Neues Datensparmodell prognostiziert individuelle glykämische Reaktionen genau

Wenn Sie einen Snack essen – einen Fleischbällchen, sagen wir oder einen Marshmallow – wie wirkt sich dies auf Ihren Blutzucker aus? Es ist eine überraschend schwierige Frage: Die glykämische Reaktion des Körpers auf verschiedene Lebensmittel variiert je nach individueller Genetik, Mikrobiomen, hormonellen Schwankungen und vielem mehr. Aus diesem Grund erfordert die Bereitstellung personalisierter Ernährungsberatung, die unter anderem Diabetes, Fettleibigkeit und kardiovaskuläre Erkrankungen verwalten können, kostspielige und aufdringliche Tests, wodurch es schwierig ist, eine wirksame Pflege in Maßstab zu liefern.

In einem Papier in der Journal of Diabetes Science and TechnologyForscher des Stevens Institute of Technology bieten einen neuen Ansatz an: ein Modellsparmodell, das individuelle glykämische Reaktionen ohne Bedarf an Blutauszeichnungen, Stuhlproben oder anderen unangenehmen Tests genau vorhersagen kann. Der Schlüssel zu ihrem Ansatz? Verfolgen Sie, was die Leute tatsächlich essen.

Es mag offensichtlich klingen, aber bisher konzentrierte sich die meisten Forschungen auf Makronährstoffe wie Gramm Kohlenhydrate anstelle der spezifischen Lebensmittel, die Menschen essen. Wir haben gezeigt, dass es durch die Analyse von Lebensmitteltypen möglich ist, hoch genaue Vorhersagen mit weitaus weniger Daten zu treffen. „

Dr. Samantha Kleinberg, Farbervorsitzende Professor für Informatik

Das Team von Dr. Kleinberg untersuchte zwei Datensätze, die sowohl detaillierte Food -Tagebücher als auch kontinuierliche Glukosemonitordaten für fast 500 Personen mit Diabetes (sowohl in den USA und China) gehörten. Mithilfe vorhandener Lebensmitteldatenbanken und Chatgpt klassifizierten sie jede Mahlzeit nach Makronährstoffgehalt und nutzten auch die Struktur von Lebensmitteln (so sind Fleisch eher ähnlicher als dem Käse), sodass sie zwischen ernährungspunkten äquivalenten Lebensmitteln unterscheiden können.

Durch die Ausbildung eines Algorithmus unter Verwendung von Ernährungsdaten und Lebensmittelmerkmalen sowie einigen demografischen Details konnte das Team die glykämische Reaktion jeder Person auf jedes Lebensmittel mit praktisch gleichen Genauigkeitsniveaus in früheren Studien vorhergesagt, die detaillierte Mikrobiomdaten und andere kalkulierte Informationen enthielten.

„Wir wissen es immer noch nicht Warum Das Einschließen der Lebensmittelmerkmale macht einen großen Unterschied „, sagt Dr. Kleinberg. Es ist möglich, dass Lebensmittelinformationen ein Proxy für Mikronährstoffe sind, die glykämische Reaktionen antreiben, oder dass die physischen Eigenschaften bestimmter Lebensmittel dazu führen, dass Menschen sie anders essen oder verdaulich verdaulich sind.

Durch die Konzentration auf Lebensmitteltypen war das Team auch in der Lage, individuelle Variationen der glykämischen Reaktionen zu untersuchen. „Da die Menschen immer wieder die gleichen Mahlzeiten essen, verleihen uns die Daten eine Sichtbarkeit in die Art und Weise, wie sich die individuellen Reaktionen auf bestimmte Lebensmittel im Laufe der Zeit ändern“, erklärt Dr. Kleinberg. Das Team stellte fest, dass die Aufnahme von Daten über Menstruationszyklen in sein Modell einen Großteil der Intra-Subject-Variation verantwortlich machte, was darauf hindeutet, dass sich die Verschiebung des Hormonspiegels eine wichtige Rolle bei der Vermittlung individueller glykämischer Reaktionen spielen könnte.

Das Modell des Teams prognostiziert auch die glykämische Reaktion sowohl für die USA als auch für die chinesische Bevölkerung genau – ein wichtiger Befund, da mikrobiombasierte Modelle häufig Schwierigkeiten hatten, genaue Ergebnisse in verschiedenen kulturellen Kontexten zu liefern. „Wir benötigen keine Daten zu einer bestimmten regionalen Bevölkerung, um dort Vorhersagen zu treffen“, erklärt Dr. Kleinberg.

Das neue Modell ist auch leistungsstark genug, um die glykämischen Reaktionen einer Person auf der Grundlage des demografischen Daten zu vorherzusagen, ohne dass ein maßgeschneidertes Training für Lebensmittelprotokolle oder andere personalisierte Daten vorhanden ist. Infolgedessen könnten Kliniker das Modell möglicherweise nähren, um während eines ersten Treffens mit einem Patienten Ernährungsberatung anzubieten, ohne dass mühsame Lebensmittelprotokolle oder aufdringliche Tests erforderlich sind. „Wir können bessere Empfehlungen geben, wenn wir mehr Daten haben, aber wir können sehr gute Ergebnisse ohne persönliche Informationen erzielen“, erklärt Dr. Kleinberg. „Das bedeutet, dass wir den Patienten sofort nützliche Ratschläge geben können – und hoffentlich motiviert das sie, weiterzumachen.“

Als nächstes plant das Team, sein Modell mit größeren Datensätzen zu verfeinern und zu untersuchen, ob das Hinzufügen von Mikrobiomdaten die Genauigkeit ihres Modells erhöht. „Das ist die große Frage, denn wenn Essensinformationen uns allein alles geben, was wir brauchen, müssen möglicherweise keine Stuhlproben sammeln oder andere Tests durchführen“, sagt Dr. Kleinberg. „Das könnte die personalisierte Ernährung erschwinglicher und für alle zugänglicher machen.“

Quellen: