Yapay zeka destekli diyet önerilerinin bibliyometrik analizi

Amaç Bu çalışmanın amacı yapay zekâ (YZ) destekli kişiselleştirilmiş diyet sistemlerine ilişkin bilimsel literatürü eleştirel ve bibliyometrik yöntemlerle inceleyerek eğilimleri, uygulama örneklerini ve araştırma boşluklarını belirlemektir. Yöntem Son 10 yıllık süreçte YZ-destekli beslenme önerilerine ilişkin Pubmed, Scopus ve Google Akademik veri tabanlarında yayınlanan makaleler içerik, etkinlik ve güvenilirlik açısından eleştirel bir perspektiften incelenmiştir. Bibliyometrik analiz kapsamında ise Scopus veri tabanından “[AI-based] AND [nutrition] OR [diet] AND [recommendation]” arama koduyla ulaşılan ve 2016-2024 yılları arasında yayımlanan 24 makale VOSviewer yazılımı kullanılarak incelenmiştir. Bulgular YZ destekli beslenme önerilerinin diyabet, obezite, irritabl bağırsak sendromu (IBS) gibi metabolik hastalıklar ve yeme bozukluklarında sıklıkla kullanıldığı tespit edilmiştir. Eş-zamanlı kullanılan anahtar kelimelerin bibliometrik analizinde ise ontology, artificial intelligence, nutrition, deep learning, ai, machine learning, nlp ve random forest dikkat çekmektedir. Bu konuda en sık makale yayınlayan ve en çok atıf alan ülkeler Hindistan, Amerika Birleşik Devletleri, Birleşik Krallık ve Yunanistan olarak sıralanmaktadır. Sonuç YZ destekli kişiselleştirilmiş diyet sistemleri; mikrobiyom profilleri, genetik belirteçler, metabolik durum ve yaşam tarzı gibi bireye özgü verilerin entegrasyonu ile beslenme önerileri sunan yenilikçi bir alandır. Yapay zeka alanında kaydedilen tüm bu gelişmelere rağmen literatürde veri güvenliği, etik kaygılar, doğrulama eksikliği ve algoritma şeffaflığı alanlarında eksikliklerin olduğu ve kültürel beslenme alışkanlıklarının yeterince göz önünde bulundurulmadığı tespit edilmiştir. Gelecekte multidisipliner olarak planlanacak araştırmalarla bu eksikliklerin giderilerek alanın gerek bilim insanları gerekse klinisyenler arasında yaygınlaşması beklenmektedir.

Purpose This study aims to determine trends, application practices, and research gaps by critical and bibliometric methods examining the scientific literature on artificial intelligence (AI) supported personalized diet systems. Method Over the last 10 years, studies on AI-supported nutrition recommendations published in PubMed, Scopus, and Google Scholar databases, were reviewed through a critical lens in terms of content, effectiveness, and reliability. For the bibliometric component, 24 articles published between 2016 and 2024 were identified in the Scopus database using the search string “[AI-based] AND [nutrition] OR [diet] AND [recommendation]” and analyzed using VOSviewer software. Findings It has been found that AI-supported nutritional recommendations are frequently used in metabolic diseases and eating disorders such as diabetes, obesity, and irritable bowel syndrome (IBS). In the bibliometric analysis of co-occurrence keywords, ontology, artificial intelligence, nutrition, deep learning, AI, machine learning, NLP, and random forest attract attention. The countries that publish articles most frequently and receive the most citations on this subject are India, the United States, the United Kingdom, and Greece. Conclusion AI-driven personalized diet systems innovative field that offers nutrition recommendations by integrating individualized data such as microbiome profiles, genetic markers, metabolic status, and lifestyle factors. Despite all these developments in artificial intelligence, it has been determined that there are deficiencies in the literature on data security, ethical concerns, lack of verification, algorithm transparency, and cultural nutrition habits that are not sufficiently considered. Future interdisciplinary studies are expected to overcome these limitations and contribute to the broader adoption of these systems among researchers and clinicians.