Ny databesparande modell förutsäger exakt individuella glykemiska svar

Ny databesparande modell förutsäger exakt individuella glykemiska svar

När du äter ett mellanmål - en köttbulle, säg, eller en marshmallow - hur påverkar det ditt blodsocker? Det är en förvånansvärt svår fråga: Kroppens glykemiska svar på olika livsmedel varierar beroende på individuell genetik, mikrobiomer, hormonella fluktuationer och mer. Av denna anledning kräver personlig näringsrådgivning som bland annat kan hantera diabetes, fetma och hjärt-kärlsjukdom kostsamma och påträngande tester, vilket gör det svårt att leverera effektiv vård i stor skala.

I en tidning iJournal of Diabetes Science and TechnologyForskare vid Stevens Institute of Technology erbjuder ett nytt tillvägagångssätt: en modellbesparingsmodell som exakt kan förutsäga individuella glykemiska svar utan att behöva ta blodprover, avföringsprover eller andra obehagliga tester. Nyckeln till deras inställning? Spåra vad folk faktiskt äter.

Det kan låta självklart, men hittills har den mesta forskningen fokuserat på makronäringsämnen som gram kolhydrater istället för den specifika maten människor äter. Vi har visat att genom att analysera livsmedelstyper är det möjligt att göra mycket exakta förutsägelser med mycket mindre data. "

Dr. Samantha Kleinberg, färgordförande professor i datavetenskap

Teamet av Dr. Kleinberg undersökte två datauppsättningar som inkluderade både detaljerade matdagböcker och kontinuerliga glukosmätningsdata för nästan 500 personer med diabetes (i både USA och Kina). Med hjälp av befintliga livsmedelsdatabaser och Chatgpt klassificerade de varje måltid efter innehåll av makronäringsämnen och använde även matens struktur (till exempel kött liknar mer ostar) så att de kan skilja mellan näringsmässigt likvärdiga livsmedel.

Genom att träna en algoritm med hjälp av kostdata och mategenskaper, såväl som vissa demografiska detaljer, kunde teamet förutsäga varje persons glykemiska respons på varje livsmedel med praktiskt taget samma nivåer av noggrannhet i tidigare studier som inkluderade detaljerad mikrobiomdata och annan beräknad information.

"Vi vet fortfarande inteVarför"Att inkludera mategenskaper gör stor skillnad", säger Dr Kleinberg. Det är möjligt att matinformation är en proxy för mikronäringsämnen som driver glykemiska reaktioner, eller att de fysiska egenskaperna hos vissa livsmedel får människor att äta dem annorlunda eller smälta dem annorlunda.

Genom att fokusera på mattyper kunde teamet också undersöka individuella variationer i glykemiska svar. "Eftersom människor äter samma måltider om och om igen, ger data oss insyn i hur individuella svar på vissa livsmedel förändras över tiden", förklarar Dr. Kleinberg. Teamet fann att inkludering av data om menstruationscykler i sin modell stod för mycket av variationen inom individen, vilket tyder på att skiftande hormonnivåer kan spela en viktig roll för att förmedla individuella glykemiska svar.

Teamets modell förutsäger också exakt glykemiskt svar för både den amerikanska och kinesiska befolkningen - ett viktigt fynd eftersom mikrobiombaserade modeller ofta har kämpat för att producera korrekta resultat i olika kulturella sammanhang. "Vi behöver inte data om en specifik regional befolkning för att göra förutsägelser", förklarar Dr. Kleinberg.

Den nya modellen är också tillräckligt kraftfull för att förutsäga en persons glykemiska reaktioner baserat på demografiska data utan behov av skräddarsydd träning på matloggar eller annan personlig data. Som ett resultat kan läkare potentiellt ge näring till modellen för att ge näringsråd under ett första möte med en patient, utan behov av mödosamma matprotokoll eller påträngande tester. "Vi kan ge bättre rekommendationer om vi har mer data, men vi kan få mycket bra resultat utan personlig information", förklarar Dr. Kleinberg. "Detta betyder att vi kan ge patienter användbara råd direkt - och förhoppningsvis kommer det att motivera dem att fortsätta."

Därefter planerar teamet att förfina sin modell med större datamängder och undersöka om att lägga till mikrobiomdata ökar noggrannheten i deras modell. "Det är den stora frågan, för om matinformation ensam ger oss allt vi behöver, kanske det inte finns något behov av att samla avföringsprover eller göra andra tester", säger Dr Kleinberg. "Detta kan göra personlig kost mer överkomlig och tillgänglig för alla."

Källor: