Noul model de economisire a datelor prezice cu exactitate răspunsurile glicemice individuale

Noul model de economisire a datelor prezice cu exactitate răspunsurile glicemice individuale

Când mănânci o gustare - o chifteluță, să zicem, sau o bezea - ​​cum îți afectează zahărul din sânge? Este o întrebare surprinzător de dificilă: răspunsul glicemic al organismului la diferite alimente variază în funcție de genetica individuală, microbioame, fluctuațiile hormonale și multe altele. Din acest motiv, oferirea de sfaturi nutriționale personalizate care pot gestiona diabetul, obezitatea și bolile cardiovasculare, printre altele, necesită teste costisitoare și intruzive, ceea ce face dificilă furnizarea de îngrijiri eficiente la scară.

Într-o lucrare dinJurnalul de Știință și Tehnologie a DiabetuluiCercetătorii de la Institutul de Tehnologie Stevens oferă o nouă abordare: un model de economisire care poate prezice cu exactitate răspunsurile glicemice individuale, fără a fi nevoie de extrageri de sânge, probe de scaun sau alte teste neplăcute. Cheia abordării lor? Urmăriți ce mănâncă oamenii de fapt.

Poate părea evident, dar până acum majoritatea cercetărilor s-au concentrat pe macronutrienți, cum ar fi gramele de carbohidrați, în loc de alimentele specifice pe care oamenii le consumă. Am arătat că analizând tipurile de alimente este posibil să se facă predicții foarte precise cu mult mai puține date. „

Dr. Samantha Kleinberg, Catedra Color Profesor de Informatică

Echipa dr. Kleinberg a examinat două seturi de date care au inclus atât jurnalele alimentare detaliate, cât și datele monitorului continuu al glucozei pentru aproape 500 de persoane cu diabet (atât în ​​SUA, cât și în China). Folosind bazele de date alimentare existente și Chatgpt, au clasificat fiecare masă în funcție de conținutul de macronutrienți și au folosit, de asemenea, structura alimentelor (de exemplu, carnea seamănă mai mult cu brânzeturile), astfel încât să poată distinge alimentele echivalente din punct de vedere nutrițional.

Prin antrenarea unui algoritm care folosește date alimentare și caracteristicile alimentelor, precum și unele detalii demografice, echipa a reușit să prezică răspunsul glicemic al fiecărei persoane la fiecare aliment cu practic aceleași niveluri de acuratețe din studiile anterioare care au inclus date detaliate despre microbiom și alte informații calculate.

„Încă nu știmDe ce„Includerea caracteristicilor alimentelor face o mare diferență”, spune dr. Kleinberg. Este posibil ca informațiile despre alimente să fie un proxy pentru micronutrienții care conduc răspunsurile glicemice sau ca caracteristicile fizice ale anumitor alimente să determine oamenii să le mănânce diferit sau să le digere diferit.

Concentrându-se pe tipurile de alimente, echipa a putut, de asemenea, să examineze variațiile individuale ale răspunsurilor glicemice. „Deoarece oamenii mănâncă aceleași mese din nou și din nou, datele ne oferă vizibilitate asupra modului în care răspunsurile individuale la anumite alimente se schimbă în timp”, explică dr. Kleinberg. Echipa a descoperit că includerea datelor despre ciclurile menstruale în modelul lor a reprezentat o mare parte din variația intra-subiect, sugerând că schimbarea nivelurilor de hormoni ar putea juca un rol important în mediarea răspunsurilor glicemice individuale.

De asemenea, modelul echipei prezice cu exactitate răspunsul glicemic atât pentru populația din SUA, cât și pentru cea chineză – o constatare importantă, deoarece modelele bazate pe microbiom s-au luptat adesea să producă rezultate precise în diferite contexte culturale. „Nu avem nevoie de date despre o anumită populație regională pentru a face predicții”, explică dr. Kleinberg.

Noul model este, de asemenea, suficient de puternic pentru a prezice răspunsurile glicemice ale unei persoane pe baza datelor demografice, fără a fi nevoie de instruire personalizată privind jurnalele de alimente sau alte date personalizate. Ca rezultat, clinicienii ar putea hrăni modelul pentru a oferi sfaturi nutriționale în timpul unei întâlniri inițiale cu un pacient, fără a fi nevoie de protocoale alimentare laborioase sau de testare intruzivă. „Putem face recomandări mai bune dacă avem mai multe date, dar putem obține rezultate foarte bune fără informații personale”, explică dr. Kleinberg. „Acest lucru înseamnă că putem oferi pacienților sfaturi utile imediat – și sperăm că acest lucru îi va motiva să continue.”

În continuare, echipa intenționează să-și perfecționeze modelul cu seturi de date mai mari și să examineze dacă adăugarea de date despre microbiom crește acuratețea modelului lor. „Aceasta este marea întrebare, pentru că, dacă numai informațiile despre alimente ne oferă tot ce avem nevoie, s-ar putea să nu fie nevoie să colectăm probe de scaun sau să facem alte teste”, spune dr. Kleinberg. „Acest lucru ar putea face alimentația personalizată mai accesibilă și accesibilă tuturor.”

Surse: