Modelo de dados de dados abre porta para nutrição personalizada-sem a necessidade de amostras irritantes

Se você comer um lanche – uma almôndega, digamos, ou um marshmallow – como isso afetará seu açúcar no sangue? É uma pergunta surpreendentemente complicada; A resposta glicêmica do corpo a diferentes alimentos varia com base em genética individual, microbiomas, flutuações hormonais e muito mais. Por isso, fornecendo conselhos nutricionais personalizados – o que pode ajudar os pacientes a gerenciar o diabetes, a obesidade e as doenças cardiovasculares, entre outras condições – exigem testes caros e intrusivos, dificultando a prestação de cuidados eficazes em escala.

Em um artigo no Journal of Diabetes Science and TechnologyPesquisadores do Instituto de Tecnologia Stevens oferecem uma nova abordagem: um modelo de dados capaz de prever com precisão respostas glicêmicas individuais sem necessidade de sorteio de sangue, amostras de fezes ou outros testes desagradáveis. A chave para sua abordagem? Mantendo o controle do 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 dos alimentos específicos que as pessoas estão comendo”, explica a Dra. Samantha Kleinberg, professora de ciência da computação de Farber. “Mostramos que, analisando os tipos de alimentos, é possível fazer previsões altamente precisas com muito menos dados”.

A equipe do Dr. Kleinberg estudou dois conjuntos de dados que incluem diários alimentares detalhados e dados contínuos de monitor de glicose para quase 500 pessoas com diabetes (ambos os tipos 1 e 2) com sede nos Estados Unidos e na China. Usando bancos de dados de alimentos existentes e chatgpt, eles classificaram cada refeição de acordo com o conteúdo de MacronUtrient e também alavancaram a estrutura dos alimentos (para que as carnes sejam mais semelhantes entre si do que os queijos), permitindo que eles diferenciem os alimentos nutricionalmente equivalentes.

Ao treinar um algoritmo usando dados nutricionais e características alimentares, além de alguns detalhes demográficos, a equipe conseguiu prever a resposta glicêmica de cada indivíduo a cada alimento com praticamente os mesmos níveis de precisão encontrados em estudos anteriores que incluíam dados detalhados de microbioma e outras informações difíceis de coletor.

“Ainda não sabemos por que incluir os recursos alimentares faz uma diferença tão grande”, diz Kleinberg. É possível que a informação alimentar seja um proxy para micronutrientes que conduzem respostas glicêmicas ou que as propriedades físicas de certos alimentos levam as pessoas a comer ou digeri -las de maneira diferente.

“O que está claro, porém, é que, quando se trata de açúcar no sangue, há mais no trabalho do que apenas os macronutrientes”, diz Kleinberg.

Ao focar nos tipos de alimentos, a equipe também foi capaz de explorar variações individuais nas respostas glicêmicas.

“Como as pessoas comem as mesmas refeições repetidas vezes, os dados nos dão visibilidade da maneira como as respostas individuais a alimentos específicos mudam com o tempo”, explica o Dr. Kleinberg.

A equipe constatou que a inclusão de dados sobre ciclos menstruais em seu modelo representava grande parte da variação intra-sujeito, sugerindo que os níveis hormonais de mudança poderiam desempenhar um papel importante na mediação de respostas glicêmicas individuais.

O modelo da equipe também prevê com precisão a resposta glicêmica para populações americanas e chinesas-um achado importante, uma vez que os modelos baseados em microbioma geralmente lutam para fornecer resultados precisos em diferentes contextos culturais.

“Não precisamos de dados sobre uma população regional específica para poder fazer previsões lá”, explica o Dr. Kleinberg.

O novo modelo também é poderoso o suficiente para prever as respostas glicêmicas de um indivíduo com base em dados demográficos, sem treinamento personalizado sobre registros de alimentos ou outros dados personalizados. Como resultado, os médicos poderiam usar o modelo para oferecer conselhos nutricionais durante uma reunião inicial com um paciente, sem a necessidade de registro trabalhoso de alimentos ou testes intrusivos.

“Podemos oferecer melhores recomendações se tivermos mais dados, mas podemos obter resultados muito bons, sem informações personalizadas”, explica o Dr. Kleinberg. “Isso significa que podemos dar aos pacientes conselhos úteis imediatamente – e espero que isso os motivará a continuar”.

Em seguida, a equipe planeja refinar seu modelo usando conjuntos de dados maiores e explorar se a adição de dados de microbioma aumenta a precisão de seu modelo.

“Essa é a grande questão, porque se apenas a informação alimentar nos fornece tudo o que precisamos, pode não haver necessidade de coletar amostras de fezes ou fazer outros testes”, diz Kleinberg. “Isso poderia tornar a nutrição personalizada mais acessível e acessível para todos”.