L’IA révèle la quantité de sucre cachée dans les aliments emballés dans le monde

L’IA révèle la quantité de sucre cachée dans les aliments emballés dans le monde

Un algorithme révolutionnaire révèle la quantité de sucre caché qui se cache dans vos aliments et indique quels pays et quels produits sont les plus efficaces en matière de glucides sains.

Les glucides contribuent à environ 70 % de l’apport énergétique quotidien dans l’alimentation humaine moyenne dans le monde. Cependant, l’importance de la qualité des glucides est souvent éclipsée par leur quantité. Dans une étude récemment publiée dans la revueLimites nutritionnellesUne équipe de recherche européenne a développé un algorithme permettant de prédire la teneur en sucre libre des aliments emballés, fournissant ainsi un aperçu de la qualité des glucides à l'échelle mondiale.

Les glucides dans l'alimentation

Les glucides sont une source d’énergie importante et jouent un rôle crucial dans la nutrition mondiale. Si les discussions sur la nutrition se concentrent souvent sur la quantité de glucides, la qualité des glucides est tout aussi importante pour rester en bonne santé. Des preuves scientifiques montrent que la qualité des glucides influence la fonction métabolique et le risque de maladies chroniques.

Un outil pour évaluer la qualité des glucides est le rapport de qualité des glucides (CQR), qui évalue l'équilibre des glucides totaux, des fibres et des sucres libres dans les aliments. Ce ratio donne au moins 1 gramme de fibres alimentaires pour 10 grammes de glucides totaux et pas plus de 2 grammes de sucres libres pour 1 gramme de fibres. Ce ratio permet de distinguer les aliments nutritionnels de ceux qui peuvent contribuer à de mauvais résultats en matière de santé.

Cependant, déterminer avec précision la teneur en sucre libre des aliments emballés reste un défi. Seuls quelques pays exigent un étiquetage explicite des sucres additionnels, ce qui limite la transparence pour les consommateurs et les chercheurs. Les sucres libres définis par l'Organisation mondiale de la santé (OMS) comprennent les sucres ajoutés ainsi que les sucres naturels présents dans le miel, les sirops et les jus de fruits, tandis que la FDA définit les sucres ajoutés comme étant uniquement ceux introduits lors de la transformation. Ce manque d’informations entrave les efforts visant à évaluer efficacement la qualité des glucides, ce qui rend difficile la prise de décisions alimentaires éclairées et l’étude des effets de la consommation de glucides sur la santé.

À propos de l'étude

L'algorithme a donné la priorité aux ingrédients répertoriés en premier sur les étiquettes, car les fabricants de produits alimentaires commandent souvent les ingrédients en fonction de leur poids, fournissant ainsi des indices sur la dominance du sucre dans la composition d'un produit.

Dans la présente étude, les chercheurs ont développé un algorithme pour prédire les sucres libres dans les aliments emballés dans le monde entier, comblant ainsi une lacune critique dans les connaissances sur la qualité des glucides. Ils ont utilisé les données de la base de données mondiale Mintel sur les nouveaux produits (GNPD), qui contient des informations détaillées sur les aliments emballés provenant de 86 pays, y compris la composition nutritionnelle et les listes d'ingrédients.

Avant l’analyse, l’équipe a soigneusement nettoyé et standardisé les données pour garantir leur cohérence. Une étape cruciale impliquait de trier et d'étiqueter manuellement les ingrédients avec des expressions régulières pour les classer comme sucres ajoutés ou naturels - une distinction essentielle pour estimer avec précision la teneur en sucre libre.

Pour créer des modèles prédictifs, les chercheurs ont utilisé des techniques d’apprentissage automatique. Ils ont formé leurs modèles à l'aide de données provenant des États-Unis et ont formellement testé leurs performances dans 14 pays sélectionnés, tout en appliquant les modèles à des produits de 81 pays supplémentaires. Les modèles ont analysé les étiquettes des produits en tenant compte des six premiers ingrédients classés comme sucres ajoutés, fruits ou produits laitiers, ainsi que des informations nutritionnelles détaillées telles que la teneur énergétique, les graisses, les glucides, les fibres, les protéines, le sucre et le sodium.

Le pipeline comprenait trois classificateurs binaires pour détecter la présence de sucres supplémentaires et des modèles de régression empilée arborescente pour estimer leur quantité. En outre, les niveaux de sucre ajouté prévus ont été utilisés comme estimations des sucres libres, à l'exception de certaines catégories d'aliments telles que les boissons à base de jus et les confiseries sucrées, pour lesquelles les sucres totaux ont été utilisés directement en raison de leurs profils de sucre uniques.

Enfin, les modèles ont été appliqués à des produits sans explications supplémentaires explicites sur le sucre pour prédire la composition en glucides. La qualité des glucides a été évaluée à l’aide d’un rapport prédéfini de 10 : 1 à 1 : 2 de glucides, de fibres et de sucres libres.

Principales conclusions

Les alternatives au lait à base de plantes (par exemple les boissons à l'avoine ou aux amandes) ont démontré une conformité étonnamment élevée aux normes de qualité des glucides, surpassant de nombreux produits laitiers dans le monde.

L’étude a révélé que les modèles d’apprentissage automatique démontraient un haut niveau de précision dans la prévision de la teneur en sucre libre des aliments emballés. L'erreur absolue moyenne pour l'ensemble de test a été calculée à 0,96 g/100 g, ce qui indique une différence moyenne relativement faible entre les valeurs prédites et déclarées.

De plus, le modèle a atteint un R² élevé de 0,98 entre les valeurs prédites et déclarées, surpassant les modèles précédents tels que K-Nearest Neighbours, qui présentaient un taux d'erreur beaucoup plus élevé, confirmant la fiabilité des prédictions. Il convient de noter que les capacités prédictives du modèle ne se limitaient pas aux États-Unis. Les chercheurs ont constaté que le modèle fonctionnait avec précision lorsqu'il était formellement testé dans 14 pays et appliqué dans 81 pays supplémentaires, soulignant ainsi son applicabilité mondiale.

L'étude a également examiné la proportion de produits alimentaires répondant au rapport de qualité des glucides cibles et a montré des variations significatives selon les aliments et les pays producteurs. Aux États-Unis, les produits atteignant le ratio de qualité des glucides variaient considérablement, allant d'un niveau relativement élevé de 60 % pour les céréales chaudes à 0 % pour les laits aromatisés et les boissons maltées. Cette large gamme démontre la diversité de la qualité des glucides, même dans un seul pays.

Les produits aromatisés au chocolat (comme les céréales ou les barres de collation) figuraient parmi les pires contrevenants, 95 % d'entre eux n'atteignant pas le ratio cible en raison d'un excès de sucres libres et d'une faible teneur en fibres.

Si l’on examine toutes les catégories d’aliments, le pourcentage de produits répondant au ratio cible variait de 67 % au Royaume-Uni, ce qui représente un niveau de conformité relativement élevé à la norme de qualité, à 9,8 % en Malaisie, ce qui indique une proportion nettement plus faible de produits répondant à la qualité de glucides souhaitée.

En particulier, les boissons à base de plantes – contrairement à la plupart des catégories de boissons – ont induit un respect relativement élevé des ratios de qualité des glucides dans tous les pays en raison de leur teneur plus élevée en fibres et de leur plus faible teneur en sucre.

Cependant, les chercheurs ont reconnu que l'exactitude des prévisions pour des pays spécifiques peut être limitée dans une certaine mesure par la petite taille des échantillons, ce qui pourrait potentiellement affecter la généralisabilité des résultats à ces régions spécifiques.

En outre, les auteurs ont effectué des tests Z comparant les niveaux de sucre libre prévus et déclarés dans 18 catégories d'aliments aux États-Unis et ont trouvé des différences statistiquement significatives, confirmant la robustesse du modèle.

Diplôme

En résumé, l’étude a développé et validé avec succès une méthode basée sur l’apprentissage automatique pour prédire la teneur en sucre libre des aliments emballés à l’aide d’une base de données mondiale à grande échelle. Cette approche entièrement automatisée et évolutive a démontré une grande précision dans tous les pays et catégories d'aliments et peut être étendue à d'autres bases de données et mesures nutritionnelles qui nécessitent des estimations de sucre gratuit.

Les niveaux de sucre libre prévus pourraient également améliorer les systèmes de profilage nutritionnel tels que le Nutri-Score, qui reposent actuellement sur les sucres totaux en raison d'exigences limitées en matière d'étiquetage.

Cette approche méthodologique innovante a fourni un outil précieux et puissant pour surveiller et évaluer la qualité des glucides dans l’approvisionnement alimentaire mondial et a fourni des informations importantes pour les initiatives de santé publique et de conseils nutritionnels.

Sources :