NOVA Through Two Lenses: From Nutrients to Food Processing Classification in Finland's National Food Database
Este estudio demuestra que un clasificador de aprendizaje automático entrenado en la composición de nutrientes puede transferirse eficazmente a través de diferentes bases de datos de alimentos para identificar alimentos ultraprocesados y clasificar la intensidad del procesamiento, aun cuando la asignación de los cuatro grupos NOVA sigue siendo un desafío debido a las ambigüedades inherentes en su definición.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo
La comida es más que solo combustible; es un espectro de transformación. En un extremo se encuentran los alimentos en su estado natural, como una manzana o una zanahoria cruda. En el otro extremo se encuentran los productos que han sido tan fuertemente alterados por la industria que guardan poca semejanza con sus ingredientes originales, como un cereal de desayuno azucarado o un pastel de merienda empaquetado. Entre estos polos se encuentra un punto medio de alimentos que han sido cocinados, preservados o mezclados con ingredientes simples como sal o azúcar. Los científicos han desarrollado un sistema llamado NOVA para clasificar estos alimentos en estas cuatro categorías, con la esperanza de comprender cómo el grado de procesamiento afecta la salud humana. La idea es que cuanto más procesado es un alimento, más probable es que esté vinculado con resultados de salud deficientes, como la diabetes o las enfermedades cardíacas. Sin embargo, clasificar millones de artículos alimenticios a mano es lento, difícil y a menudo genera desacuerdos incluso entre expertos. Además, muchas bases de datos nacionales de alimentos, que rastrean lo que la gente consume, no incluyen estas etiquetas de procesamiento, dejando un vacío en su conocimiento.
Para cerrar esta brecha, un equipo de investigadores se propuso ver si una computadora podía aprender a clasificar los alimentos correctamente basándose únicamente en su contenido nutricional. Se centraron en una herramienta de aprendizaje automático específica llamada FoodProX, que fue entrenada originalmente con datos de alimentos estadounidenses para predecir los grupos NOVA basándose en diez nutrientes clave, como el azúcar, la grasa, la fibra y el sodio. El equipo se preguntó si un modelo entrenado con alimentos europeos podría funcionar igual de bien con alimentos estadounidenses, y si podría etiquetar con éxito alimentos en una base de datos nacional finlandesa que nunca había sido clasificada. Reunieron una colección masiva de más de 180,000 productos alimenticios de una base de datos global, principalmente de Europa, y enseñaron a la computadora a reconocer los patrones de nutrientes que corresponden a cada uno de los cuatro grupos NOVA. Luego, probaron este nuevo modelo, entrenado en Europa, con alimentos europeos no vistos previamente y con un conjunto separado de alimentos estadounidenses para ver si podía generalizar su conocimiento a través de las fronas.
Los resultados mostraron que la computadora era notablemente buena detectando los extremos del espectro alimentario. Podía identificar de manera fiable los alimentos no procesados y los alimentos ultraprocesados con alta precisión. Cuando los investigadores pidieron al modelo que distinguiera entre las dos categorías más procesadas —el grupo "procesado" y el grupo "ultraprocesado"—, este tuvo dificultades. El modelo confundió frecuentemente estas dos categorías intermedias, lo que sugiere que las diferencias nutricionales entre ellas son demasiado sutiles para que una computadora las detecte con certeza. Esta confusión no fue un fallo en la programación de la computadora, sino más bien un reflejo de la dificultad que enfrentan los humanos al intentar trazar una línea clara entre estos dos grupos. Incluso cuando el modelo se aplicó a la base de datos finlandesa, que contenía más de 4,000 artículos alimenticios sin etiquetas previas, produjo una clasificación consistente de los alimentos de menor a mayor procesamiento, situando los ingredientes crudos en el extremo bajo y las comidas preparadas en el extremo alto.
El estudio reveló que la computadora dependía en gran medida de nutrientes específicos para tomar sus decisiones. El sodio, o sal, fue la pista más importante, seguido de cerca por los azúcares totales. Los alimentos altos en estos dos nutrientes fueron empujados hacia la categoría de ultraprocesados, mientras que los alimentos con baja fibra y hierro también fueron señalados como probablemente altamente procesados. Curiosamente, el modelo no dependió tanto de la energía total o la grasa saturada como uno podría esperar. Cuando los investigadores compararon su modelo entrenado en Europa con la versión estadounidense original, encontraron que, si bien los dos modelos a veces discrepaban sobre la categoría exacta de un alimento específico, en su mayoría coincidían en el orden general. Ambos clasificaron los alimentos en una secuencia similar de menor a mayor procesamiento, incluso si los números exactos que asignaban diferían ligeramente. Esto sugiere que, aunque los límites precisos entre las categorías son difusos, la tendencia general de aumento del procesamiento es clara y medible únicamente a través de los nutrientes.
Los investigadores concluyeron que, si bien los modelos basados en nutrientes son herramientas poderosas para identificar alimentos ultraprocesados y clasificarlos por intensidad, no pueden reemplazar perfectamente a los expertos humanos al clasificar cada alimento en los cuatro grupos distintos de NOVA. La dificultad radica en la naturaleza misma del sistema de clasificación, donde la línea entre un alimento procesado y uno ultraprocesado a menudo se define por la presencia de aditivos industriales que no cambian significativamente el perfil nutricional. Un pan hecho con ingredientes simples y un pan hecho con emulsionantes y conservantes pueden tener cantidades casi idénticas de azúcar, sal y grasa, pero pertenecen a categorías diferentes. Debido a que la computadora no puede ver la lista de ingredientes ni el proceso de fabricación, solo puede adivinar basándose en los nutrientes que puede medir.
A pesar de estas limitaciones, el estudio ofrece un camino práctico. Al aplicar este modelo entrenado a la base de datos nacional de alimentos de Finlandia, los investigadores crearon el primer conjunto de etiquetas de procesamiento para miles de artículos alimenticios finlandeses. Estos nuevos datos permiten a los científicos estudiar cómo el procesamiento de alimentos en Finlandia se relaciona con los resultados de salud sin necesidad de etiquetar manualmente cada artículo. Los hallazgos sugieren que, para estudios a gran escala, usar una computadora para señalar los alimentos ultraprocesados es una estrategia fiable, incluso si las distinciones más finas entre procesado y ultraprocesado siguen siendo inciertas. El trabajo destaca que, si bien los nutrientes por sí solos no pueden contar toda la historia del procesamiento de los alimentos, proporcionan una señal fuerte que puede ayudar a los investigadores y responsables políticos a comprender la composición de nuestro suministro de alimentos y su impacto potencial en la salud pública.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.