식단 기준을 현실 식사로, 최소 교체로 건강 향상

**연구 배경 및 목표** 식단은 비만·당뇨·심혈관 질환 등 주요 만성질환의 주요 위험 요인으로 알려져 있으나, 영양 과학을 일상 식사에 적용하는 것은 일반인에게 큰 장벽이 된다. 기존 개인 맞춤형 식단 시스템은 맛·칼로리·편리성 중 하나에 초점을 맞추는 경우가 많아, 영양 기준을 충족하면서도 실생활에 적용 가능한 솔루션이 부족했다. 본 논문은 “최소 교체”라는 실용적 제약 하에 USDA 영양 기준을 만족하도록 식사를 자동 생성·수정하는 프레임워크를 제시한다. **데이터 및 전처리** NHANES WWEIA(2013‑2020) 설문에서 55,228명의 응답자, 135,491개의 식사를 추출하였다. 식품 코드는 USDA 코드 체계에 맞춰 통합·정규화했으며, 최종적으로 8,650개의 식품 코드와 2,940개의 재료 코드를 확보했다. 데이터 품질을 위해 LOF 기반 이상치 제거와 0.3 % 상위 이상치 배제, 영양‑인식 집계 알고리즘을 통한 프로토타입 매핑으로 식품 차원을 87.5 % 축소하였다. 이후 각 식사 유형(아침·점심·저녁)별로 528~686개의 대표 식품과 39,000~43,000개의 식사 데이터를 남겨 학습에 사용했다. **식사 군집화(아키타입 정의)** 각 식사는 영양 성분(대·미량 영양소, 에너지 밀도 등)과 카테고리별 중량(곡물·과일·채소·유제품·가공식품·음료 등)을 결합한 고차원 벡터로 표현하고, Z‑스코어 정규화 후 HDBSCAN을 적용했다. 클러스터는 FDR‑보정된 차이 검정으로 의미 있는 특징을 검증했으며, 절대 평균 차이 ≥ 0.10, 효과 크기 |Δ| ≥ 0.20을 만족하는 34개의 해석 가능한 아키타입을 도출했다. 예시로는 “Cereal Bowls”, “Sandwich Lunches”, “Pizza Dinners” 등이 있다. **조건부 변분 오토인코더(CVAE) 기반 식사 생성** CVAE는 두 가지 조건(클러스터 라벨, 칼로리 밴드)을 FiLM 레이어로 인코더·디코더에 주입한다. 디코더는 각 식품에 대한 존재 확률을 출력하고, 이를 이진 벡터로 변환해 식사 구성을 만든다. 모델 학습은 5‑fold 교차검증으로 안정성을 확인했으며, 생성된 식사는 실제 식사와 높은 코사인 유사도를 보였다. **RDI‑per‑kcal 포션 최적화** 생성된 식사의 각 식품에 대해 kcal당 목표 영양 밀도(USDA RDI)와 실제 밀도의 로그₂ 차이를 최소화하는 목적 함수를 정의했다. 제약 조건으로는 총 중량 ≤ 900 g, 음료 kcal 비율 ≤ 25 %, 개별 식품 gram‑level 상한 등을 두어 현실성을 확보했다. 최적화는 선형/비선형 프로그래밍 기법으로 구현되었다. **식품 교체 최적화** ‘대체 가능성 그래프’를 사전 학습해 식품 간 교체 가능성을 정량화했다. 교체 후보는 (i) 영양 편차 감소량, (ii) 비용 변화(소매 가격 데이터 기반) 두 축을 고려해 스코어링한다. 1‑hop(한 품목 교체)부터 3‑hop까지 탐색했으며, 비용‑이득 프론티어에서 최적 교체 조합을 선택했다. **평가 지표 및 실험 결과** - **영양 적합도**: MAR(Mean Adequacy Ratio)와 AMDR 복합 점수에서 생성 식사가 실제 식사 대비 평균 7.8 %~51.3 % (식사 유형별) 향상. 전체 RDI 편차 평균 47 % 감소. - **다양성**: Hill 다양성 지수와 에너지 밀도에서 유의미한 차이 없으며, 실제 식사와 유사한 분포 유지. - **비용 효율성**: 1‑hop 교체 시 영양 5.7 % 향상·비용 19.4 % 절감, 3‑hop에서는 영양 10.7 %·비용 32.9 % 절감. - **LLM 대비 성능**: 동일 34개 클러스터에서 3,400개 식사를 GPT‑4o와 비교했을 때, AMDR 준수율 18.9 % vs 11.9 %로 우위, 다만 다양성은 GPT‑4o가 84 %로 약간 앞섰다. **시사점 및 한계** 본 프레임워크는 “최소 교체”라는 실용적 제약 하에 영양 기준을 충족하는 식사를 자동 생성·수정함으로써, 임상 의사결정 지원, 공공 보건 프로그램, 소비자 앱 등에 바로 적용 가능함을 보여준다. 그러나 현재는 맛·선호도, 문화적 식습관, 지역별 가격 변동 등을 반영하지 않았으며, 가격 데이터는 평균값에 기반해 실제 구매 비용을 완전히 대변하지 못한다. 향후 연구에서는 사용자 피드백을 통한 다목적 최적화, 실시간 가격·재고 데이터 연동, 그리고 LLM 기반 인터랙티브 설계와의 하이브리드 모델을 탐색할 필요가 있다. **결론** 조건부 생성 모델과 포션 최적화를 결합한 이 시스템은 기존 식단 추천 방식보다 영양 적합도와 비용 효율성에서 현저히 우수하며, 최소 1~3개의 식품 교체만으로도 평균 10 % 이상의 영양 개선과 20~30 % 비용 절감을 달성한다. 이는 개인 맞춤형 영양 관리와 대규모 공공 보건 개입 모두에 실질적인 가치를 제공한다.