Si l’intelligence artificielle fait naître des perspectives prometteuses pour la recherche en nutrition, elle nécessite toutefois une évolution des pratiques scientifiques. Montée en compétences sur la compréhension des possibilités offertes par l’IA, création d’équipes pluridisciplinaires et allocations de ressources suffisantes aux projets font partie des recommandations.
L’American Journal of Clinical Nutrition entreprend la publication d’une série d’articles dédiés aux bonnes pratiques pour l’utilisation de l’intelligence artificielle (IA) en nutrition. Le premier article de cette série, paru fin 2025, identifie 3 défis à relever pour un usage réussi de l’IA en nutrition et liste les recommandations en réponse à chacun.
- Premier enjeu : bien clarifier dans l’esprit des chercheurs ce que peut réaliser l’IA par rapport aux approches statistiques classiques en nutrition. Les analyses par IA devraient être intégrées dans les études dès l’établissement du protocole, et non comme une simple étape technique venant se greffer a posteriori.
- Le décloisement des compétences et la création d’équipes multidisciplinaires intégrant aussi bien des spécialistes de la nutrition que de l’IA dans les projets de recherche constitue le second enjeu. De la même façon que les nutritionnistes devraient avoir des compétences minimales sur l’IA – celles-ci pouvant s’acquérir par exemple en intégrant l’IA dans les cursus de formation –, les experts en IA devraient être sensibilisés aux questions stratégiques de la recherche en nutrition et aux spécificités des données disponibles dans le domaine.
- Ce dernier point constitue d’ailleurs le 3e enjeu : prendre en compte la complexité des données collectées dans les études nutritionnelles, sans la sous-estimer ! Données alimentaires, métabolomiques, génétiques, cliniques, etc., forment des jeux de données hétérogènes, de taille conséquente, parfois incomplets (données manquantes), avec des relations complexes entre variables (relations non linéaires, courbes en J…), sujettes à la variabilité biologique. Le temps de « nettoyage » des données, avec les moyens humains et techniques ad hoc ne doit pas être sous-estimé, au risque sinon de compromettre les analyses.
Autant de pistes pour convertir l’énergie innovatrice et l’enthousiasme suscités par l’IA en pratiques fécondes et rigoureuses pour la recherche à venir.
Source : Thomas D, Barrangou R, Kirkpatrick S, et al. AI and machine learning in nutrition: the promise, the challenge, and recommendations. The American Journal of Clinical Nutrition, 2025; 123; DOI: 10.1016/j.ajcnut.2025.101126