Novo modelo de economia de dados prevê com precisão as respostas glicêmicas individuais

Novo modelo de economia de dados prevê com precisão as respostas glicêmicas individuais

Quando você come um lanche – uma almôndega, por exemplo, ou um marshmallow – como isso afeta o açúcar no sangue? É uma questão surpreendentemente difícil: a resposta glicêmica do corpo a diferentes alimentos varia dependendo da genética individual, microbiomas, flutuações hormonais e muito mais. Por esta razão, fornecer aconselhamento nutricional personalizado que possa controlar a diabetes, a obesidade e as doenças cardiovasculares, entre outras, exige testes dispendiosos e intrusivos, dificultando a prestação de cuidados eficazes em grande escala.

Em um artigo noJornal de Ciência e Tecnologia do DiabetesPesquisadores do Stevens Institute of Technology oferecem uma nova abordagem: um modelo de economia que pode prever com precisão as respostas glicêmicas individuais sem a necessidade de coletas de sangue, amostras de fezes ou outros testes desagradáveis. A chave para sua abordagem? Acompanhe o que as pessoas realmente comem.

Pode parecer óbvio, mas até agora a maioria das pesquisas se concentrou em macronutrientes como gramas de carboidratos, em vez de nos alimentos específicos que as pessoas comem. Mostrámos que ao analisar os tipos de alimentos é possível fazer previsões altamente precisas com muito menos dados. “

Dra. Samantha Kleinberg, professora catedrática de cores de ciência da computação

A equipe do Dr. Kleinberg examinou dois conjuntos de dados que incluíam diários alimentares detalhados e dados de monitoramento contínuo de glicose para quase 500 pessoas com diabetes (nos EUA e na China). Utilizando bases de dados alimentares existentes e o Chatgpt, classificaram cada refeição por conteúdo de macronutrientes e também utilizaram a estrutura dos alimentos (por exemplo, as carnes são mais semelhantes aos queijos) para que possam distinguir entre alimentos nutricionalmente equivalentes.

Ao treinar um algoritmo usando dados dietéticos e características alimentares, bem como alguns detalhes demográficos, a equipe foi capaz de prever a resposta glicêmica de cada pessoa a cada alimento com praticamente os mesmos níveis de precisão de estudos anteriores que incluíram dados detalhados do microbioma e outras informações calculadas.

“Ainda não sabemosPor que“Incluir as características dos alimentos faz uma grande diferença”, diz o Dr. Kleinberg. É possível que a informação alimentar seja um substituto para os micronutrientes que impulsionam as respostas glicémicas, ou que as características físicas de certos alimentos façam com que as pessoas os comam ou digiram de forma diferente.

Ao concentrar-se nos tipos de alimentos, a equipe também conseguiu examinar as variações individuais nas respostas glicêmicas. “Como as pessoas comem as mesmas refeições repetidamente, os dados nos dão visibilidade de como as respostas individuais a determinados alimentos mudam ao longo do tempo”, explica o Dr. Kleinberg. A equipe descobriu que a inclusão de dados sobre os ciclos menstruais em seu modelo foi responsável por grande parte da variação intra-sujeito, sugerindo que a mudança nos níveis hormonais poderia desempenhar um papel importante na mediação das respostas glicêmicas individuais.

O modelo da equipe também prevê com precisão a resposta glicêmica para as populações dos EUA e da China – uma descoberta importante porque os modelos baseados em microbiomas muitas vezes têm lutado para produzir resultados precisos em diferentes contextos culturais. “Não precisamos de dados sobre uma população regional específica para fazer previsões”, explica o Dr. Kleinberg.

O novo modelo também é poderoso o suficiente para prever as respostas glicêmicas de uma pessoa com base em dados demográficos, sem a necessidade de treinamento personalizado em registros alimentares ou outros dados personalizados. Como resultado, os médicos poderiam potencialmente alimentar o modelo para fornecer aconselhamento nutricional durante uma reunião inicial com um paciente, sem a necessidade de protocolos alimentares laboriosos ou testes intrusivos. “Podemos fazer recomendações melhores se tivermos mais dados, mas podemos obter resultados muito bons sem informações pessoais”, explica o Dr. Kleinberg. “Isso significa que podemos dar conselhos úteis aos pacientes imediatamente – e esperamos que isso os motive a continuar.”

Em seguida, a equipe planeja refinar seu modelo com conjuntos de dados maiores e examinar se a adição de dados de microbioma aumenta a precisão de seu modelo. “Essa é a grande questão, porque se a informação alimentar por si só nos dá tudo o que precisamos, pode não haver necessidade de recolher amostras de fezes ou fazer outros testes”, diz o Dr. Kleinberg. “Isso poderia tornar a nutrição personalizada mais acessível e acessível a todos.”

Fontes: