)動方案。如高強度訓練后，系統(tǒng)自動推薦“碳水:蛋白=3:1”的恢復餐（如香蕉+蛋白粉），加速肌糖原合成與肌肉修復，運動員肌肉損傷標志物（CK）水平降低40%。體重管理：從“節(jié)食減重”到“代謝健康”傳統(tǒng)體重管理多聚焦“能量負平衡”，但易導致肌肉流失與代謝適應(yīng)（如靜息代謝率下降）。智能化系統(tǒng)通過“代謝分型”實現(xiàn)科學減重：1.代謝分型算法：通過體成分分析（如InBody）、代謝車檢測，將用戶分為“易胖型”（胰島素抵抗顯著）、“易瘦型”（基礎(chǔ)代謝率高）、“混合型”，并針對性制定方案。如對“易胖型”患者，采用“低碳水+高蛋白”飲食，結(jié)合間歇性禁食（16:8），6個月后脂肪減少5.2kg，肌肉量增加1.8kg。2.動態(tài)反饋機制：系統(tǒng)每周采集體重、體脂率、主觀感受（如饑餓程度、精力狀態(tài)），若連續(xù)2周體重無變化，自動觸發(fā)“代謝適應(yīng)性調(diào)整”：如臨時增加1天“高碳水餐”（欺騙餐），提升瘦素敏感性，避免代謝平臺期。臨床營養(yǎng)支持：從“經(jīng)驗化”到“精準化”在重癥患者、術(shù)后患者中，營養(yǎng)支持需兼顧“供給充足”與“器官負擔”。智能化系統(tǒng)通過“病情-營養(yǎng)-代謝”三維評估，制定個性化腸內(nèi)/腸外營養(yǎng)方案：-案例：一名重癥急性胰腺炎患者，需限制脂肪攝入（<10%總能量）以減輕胰腺負擔。系統(tǒng)根據(jù)患者體重（60kg）、靜息能量消耗（REE=1250kcal/d）、疾病嚴重程度（APACHEII評分=18），計算出蛋白質(zhì)需求為1.5g/kg/d（90g/d），采用“短肽型腸內(nèi)營養(yǎng)制劑+中鏈甘油三酯（MCT）”，并動態(tài)監(jiān)測血甘油三酯水平（目標<4.0mmol/L），最終患者營養(yǎng)狀況改善（白蛋白從28g/L升至35g/L），住院時間縮短5天。06智能化決策支持的挑戰(zhàn)與未來發(fā)展方向當前面臨的核心挑戰(zhàn)1.數(shù)據(jù)質(zhì)量與隱私保護的平衡：個體化依賴高質(zhì)量數(shù)據(jù)，但用戶對數(shù)據(jù)隱私的擔憂（如基因信息泄露）可能導致數(shù)據(jù)采集不足。需建立“透明化數(shù)據(jù)使用機制”（如明確數(shù)據(jù)用途、用戶可隨時撤回授權(quán)），并通過“數(shù)據(jù)脫敏”“聯(lián)邦學習”等技術(shù)降低風險。2.算法可解釋性與信任建立：深度學習模型常被視為“黑箱”，用戶（尤其是專業(yè)人員）難以理解推薦依據(jù)。需開發(fā)“可解釋AI”（XAI）技術(shù)，如通過SHAP值展示各特征（如基因、運動）對推薦方案的貢獻度，增強用戶信任。3.營養(yǎng)師角色的重新定位：智能化系統(tǒng)雖能提升效率，但無法完全替代營養(yǎng)師的“人文關(guān)懷”與“復雜問題判斷”。未來營養(yǎng)師需從“方案制定者”轉(zhuǎn)型為“數(shù)據(jù)分析師”“用戶心理疏導者”與“多學科協(xié)作協(xié)調(diào)者”。123當前面臨的核心挑戰(zhàn)4.多學科協(xié)作的壁壘：個體化膳食涉及營養(yǎng)學、醫(yī)學、遺傳學、數(shù)據(jù)科學等多領(lǐng)域，但當前跨學科人才稀缺、標準不統(tǒng)一。需構(gòu)建“多學科協(xié)作平臺”，統(tǒng)一數(shù)據(jù)接口與評估標準，推動知識融合。未來發(fā)展方向1.多模態(tài)數(shù)據(jù)融合的深度化：整合基因組學、代謝組學、腸道菌群組學、宏基因組學等“組學數(shù)據(jù)”，結(jié)合環(huán)境暴露（如空氣污染）、心理狀態(tài)（如壓力水平），構(gòu)建“全維度個體營養(yǎng)模型”，實現(xiàn)“精準營養(yǎng)”的終極目標。013.個性化營養(yǎng)教育的智能化：基于用戶學習偏好（如視頻、圖文、互動問答）與文化背景，推送“定制化營養(yǎng)知識”。如對老年用戶推送“短視頻+方言講解”，對年輕用戶推送“游戲化營養(yǎng)挑戰(zhàn)”（如“