KI enthüllt, wie viel versteckter Zucker in verpackten Lebensmitteln weltweit ist

Ein bahnbrechender Algorithmus zeigt, wie viel versteckter Zucker in Ihren Lebensmitteln lauert – und zeigt, welche Länder und Produkte die Marke für gesunde Kohlenhydrate treffen.

Kohlenhydrate tragen bei der durchschnittlichen menschlichen Ernährung weltweit ungefähr 70% zur täglichen Energieaufnahme bei. Die Bedeutung der Kohlenhydratqualität wird jedoch oft durch ihre Menge überschattet. In einer kürzlich im Journal veröffentlichten Studie Grenzen in der ErnährungEin europäisches Forschungsteam entwickelte einen Algorithmus zur Vorhersage des kostenlosen Zuckergehalts in verpackten Lebensmitteln und lieferte Einblicke in die Kohlenhydratqualität in globaler Ebene.

Kohlenhydrate in der Ernährung

Kohlenhydrate sind eine wichtige Energiequelle und spielen eine entscheidende Rolle bei der globalen Ernährung. Während sich Diskussionen über die Ernährung häufig auf die Menge der Kohlenhydrate konzentrieren, ist die Qualität der Kohlenhydrate gleichermaßen wichtig für die Aufrechterhaltung einer guten Gesundheit. Wissenschaftliche Erkenntnisse zeigen, dass die Qualität von Kohlenhydraten die Stoffwechselfunktion und das Risiko chronischer Krankheiten beeinflusst.

Ein Tool zur Beurteilung der Kohlenhydratqualität ist das Kohlenhydratqualitätsverhältnis (CQR), das das Gleichgewicht von Gesamtkohlenhydraten, Ballaststoffen und kostenlosen Zuckern in Lebensmitteln bewertet. Dieses Verhältnis gibt mindestens 1 Gramm diätetischer Ballaststoffe pro 10 Gramm Gesamtkohlenhydrate und nicht mehr als 2 Gramm freier Zucker pro 1 Gramm Faser. Dieses Verhältnis hilft, ernährungsphysiologische Lebensmittel von denen zu unterscheiden, die zu schlechten gesundheitlichen Ergebnissen beitragen können.

Die genaue Bestimmung des kostenlosen Zuckergehalts in verpackten Lebensmitteln bleibt jedoch eine Herausforderung. Nur wenige Länder erfordern eine explizite Kennzeichnung zusätzlicher Zucker und begrenzen die Transparenz für Verbraucher und Forscher. Zu den von der Weltgesundheitsorganisation (WHO) definierten freien Zucker gehören zusätzliche Zucker sowie natürlich vorkommende Zucker in Honig, Sirupen und Fruchtsäften, während die FDA zusätzliche Zucker als nur diejenigen definiert, die während der Verarbeitung eingeführt wurden. Dieser Mangel an Informationen behindert die Bemühungen zur effektiven Bewertung der Kohlenhydratqualität, wodurch es schwierig ist, fundierte Ernährungsentscheidungen zu treffen und die Auswirkungen des Kohlenhydratkonsums auf die Gesundheit zu untersuchen.

Über die Studie

Der Algorithmus priorisierte die Zutaten, die zuerst auf Etiketten aufgeführt sind, da Lebensmittelhersteller häufig Bestandteile zu Gewicht bestellen und Hinweise auf die Zuckerdominanz in der Komposition eines Produkts geben.

In der vorliegenden Studie entwickelten die Forscher einen Algorithmus zur Vorhersage freier Zucker in verpackten Lebensmitteln weltweit, die sich mit einer kritischen Wissenslücke in der Kohlenhydratqualität befassen. Sie verwendeten Daten aus der Mintel Global New Products Database (GNPD), die umfangreiche Informationen zu verpackten Lebensmitteln aus 86 Ländern enthält, einschließlich Nährstoffzusammensetzung und Zutatenlisten.

Vor der Analyse reinigte und standardisierte das Team die Daten akribisch und standardisierte die Daten, um eine Konsistenz zu gewährleisten. Ein entscheidender Schritt beinhaltete die manuell kuratierte und markierte Zutaten mit regelmäßigen Ausdrücken, um sie als zusätzliche oder natürlich vorkommende Zucker zu klassifizieren – eine Unterscheidung, die für die genaue Schätzung des freien Zuckergehalts unerlässlich war.

Um Vorhersagemodelle aufzubauen, verwendeten die Forscher Techniken zum maschinellen Lernen. Sie schulten ihre Modelle mit Daten aus den USA (USA) und testeten ihre Leistung in 14 ausgewählten Ländern offiziell, während sie die Modelle auf Produkte aus 81 zusätzlichen Ländern anwenden. Die Modelle analysierten Produktetiketten unter Berücksichtigung der ersten sechs Zutaten, die als zugesetzte Zucker, Früchte oder Milchprodukte eingestuft wurden, sowie detaillierte Ernährungsinformationen wie Energiegehalt, Fette, Kohlenhydrate, Faser, Protein, Zucker und Natrium.

Die Pipeline umfasste drei binäre Klassifizierer, um das Vorhandensein zusätzlicher Zucker und gestapelte Regressionsmodelle auf Baumbasis zu erkennen, um ihre Menge abzuschätzen. Darüber hinaus wurden vorhergesagte zugesetzte Zuckerwerte als Schätzungen von freiem Zucker verwendet, mit Ausnahme bestimmter Lebensmittelkategorien wie Saftgetränke und Zucker -Süßwaren, bei denen der Gesamtzucker aufgrund ihrer einzigartigen Zuckerprofile direkt verwendet wurde.

Schließlich wurden die Modelle auf Produkte ohne explizit zusätzliche Zuckererklärungen angewendet, um die Kohlenhydratzusammensetzung vorherzusagen. Die Kohlenhydratqualität wurde unter Verwendung eines vordefinierten 10: 1 bis 1: 2 -Verhältnisses von Kohlenhydraten, Ballaststoffen und freiem Zucker bewertet.

Schlüsselergebnisse

Milchalternativen auf pflanzlicher Basis (z. B. Hafer oder Mandelgetränke) zeigten überraschend hohe Einhaltung mit Kohlenhydratqualitätsstandards und übertrafen viele Produkte auf Milchprodukten weltweit.

Die Studie ergab, dass die Modelle für maschinelles Lernen ein hohes Maß an Genauigkeit bei der Vorhersage des freien Zuckergehalts in verpackten Lebensmitteln zeigten. Der mittlere absolute Fehler für den Testsatz wurde mit 0,96 g/100 g berechnet, was auf eine relativ geringe durchschnittliche Differenz zwischen den vorhergesagten und deklarierten Werten hinweist.

Darüber hinaus erreichte das Modell einen hohen R² von 0,98 zwischen vorhergesagten und deklarierten Werten und übertroffenen Vorgängermodellen wie K-Nearest-Nachbarn, was eine viel höhere Fehlerrate aufwies, was die Zuverlässigkeit der Vorhersagen bestätigte. Insbesondere waren die Vorhersagekapazitäten des Modells nicht auf die USA beschränkt. Die Forscher stellten fest, dass das Modell genau durchgeführt wurde, wenn sie in 14 Ländern offiziell getestet wurden und in weiteren 81 Ländern angewendet wurden, wodurch seine globale Anwendbarkeit hervorgehoben wurde.

Die Studie untersuchte auch den Anteil der Lebensmittelprodukte, die das Quality -Verhältnis von Zielkohlenhydraten erfüllten und signifikante Variationen sowohl in den Lebensmitteln als auch in den Ländern der Nahrungsmittel aufweisen. In den USA unterschied sich die Produkte, die das Verhältnis von Kohlenhydratqualität treffen, erheblich und reichte von relativ hohen 60% für heiße Getreide bis hin zu 0% für aromatisierte Milch und Malzgetränke. Diese breite Palette zeigte die Vielfalt der Kohlenhydratqualität auch in einem einzigen Land.

Produkte mit Schokoladengeschmack (wie Getreide oder Snackstangen) gehörten zu den schlimmsten Tätern, wobei 95% aufgrund übermäßiger freier Zucker und niedriger Faser das Zielverhältnis nicht erreichten.

Bei der Betrachtung aller Lebensmittelkategorien lag der Prozentsatz der Produkte, die dem Zielverhältnis entspricht, zwischen 67% im Vereinigten Königreich, was eine relativ hohe Einhaltung des Qualitätsstandards auf 9,8% in Malaysia entspricht, was auf einen signifikant geringeren Anteil der Produkte hinweist, die der gewünschten Kohlenhydratqualität entsprechen.

Bemerkenswerterweise veranlassten pflanzliche Getränke-im Gegensatz zu den meisten Getränkekategorien-aufgrund des höheren Fasergehalts und des niedrigeren Zuckergehalts relativ hohe Einhaltung des Verhältnisses der Kohlenhydratqualität in den Ländern.

Die Forscher räumten jedoch ein, dass die Genauigkeit der Vorhersagen für bestimmte Länder in gewissem Maße durch kleine Stichprobengrößen begrenzt werden kann, was möglicherweise die Generalisierbarkeit der Ergebnisse für diese spezifischen Regionen beeinflussen könnte.

Darüber hinaus führten die Autoren Z-Tests durch, die vorhergesagte und deklarierte freie Zuckerwerte in 18 Lebensmittelkategorien in den USA verglichen und deklarierten und statistisch signifikanten Unterschiede feststellten, was die Robustheit des Modells bestätigte.

Abschluss

Zusammenfassend hat die Studie erfolgreich eine maschinell-lernbasierte Methode zur Vorhersage des kostenlosen Zuckergehalts in verpackten Lebensmitteln mithilfe einer großflächigen globalen Datenbank entwickelt und validiert. Dieser vollständig automatisierte und skalierbare Ansatz zeigte eine starke Genauigkeit zwischen Ländern und Lebensmittelkategorien und kann auf andere Datenbanken und Nährstoffmetriken ausgedehnt werden, die kostenlose Zuckerschätzungen erfordern.

Die vorhergesagten freien Zuckerwerte könnten auch Nährstoffprofilierungssysteme wie Nutri-Score verbessern, die derzeit aufgrund der begrenzten Kennzeichnungsanforderungen auf Gesamtzucker beruhen.

Dieser innovative methodische Ansatz lieferte ein wertvolles und leistungsstarkes Instrument zur Überwachung und Bewertung der Kohlenhydratqualität in der globalen Lebensmittelversorgung und lieferte wichtige Einblicke für Initiativen für öffentliche Gesundheit und Ernährungsberatung.

Quellen: