Le nouveau modèle de sauvegarde des données prédit avec précision les réponses glycémiques individuelles

Le nouveau modèle de sauvegarde des données prédit avec précision les réponses glycémiques individuelles

Lorsque vous mangez une collation, par exemple une boulette de viande ou une guimauve, comment cela affecte-t-il votre glycémie ? C'est une question étonnamment difficile : la réponse glycémique du corps à différents aliments varie en fonction de la génétique individuelle, des microbiomes, des fluctuations hormonales, etc. Pour cette raison, fournir des conseils nutritionnels personnalisés permettant de gérer, entre autres, le diabète, l’obésité et les maladies cardiovasculaires nécessite des tests coûteux et intrusifs, ce qui rend difficile la fourniture de soins efficaces à grande échelle.

Dans un article duJournal des sciences et technologies du diabèteLes chercheurs du Stevens Institute of Technology proposent une nouvelle approche : un modèle d'économies qui peut prédire avec précision les réponses glycémiques individuelles sans avoir besoin de prises de sang, d'échantillons de selles ou d'autres tests désagréables. La clé de leur approche ? Suivez ce que les gens mangent réellement.

Cela peut paraître évident, mais jusqu’à présent, la plupart des recherches se sont concentrées sur les macronutriments comme les grammes de glucides plutôt que sur les aliments spécifiques que les gens consomment. Nous avons montré qu’en analysant les types d’aliments, il est possible de faire des prévisions très précises avec beaucoup moins de données. "

Dr Samantha Kleinberg, professeur titulaire de la Chaire Couleur d'informatique

L'équipe du Dr Kleinberg a examiné deux ensembles de données comprenant à la fois des journaux alimentaires détaillés et des données de glucomètre en continu pour près de 500 personnes atteintes de diabète (aux États-Unis et en Chine). À l’aide des bases de données alimentaires existantes et de Chatgpt, ils ont classé chaque repas en fonction de leur teneur en macronutriments et ont également utilisé la structure des aliments (par exemple, les viandes ressemblent davantage aux fromages) afin de pouvoir distinguer les aliments nutritionnellement équivalents.

En entraînant un algorithme utilisant des données diététiques et des caractéristiques alimentaires, ainsi que certains détails démographiques, l'équipe a pu prédire la réponse glycémique de chaque personne à chaque aliment avec pratiquement les mêmes niveaux de précision que dans les études précédentes qui incluaient des données détaillées sur le microbiome et d'autres informations calculées.

« Nous ne savons toujours pasPourquoi"L'inclusion des caractéristiques alimentaires fait une grande différence", explique le Dr Kleinberg. Il est possible que les informations alimentaires soient un indicateur des micronutriments qui déterminent les réponses glycémiques, ou que les caractéristiques physiques de certains aliments amènent les gens à les manger différemment ou à les digérer différemment.

En se concentrant sur les types d’aliments, l’équipe a également pu examiner les variations individuelles des réponses glycémiques. « Parce que les gens mangent les mêmes repas encore et encore, les données nous donnent une visibilité sur la façon dont les réponses individuelles à certains aliments changent au fil du temps », explique le Dr Kleinberg. L’équipe a découvert que l’inclusion de données sur les cycles menstruels dans leur modèle expliquait une grande partie de la variation intra-sujet, ce qui suggère que les niveaux hormonaux changeants pourraient jouer un rôle important dans la médiation des réponses glycémiques individuelles.

Le modèle de l'équipe prédit également avec précision la réponse glycémique des populations américaine et chinoise, une découverte importante car les modèles basés sur le microbiome ont souvent eu du mal à produire des résultats précis dans différents contextes culturels. « Nous n’avons pas besoin de données sur une population régionale spécifique pour faire des prédictions », explique le Dr Kleinberg.

Le nouveau modèle est également suffisamment puissant pour prédire les réponses glycémiques d'une personne sur la base de données démographiques sans avoir besoin d'une formation sur mesure sur les journaux alimentaires ou d'autres données personnalisées. En conséquence, les cliniciens pourraient potentiellement alimenter le modèle pour fournir des conseils nutritionnels lors d’une première rencontre avec un patient, sans avoir besoin de protocoles alimentaires laborieux ou de tests intrusifs. « Nous pouvons faire de meilleures recommandations si nous disposons de plus de données, mais nous pouvons obtenir de très bons résultats sans informations personnelles », explique le Dr Kleinberg. « Cela signifie que nous pouvons donner immédiatement des conseils utiles aux patients – et nous espérons que cela les motivera à continuer. »

Ensuite, l’équipe prévoit d’affiner son modèle avec des ensembles de données plus importants et d’examiner si l’ajout de données sur le microbiome augmente la précision de son modèle. "C'est la grande question, car si les informations alimentaires nous fournissent à elles seules tout ce dont nous avons besoin, il ne sera peut-être pas nécessaire de collecter des échantillons de selles ou d'effectuer d'autres tests", explique le Dr Kleinberg. « Cela pourrait rendre la nutrition personnalisée plus abordable et accessible à tous. »

Sources :