NOVA Through Two Lenses: From Nutrients to Food Processing Classification in Finland's National Food Database
تُظهر هذه الدراسة أن مصنفاً يعتمد على تعلم الآلة، تم تدريبه على التركيب الغذائي، يمكنه الانتقال بفعالية عبر قواعد بيانات غذائية مختلفة لتحديد الأطعاوات فائقة المعالجة وترتيب شدة المعالجة، على الرغم من أن تعيين جميع مجموعات "نوفا" الأربع يظل أمراً صعباً بسبب الغموض المتأصل في التعريفات.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
الغذاء هو أكثر من مجرد وقود؛ إنه طيف من التحولات. في أحد طرفيه تقع الأطعمة في حالتها الطبيعية، مثل تفاحة أو جزرة خام. وفي الطرف الآخر تقع المنتجات التي تم تعديلها بشدة بواسطة الصناعة لدرجة أنها لا تشبه مكوناتها الأصلية، مثل حبوب الإفطار السكرية أو كعك الوجبات الخفيفة المعلب. وبين هذين القطبين تقع منطقة وسطى من الأطعمة التي تم طهيها، أو حفظها، أو خلطها بمكونات بسيطة مثل الملح أو السكر. وقد طور العلماء نظامًا يسمى "نوفا" (NOVA) لتصنيف الأطعمة إلى هذه الفئات الأربع، آملين في فهم كيف يؤثر درجة معالجة الطعام على صحة الإنسان. والفكرة هي أنه كلما زادت معالجة الطعام، زاد احتمال ارتباطه بنتائج صحية سيئة مثل السكري أو أمراض القلب. ومع ذلك، فإن فرز ملايين المواد الغذائية يدويًا عملية بطيئة وصعبة، وغالبًا ما تؤدي إلى خلافات حتى بين الخبراء. علاوة على ذلك، فإن العديد من قواعد البيانات الغذائية الوطنية، التي تتبع ما يأكله الناس، لا تتضمن هذه الملصقات الخاصة بمعالجة الأطعمة على الإطلاق، مما يترك الباحثين في فجوة في معرفتهم.
ولسد هذه الفجوة، عزم فريق من الباحثين على معرفة ما إذا كان بإمكان الكمبيوتر أن يتعلم تصنيف الأطعمة بشكل صحيح بمجرد النظر إلى محتواها الغذائي. فقد ركزوا على أداة تعلم آلي محددة تسمى "FoodProX"، والتي تم تدريبها في الأصل على بيانات غذائية أمريكية للتنبؤ بمجموعات "نوفا" بناءً على عشرة عناصر غذائية رئيسية، مثل السكر والدهون والألياف والصوديوم. وتساءل الفريق عما إذا كان النموذج المدرب على الأطعمة الأوروبية يمكن أن يعمل بنفس الكفاءة على الأطعمة الأمريكية، وما إذا كان بإمكانه بنجاح تصنيف الأطعمة في قاعدة بيانات وطنية فنلندية لم يتم تصنيفها من قبل. لقد جمعوا مجموعة ضخمة تضم أكثر من 180,000 منتج غذائي من قاعدة بيانات عالمية، معظمها من أوروبا، وعلموا الكمبيوتر التعرف على أنماط العناصر الغذائية التي تتوافق مع كل مجموعة من مجموعات "نوفا" الأربع. ثم اختبروا هذا النموذج الجديد، المدرب أوروبيًا، على أطعمة أوروبية لم يسبق رؤيتها وعلى مجموعة منفصلة من الأطعمة الأمريكية لمعرفة ما إذا كان بإمكانه تعميم معرفته عبر الحدود.
أظهرت النتائج أن الكمبيوتر كان بارعًا للغاية في رصد الأطراف القصوى لطيف الغذاء. فقد استطاع تحديد الأطعمة غير المعالجة والأطعمة فائقة المعالجة بدقة عالية وموثوقة. وعندما طلب الباحثون من النموذج التمييز بين الفئتين الأكثر معالجة — وهي مجموعة "الأطعما المعالجة" ومجموعة "الأطعمة فائقة المعالجة" — واجه صعوبة. فقد خلط النموذج كثيرًا بين هاتين الفئتين الوسطيتين، مما يشير إلى أن الاختلافات الغذائية بينهما دقيقة جدًا بحيث لا يستطيع الكمبيوتر اكتشافها بيقين. لم يكن هذا الارتباك عيبًا في برمجة الكمبيوتر، بل كان انعكاسًا للصعوبة التي يواجهها البشر عند محاولة رسم خط واضح بين هاتين المجموعتين. وحتى عند تطبيق النموذج على قاعدة البيانات الفنلندية، التي تحتوي على أكثر من 4,000 مادة غذائية بدون ملصقات مسبقة، فقد أنتج ترتيبًا متسقًا للأطعمة من الأقل معالجة إلى الأكثر معالجة، واضعًا المكونات الخام في الطرف الأدنى والوجبات الجاهزة في الطرف الأعلى.
وكشفت الدراسة أن الكمبيوتر اعتمد بشكل كبير على عناصر غذائية محددة لاتخاذ قراراته. كان الصوديوم، أو الملح، هو الدليل الأكثر أهمية، يليه عن قرب إجمالي السكريات. فالأطعمة الغنية بهذين العنصرين تم دفعها نحو فئة الأطعمة فائقة المعالجة، بينما تم وضع الأطعمة ذات الأليات والحديد المنخفض أيضًا كأطعمة يُرجح أنها عالية المعالجة. ومن المثير للاهتمام أن النموذج لم يعتمد كثيرًا على إجمالي الطاقة أو الدهون المشبعة كما قد يتوقع المرء. وعندما قارن الباحثون نموذجهم المدرب أوروبيًا بالنسخة الأمريكية الأصلية، وجدوا أنه بينما قد يختلف النموذجان أحيانًا في الفئة الدقيقة لطعام معين، إلا أنهما يتفقان إلى حد كبير في الترتيب العام. فقد رتّبا الأطعمة بتسلسل متشابه من الأقل معالجة إلى الأكثر معالجة، حتى لو اختلفت الأرقام الدقيقة التي خصصها كل منهما قليلًا. وهذا يشير إلى أنه بينما تكون الحدود الدقيقة بين الفئات ضبابية، فإن الاتجاه العام لزيادة المعالجة واضح ويمكن قياسه من خلال العناصر الغذائية وحدها.
وخلص الباحثون إلى أنه بينما تعد النماذج القائمة على العناصر الغذائية أدوات قوية لتحديد الأطعمة فائقة المعالجة وتصنيفها حسب شدتها، إلا أنها لا تستطيع استبدال الخبراء البشريين تمامًا في تصنيف كل طعام إلى المجموعات الأربع المتميزة. وتكمن الصعوبة في طبيعة نظام التصنيف نفسه، حيث غالبًا ما يتم تحديد الخط الفاصل بين الطعام المعالج والطعام فائق المعالجة من خلال وجود مضافات صناعية لا تغير الملف الغذائي بشكل كبير. فرغيف خبز مصنوع من مكونات بسيطة ورغيف آخر مصنوع من المستحلبات والمواد الحافظة قد يكون لهما كميات متطابقة تقريبًا من السكر والملح والدهون، ومع ذلك ينتميان إلى فئات مختلفة. ولأن الكمبيوتر لا يستطيع رؤية قائمة المكونات أو عملية التصنيع، فإنه لا يمكنه سوى التخمين بناءً على العناصر الغذائية التي يمكنه قياسها.
وعلى الرغم من هذه القيود، تقدم الدراسة مسارًا عمليًا للمضي قدمًا. فمن خلال تطبيق هذا النموذج المدرب على قاعدة البيانات الغذائية الوطنية الفنلندية، أنشأ الباحثون أول مجموعة من ملصقات المعالجة لآلاف المواد الغذائية الفنلندية. وتسمح هذه البيانات الجديدة للعلماء بدراسة كيفية ارتباط معالجة الأغذية في فنلندا بالنتائج الصحية دون الحاجة إلى تسمية كل عنصر يدويًا. وتشير النتيات إلى أنه بالنسبة للدراسات واسعة النطاق، فإن استخدام الكمبيوتر لتحديد الأطعمة فائقة المعالجة يعد استراتيجية موثوقة، حتى لو ظلت التمايزات الدقيقة بين الأطعمة المعالجة وفائقة المعالجة غير مؤكدة. ويسلط هذا العمل الضوء على أنه بينما لا تستطيع العناصر الغذائية وحدها سرد القصة الكاملة لمعالجة الطعام، إلا أنها توفر إشارة قوية يمكن أن تساعد الباحثين وصناع القرار على فهم تكوين إمداداتنا الغذائية وتأثيرها المحتمل على الصحة العامة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.