NOVA Through Two Lenses: From Nutrients to Food Processing Classification in Finland's National Food Database
Questo studio dimostra che un classificatore di apprendimento automatico addestrato sulla composizione dei nutrienti può trasferirsi efficacementmente tra diversi database alimentari per identificare gli alimenti ultra-processati e classificare l'intensità della lavorazione, sebbene l'assegnazione di tutti e quattro i gruppi NOVA rimanga impegnativa a causa delle intrinseche ambiguità di definizione.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Il cibo è molto più di un semplice carburante; è uno spettro di trasformazione. A un'estremità si trovano i cibi nel loro stato naturale, come una mela o una carota cruda. All'altra estremità si trovano prodotti che sono stati così pesantemente alterati dall'industria da non somigliare quasi più ai loro ingredienti originali, come un cereale per la colazione zuccherato o una torta confezionata. Tra questi poli si trova una via di mezzo composta da cibi che sono stati cucinati, conservati o mescolati con ingredienti semplici come sale o zucchero. Gli scienziati hanno sviluppato un sistema chiamato NOVA per classificare i cibi in queste quattro categorie, sperando di capire come il grado di lavorazione influenzi la salute umana. L'idea è che più un alimento è lavorato, più è probabile che sia collegato a esiti negativi per la salute, come il diabete o le malattie cardiache. Tuttavia, classificare milioni di prodotti alimentari a mano è lento, difficile e spesso porta a disaccordi anche tra gli esperti. Inoltre, molti database alimentari nazionali, che monitorano ciò che le persone mangiano, non includono affatto queste etichette di lavorazione, lasciando ai ricercatori un vuoto nella loro conoscenza.
Per colmare questo divario, un team di ricercatori ha deciso di vedere se un computer potesse imparare a classificare correttamente i cibi semplicemente guardando il loro contenuto nutrizionale. Si sono concentrati su uno strumento di apprendimento automatico specifico chiamato FoodProX, che era stato originariamente addestrato su dati alimentari americani per prevedere i gruppi NOVA basandosi su dieci nutrienti chiave, come zucchero, grassi, fibre e sodio. Il team si chiedeva se un modello addestrato su cibi europei potesse funzionare altrettanto bene sui cibi americani e se potesse classificare con successo i cibi in un database nazionale finlandese che non era mai stato catalogato prima. Hanno raccolto una vasta collezione di oltre 180.000 prodotti alimentari da un database globale, principalmente europeo, e hanno insegnato al computer a riconoscere i modelli di nutrienti che corrispondono a ciascuno dei quattro gruppi NOVA. Successivamente, hanno testato questo nuovo modello, addestrato in Europa, su cibi europei mai visti prima e su un set separato di cibi americani per vedere se potesse generalizzare la propria conoscenza oltre i confini.
I risultati hanno mostrato che il computer era straordinariamente bravo a individuare gli estremi dello spettro alimentare. Poteva identificare con alta precisione i cibi non lavorati e quelli ultra-processati. Quando i ricercatori hanno chiesto al modello di distinguere tra le due categorie più lavorate — il gruppo "processato" e quello "ultra-processato" — esso ha incontrato difficoltà. Il modello ha spesso confuso queste due categorie intermedie, suggerendo che le differenze nutrizionali tra esse siano troppo sottili per essere rilevate con certezza da un computer. Questa confusione non era un difetto della programmazione del computer, bensì un riflesso della difficoltà che anche gli esseri umani affrontano nel tracciare una linea netta tra questi due gruppi. Anche quando il modello è stato applicato al database finlandese, che conteneva oltre 4.000 articoli privi di etichette precedenti, ha prodotto una classificazione coerente dei cibi dal meno al più lavorato, posizionando gli ingredienti grezzi all'estremità bassa e i pasti pronti all'estremità alta.
Lo studio ha rivelato che il computer si affidava fortemente a nutrienti specifici per prendere le sue decisioni. Il sodio, ovvero il sale, è stato l'indizio più importante, seguito da vicino dagli zuccheri totali. I cibi ricchi di questi due nutrienti venivano spinti verso la categoria ultra-processata, mentre i cibi con bassi livelli di fibre e ferro venivano anch'essi segnalati come probabilmente altamente lavorati. Interessante il fatto che il modello non si sia basato tanto sull'energia totale o sui grassi saturi quanto ci si potrebbe aspettare. Quando i ricercatori hanno confrontato il loro modello addestrato in Europa con l'originale americano, hanno scoperto che, sebbene i due modelli talvolta discordassero sulla categoria esatta di un alimento specifico, concordavano ampiamente sulla sequenza generale. Entrambi classificavano i cibi in una sequenza simile, dal meno al più lavorato, anche se i numeri esatti assegnati differivano leggermente. Ciò suggerisce che, sebbene i confini precisi tra le categorie siano sfumati, la tendenza generale all'aumento della lavorazione è chiara e misurabile attraverso i soli nutrienti.
I ricercatori hanno concluso che, sebbene i modelli basati sui nutrienti siano strumenti potenti per identificare i cibi ultra-processati e classificarli per intensità, non possono sostituire perfettamente gli esperti umani nel classificare ogni singolo alimento nei quattro distinti gruppi NOVA. La difficoltà risiede nella natura stessa del sistema di classificazione, dove la linea tra un alimento processato e uno ultra-processato è spesso definita dalla presenza di additivi industriali che non cambiano significativamente il profilo nutrizionale. Una pagnotta di pane fatta con ingredienti semplici e una fatta con emulsionanti e conservanti potrebbero avere quantità quasi identiche di zucchero, sale e grassi, eppure appartengono a categorie diverse. Poiché il computer non può vedere la lista degli ingredienti o il processo di produzione, può solo ipotizzare in base ai nutrienti che può misurare.
Nonostante queste limitazioni, lo studio offre una strada pratica da seguire. Applicando questo modello addestrato al database alimentare nazionale finlandese, i ricercatori hanno creato il primo insieme di etichette di lavorazione per migliaia di articoli alimentari finlandesi. Questi nuovi dati permettono agli scienziati di studiare come la lavorazione degli alimenti in Finlandia sia correlata agli esiti per la salute senza dover etichettare manualmente ogni articolo. Le conclusioni suggeriscono che, per studi su larga scala, l'uso di un computer per segnalare i cibi ultra-processati sia una strategia affidabile, anche se le distinzioni più sottili tra "processato" e "ultra-processato" rimangono incerte. Il lavoro evidenzia che, sebbene i soli nutrienti non possano raccontare l'intera storia della lavorazione degli alimenti, essi forniscono un segnale forte che può aiutare i ricercatori e i decisori politici a comprendere la composizione del nostro approvvigionamento alimentare e il suo potenziale impatto sulla salute pubblica.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.