IA revela quanto açúcar escondido está em alimentos embalados em todo o mundo

IA revela quanto açúcar escondido está em alimentos embalados em todo o mundo

Um algoritmo inovador revela quanto açúcar escondido está escondido em seus alimentos - e mostra quais países e produtos atingem a meta de carboidratos saudáveis.

Os carboidratos contribuem com aproximadamente 70% da ingestão diária de energia na dieta humana média em todo o mundo. No entanto, a importância da qualidade dos carboidratos é muitas vezes ofuscada pela sua quantidade. Em um estudo publicado recentemente na revistaLimites na nutriçãoUma equipa de investigação europeia desenvolveu um algoritmo para prever o teor de açúcar livre em alimentos embalados, fornecendo informações sobre a qualidade dos hidratos de carbono à escala global.

Carboidratos na dieta

Os carboidratos são uma importante fonte de energia e desempenham um papel crucial na nutrição global. Embora as discussões sobre nutrição muitas vezes se concentrem na quantidade de carboidratos, a qualidade dos carboidratos é igualmente importante para manter uma boa saúde. Evidências científicas mostram que a qualidade dos carboidratos influencia a função metabólica e o risco de doenças crônicas.

Uma ferramenta para avaliar a qualidade dos carboidratos é o índice de qualidade dos carboidratos (CQR), que avalia o equilíbrio entre carboidratos totais, fibras e açúcares livres nos alimentos. Essa proporção fornece pelo menos 1 grama de fibra alimentar por 10 gramas de carboidratos totais e não mais que 2 gramas de açúcares livres por 1 grama de fibra. Esta proporção ajuda a distinguir os alimentos nutritivos daqueles que podem contribuir para maus resultados de saúde.

No entanto, determinar com precisão o teor de açúcar livre em alimentos embalados continua a ser um desafio. Apenas alguns países exigem rotulagem explícita de açúcares adicionais, limitando a transparência para consumidores e investigadores. Os açúcares livres definidos pela Organização Mundial da Saúde (OMS) incluem açúcares adicionados, bem como açúcares naturais no mel, xaropes e sucos de frutas, enquanto o FDA define açúcares adicionados apenas como aqueles introduzidos durante o processamento. Esta falta de informação dificulta os esforços para avaliar eficazmente a qualidade dos hidratos de carbono, dificultando a tomada de decisões dietéticas informadas e o estudo dos efeitos do consumo de hidratos de carbono na saúde.

Sobre o estudo

O algoritmo priorizou os ingredientes listados primeiro nos rótulos porque os fabricantes de alimentos costumam ordenar os ingredientes por peso, fornecendo pistas sobre a predominância do açúcar na composição de um produto.

No presente estudo, os pesquisadores desenvolveram um algoritmo para prever açúcares livres em alimentos embalados em todo o mundo, abordando uma lacuna crítica de conhecimento na qualidade dos carboidratos. Eles usaram dados do Mintel Global New Products Database (GNPD), que contém informações extensas sobre alimentos embalados de 86 países, incluindo composição nutricional e listas de ingredientes.

Antes da análise, a equipe limpou e padronizou meticulosamente os dados para garantir a consistência. Uma etapa crucial envolveu a curadoria e rotulagem manual dos ingredientes com expressões regulares para classificá-los como açúcares adicionados ou de ocorrência natural – uma distinção que foi essencial para estimar com precisão o teor de açúcar livre.

Para construir modelos preditivos, os pesquisadores usaram técnicas de aprendizado de máquina. Treinaram os seus modelos utilizando dados dos Estados Unidos (EUA) e testaram formalmente o seu desempenho em 14 países selecionados, ao mesmo tempo que aplicaram os modelos a produtos de 81 países adicionais. Os modelos analisaram os rótulos dos produtos levando em consideração os seis primeiros ingredientes classificados como açúcares adicionados, frutas ou laticínios, além de informações nutricionais detalhadas como conteúdo energético, gorduras, carboidratos, fibras, proteínas, açúcar e sódio.

O pipeline incluiu três classificadores binários para detectar a presença de açúcares adicionais e modelos de regressão empilhados baseados em árvores para estimar sua quantidade. Além disso, os níveis previstos de açúcar adicionado foram utilizados como estimativas de açúcares livres, com exceção de certas categorias de alimentos, como sucos e confeitos açucarados, onde os açúcares totais foram utilizados diretamente devido aos seus perfis de açúcar únicos.

Finalmente, os modelos foram aplicados a produtos sem explicações adicionais explícitas de açúcar para prever a composição de carboidratos. A qualidade dos carboidratos foi avaliada usando uma proporção predefinida de 10:1 a 1:2 de carboidratos, fibras e açúcares livres.

Principais descobertas

As alternativas ao leite à base de plantas (por exemplo, bebidas de aveia ou amêndoa) demonstraram uma conformidade surpreendentemente elevada com os padrões de qualidade dos hidratos de carbono, superando o desempenho de muitos produtos lácteos em todo o mundo.

O estudo descobriu que os modelos de aprendizado de máquina demonstraram um alto nível de precisão na previsão do teor de açúcar livre em alimentos embalados. O erro absoluto médio para o conjunto de teste foi calculado em 0,96 g/100 g, indicando uma diferença média relativamente pequena entre os valores previstos e declarados.

Além disso, o modelo alcançou um alto R² de 0,98 entre os valores previstos e declarados, superando modelos anteriores como K-Nearest Neighbors, que apresentavam uma taxa de erro muito maior, confirmando a confiabilidade das previsões. Notavelmente, as capacidades preditivas do modelo não se limitaram aos Estados Unidos. Os investigadores descobriram que o modelo teve um desempenho preciso quando foi formalmente testado em 14 países e aplicado em mais 81 países, destacando a sua aplicabilidade global.

O estudo também examinou a proporção de produtos alimentares que cumpriam o rácio de qualidade dos hidratos de carbono alvo e mostrou uma variação significativa entre os alimentos e os países produtores. Nos Estados Unidos, os produtos que atingiram o índice de qualidade dos carboidratos variaram significativamente, variando de relativamente altos 60% para cereais quentes a 0% para leites aromatizados e bebidas de malte. Esta ampla gama demonstrou a diversidade da qualidade dos carboidratos mesmo em um único país.

Os produtos com sabor de chocolate (como cereais ou barras de salgadinhos) estavam entre os piores infratores, com 95% não atingindo a meta devido ao excesso de açúcares livres e baixo teor de fibras.

Ao analisar todas as categorias de alimentos, a percentagem de produtos que cumprem o rácio alvo variou entre 67% no Reino Unido, representando um nível relativamente elevado de conformidade com o padrão de qualidade, e 9,8% na Malásia, indicando uma proporção significativamente menor de produtos que satisfazem a qualidade desejada de hidratos de carbono.

Notavelmente, as bebidas à base de plantas – ao contrário da maioria das categorias de bebidas – induziram uma adesão relativamente elevada aos rácios de qualidade dos hidratos de carbono em todos os países devido ao seu maior teor de fibras e menor teor de açúcar.

No entanto, os investigadores reconheceram que a precisão das previsões para países específicos pode ser limitada, em certa medida, por amostras pequenas, o que poderia potencialmente afectar a generalização dos resultados para estas regiões específicas.

Além disso, os autores realizaram testes Z comparando os níveis de açúcar livre previstos e declarados em 18 categorias de alimentos nos Estados Unidos e encontraram diferenças estatisticamente significativas, confirmando a robustez do modelo.

Diploma

Em resumo, o estudo desenvolveu e validou com sucesso um método baseado em aprendizagem automática para prever o teor de açúcar livre em alimentos embalados utilizando uma base de dados global em grande escala. Esta abordagem totalmente automatizada e escalável demonstrou uma forte precisão em todos os países e categorias de alimentos e pode ser estendida a outras bases de dados e métricas de nutrientes que exigem estimativas gratuitas de açúcar.

Os níveis previstos de açúcar livre também poderiam melhorar os sistemas de perfil nutricional, como o Nutri-Score, que atualmente depende de açúcares totais devido a requisitos limitados de rotulagem.

Esta abordagem metodológica inovadora proporcionou uma ferramenta valiosa e poderosa para monitorizar e avaliar a qualidade dos hidratos de carbono no abastecimento alimentar global e forneceu informações importantes para iniciativas de saúde pública e aconselhamento nutricional.

Fontes: