La IA revela cuánta azúcar oculta hay en los alimentos envasados ​​en todo el mundo

La IA revela cuánta azúcar oculta hay en los alimentos envasados ​​en todo el mundo

Un algoritmo innovador revela cuánta azúcar oculta se esconde en sus alimentos y muestra qué países y productos dan en el blanco de los carbohidratos saludables.

Los carbohidratos aportan aproximadamente el 70% de la ingesta energética diaria en la dieta humana promedio en todo el mundo. Sin embargo, la importancia de la calidad de los carbohidratos a menudo queda eclipsada por su cantidad. En un estudio publicado recientemente en la revistaLímites en la nutriciónUn equipo de investigación europeo desarrolló un algoritmo para predecir el contenido de azúcar libre en alimentos envasados, proporcionando información sobre la calidad de los carbohidratos a escala global.

Carbohidratos en la dieta.

Los carbohidratos son una fuente importante de energía y desempeñan un papel crucial en la nutrición global. Si bien las discusiones sobre nutrición a menudo se centran en la cantidad de carbohidratos, la calidad de los carbohidratos es igualmente importante para mantener una buena salud. La evidencia científica demuestra que la calidad de los carbohidratos influye en la función metabólica y el riesgo de enfermedades crónicas.

Una herramienta para evaluar la calidad de los carbohidratos es el índice de calidad de los carbohidratos (CQR), que evalúa el equilibrio de los carbohidratos totales, la fibra y los azúcares libres en los alimentos. Esta proporción proporciona al menos 1 gramo de fibra dietética por cada 10 gramos de carbohidratos totales y no más de 2 gramos de azúcares libres por 1 gramo de fibra. Esta proporción ayuda a distinguir los alimentos nutricionales de aquellos que pueden contribuir a malos resultados de salud.

Sin embargo, determinar con precisión el contenido de azúcar libre en los alimentos envasados ​​sigue siendo un desafío. Sólo unos pocos países exigen un etiquetado explícito de los azúcares adicionales, lo que limita la transparencia para consumidores e investigadores. Los azúcares libres definidos por la Organización Mundial de la Salud (OMS) incluyen azúcares agregados, así como azúcares naturales en la miel, jarabes y jugos de frutas, mientras que la FDA define los azúcares agregados como solo aquellos introducidos durante el procesamiento. Esta falta de información obstaculiza los esfuerzos para evaluar eficazmente la calidad de los carbohidratos, lo que dificulta tomar decisiones dietéticas informadas y estudiar los efectos del consumo de carbohidratos en la salud.

Sobre el estudio

El algoritmo dio prioridad a los ingredientes enumerados primero en las etiquetas porque los fabricantes de alimentos a menudo ordenan los ingredientes por peso, lo que proporciona pistas sobre el predominio del azúcar en la composición de un producto.

En el presente estudio, los investigadores desarrollaron un algoritmo para predecir los azúcares libres en los alimentos envasados ​​en todo el mundo, abordando una brecha crítica de conocimiento sobre la calidad de los carbohidratos. Utilizaron datos de la Base de datos global de nuevos productos (GNPD) de Mintel, que contiene información extensa sobre alimentos envasados ​​de 86 países, incluida la composición nutricional y listas de ingredientes.

Antes del análisis, el equipo limpió y estandarizó meticulosamente los datos para garantizar la coherencia. Un paso crucial implicó seleccionar y etiquetar manualmente los ingredientes con expresiones regulares para clasificarlos como azúcares añadidos o naturales, una distinción que era esencial para estimar con precisión el contenido de azúcar libre.

Para construir modelos predictivos, los investigadores utilizaron técnicas de aprendizaje automático. Entrenaron sus modelos utilizando datos de Estados Unidos (EE. UU.) y probaron formalmente su desempeño en 14 países seleccionados, mientras aplicaban los modelos a productos de 81 países adicionales. Los modelos analizaron las etiquetas de los productos teniendo en cuenta los seis primeros ingredientes clasificados como azúcares añadidos, frutas o lácteos, así como información nutricional detallada como contenido energético, grasas, carbohidratos, fibra, proteínas, azúcar y sodio.

El proyecto incluía tres clasificadores binarios para detectar la presencia de azúcares adicionales y modelos de regresión apilados basados ​​en árboles para estimar su cantidad. Además, los niveles previstos de azúcar añadido se utilizaron como estimaciones de azúcares libres, con la excepción de ciertas categorías de alimentos, como bebidas de jugo y dulces, donde los azúcares totales se usaron directamente debido a sus perfiles de azúcar únicos.

Finalmente, los modelos se aplicaron a productos sin explicaciones adicionales explícitas sobre el azúcar para predecir la composición de carbohidratos. La calidad de los carbohidratos se evaluó utilizando una proporción predefinida de 10:1 a 1:2 de carbohidratos, fibra y azúcares libres.

Hallazgos clave

Las alternativas a la leche de origen vegetal (por ejemplo, bebidas de avena o almendras) demostraron un cumplimiento sorprendentemente alto de los estándares de calidad de los carbohidratos, superando a muchos productos lácteos en todo el mundo.

El estudio encontró que los modelos de aprendizaje automático demostraron un alto nivel de precisión en la predicción del contenido de azúcar libre en los alimentos envasados. Se calculó que el error absoluto medio para el conjunto de prueba fue de 0,96 g/100 g, lo que indica una diferencia promedio relativamente pequeña entre los valores previstos y declarados.

Además, el modelo logró un alto R² de 0,98 entre los valores predichos y declarados, superando a modelos anteriores como K-Nearest Neighbors, que tenía una tasa de error mucho mayor, lo que confirma la confiabilidad de las predicciones. En particular, las capacidades predictivas del modelo no se limitaron a Estados Unidos. Los investigadores descubrieron que el modelo funcionó con precisión cuando se probó formalmente en 14 países y se aplicó en 81 países adicionales, destacando su aplicabilidad global.

El estudio también examinó la proporción de productos alimenticios que cumplían con la proporción de calidad de los carbohidratos objetivo y mostró una variación significativa tanto entre los alimentos como entre los países alimentarios. En Estados Unidos, los productos que alcanzaron la proporción de calidad de carbohidratos variaron significativamente, desde un relativamente alto 60% para los cereales calientes hasta el 0% para leches saborizadas y bebidas de malta. Esta amplia gama demostró la diversidad de la calidad de los carbohidratos incluso en un solo país.

Los productos con sabor a chocolate (como cereales o barras de snack) se encontraban entre los peores: el 95% no cumplió con la proporción objetivo debido al exceso de azúcares libres y el bajo contenido de fibra.

Al observar todas las categorías de alimentos, el porcentaje de productos que cumplieron con la proporción objetivo osciló entre el 67% en el Reino Unido, lo que representa un nivel relativamente alto de cumplimiento del estándar de calidad, y el 9,8% en Malasia, lo que indica una proporción significativamente menor de productos que cumplen con la calidad de carbohidratos deseada.

En particular, las bebidas de origen vegetal, a diferencia de la mayoría de las categorías de bebidas, indujeron una adherencia relativamente alta a los índices de calidad de los carbohidratos en todos los países debido a su mayor contenido de fibra y menor contenido de azúcar.

Sin embargo, los investigadores reconocieron que la precisión de las predicciones para países específicos puede verse limitada hasta cierto punto por tamaños de muestra pequeños, lo que podría afectar potencialmente la generalización de los resultados a estas regiones específicas.

Además, los autores realizaron pruebas Z comparando los niveles de azúcar libre previstos y declarados en 18 categorías de alimentos en los Estados Unidos y encontraron diferencias estadísticamente significativas, lo que confirma la solidez del modelo.

Diploma

En resumen, el estudio desarrolló y validó con éxito un método basado en aprendizaje automático para predecir el contenido de azúcar libre en alimentos envasados ​​utilizando una base de datos global a gran escala. Este enfoque totalmente automatizado y escalable demostró una gran precisión en todos los países y categorías de alimentos y puede ampliarse a otras bases de datos y métricas de nutrientes que requieren estimaciones de azúcar libre.

Los niveles de azúcar libre previstos también podrían mejorar los sistemas de perfiles de nutrientes como Nutri-Score, que actualmente dependen de los azúcares totales debido a requisitos limitados de etiquetado.

Este enfoque metodológico innovador proporcionó una herramienta valiosa y poderosa para monitorear y evaluar la calidad de los carbohidratos en el suministro mundial de alimentos y proporcionó información importante para las iniciativas de asesoramiento nutricional y de salud pública.

Fuentes: