AI paljastab, kui palju peidetud suhkrut on pakendatud toiduainetes kogu maailmas

AI paljastab, kui palju peidetud suhkrut on pakendatud toiduainetes kogu maailmas

Murranguline algoritm paljastab, kui palju varjatud suhkrut teie toitudes varitseb – ja näitab, millised riigid ja tooted tabavad tervislike süsivesikute märki.

Süsivesikud moodustavad ligikaudu 70% päevasest energiatarbimisest keskmise inimese toitumises kogu maailmas. Süsivesikute kvaliteedi tähtsus jääb aga sageli nende koguse varju. Hiljuti ajakirjas avaldatud uuringusPiirangud toitumisesEuroopa uurimisrühm töötas välja algoritmi vaba suhkru sisalduse ennustamiseks pakendatud toiduainetes, mis annab ülevaate süsivesikute kvaliteedist kogu maailmas.

Süsivesikud toidus

Süsivesikud on oluline energiaallikas ja mängivad ülemaailmses toitumises üliolulist rolli. Kui toitumisalased arutelud keskenduvad sageli süsivesikute kogusele, siis süsivesikute kvaliteet on hea tervise säilitamiseks sama oluline. Teaduslikud tõendid näitavad, et süsivesikute kvaliteet mõjutab ainevahetust ja krooniliste haiguste riski.

Üks vahend süsivesikute kvaliteedi hindamiseks on süsivesikute kvaliteedisuhe (CQR), mis hindab süsivesikute, kiudainete ja vabade suhkrute tasakaalu toiduainetes. See suhe annab vähemalt 1 grammi kiudaineid 10 grammi süsivesikute üldkoguse kohta ja mitte rohkem kui 2 grammi vabu suhkruid 1 grammi kiudainete kohta. See suhe aitab eristada toiteväärtuslikke toite neist, mis võivad kaasa aidata halbadele tervisetulemustele.

Siiski on endiselt väljakutseks pakendatud toiduainete vaba suhkru sisalduse täpne määramine. Vaid vähesed riigid nõuavad täiendavate suhkrute selgesõnalist märgistamist, mis piirab läbipaistvust tarbijate ja teadlaste jaoks. Maailma Terviseorganisatsiooni (WHO) määratletud vabad suhkrud hõlmavad nii lisatud suhkruid kui ka looduslikult esinevaid suhkruid mees, siirupites ja puuviljamahlades, samas kui FDA määratleb lisatud suhkrud ainult töötlemise käigus lisatavate suhkrutena. See teabe puudumine takistab jõupingutusi süsivesikute kvaliteedi tõhusaks hindamiseks, mistõttu on raske teha teadlikke toitumisotsuseid ja uurida süsivesikute tarbimise mõju tervisele.

Uuringu kohta

Algoritm seadis esikohale etiketil esimesena loetletud koostisosad, kuna toidutootjad tellivad koostisosi sageli kaalu järgi, andes vihjeid suhkru domineerimise kohta toote koostises.

Käesolevas uuringus töötasid teadlased välja algoritmi vabade suhkrute ennustamiseks pakendatud toiduainetes kogu maailmas, kõrvaldades kriitilise teadmiste lünka süsivesikute kvaliteedis. Nad kasutasid Minteli Global New Products Database (GNPD) andmeid, mis sisaldavad ulatuslikku teavet 86 riigi pakendatud toiduainete kohta, sealhulgas toiteväärtuse ja koostisosade loendeid.

Enne analüüsimist puhastas ja standardiseeris meeskond andmed hoolikalt, et tagada järjepidevus. Oluline samm hõlmas koostisosade käsitsi kureerimist ja märgistamist regulaaravaldistega, et klassifitseerida need lisatud või looduslikult esinevateks suhkruteks – eristus, mis oli vaba suhkru sisalduse täpseks hindamiseks hädavajalik.

Ennustavate mudelite loomiseks kasutasid teadlased masinõppe tehnikaid. Nad koolitasid oma mudeleid Ameerika Ühendriikide (USA) andmete põhjal ja testisid ametlikult nende toimivust 14 valitud riigis, rakendades samal ajal mudeleid veel 81 riigi toodetele. Mudelid analüüsisid tootemärgiseid, võttes arvesse kuut esimest koostisosa, mis klassifitseeriti lisatud suhkrute, puuviljade või piimatoodetena, ning üksikasjalikku toitumisalast teavet, nagu energiasisaldus, rasvad, süsivesikud, kiudained, valgud, suhkur ja naatrium.

Torujuhe sisaldas kolme binaarset klassifikaatorit täiendavate suhkrute olemasolu tuvastamiseks ja puupõhiseid virnastatud regressioonimudeleid nende koguse hindamiseks. Lisaks kasutati vabade suhkrute hinnangutena prognoositavaid lisatud suhkru tasemeid, välja arvatud teatud toidukategooriad, nagu mahlajoogid ja suhkrumaiustused, kus üldsuhkruid kasutati otseselt nende ainulaadsete suhkruprofiilide tõttu.

Lõpuks rakendati mudeleid toodetele ilma selgesõnaliste täiendavate suhkruselgitusteta, et ennustada süsivesikute koostist. Süsivesikute kvaliteeti hinnati eelnevalt määratletud süsivesikute, kiudainete ja vabade suhkrute suhtega 10:1 kuni 1:2.

Peamised leiud

Taimsed piima alternatiivid (nt kaera- või mandlijoogid) näitasid üllatavalt kõrget vastavust süsivesikute kvaliteedistandarditele, edestades paljusid piimapõhiseid tooteid kogu maailmas.

Uuring näitas, et masinõppemudelid näitasid pakendatud toiduainete vaba suhkrusisalduse ennustamisel suurt täpsust. Katsekomplekti keskmine absoluutviga oli 0,96 g/100 g, mis näitab suhteliselt väikest keskmist erinevust prognoositud ja deklareeritud väärtuste vahel.

Lisaks saavutas mudel prognoositud ja deklareeritud väärtuste vahel kõrge R² 0,98, ületades varasemaid mudeleid, nagu K-Lähimad naabrid, millel oli palju suurem veamäär, kinnitades ennustuste usaldusväärsust. Nimelt ei piirdunud mudeli ennustamisvõimalused ainult Ameerika Ühendriikidega. Uurijad leidsid, et mudel toimis täpselt, kui seda ametlikult testiti 14 riigis ja seda rakendati veel 81 riigis, rõhutades selle ülemaailmset rakendatavust.

Uuringus uuriti ka nende toiduainete osakaalu, mis vastasid sihtsüsivesikute kvaliteedisuhtele ja näitasid olulist erinevust nii toiduainete kui ka toiduriikide lõikes. Ameerika Ühendriikides varieerusid süsivesikute kvaliteedi suhtega tooted märkimisväärselt, ulatudes suhteliselt kõrgest 60%-st kuumade teraviljade puhul kuni 0%-ni maitsestatud piimade ja linnasejookide puhul. See lai valik näitas süsivesikute kvaliteedi mitmekesisust isegi ühes riigis.

Šokolaadimaitselised tooted (nagu teravilja- või snäkibatoonid) olid ühed kõige hullemad rikkujad, kusjuures 95% neist ei saavutanud seatud suhet liigsete vabade suhkrute ja vähese kiudainesisalduse tõttu.

Kui vaadelda kõiki toidukategooriaid, siis sihtsuhtele vastavate toodete protsent ulatus Ühendkuningriigis 67%-st, mis vastab suhteliselt kõrgele kvaliteedistandardile, kuni 9,8%-ni Malaisias, mis näitab, et soovitud süsivesikute kvaliteedile vastavate toodete osakaal on oluliselt väiksem.

Eelkõige põhjustasid taimsed joogid – erinevalt enamikust joogikategooriatest – nende suurema kiudainesisalduse ja madalama suhkrusisalduse tõttu suhteliselt kõrget järgimist süsivesikute kvaliteedisuhetest erinevates riikides.

Siiski tunnistasid teadlased, et konkreetsete riikide prognooside täpsust võivad teatud määral piirata valimite väikesed suurused, mis võib mõjutada tulemuste üldistavust nendele konkreetsetele piirkondadele.

Lisaks viisid autorid läbi Z-testid, milles võrreldi ennustatud ja deklareeritud vaba suhkru taset 18 toidukategoorias Ameerika Ühendriikides ning leidsid statistiliselt olulisi erinevusi, mis kinnitavad mudeli tugevust.

Diplom

Kokkuvõtteks võib öelda, et uuring arendas ja valideeris edukalt masinõppel põhineva meetodi pakendatud toiduainete vaba suhkrusisalduse ennustamiseks suuremahulise ülemaailmse andmebaasi abil. See täielikult automatiseeritud ja skaleeritav lähenemisviis näitas suurt täpsust kõigis riikides ja toidukategooriates ning seda saab laiendada teistele andmebaasidele ja toitainete mõõdikutele, mis nõuavad tasuta suhkru hinnanguid.

Prognoositavad vaba suhkru tasemed võivad parandada ka toitainete profiilide koostamise süsteeme, nagu Nutri-Score, mis praegu sõltuvad piiratud märgistamisnõuete tõttu üldsuhkrutest.

See uuenduslik metoodiline lähenemine pakkus väärtuslikku ja võimsat vahendit süsivesikute kvaliteedi jälgimiseks ja hindamiseks ülemaailmses toiduvarus ning andis olulisi teadmisi rahvatervise ja toitumisnõustamise algatuste kohta.

Allikad: