NOVA Through Two Lenses: From Nutrients to Food Processing Classification in Finland's National Food Database
Deze studie toont aan dat een machine learning-classificator die getraind is op de nutriëntencompositie effectief kan worden overgedragen naar verschillende voedingsmiddelendatabases om ultrabewerkte voedingsmiddelen te identificeren en de intensiteit van de verwerking te rangschikken, hoewel het toewijzen van alle vier de NOVA-groepen uitdagend blijft vanwege inherente definitie-ambiguïteiten.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Voedsel is meer dan alleen brandstof; het is een spectrum van transformatie. Aan de ene kant bevinden zich voedingsmiddelen in hun natuurlijke staat, zoals een appel of een rauwe wortel. Aan de andere kant staan producten die zo zwaar zijn aangepast door de industrie dat ze weinig gelijkenis vertonen met hun oorspronkelijke ingrediënten, zoals een suikerrijke ontbijtgranen of een verpakte snackcake. Tussen deze polen ligt een middengebied van voedingsmiddelen die zijn gekookt, geconserveerd of gemengd met eenvoudige ingrediënten zoals zout of suiker. Wetenschappers hebben een systeem ontwikkeld genaamd NOVA om voedingsmiddelen in deze vier categorieën in te delen, in de hoop te begrijpen hoe de mate van verwerking de menselijke gezondheid beïnvloedt. Het idee is dat hoe meer een voedingsmiddel bewerkt is, hoe groter de kans dat het gekoppeld is aan negatieve gezondheidsuitkomsten zoals diabetes of hartziekten. Het sorteren van miljoenen voedingsmiddelen door de hand is echter traag, moeilijk en leidt vaak tot onenigheid, zelfs onder experts. Bovendien bevatten veel nationale voedingsmiddelendatabases, die bijhouden wat mensen eten, deze verwerkingslabels helemaal niet, waardoor onderzoekers met een gat in hun kennis blijven zitten.
Om deze kloof te overbruggen, zetten een team van onderzoekers zich in om te zien of een computer voedingsmiddelen correct kan sorteren door enkel naar de voedingswaarde te kijken. Ze richtten zich op een specifieke machine learning-tool genaamd FoodProX, die oorspronkelijk was getraind op Amerikaanse voedingsgegevens om NOVA-groepen te voorspellen op basis van tien belangrijke voedingsstoffen, zoals suiker, vet, vezels en natrium. Het team vroeg zich af of een model dat getraind was op Europese voedingsmiddelen ook even goed zou werken op Amerikaanse voedingsmiddelen, en of het succesvol voedingsmiddelen in een Finse nationale database zou kunnen labelen die nog nooit eerder was gesorteerd. Ze verzamelden een enorme collectie van meer dan 180.000 voedingsproducten uit een wereldwijde database, voornamelijk uit Europa, en leerden de computer de patronen van voedingsstoffen te herkennen die overeenkomen met elk van de vier NOVA-groepen. Vervolgens testten ze dit nieuwe, op Europa getrainde model op onbekende Europese voedingsmiddelen en op een aparte set Amerikaanse voedingsmiddelen om te zien of het zijn kennis over grenzen heen kon generaliseren.
De resultaten toonden aan dat de computer uitzonderlijk goed was in het herkennen van de extremen van het voedingsspectrum. Het kon onbewerkte voedingsmiddelen en ultrabewerkte voedingsmiddelen met hoge nauwkeurigheid identificeren. Wanneer de onderzoekers de computer vroegen om onderscheid te maken tussen de twee meest bewerkte categorieën — de groep "bewerkt" en de groep "ultrabewerkt" — kreeg de computer moeite. De computer verwart de twee middelste categorieën regelmatig, wat suggereert dat de nutritionele verschillen tussen hen te subtiel zijn voor een computer om met zekerheid te detecteren. Deze verwarring was geen fout in de programmering van de computer, maar eerder een weerspiegeling van de moeilijkheid die mensen ervaren bij het trekken van een duidelijke lijn tussen deze twee groepen. Zelfs toen het model werd toegepast op de Finse database, die meer dan 4.000 voedingsmiddelen bevatte zonder voorafgaande labels, produceerde het een consistente rangschikking van voedingsmiddelen van minst naar meest bewerkt, waarbij rauwe ingrediënten aan de lage kant werden geplaatst en kant-en-klare maaltijden aan de hoge kant.
De studie onthulde dat de computer zwaar vertrouwde op specifieke voedingsstoffen om zijn beslissingen te nemen. Natrium, of zout, was de belangrijkste aanwijzing, gevolgd door de totale hoeveelheid suikers. Voedingsmiddelen die rijk zijn aan deze twee voedingsstoffen werden richting de ultrabewerkte categorie geduwd, terwijl voedingsmiddelen met weinig vezels en ijzer ook werden gemarkeerd als waarschijnlijk sterk bewerkt. Interessant genoeg vertrouwde het model niet zozeuren op de totale energie of verzadigde vetten zoals men zou verwachten. Toen de onderzoekers hun op Europa getrainde model vergeleken met de originele Amerikaanse versie, stelden ze vast dat hoewel de twee modellen soms van mening verschilden over de exacte categorie van een specifiek voedingsmiddel, ze grotendeids overeenstemden over de algemene volgorde. Ze rangschikten voedingsmiddelen in een vergelijkbare sequentie van minst naar meest bewerkt, zelfs als de exacte cijfers die ze toekenden licht verschilden. Dit suggereert dat hoewel de precieze grenzen tussen categorieën vaag zijn, de algemene trend van toenemende verwerking duidelijk en meetbaar is via voedingsstoffen alleen.
De onderzoekers concludeerden dat hoewel voedingsstofgebaseerde modellen krachtige instrumenten zijn voor het identificeren van ultrabewerkte voedingsmiddelen en het rangschikken van de intensiteit ervan, ze menselijke experts niet perfect kunnen vervangen bij het sorteren van elk afzonderlijk voedingsmiddel in de vier afzonderlijke NOVA-groepen. De moeilijkheid ligt in de aard van het classificatiesysteem zelf, waarbij de lijn tussen een bewerkt voedingsmiddel en een ultrabewerkt voedingsmiddel vaak wordt bepaald door de aanwezigheid van industriële additieven die het nutritionele profiel niet significant veranderen. Een brood gemaakt met eenvoudige ingrediënten en een brood gemaakt met emulgatoren en conserveermiddelen kunnen bijna identieke hoeveelheden suiker, zout en vet hebben, maar behoren toch tot verschillende categorieën. Omdat de computer de ingrediëntenlijst of het productieproces niet kan zien, kan hij enkel gissen op basis van de voedingsstoffen die hij kan meten.
Ondanks deze beperkingen biedt de studie een praktisch pad voorwaarts. Door dit getrainde model toe te passen op de Finse nationale voedingsmiddelendatabase, creëerden de onderzoekers de eerste keer dat er labels voor de mate van verwerking beschikbaar waren voor duizenden Finse voedingsmiddelen. Deze nieuwe data stelt wetenschappers in staat om te bestudelen hoe voedselverwerking in Finland gerelateerd is aan gezondheidsuitkomsten, zonder dat ze elk item handmatig hoeven te labelen. De bevindingen suggereren dat voor grootschalige studies het gebruik van een computer om ultrabewerkte voedingsmiddelen te signaleren een betrouwbare strategie is, zelfs als de fijnere nuances tussen bewerkt en ultrabewerkt onzeker blijven. Het werk benadrukt dat hoewel voedingsstoffen alleen niet het hele verhaal van voedselverwerking kunnen vertellen, ze wel een sterk signaal geven dat onderzoekers en beleidsmakers kan helpen de samenstelling van ons voedselaanbod en de potentiële impact daarvan op de volksgezondheid te begrijpen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.