Uusi tiedonsäästömalli ennustaa tarkasti yksittäiset glykeemiset vasteet

Uusi tiedonsäästömalli ennustaa tarkasti yksittäiset glykeemiset vasteet

Kun syöt välipalan – esimerkiksi lihapullan tai vaahtokarkkia – kuinka se vaikuttaa verensokeriisi? Se on yllättävän vaikea kysymys: kehon glykeeminen vaste erilaisiin elintarvikkeisiin vaihtelee riippuen yksilöllisestä genetiikasta, mikrobiomeista, hormonaalisista vaihteluista ja muusta. Tästä syystä muun muassa diabeteksen, liikalihavuuden ja sydän- ja verisuonitautien hoitoon tarkoitettujen henkilökohtaisten ravitsemusneuvojen antaminen vaatii kalliita ja häiritseviä testauksia, mikä vaikeuttaa tehokkaan hoidon laajamittaista tarjoamista.

Lehdessä julkaisussaJournal of Diabetes Science and TechnologyStevens Institute of Technologyn tutkijat tarjoavat uuden lähestymistavan: mallisäästömallin, joka voi ennustaa tarkasti yksittäiset glykeemiset vasteet ilman verenottoa, ulostenäytteitä tai muita epämiellyttäviä testejä. Avain heidän lähestymistapaansa? Seuraa, mitä ihmiset todella syövät.

Se saattaa kuulostaa itsestään selvältä, mutta toistaiseksi suurin osa tutkimuksista on keskittynyt makroravinteisiin, kuten grammoihin hiilihydraatteja, sen sijaan, että ihmiset syövät tiettyjä ruokia. Olemme osoittaneet, että ruokatyyppejä analysoimalla on mahdollista tehdä erittäin tarkkoja ennusteita paljon pienemmällä tiedolla. "

Dr. Samantha Kleinberg, Color Chair professori tietojenkäsittelytieteen

Dr. Kleinbergin tiimi tutki kahta tietojoukkoa, jotka sisälsivät sekä yksityiskohtaiset ruokapäiväkirjat että jatkuvat glukoosivalvontatiedot lähes 500 diabeetikolta (sekä Yhdysvalloissa että Kiinassa). Olemassa olevien ruokatietokantojen ja Chatgpt:n avulla he luokittelivat jokaisen aterian makroravintoainesisällön mukaan ja käyttivät myös elintarvikkeiden rakennetta (esimerkiksi lihat ovat enemmän samankaltaisia ​​kuin juustot), jotta he pystyvät erottamaan ravitsemuksellisesti vastaavat ruoat.

Harjoittelemalla algoritmia, jossa käytetään ruokavaliotietoja ja ruoan ominaisuuksia sekä joitakin demografisia yksityiskohtia, tiimi pystyi ennustamaan jokaisen henkilön glykeemisen vasteen jokaiseen ruokaan lähes samalla tarkkuudella aiemmissa tutkimuksissa, jotka sisälsivät yksityiskohtaisia ​​mikrobiomitietoja ja muita laskettuja tietoja.

"Emme vieläkään tiedäMiksi"Ruoan ominaisuuksien sisällyttäminen on suuri ero", sanoo tohtori Kleinberg. On mahdollista, että ruokatiedot ovat glykeemisiä vasteita ohjaavien hivenravinteiden välityspalvelin tai että tiettyjen elintarvikkeiden fyysiset ominaisuudet saavat ihmiset syömään niitä eri tavalla tai sulattamaan niitä eri tavalla.

Keskittymällä ruokatyyppeihin tiimi pystyi myös tutkimaan yksilöllisiä vaihteluita glykeemisissä vasteissa. "Koska ihmiset syövät samoja aterioita yhä uudelleen ja uudelleen, tiedot antavat meille näkemyksen siitä, kuinka yksittäiset reaktiot tiettyihin ruokiin muuttuvat ajan myötä", selittää tohtori Kleinberg. Tiimi havaitsi, että kuukautiskierron tietojen sisällyttäminen malliin aiheutti suuren osan koehenkilöiden sisäisestä vaihtelusta, mikä viittaa siihen, että hormonitasojen muuttamisella voi olla tärkeä rooli yksittäisten glykeemisten vasteiden välittämisessä.

Ryhmän malli ennustaa myös tarkasti glykeemisen vasteen sekä Yhdysvaltojen että Kiinan väestölle - tärkeä havainto, koska mikrobiomipohjaiset mallit ovat usein kamppailleet tuottaakseen tarkkoja tuloksia erilaisissa kulttuuriympäristöissä. "Emme tarvitse tietoja tietystä alueellisesta väestöstä ennustaaksemme", selittää tohtori Kleinberg.

Uusi malli on myös riittävän tehokas ennustamaan henkilön glykeemiset vasteet demografisten tietojen perusteella ilman räätälöityä koulutusta ruokalokeista tai muista henkilökohtaisista tiedoista. Tämän seurauksena kliinikot voisivat mahdollisesti ruokkia mallia antamaan ravitsemusneuvoja ensimmäisellä tapaamisella potilaan kanssa ilman, että tarvitaan työläitä ruokapöytäkirjoja tai häiritseviä testauksia. "Voimme antaa parempia suosituksia, jos meillä on enemmän tietoa, mutta voimme saada erittäin hyviä tuloksia ilman henkilökohtaisia ​​tietoja", selittää tohtori Kleinberg. "Tämä tarkoittaa, että voimme antaa potilaille hyödyllisiä neuvoja heti – ja toivottavasti se motivoi heitä jatkamaan."

Seuraavaksi tiimi aikoo tarkentaa malliaan suuremmilla tietojoukoilla ja tutkia, lisääkö mikrobiomitietojen lisääminen mallin tarkkuutta. "Se on iso kysymys, koska jos pelkkä ruokatieto antaa meille kaiken mitä tarvitsemme, ulostenäytteitä ei välttämättä tarvitse ottaa tai tehdä muita testejä", tohtori Kleinberg sanoo. "Tämä voisi tehdä yksilöllisestä ravinnosta edullisempaa ja kaikkien saatavilla."

Lähteet: