NOVA Through Two Lenses: From Nutrients to Food Processing Classification in Finland's National Food Database
Este estudo demonstra que um classificador de aprendizado de máquina treinado na composição de nutrientes pode transferir-se efetivamente entre diferentes bases de dados de alimentos para identificar alimentos ultraprocessados e classificar a intensidade do processamento, embora atribuir todos os quatro grupos NOVA permaneça desafiador devido às ambiguidades inerentes de definição.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo
A comida é mais do que apenas combustível; é um espectro de transformação. Em uma extremidade estão os alimentos em seu estado natural, como uma maçã ou uma cenoura crua. Na outra extremidade estão produtos que foram tão fortemente alterados pela indústria que guardam pouca semelhança com seus ingredientes originais, como um cereal matinal açucarado ou um bolinho de pacote. Entre esses polos reside um meio-termo de alimentos que foram cozidos, preservados ou misturados com ingredientes simples como sal ou açúcar. Cientistas desenvolveram um sistema chamado NOVA para classificar esses alimentos em quatro categorias, esperando entender como o grau de processamento afeta a saúde humana. A ideia é que, quanto mais um alimento é processado, maior é a probabilidade de estar ligado a resultados negativos de saúde, como diabetes ou doenças cardíacas. No entanto, classificar milhões de itens alimentares manualmente é lento, difícil e frequentemente leva a divergências até mesmo entre especialistas. Além disso, muitos bancos de dados nacionais de alimentos, que rastreiam o que as pessoas comem, não incluem essas etiquetas de processamento, deixando uma lacuna no conhecimento dos pesquisadores.
Para preencher essa lacuna, uma equipe de pesquisadores decidiu verificar se um computador poderia aprender a classificar os alimentos corretamente apenas observando seu conteúdo nutricional. Eles focaram em uma ferramenta específica de aprendizado de máquina chamada FoodProX, que foi originalmente treinada em dados americanos para prever grupos NOVA com base em dez nutrientes fundamentais, como açúcar, gordura, fibra e sódio. A equipe questionou se um modelo treinado em alimentos europeus funcionaria tão bem em alimentos americanos e se ele conseguiria rotular com sucesso alimentos de um banco de dados nacional finlandês que nunca haviam sido classificados antes. Eles reuniram uma coleção massiva de mais de 180.000 produtos alimentares de um banco de dados global, majoritariamente europeu, e ensinaram o computador a reconhecer os padrões de nutrientes que correspondem a cada um dos quatro grupos NOVA. Em seguida, testaram esse novo modelo, treinado na Europa, em alimentos europeus não vistos anteriormente e em um conjunto separado de alimentos americanos para ver se ele conseguiria generalizar seu conhecimento através das fronteiras.
Os resultados mostraram que o computador era extraordinariamente bom em identificar os extremos do espectro alimentar. Ele conseguia identificar alimentos não processados e alimentos ultraprocessados com alta precisidade. Quando os pesquisadores pediram ao modelo para distinguir entre as duas categorias mais processadas — o grupo "processado" e o grupo "ultraprocessado" — ele apresentou dificuldades. O modelo frequentemente confundia essas duas categorias intermediárias, sugerindo que as diferenças nutricionais entre elas são sutis demais para serem detectadas com certeza por um computador. Essa confusão não era uma falha na programação do computador, mas sim um reflexo da dificuldade que os humanos enfrentam ao tentar traçar uma linha clara entre esses dois grupos. Mesmo quando o modelo foi aplicado ao banco de dados finlandês, que continha mais de 4.000 itens alimentares sem rótulos prévios, ele produziu uma classificação consistente de alimentos do menos ao mais processado, posicionando ingredientes crus na extremidade inferior e refeições prontas na extremidade superior.
O estudo revelou que o computador dependia fortemente de nutrientes específicos para tomar suas decisões. O sódio, ou sal, foi a pista mais importante, seguido de perto pelo açúcar total. Alimentos ricos nesses dois nutrientes eram empurrados para a categoria ultraprocessada, enquanto alimentos com baixo teor de fibras e ferro também eram sinalizados como provavelmente altamente processados. Curiosamente, o modelo não dependeu tanto da energia total ou da gordura saturada como se poderia esperar. Quando os pesquisadores compararam seu modelo treinado na Europa com a versão americana original, descobriram que, embora os dois modelos às vezes discordassem sobre a categoria exata de um alimento específico, eles concordavam amplamente na ordem geral. Ambos classificaram os alimentos em uma sequência semelhante, do menos ao mais processado, mesmo que os números exatos atribuídos diferissem ligeiramente. Isso sugere que, embora as fronteiras precisas entre as categorias sejam imprecisas, a tendência geral de aumento do processamento é clara e mensurável apenas através dos nutrientes.
Os pesquisadores concluíram que, embora os modelos baseados em nutrientes sejam ferramentas poderosas para identificar alimentos ultraprocessados e classificá-los por intensidade, eles não podem substituir perfeitamente os especialistas humanos na classificação de cada alimento nos quatro grupos distintos da NOVA. A dificuldade reside na própria natureza do sistema de classificação, onde a linha entre um alimento processado e um ultraprocessado é frequentemente definida pela presença de aditivos industriais que não alteram significativamente o perfil nutricional. Um pão feito com ingredientes simples e um pão feito com emulsificantes e conservantes podem ter quantidades quase idênticas de açúcar, sal e gordura, mas pertencem a categorias diferentes. Como o computador não consegue ver a lista de ingredientes ou o processo de fabricação, ele pode apenas supor com base nos nutrientes que consegue medir.
Apesar dessas limitações, o estudo oferece um caminho prático. Ao aplicar este modelo treinado ao banco de dados nacional finlandês de alimentos, os pesquisadores criaram o primeiro conjunto de rótulos de processamento para milhares de itens alimentares finlandeses. Esses novos dados permitem que cientistas estudem como o processamento de alimentos na Finlândia se relaciona com resultados de saúde sem a necessidade de rotular manualmente cada item. As descobertas sugerem que, para estudos de grande escala, usar um computador para sinalizar alimentos ultraprocessados é uma estratégia confiável, mesmo que as distinções mais finas entre processados e ultraprocessados permaneçam incertas. O trabalho destaca que, embora os nutrientes sozinhos não possam contar a história toda do processamento de alimentos, eles fornecem um sinal forte que pode ajudar pesquisadores e formuladores de políticas a compreender a composição do nosso suprimento alimentar e seu potencial impacto na saúde pública.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.