يكشف الذكاء الاصطناعي عن كمية السكر المخفية في الأطعمة المعلبة في جميع أنحاء العالم

يكشف الذكاء الاصطناعي عن كمية السكر المخفية في الأطعمة المعلبة في جميع أنحاء العالم

تكشف خوارزمية رائدة عن مقدار السكر المخفي الكامن في الأطعمة التي تتناولها - وتُظهر البلدان والمنتجات التي حققت علامة الكربوهيدرات الصحية.

تساهم الكربوهيدرات بحوالي 70% من استهلاك الطاقة اليومي في متوسط ​​النظام الغذائي البشري في جميع أنحاء العالم. ومع ذلك، غالبًا ما تطغى كمية الكربوهيدرات على أهمية جودة الكربوهيدرات. وفي دراسة نشرت مؤخرا في المجلةحدود في التغذيةقام فريق بحث أوروبي بتطوير خوارزمية للتنبؤ بمحتوى السكر الحر في الأطعمة المعبأة، مما يوفر نظرة ثاقبة حول جودة الكربوهيدرات على نطاق عالمي.

الكربوهيدرات في النظام الغذائي

تعتبر الكربوهيدرات مصدرًا مهمًا للطاقة وتلعب دورًا حاسمًا في التغذية العالمية. في حين أن المناقشات حول التغذية تركز في كثير من الأحيان على كمية الكربوهيدرات، فإن جودة الكربوهيدرات لها نفس القدر من الأهمية للحفاظ على صحة جيدة. تظهر الأدلة العلمية أن نوعية الكربوهيدرات تؤثر على وظيفة التمثيل الغذائي وخطر الإصابة بالأمراض المزمنة.

إحدى أدوات تقييم جودة الكربوهيدرات هي نسبة جودة الكربوهيدرات (CQR)، التي تقيم توازن إجمالي الكربوهيدرات والألياف والسكريات الحرة في الأطعمة. تعطي هذه النسبة ما لا يقل عن 1 جرام من الألياف الغذائية لكل 10 جرام من إجمالي الكربوهيدرات وما لا يزيد عن 2 جرام من السكريات الحرة لكل 1 جرام من الألياف. تساعد هذه النسبة على تمييز الأطعمة المغذية عن تلك التي قد تساهم في نتائج صحية سيئة.

ومع ذلك، فإن التحديد الدقيق لمحتوى السكر الحر في الأطعمة المعلبة لا يزال يمثل تحديًا. ولا يتطلب سوى عدد قليل من البلدان وضع علامات واضحة على السكريات الإضافية، مما يحد من الشفافية بالنسبة للمستهلكين والباحثين. تشمل السكريات الحرة التي حددتها منظمة الصحة العالمية (WHO) السكريات المضافة وكذلك السكريات الطبيعية الموجودة في العسل والعصائر وعصائر الفاكهة، بينما تعرف إدارة الغذاء والدواء الأمريكية السكريات المضافة بأنها تلك التي يتم إدخالها أثناء المعالجة فقط. هذا النقص في المعلومات يعيق الجهود المبذولة لتقييم جودة الكربوهيدرات بشكل فعال، مما يجعل من الصعب اتخاذ قرارات غذائية مستنيرة ودراسة آثار استهلاك الكربوهيدرات على الصحة.

حول الدراسة

أعطت الخوارزمية الأولوية للمكونات المدرجة أولاً على الملصقات لأن مصنعي المواد الغذائية غالبًا ما يطلبون المكونات حسب الوزن، مما يوفر أدلة حول هيمنة السكر في تركيبة المنتج.

في هذه الدراسة، طور الباحثون خوارزمية للتنبؤ بالسكريات الحرة في الأطعمة المعبأة في جميع أنحاء العالم، مما يعالج فجوة معرفية حرجة في جودة الكربوهيدرات. واستخدموا بيانات من قاعدة بيانات مينتل العالمية للمنتجات الجديدة (GNPD)، والتي تحتوي على معلومات شاملة عن الأطعمة المعلبة من 86 دولة، بما في ذلك التركيب الغذائي وقوائم المكونات.

قبل التحليل، قام الفريق بتنظيف البيانات وتوحيدها بدقة لضمان الاتساق. تضمنت الخطوة الحاسمة تنظيم المكونات يدويًا ووضع علامات عليها باستخدام تعبيرات عادية لتصنيفها على أنها سكريات مضافة أو سكريات طبيعية - وهو التمييز الذي كان ضروريًا لتقدير محتوى السكر الحر بدقة.

ولبناء نماذج تنبؤية، استخدم الباحثون تقنيات التعلم الآلي. وقاموا بتدريب نماذجهم باستخدام بيانات من الولايات المتحدة واختبروا أدائهم رسميًا في 14 دولة مختارة، مع تطبيق النماذج على منتجات من 81 دولة إضافية. قامت النماذج بتحليل ملصقات المنتجات مع الأخذ في الاعتبار المكونات الستة الأولى المصنفة على أنها سكريات مضافة أو فواكه أو منتجات ألبان، بالإضافة إلى معلومات غذائية مفصلة مثل محتوى الطاقة والدهون والكربوهيدرات والألياف والبروتين والسكر والصوديوم.

تضمن خط الأنابيب ثلاثة مصنفات ثنائية للكشف عن وجود سكريات إضافية ونماذج الانحدار المكدسة القائمة على الأشجار لتقدير كميتها. بالإضافة إلى ذلك، تم استخدام مستويات السكر المضافة المتوقعة كتقديرات للسكريات الحرة، باستثناء فئات غذائية معينة مثل مشروبات العصير والحلويات السكرية، حيث تم استخدام إجمالي السكريات مباشرة بسبب خصائص السكر الفريدة الخاصة بها.

وأخيرًا، تم تطبيق النماذج على المنتجات التي لا تحتوي على تفسيرات إضافية واضحة للسكر للتنبؤ بتركيبة الكربوهيدرات. تم تقييم جودة الكربوهيدرات باستخدام نسبة 10:1 إلى 1:2 محددة مسبقًا من الكربوهيدرات والألياف والسكريات الحرة.

النتائج الرئيسية

أظهرت بدائل الحليب النباتية (مثل مشروبات الشوفان أو اللوز) امتثالًا عاليًا بشكل مدهش لمعايير جودة الكربوهيدرات، متفوقة على العديد من منتجات الألبان في جميع أنحاء العالم.

ووجدت الدراسة أن نماذج التعلم الآلي أظهرت مستوى عالٍ من الدقة في التنبؤ بمحتوى السكر الحر في الأطعمة المعبأة. تم حساب متوسط ​​الخطأ المطلق لمجموعة الاختبار ليكون 0.96 جم/100 جم، مما يشير إلى اختلاف متوسط ​​صغير نسبيًا بين القيم المتوقعة والمعلنة.

بالإضافة إلى ذلك، حقق النموذج قيمة R² عالية تبلغ 0.98 بين القيم المتوقعة والمعلنة، متفوقًا على النماذج السابقة مثل K-Nearest Neighbors، التي كان لديها معدل خطأ أعلى بكثير، مما يؤكد موثوقية التنبؤات. والجدير بالذكر أن القدرات التنبؤية للنموذج لم تقتصر على الولايات المتحدة. ووجد الباحثون أن أداء النموذج كان دقيقًا عند اختباره رسميًا في 14 دولة وتم تطبيقه في 81 دولة إضافية، مما يسلط الضوء على إمكانية تطبيقه عالميًا.

وفحصت الدراسة أيضًا نسبة المنتجات الغذائية التي حققت نسبة الجودة للكربوهيدرات المستهدفة وأظهرت تباينًا كبيرًا بين الأطعمة والبلدان الغذائية. في الولايات المتحدة، تباينت المنتجات التي تصل نسبة جودة الكربوهيدرات بشكل كبير، حيث تراوحت بين نسبة عالية نسبيًا 60% للحبوب الساخنة إلى 0% للحليب المنكه ومشروبات الشعير. أظهر هذا النطاق الواسع تنوع جودة الكربوهيدرات حتى في بلد واحد.

وكانت المنتجات بنكهة الشوكولاتة (مثل الحبوب أو ألواح الوجبات الخفيفة) من بين أسوأ المنتجات الضارة، حيث فشل 95% منها في تحقيق النسبة المستهدفة بسبب الإفراط في تناول السكريات الحرة وانخفاض الألياف.

عند النظر إلى جميع فئات الأغذية، تراوحت النسبة المئوية للمنتجات التي تلبي النسبة المستهدفة من 67% في المملكة المتحدة، وهو ما يمثل مستوى مرتفع نسبيًا من الامتثال لمعايير الجودة، إلى 9.8% في ماليزيا، مما يشير إلى نسبة أقل بكثير من المنتجات التي تلبي جودة الكربوهيدرات المطلوبة.

والجدير بالذكر أن المشروبات النباتية - على عكس معظم فئات المشروبات - أدت إلى التزام عالٍ نسبيًا بنسب جودة الكربوهيدرات في جميع البلدان بسبب محتواها العالي من الألياف وانخفاض محتواها من السكر.

ومع ذلك، أقر الباحثون بأن دقة التنبؤات الخاصة ببلدان معينة قد تكون محدودة إلى حد ما بسبب أحجام العينات الصغيرة، مما قد يؤثر على إمكانية تعميم النتائج على هذه المناطق المحددة.

بالإضافة إلى ذلك، أجرى المؤلفون اختبارات Z لمقارنة مستويات السكر الحر المتوقعة والمعلنة عبر 18 فئة غذائية في الولايات المتحدة، ووجدوا اختلافات ذات دلالة إحصائية، مما يؤكد قوة النموذج.

دبلوم

باختصار، نجحت الدراسة في تطوير والتحقق من صحة طريقة تعتمد على التعلم الآلي للتنبؤ بمحتوى السكر الحر في الأطعمة المعبأة باستخدام قاعدة بيانات عالمية واسعة النطاق. وقد أظهر هذا النهج المؤتمت بالكامل والقابل للتطوير دقة كبيرة عبر البلدان وفئات الأغذية، ويمكن توسيعه ليشمل قواعد البيانات ومقاييس المغذيات الأخرى التي تتطلب تقديرات مجانية للسكر.

يمكن لمستويات السكر الحر المتوقعة أيضًا تحسين أنظمة تحديد العناصر الغذائية مثل Nutri-Score، والتي تعتمد حاليًا على إجمالي السكريات بسبب متطلبات وضع العلامات المحدودة.

قدم هذا النهج المنهجي المبتكر أداة قيمة وقوية لرصد وتقييم جودة الكربوهيدرات في الإمدادات الغذائية العالمية وقدم رؤى مهمة لمبادرات الصحة العامة والمشورة الغذائية.

مصادر: