ARCT：降低餐后血糖反应的个性化饮食与低脂饮食对糖代谢异常和肥胖成年人体重减轻的影响

背景：关于减肥的最佳饮食有相当多的争论。普遍持有的观点认为，肥胖症是由反复的高餐后血糖反应(PPGR)发展而来的，该反应产生导致体重增加的下游生物级联事件。因为碳水化合物主要影响PPGR，所以旨在最小化PPGR的饮食(例如，低碳水化合物饮食)被假设在行为干预中诱导体重减轻。然而，与低脂肪饮食相比，低碳水化合物和低血糖指数或低血糖负荷饮食对减肥的影响是混合的。

越来越多的证据表明，PPGR个体间在同一餐后的差异可能归因于个体的生理特征和生活方式行为。具体来说，肠道微生物群已被证明对个体的PPGR有广泛的贡献。总的来说，饮食坚持和肠道微生物群等因素在一刀切的饮食建议(如低脂饮食)中没有考虑；因此，个性化的方法可能更有利于减肥。

在2015年，Zeevi等人10使用来自临床和微生物组测量的输入数据，在训练数据集(n = 800)上开发了一种称为梯度增强回归的监督学习模型，以估计餐后葡萄糖曲线的曲线下增量面积。使用留一交叉验证在训练数据集上评估该模型，还在独立测试数据集(n = 100)上评估该模型，该数据集产生使用肠道微生物组特征的相似皮尔逊相关系数。在一项针对糖尿病前期患者的为期6个月的随机临床试验中，14算法定制饮食比地中海饮食更能有效降低PPGR。尽管有这些令人鼓舞的结果，据我们所知，没有研究使用这种精确营养方法来促进糖尿病前期和中度控制二型糖尿病的成年人的体重减轻。

个人饮食研究的主要目的是根据6个月时体重减轻的百分比，比较糖代谢异常和肥胖的成年人的2种热量限制减肥干预:(1)一刀切的低脂肪(以下称为标准化)饮食或(2)由机器学习算法开发的个性化饮食，以估计和最小化PPGR到膳食(以下称为个性化)。

目的：比较标准化低脂饮食和个性化饮食对糖代谢异常和肥胖成人体重减轻的影响。

设计、设置和参与者：个人饮食研究是一项单中心、基于人群、为期6个月的随机临床试验，从2018年2月12日至2021年10月28日在基线(0个月)、3个月和6个月进行测量。总共招募了269名18至80岁的成年人，他们的体重指数(以千克为单位的体重除以平方米为单位的身高计算)范围为27至50，血红蛋白A1c水平范围为5.7%至8.0%。排除接受二甲双胍以外的药物治疗或有肾脏疾病证据(使用慢性肾脏疾病流行病学协作方程式评估估计肾小球滤过率小于60 mL/min/1.73 m2)的个体，以避免招募晚期二型糖尿病患者。

干预：参与者被随机分配到低脂饮食组(<能量摄入的25%；标准化组)或使用机器学习算法估计食物的PPGR的个性化饮食(个性化组)。两组的参与者总共接受了14次行为咨询和自我监控饮食摄入。此外，个性化组的参与者收到了通过移动应用程序发送的估计PPGR的彩色编码餐评分。

主要结果和测量：主要结果是从基线到6个月体重减轻的百分比。次要结果包括身体成分(脂肪量、无脂肪量和体重百分比)、静息能量消耗和适应性产热的变化。在基线、3个月和6个月时收集数据。分析基于使用线性混合模型的意向处理。

结果：在总共204名随机成人中，199人(个性化组102人，标准化组97人)提供了数据(平均[SD]年龄，58 [11]岁；133名妇女[66.8%]；平均[SD]体重指数，33.9 [4.8])。标准化组在6个月时的体重变化为4.31% (95%可信区间为5.37%至3.24%)，个性化组为3.26% (95%可信区间为4.25%至2.26%)，两者无显著差异(组间差异为1.05% [95%可信区间为0.40%至2.50%]；P = 0.16)。在身体组成和适应性产热方面没有组间差异；然而，标准化组从0到6个月的静息能量消耗变化显著更大(组间差异，92.3 [95% CI，0.9-183.8]kcal/d；P = 0.05)。

图1个性化和标准化手臂之间的体重变化

表1线性混合回归分析的结果:初级和次级结果随时间的总变化a

结论：在6个月时，与低脂饮食相比，以降低PPGR为目标的个性化饮食并没有导致更大的体重减轻。未来的研究应该评估增加饮食自我监测坚持和干预暴露的方法。

原文出处：Popp CJ,  Hu L,  Kharmats AY,et al.Effect of a Personalized Diet to Reduce Postprandial Glycemic Response vs a Low-fat Diet on Weight Loss in Adults With Abnormal Glucose Metabolism and Obesity: A Randomized Clinical Trial.JAMA Netw Open 2022 09 01;5(9)