AI avslører hvor mye skjult sukker som er i pakket mat over hele verden

AI avslører hvor mye skjult sukker som er i pakket mat over hele verden

En banebrytende algoritme avslører hvor mye skjult sukker som lurer i maten din – og viser hvilke land og produkter som treffer blink for sunne karbohydrater.

Karbohydrater bidrar med omtrent 70 % av det daglige energiinntaket i det gjennomsnittlige menneskelige kostholdet over hele verden. Men viktigheten av karbohydratkvalitet blir ofte overskygget av kvantiteten. I en studie nylig publisert i tidsskriftetBegrensninger i ernæringEt europeisk forskerteam utviklet en algoritme for å forutsi fritt sukkerinnhold i pakket mat, og gir innsikt i karbohydratkvalitet på global skala.

Karbohydrater i kosten

Karbohydrater er en viktig energikilde og spiller en avgjørende rolle i global ernæring. Mens diskusjoner om ernæring ofte fokuserer på mengden karbohydrater, er kvaliteten på karbohydrater like viktig for å opprettholde god helse. Vitenskapelig bevis viser at kvaliteten på karbohydrater påvirker metabolsk funksjon og risikoen for kroniske sykdommer.

Et verktøy for å vurdere karbohydratkvaliteten er karbohydratkvalitetsforholdet (CQR), som evaluerer balansen mellom totale karbohydrater, fiber og fritt sukker i matvarer. Dette forholdet gir minst 1 gram kostfiber per 10 gram totale karbohydrater og ikke mer enn 2 gram fritt sukker per 1 gram fiber. Dette forholdet hjelper til med å skille ernæringsmessige matvarer fra de som kan bidra til dårlige helseutfall.

Det er imidlertid fortsatt en utfordring å nøyaktig bestemme innholdet av fritt sukker i pakket mat. Bare noen få land krever eksplisitt merking av ekstra sukker, noe som begrenser åpenheten for forbrukere og forskere. Frie sukkerarter definert av Verdens helseorganisasjon (WHO) inkluderer tilsatt sukker så vel som naturlig forekommende sukker i honning, sirup og fruktjuice, mens FDA definerer tilsatt sukker som bare de som introduseres under behandlingen. Denne mangelen på informasjon hindrer innsatsen for å effektivt vurdere karbohydratkvaliteten, noe som gjør det vanskelig å ta informerte diettbeslutninger og studere effekten av karbohydratforbruk på helsen.

Om studiet

Algoritmen prioriterte ingrediensene som ble oppført først på etikettene fordi matprodusenter ofte bestiller ingredienser etter vekt, og ga ledetråder om sukkerdominans i et produkts sammensetning.

I denne studien utviklet forskere en algoritme for å forutsi fritt sukker i pakket mat over hele verden, og adresserer et kritisk kunnskapsgap i karbohydratkvalitet. De brukte data fra Mintel Global New Products Database (GNPD), som inneholder omfattende informasjon om pakket mat fra 86 land, inkludert næringssammensetning og ingredienslister.

Før analyse renset og standardiserte teamet dataene omhyggelig for å sikre konsistens. Et avgjørende skritt innebar å manuelt kurere og merke ingredienser med regulære uttrykk for å klassifisere dem som tilsatte eller naturlig forekommende sukkerarter – en distinksjon som var avgjørende for nøyaktig å estimere innholdet av fritt sukker.

For å bygge prediktive modeller brukte forskerne maskinlæringsteknikker. De trente modellene sine ved hjelp av data fra USA (USA) og testet formelt ytelsen deres i 14 utvalgte land, mens de brukte modellene på produkter fra 81 andre land. Modellene analyserte produktetiketter med hensyn til de seks første ingrediensene klassifisert som tilsatt sukker, frukt eller meieri, samt detaljert ernæringsinformasjon som energiinnhold, fett, karbohydrater, fiber, protein, sukker og natrium.

Rørledningen inkluderte tre binære klassifikatorer for å oppdage tilstedeværelsen av ekstra sukker og trebaserte stablede regresjonsmodeller for å estimere mengden deres. I tillegg ble spådde tilsatt sukkernivåer brukt som estimater av fritt sukker, med unntak av visse matvarekategorier som juicedrikker og sukkervarer, der totalt sukker ble brukt direkte på grunn av deres unike sukkerprofiler.

Til slutt ble modellene brukt på produkter uten eksplisitte ekstra sukkerforklaringer for å forutsi karbohydratsammensetning. Karbohydratkvaliteten ble vurdert ved å bruke et forhåndsdefinert forhold på 10:1 til 1:2 av karbohydrater, fiber og fritt sukker.

Nøkkelfunn

Plantebaserte melkealternativer (f.eks. havre- eller mandeldrikker) viste overraskende høy overholdelse av karbohydratkvalitetsstandarder, og overgikk mange meieribaserte produkter over hele verden.

Studien fant at maskinlæringsmodellene viste et høyt nivå av nøyaktighet i å forutsi fritt sukkerinnhold i pakket mat. Den gjennomsnittlige absolutte feilen for testsettet ble beregnet til 0,96 g/100 g, noe som indikerer en relativt liten gjennomsnittlig forskjell mellom de predikerte og deklarerte verdiene.

I tillegg oppnådde modellen en høy R² på 0,98 mellom predikerte og deklarerte verdier, og overgikk tidligere modeller som K-Nearest Neighbors, som hadde en mye høyere feilrate, noe som bekrefter påliteligheten til spådommene. Spesielt var modellens prediktive evner ikke begrenset til USA. Forskerne fant at modellen presterte nøyaktig når den ble formelt testet i 14 land og brukt i ytterligere 81 land, noe som understreker dens globale anvendelighet.

Studien undersøkte også andelen matvarer som oppfylte kvalitetsforholdet mellom målkarbohydrater og viste betydelig variasjon på tvers av både matvarer og matland. I USA varierte produkter som traff karbohydratkvalitetsforholdet betydelig, fra relativt høye 60 % for varme frokostblandinger til 0 % for smaksatt melk og maltdrikker. Dette brede utvalget demonstrerte mangfoldet av karbohydratkvalitet selv i et enkelt land.

Sjokoladesmaksprodukter (som frokostblandinger eller snackbarer) var blant de verste, med 95 % som ikke klarte å nå målforholdet på grunn av for mye fritt sukker og lite fiber.

Når man ser på alle matvarekategorier, varierte prosentandelen av produkter som oppfyller målforholdet fra 67 % i Storbritannia, noe som representerer en relativt høy grad av samsvar med kvalitetsstandarden, til 9,8 % i Malaysia, noe som indikerer en betydelig lavere andel produkter som oppfyller ønsket karbohydratkvalitet.

Spesielt induserte plantebaserte drikker - i motsetning til de fleste drikkevarekategorier - relativt høy overholdelse av karbohydratkvalitetsforhold på tvers av land på grunn av deres høyere fiberinnhold og lavere sukkerinnhold.

Forskerne erkjente imidlertid at nøyaktigheten av spådommene for spesifikke land til en viss grad kan være begrenset av små utvalgsstørrelser, noe som potensielt kan påvirke generaliserbarheten til resultatene til disse spesifikke regionene.

I tillegg gjennomførte forfatterne Z-tester som sammenlignet predikerte og deklarerte nivåer av fritt sukker på tvers av 18 matkategorier i USA og fant statistisk signifikante forskjeller, som bekrefter robustheten til modellen.

Diplom

Oppsummert utviklet og validerte studien en maskinlæringsbasert metode for å forutsi fritt sukkerinnhold i pakket mat ved hjelp av en storskala global database. Denne helautomatiserte og skalerbare tilnærmingen demonstrerte sterk nøyaktighet på tvers av land og matkategorier og kan utvides til andre databaser og næringsverdier som krever gratis sukkerestimater.

De forutsagte nivåene av fritt sukker kan også forbedre næringsprofileringssystemer som Nutri-Score, som for tiden er avhengige av totalt sukker på grunn av begrensede merkingskrav.

Denne innovative metodiske tilnærmingen ga et verdifullt og kraftig verktøy for å overvåke og vurdere karbohydratkvalitet i den globale matforsyningen og ga viktig innsikt for initiativer for folkehelse og ernæringsråd.

Kilder: