Deep Medicine [Chapter 11]別再相信「萬人一帖」，心臟科權威也搞不懂的營養學

The drug we all take multiple times a day that needs to be personalized most is food. 我們每天服用最多次的藥物，其實就是食物；而這個藥物，最需要個人化。 — — Lisa Pettigrew

當心臟科權威也被營養學搞糊塗

Dr. Eric 在經歷了第二次腎結石急性發作之後，他的泌尿科醫師強烈建議他去看營養師。等待預約的那幾週，Dr. Eric 拿著自己 24 小時尿液檢測報告 — 尿液草酸（Oxalate）數值高達 64（正常值是 20 到 40），開始研究哪些食物該避免攝取；當他查閱多個網站和文獻時，發現了一件令人震驚的事：同樣的食物，在不同的資料來源中，草酸含量的數據竟然天差地別。

Litholink 這家做尿液分析的公司，列出 Fiber One 麥片的草酸含量是每 100 公克 142 毫克、黑胡椒是 419 毫克、巧克力 117 毫克、菠菜高達 600 毫克，但同一份資料卻說地瓜只有 6 毫克、羽衣甘藍（Kale）13 毫克、藍莓 15 毫克，都算低草酸食物。可是，當 Dr. Eric 看到匹茲堡大學醫學中心（University Of Pittsburgh Medical Center）網站上的低草酸飲食指南時，藍莓、地瓜和羽衣甘藍全都被列為高草酸食物！這到底是怎麼回事？

Dr. Eric 心想，營養師應該能解答這些疑惑，他的營養師有超過 20 年的專業經驗，仔細審視了他的抽血數據，然後給了他一份來自美國營養與飲食學會（Academy Of Nutrition And Dietetics）的三頁建議文件，營養師告訴他：「避免堅果和菠菜，少吃草莓和藍莓。」這些可都是 Dr. Eric 最愛的食物！但 Litholink 明明說這些都是低草酸食物啊？Dr. Eric 當時更困惑了。

會後，Dr. Eric 寫信詢問營養師為何有這些差異，營養師解釋說，她之所以建議避免草莓，是因為草莓個頭大，很容易一口氣吃超過建議的半杯份量，這樣草酸攝取量就會大幅增加；她還解釋，不同資料來源對食物份量的標示方式不同，有的用重量（盎司、公克）、有的用體積，造成同一種食物在不同網站上被分類為低、中或高草酸食物的混亂現象。

營養師給了 Dr. Eric 一個連結，來自哈佛大學陳曾熙公共衛生學院（Harvard T. H. Chan School Of Public Health）營養學系，根據哈佛的資料，半杯藍莓只有 2 毫克草酸，可說是非常低；半杯草莓也是 2 毫克，但一杯覆盆子（Raspberries）卻高達 48 毫克。蔬菜類當中，一杯切碎的羽衣甘藍只有 2 毫克，但生菠菜一杯竟然高達 666 毫克，地瓜一杯則是 28 毫克，算很高。

看出問題了嗎？同樣的食物，四個不同的權威來源，給出四種完全不同的建議。藍莓、草莓、羽衣甘藍、地瓜，每一種食物的草酸分類都不一致，Dr. Eric 問：「我到底該相信誰？」

營養科學的混亂現狀：沒有黃金標準的領域

Dr. Eric 的親身經歷其實是整個營養科學領域的縮影，早在西元前 400 年左右，醫學之父希波克拉底（Hippocrates）就說過：「讓食物成為你的藥物，讓藥物成為你的食物。」我們從數千年前就知道飲食和健康密切相關，但這個領域至今仍然一團混亂。

為什麼營養科學這麼難做？

最大的問題在於：大規模的隨機對照試驗幾乎不可能執行，想像我們要把幾千人隨機分成兩組，一組吃某種特定飲食、另一組吃另一種，然後要求他們嚴格遵守好幾年，再追蹤他們的心臟病、癌症、死亡率等重大健康結果，這不只是技術上的困難，更是人性的挑戰，誰能確保參與者真的照做？目前唯一比較成功的例外是地中海飲食（Mediterranean Diet）的隨機試驗，結果顯示能降低心臟病風險約 1 到 2%，但即便是規模最大的 PREDIMED 地中海飲食試驗，也因為統計方法的瑕疵和分析爭議，被迫撤回並重新發表論文，當頂尖期刊的研究都能出這種問題，就知道這個領域的困境有多深。

因此，大部分營養科學研究都是觀察性研究，依賴人們回報自己吃了什麼；「準確回報」這四個字，說來簡單，做起來卻幾乎是不可能的任務。你能精確記得你上週二午餐吃了什麼嗎？吃了多少？一位備受尊敬的科學方法學批評家 John Ioannidis 嚴厲批評現行營養科學的分析方法，Bart Penders 也提出類似的質疑。

大型觀察性研究告訴我們什麼？

儘管有這些限制，讓我們看看幾個重要的大型研究：2017 年發表在《刺胳針 Lancet》的前瞻性城鄉流行病學研究（Prospective Urban Rural Epidemiology, PURE），研究了來自 18 個國家、超過 135,000 人，這篇論文在 Altmetric 排名中位居 2017 年第一（168 則新聞報導、8,313 則推文、441 則 Facebook 貼文），研究發現高碳水化合物攝取 — 而非脂肪 — 才是心臟病和死亡風險的主要元兇，顛覆了我們幾十年來被教導的「低脂飲食」觀念。

另一項 2017 年美國研究分析了超過 70 萬名死於心臟病、中風或糖尿病病人的飲食模式，研究發現高鈉飲食、高加工肉品攝取、以及低海鮮、低蔬果攝取，都與嚴重不良健康結果相關，結論是這些死亡中有 45% 可以歸因於這十個飲食因素，換句話說，每天有超過一千名美國人因為他們的飲食而死亡。其他研究也顯示，植物性飲食可能有助於預防第二型糖尿病、全穀物攝取與較低的心臟病和癌症死亡率相關、咖啡與較佳的存活率有關聯。

但這些研究都有共同的致命傷：它們依賴受試者自我回報的營養攝取資料、無法證明因果關係、沒有對照組、無法排除大量潛在的干擾因素（Confounding Factors），包括社經地位和教育程度。Jonathan Schoenfeld 和 John Ioannidis 的系統性回顧發現，幾乎每種食物都同時被發現與癌症風險增加和降低有關！媒體報導通常不考慮這些重要的警告，所以我們不斷看到矛盾的頭條新聞，今天說咖啡致癌、明天說咖啡防癌。

低脂飲食的騙局：我們被誤導了半個世紀

缺乏隨機對照試驗只是問題的一個面向，另一個嚴重的問題是劣質研究如何形塑了我們給出的飲食建議；在《大脂肪驚喜》（The Big Fat Surprise）一書中，調查記者 Nina Teicholz 記錄生理學家 Ancel Keys 對飲食建議的巨大影響，他發表「七國研究」（Seven Countries Study），並在 1961 年登上《時代》雜誌封面，提倡低脂肪、低膽固醇飲食來預防心臟病。但 Keys 的研究有嚴重瑕疵：故意省略 15 個國家的數據，因為那些數據與他的假說矛盾，儘管當時就有人批評這個研究，美國心臟協會（American Heart Association）仍大力推廣低脂飲食，甚至建議用人造奶油代替奶油、避免吃蛋。

Dr. Eric 回憶說，多年來他跟許多人一樣，竭盡所能避免脂肪，吃無脂椒鹽脆餅、喝黑咖啡，遠離起司和披薩，連 1% 脂肪含量的牛奶都不碰，這與他 1950、60 年代成長時期形成強烈對比，那時候他家每週都有送牛奶的人送來好幾瓶全脂牛奶，他的父母還叫他「乳牛 Elsie」，因為他喝太多牛奶了。幾十年後，我們才發現人造奶油充滿反式脂肪（Trans Fats），對心臟有毒害作用，最終在許多國家被禁止添加到食品中，但美國心臟協會和美國農業部（USDA）的指南至今仍建議限制飽和脂肪攝取。這個故事的兩個面向都說明了在沒有充分數據的情況下推廣飲食建議的危害，結果就是健康機構背書低脂食品，可能反而助長了肥胖和糖尿病的流行，長期以來避免乳製品和鈉攝取的建議，最近也受到了嚴重質疑。

製糖業的世紀謊言

食品產業的腐敗問題，在製糖業醜聞中展露無遺。糖存在於四分之三的包裝食品中，從 1950 年代開始，製糖業就一直在推廣「熱量就是熱量」的觀念：吃一卡路里的糖果跟吃一卡路里的其他食物一樣，不會讓人更容易變胖。糖業協會把心臟病的罪名推給飽和脂肪，幾十年來，製糖業一直委託研究人員（包括有影響力的 Ancel Keys）來傳播這些說法。

1967 年，三位哈佛科學家在《新英格蘭醫學雜誌 New England Journal Of Medicine》發表經典回顧論文，指控飲食脂肪導致心臟病；後來發現，這三位科學家是被糖業協會收買的，糖業協會還反對在食品標籤上標示添加糖含量。2015 年 可口可樂公司與科學家合作，壓制糖與肥胖有關的說法。這不只是製糖業的問題，Marion Nestle 分析了近 200 項食品研究，發現由產業資助的研究（相較於沒有產業資助的研究）得出對產業有利結論的比例是 13 比 1，食品「科學」不僅因為缺乏證據而受損，還被偏見所扭曲。

鹽的迷思被打破

幾十年來，我們一直被告知飲食中過多的鈉會危險地增加心臟病和中風的風險，美國心臟協會至今仍建議每天鈉攝取量不超過 1.5 公克，如果大家曾經嘗試過這種低鈉飲食，可能會覺得難以下嚥、甚至無法忍受；也許這對減肥有幫助，因為食物變得毫無味道，Sir George Pickering 曾說：「要堅持這種飲食，需要有宗教狂熱者般的禁慾精神。」

但過量鈉與心血管不良事件風險增加的關聯已經被推翻，2018 年一項研究納入來自 18 個國家超過 95,000 人，雖然證實隨著鈉攝取增加（透過尿液測量反映），血壓確實有輕微上升，但不良結果只發生在鈉攝取超過每天 5 公克的人身上，而美國人平均每天攝取約 3.5 公克的鈉。對於每天鈉攝取低於 5 公克的人，鈉攝取量與心臟病發和死亡竟然呈現反向相關！這又是一個長期存在的國家營養建議經不起證據考驗的例子，我們一直困在平均值的迷思中，而沒有認識到食物反應的高度個體差異。

最大的問題：一種飲食適合所有人？這根本不可能！

這確實是營養指引面臨的最大問題：認為所有人都應該遵循同一種飲食的想法，這個概念在生物學和生理學上都站不住腳，它與我們的獨特性相矛盾，我們的代謝、腸道菌群（Microbiome）、環境等各個面向都有顯著的異質性和個體差異。我們現在知道，從以色列魏茨曼科學研究所（Weizmann Institute Of Science）研究人員的工作中發現，每個人對相同食物、甚至對完全相同份量的食物，都會有不同的反應。

營養基因組學（Nutrigenomics）的失敗

營養基因組學原本被認為能夠揭示我們獨特的 DNA 如何與特定食物互動，然而到目前為止，幾乎沒有證據顯示基因變異可以引導我們制定個人化飲食，但這並沒有阻止許多公司推銷這個概念，營養基因組學相關企業行銷特定 DNA 序列變異的檢測來形塑我們的飲食模式，儘管它們幾乎沒有可接受的證據基礎、甚至已經被隨機試驗推翻，許多食品科學來源的可信度都受到質疑。

使用智慧型手機 App 提供飲食建議的公司，包括 Suggestic、Nutrino 和 Lose It! 等提供虛擬營養師功能，但它們個人化指導的基礎和科學依據並不清楚。要超越這種缺乏證據、普遍適用的飲食概念，需要一種運算與數據驅動、無偏見的方法，而這正是人工智慧可以發揮作用的地方，魏茨曼的研究顯示不同的人吃相同食物會有不同的結果，這是史上第一次，機器學習在理解這個問題上扮演了關鍵角色，預測每個人對食物獨特的血糖反應。

2015 年 11 月，期刊《細胞 Cell》發表了一篇論文，標題為《透過預測血糖反應實現個人化營養》（Personalized Nutrition By Prediction Of Glycemic Responses），作者是 Eran Segal、Eran Elinav 和他們在魏茨曼的同事，這項研究納入了 800 名沒有糖尿病的受試者，透過皮下感測器監測他們一週的血糖。在監測期間，受試者總共吃了超過 5,000 份由研究人員提供的標準化餐點，有些包含巧克力和冰淇淋等食物，以及 47,000 份他們日常食物的餐點，總共進行了超過 150 萬次血糖測量。

這些詳細的餐後血糖反應數據被整合成每個人更多維度的資料：飲食習慣（如用餐時間、食物和飲料內容）、身體活動、身高體重、睡眠、腸道菌群和血液檢測，大部分數據是由受試者透過專屬的智慧型手機 App 輸入的，餐後血糖反應在不同人之間表現出高度變異性，這在預料之中，但變異的程度令人驚訝。

機器學習的魔力：137 個關鍵因素

研究人員用一個決策樹機器學習模型（Decision-Tree Machine Learning Model）處理這數百萬個數據點，找出 137 個用於預測每個人對特定食物血糖反應的因素，這個模型在另一個 100 人的群體中進行驗證；為了進一步確認演算法的信效度，研究團隊對 26 人進行隨機試驗，使用個人化飲食計畫，結果顯示與對照組相比，餐後血糖反應有顯著改善（這些計畫是由機器學習推導出來的），這個演算法在預測血糖反應方面非常準確，而且表現優於專業營養師的預測。

這些發現有相當重要的意涵，對於使用胰島素的糖尿病人來說，碳水化合物計算是找出最適當劑量的主要方法，碳水化合物在進食時與血糖反應增加有關，膳食纖維也是如此（儘管纖維在稍後的 24 小時內會降低反應），這項研究不僅凸顯了不同人對相同食物有高度不同的反應，還能夠解釋食物成分並不是血糖反應的驅動因素，腸道菌群中的細菌種類被證明是決定每個人對飲食血糖反應的關鍵因素，例如 Parabacteroides Distasonis 與高血糖反應相關，而 Bacteroides Dorei 則相反。當這項研究發表時，《細胞》期刊發布了一篇社論，宣稱這項研究是「邁向個人化營養的第一步」。

麵包實驗：白麵包 vs. 酸種麵包

這篇魏茨曼研究所團隊的論文只是他們一系列發表中的首次登台，下一步他們研究調整麵包攝取作為改善血糖的手段；麵包約提供全人類攝取熱量的 10% （在部分國家超過 30% ），所以他們把焦點放在麵包作為研究焦點。2017 年，他們發表了一項針對兩種不同麵包類型的隨機交叉研究：市售白麵包或手工酸種麵包（Sourdough），研究中的 20 個人都有連續血糖監測，並採用與第一項研究幾乎相同的數據收集方法，研究人員對麵包製作的描述非常詳細，展示這些研究人員投入多少心力，甚至讓人垂涎欲滴：

「我們提供研究參與者標準化的人氣白麵包，以確保每個人吃的是同樣的麵包；為了製作酸種麵包，我們雇用了一位有經驗的磨坊師傅用石磨磨碎新鮮的硬紅小麥，並過篩麵粉以去除最大的麩皮顆粒，還雇用了一位有經驗的手工麵包師傅，只用特別研磨的麵粉、水、鹽和成熟的酸種酵頭來製作麵包，不添加任何其他添加物；麵團被分切塑形、發酵，然後在石頭爐床烤箱中烘烤。每兩天，我們把這些剛出爐的全麥酸種麵包帶到我們的實驗室給研究參與者，香味如此誘人，很難阻止我們的團隊成員來搶！在第二次送麵包之後，我們認清這場必輸的戰役，開始額外訂購更多麵包給我們的團隊。」

結果非常令人驚訝，在整體結果上，不同麵包的血糖反應沒有差異，但那是因為看的是族群平均值；在個體層面差異非常顯著，有些人對白麵包的血糖反應很低、其他人則正好相反，而腸道菌群是驅動因素，而且是唯一的預測因子。

腸道菌群：體內的 40 兆共生細胞

我們的腸道菌群大約有 40 兆個共生細胞，來自一千種不同的菌種，在對食物攝取的反應上所扮演的角色比我們預期的要大得多，已經有很多研究把腸道菌落與飲食相關的問題聯繫起來，包括肥胖、糖尿病、免疫疾病和一長串其他疾病，但都沒有明確證明因果關係，可能是因為我們每天在糞便中排出約 10% 的腸道菌群，也許這些菌群太不穩定而無法產生可靠的效果。然而，物種的整體多樣性和組成傾向保持不變。

還有其他因素確實會影響腸道菌群的組成，這些細菌有自己的晝夜節律（Circadian Rhythm），有些在早上或晚上更活躍，它們的節律由我們的飲食模式和我們自身的生物時鐘控制。魏茨曼團隊做了一項研究，給予參與者從以色列到美國的免費來回機票，接咋從正在經歷最嚴重時差的研究參與者身上轉移腸道微生物到無菌小鼠體內，誘發了肥胖和葡萄糖不耐症；在另外一篇研究中，魏茨曼團隊證明攝入人工甜味劑的有害影響（包括體重增加和肥胖）與腸道菌群的變化有關。

Segal 和 Elinav 的研究工作總結在他們的書《個人化飲食》（The Personalized Diet）中，累計起來他們研究了超過 2,000 人，並總結「我們意識到：一切都是個人的。」引用他們書中的一個關鍵結論，「因為我們的數據集如此龐大、分析如此全面，這些結果比以往任何時候都更確切地證明，通用、普世的營養方法根本行不通。」這是我們在 Peer Review 期刊文章中找不到的那種大膽聲明，但卻是可能在書中找到的強力主張。

三種血糖類型（Glucotypes）

個體差異與血糖反應有關，而血糖反應是一個重要但肯定不是營養影響和人類健康的終極指標；進食後的血糖飆升可能會演變成糖尿病風險增加的預兆，而高血糖在機制上與腸道內膜通透性有關，進而增加感染和癌症的風險。除了與糖尿病和癌症的潛在聯繫之外，血脂異常、肥胖、心臟和神經退化性疾病也一直是令人擔憂的問題，只是目前還沒有證據把健康人的血糖飆升與這些疾病直接聯繫起來。

研究人員已證明血糖反應的個體化模式，有些人對脂肪非常敏感、有些人對纖維有反應、有些人對鈉敏感、有些人受睡眠影響很大，但都與腸道菌群有關，而且這種複雜性可以透過機器學習演算法來映射、建模和預測。隨後，史丹佛大學的一個團隊評估了 57 名健康人的血糖飆升情況，使用連續血糖監測，用機器學習分析對特定食物的反應數據，並提出進食後血糖飆升很常見，可以分為三種「血糖類型」（Glucotypes）：低、中、重度。「玉米片和牛奶的經典早餐在我們研究中 80% 的人身上導致血糖升高到糖尿病前期範圍（超過 140 mg/dl），這些常吃的食物可能對世界上大多數成年人的健康有害。」

親身體驗：Dr. Eric 的 DayTwo 實測報告

Segal 和 Elinav 知道 Dr. Eric 對個人化醫療很感興趣，請他在書稿階段審閱他們的新書；這本書清楚總結一套重要的研究，為我們對食物的血糖值變異提供了有力的證據，他們也決定在 2015 年於以色列成立一家公司，幫助人們確定關於血糖反應的個人化最佳飲食 DayTwo，由 Eran Segal 的妻子 Lihi Segal 擔任執行長。

Dr. Eric 詢問是否可以試用 DayTwo，開始時先在線上填寫問卷，提供基本人口統計學資料，接著下載 DayTwo 健康 App、收到來自亞培實驗室（Abbott Laboratories）的 Libre 血糖感測器，後續透過智慧型手機記錄他吃喝的所有東西、睡眠數據、運動和藥物，持續兩週；期間他在左手臂上戴著大約半美元硬幣大小的感測器，可以用隨附的專用讀取器隨時快速檢查血糖值，此外還必須收集糞便樣本來評估腸道菌群。

這兩週的數據收集確實很麻煩，血糖和腸道菌群的部分很簡單，能夠用 Fitbit 導出睡眠和活動數據，但在手機上手動輸入所有吃喝的東西很繁瑣。從選項列表中找到食物或飲料、份量大小往往不太準確，他經常因為忙碌或忘記，得回去填補一兩天前的資訊；他被指示在餐後至少兩小時內不要吃任何東西，這樣血糖反應才不會混淆，這有時很困難，因為他可能會想吃點小點心；這個規定讓他想起了索爾克研究所（Salk Institute）的 Satchin Panda 一篇有趣的文章，他使用智慧型手機 App 監測日常飲食模式，結果顯示人們完全沒有一日三餐的結構，每天進食長達 14.75 小時！霍桑效應（Hawthorne Effect） — 研究中的人知道被觀察時會表現不同的現象肯定有起作用，導致 Dr. Eric 或任何其他 DayTwo 計畫參與者傾向選擇吃或避開某些食物，或用其他方式改變飲食習慣。

結果揭曉：中度血糖類型與碳水化合物敏感

Dr. Eric 在進食後有多次血糖飆升，最高達到 150 mg/dl，符合「中度」血糖類型；腸道菌群和食物建議的資訊非常有趣，一個特別的細菌 Bacteroides Stercoris 似乎是他特別的共生住戶，佔了他腸道菌群的 27.45%，一般平均只有 1.74%。食物建議顯示他對碳水化合物的血糖反應非常敏感，但對脂肪則沒那麼敏銳，每個類別的食物清單提供了比他在數據收集期間所攝取更廣泛的菜單，從演算法中，DayTwo 還建議能讓他保持在更嚴格血糖範圍內的餐點。此外，它有一個超過 100,000 種食物的數據庫，讓他可以搜尋來看是否有任何食物被預測會導致他的血糖飆升。

熟花椰菜、泡菜、黃豆都獲得 A+ 評級，而烤馬鈴薯、芹菜和醃漬蘿蔔只有 C-；水果的部分，楊桃、草莓和無糖椰子是 A+，但芭樂、覆盆子和梨子只有 A- 到 B-；肉類和蛋類方面，德國香腸、水煮蛋、煙燻鮭魚和炸魚排都是 A+。自從 Dr. Eric 做這個數據收集以來，DayTwo 已經改變了策略，雖然最初在以色列專做血糖監測和自我追蹤，但美國版只推出涉及採集腸道菌群樣本、然後讓演算法預測最佳飲食選擇，收費 329 美元。DayTwo 不是這個領域唯一的公司，Viome 是更全面評估腸道菌群（不僅是細菌，還有病毒和真菌）的競品，收費 399 美元，也使用數據推薦個人化飲食；然而 Viome 到目前為止還沒有發表任何 Peer-Review 的研究。

我們離真正的個人化營養還有多遠？

Dr. Eric 展示他的 DayTwo 結果並不是要推薦這家公司，而是因為它代表 AI 在消費者健康領域最早的應用之一，整合關於個人的諸多數據；但我們還需要大型隨機試驗，讓一半的人使用演算法、一半沒有接受 AI 指導，追蹤多年以評估臨床結果的差異。我們目前只有對食物的短期血糖反應，與預防糖尿病或併發症非常不同，Dr. Eric 也擔心沒有每日追蹤飲食、活動和血糖，預測演算法會不那麼有效，要把這樣的結果擴展到直接研究的人群之外也仍然非常具有挑戰性。

Dr. Eric 有草酸鈣腎結石，與尿液中高草酸有關，所以應該遵循低草酸飲食；文章最開始建議他應該避免的一些食物，在 DayTwo 推薦中卻被評為 A+。一般性飲食建議（在不知道他代謝疾病的情況下提供的）和後者特定飲食計畫之間的衝突，說明了需要考慮一個人的所有數據來接近真正個人化飲食的複雜性。新技術（像是可吞嚥的電子膠囊）透過感測不同氣體來監測我們的腸道菌群，可能有一天會證明對關鍵維度的數據輸入有用；目前已經有基因工程細菌透過腸道菌群治療代謝疾病（在靈長類動物模型中），但就目前而言，我們距離實現經過科學驗證的個人化飲食還有很長的路要走。

從 AI 營養師到全方位健康教練

史丹佛大學遺傳學系主任 Michael Snyder 的一項多組學研究（Multi-Omic Study 評估腸道菌群組、轉錄組、蛋白質組、代謝組和基因組）在 23 名超重的人身上，想了解體重增加和減少時會帶來什麼影響；結果發現僅僅增加六磅體重，腸道菌群物種就會發生戲劇性的變化，超過 300 個基因表現出顯著的功能改變，促發炎介質的濃度也在血液中升高，而這些變化會隨著體重減輕完全逆轉。擺好我們飲食的餐桌，AI 遠超出能夠告知個人化、量身定制的飲食的能力、促進消費者健康，並承擔醫療教練的責任。

營養科學的問題：缺乏黃金標準

目前的營養科學主要依賴觀察性研究和自我回報數據，兩者都有嚴重的方法學限制，大規模隨機對照試驗在營養學研究幾乎不可能執行，也代表我們長期以來接受的飲食建議（低脂、限鈉、避免膽固醇）可能都建立在搖搖欲墜的證據基礎上，提醒我們在給病人飲食建議時，需要更加謹慎和個人化。

腸道菌群是個人化營養的關鍵

魏茨曼研究所的發現顯示，決定一個人對食物血糖反應的主要因素不是食物本身的成分，而是個人的腸道菌群組成，開啟了全新的研究和商業方向。台灣可以考慮開發針對亞洲人群的腸道菌群分析工具，整合台灣人的飲食習慣和基因背景，或建立台灣人專屬的腸道菌群資料庫，將具有巨大的科學和商業價值。

AI 和機器學習的臨床應用

DayTwo 的案例展示 AI 如何整合多維度的個人數據（腸道菌群、血糖監測、飲食日誌、睡眠、活動）來提供個人化的健康建議，這種數據驅動、以演算法為基礎的方法，代表從「一體適用」到「精準醫療」的典範轉移，然而目前這些工具仍缺乏長期臨床試驗的驗證。

商業模式的演進與挑戰

DayTwo 從完整的血糖監測和自我追蹤，簡化為僅提供腸道菌群分析，這個轉變反映消費者健康科技公司面臨的核心挑戰：如何在科學嚴謹性、使用者便利性和商業可行性之間取得平衡？即使有堅實的科學基礎，將研究轉化為可規模化的商業化產品仍然充滿挑戰。

數據整合的複雜性

即使有先進的 AI 營養建議，仍然需要考慮個人的特定健康狀況（如腎結石）、藥物、遺傳背景等因素，真正的個人化醫療需要整合所有相關數據，而不僅是腸道菌群或血糖反應。

從預測到預防的漫長道路

目前的研究主要集中在預測短期血糖反應，但要證明這能預防糖尿病、心臟病或其他慢性疾病，還需要大規模、長期的隨機對照試驗，代表一個研究和投資的機會，同時也是需要耐心和資源的長期賭注。

食品產業的系統性問題

製糖業醜聞揭露食品產業如何系統性扭曲科學研究和公共政策，不僅是美國的問題，台灣的食品產業和公共衛生政策制定者也需要警惕類似的利益衝突。作為醫師，我們有責任幫助病人辨別可靠的營養資訊來源，而不是盲目接受產業贊助的研究結論。

個人化營養的黎明

AI 和機器學習為我們打開了一扇窗，讓我們開始理解每個人對食物獨特的生理反應，但正如 Dr. Eric Topol 的親身經歷所示，我們離真正的個人化營養還有很長的路要走，因此我們需要更加批判性地看待傳統的營養建議、重視個體差異、謹慎地給予「一體適用」的飲食處方；這個領域充滿了機會，但也充滿了需要長期驗證的不確定性。未來 20 年，我們可能會看到：基於個人腸道菌群和代謝特徵的精準營養處方、整合多組學數據的 AI 健康教練、能夠即時監測和調整飲食建議的穿戴式設備、以及針對特定疾病的個人化飲食諮詢。重要的是，我們不能忘記 Dr. Eric 提出的問題：「我到底該相信誰？」在這個充滿矛盾資訊和利益衝突的領域，保持科學的嚴謹性和對個體差異的尊重，將是我們前進的指南針；讓數據說話，讓演算法學習，但永遠不要忘記，坐在我們面前的每一位病人，都是獨一無二的個體，值得獲得真正個人化的照護。

在海量資訊的時代，我們對健康的追尋，往往迷失在矛盾與迷思的叢林中；曾幾何時，我們深信萬人一帖的營養教條，小心翼翼地遵循著一體適用的飲食指南，卻忽略了生命最迷人的特質：獨一無二的個體差異。當心臟權威面對腎結石也深陷營養學的泥沼、當權威機構的建議一再被科學推翻，我們不禁要問：「我究竟該相信誰？」然而，微光已然在數據的彼端閃爍，從魏茨曼研究所的開創性研究、到 DayTwo 的實踐探索，AI 與機器學習正逐步解開我們體內的飲食密碼。那些盤踞在我們腸道深處、數量龐大的共生菌群，竟是決定我們對食物反應的關鍵因子，儼然是一次對「個人」意義的重新定義，我們不再是平均值的模糊剪影，而是由獨特基因、腸道生態與生活軌跡共同編織而成的精妙存在。

前方的路或許仍長，從短期血糖預測到長期疾病預防，我們需要更多時間、更多數據去驗證，但這扇通往個人化營養的窗，已然被 AI 輕輕推開。它提醒我們，知識的盡頭並非終點，而是謙卑地回到自身，傾聽身體的絮語，在數據的洪流中，讓 AI 成為引路人，引導我們穿越迷霧，走向真正屬於自己的健康之路。這是一種生活態度的覺醒，尊重差異、擁抱獨特，讓每一餐都成為與身體的深度對話，讓健康，不再是遙不可及的彼岸。

— –

📒 Compiled by — 台中慈濟醫院復健科 R4 陳佳菁醫師 Sigrid Chen, PM&R Resident Physician at Taichung Tzu Chi Hospital, Taiwan; Former Medical Consultant at ASUS Intelligent Cloud Services.