Kan AI een gepersonaliseerd dieetplan genereren dat zowel de gezondheidsresultaten als de naleving door de gebruiker optimaliseert ?

Het opstellen van effectieve dieetplannen vereist een balans tussen voedingswetenschap, individueel metabolisme en gedragsmatige prikkels. Recente AI-systemen integreren metabolische gegevens, voedselvoorkeuren en levensstijlfactoren om duurzame plannen op maat te maken. Dit markeert een verschuiving van generieke adviezen naar precisienutritie, hoewel ethische zorgen over datagebruik blijven bestaan.

Huidige AI-systemen kunnen de gezondheidsgegevens van een gebruiker analyseren (leeftijd, geslacht, bloeddruk, laboratoriumresultaten), voedingsvoorkeuren, allergieën, budget en levensstijl om een calorie- en macrogebalanceerd maaltijdplan voor te stellen dat voldoet aan evidence-based richtlijnen (bijv. DASH, Mediterraan of diabetes-specifieke doelen). Ze maken vaak gebruik van prompting met grote taalmodellen of reinforcement-learning fine-tuning om menu’s iteratief aan te passen op basis van gebruikersfeedback, zodat nalevingsmetingen zoals voltooiingspercentage en zelfgerapporteerde tevredenheid verbeteren. Toch zijn ze nog steeds afhankelijk van onderliggende voedingsdatabases (USDA, EU FOOD-Data of commerciële API’s) die onvolledig of regio-specifiek kunnen zijn. Deze tools worden nog niet gereguleerd als medische hulpmiddelen, dus hoewel ze gedrag kunnen beïnvloeden, dienen ze naast, niet in plaats van, gekwalificeerde diëtisten of artsen te worden gebruikt voor gebruikers met een hoog risico.

— Verrijkt 12 mei 2026 · Bron: Standpunt van de Academy of Nutrition and Dietetics: Technologie in Voedingszorg en -onderwijs — https://doi.org/10.1016/j.jand.2018.06.011