會知道這篇研究是來自於先前我在 FB 貼一篇有關「生雞蛋拌飯與餐後血糖」的文時,有粉絲在底下留了「A good diet for you may be bad for me」給我,該文提到即使吃著相同 GI 值的食物,但人與人之間其實會有滿大的差異出現。這題目與我們目前對於 GI (升糖指數)的認知有些許的不同,一般而言 GI 值高的食物,如白飯、白麵包、甜食或是糖分高的水果,人們吃下去之後,血糖會很快的升高,但實際上可能不是每個人都這樣。

生雞蛋拌飯的貼文:

看完該文章之後,順便也把來源的文獻給找了出來,然後… 除了研究結果很有趣之外,我還有另外一個念頭「人工智慧也來營養界插旗啦」,為什麼會有這樣的想法呢?之後介紹研究時會聊到。先來看看這個研究大概是怎麼進行的吧!簡單來說,就可以分成三部分:

一、基礎資料蒐集

研究人員先找來同一世代,總共 800 個人(* 平均年齡 43.3 歲、BMI 26.4)進行一週的試驗,每一天會讓他們吃一餐標準化的早餐,並持續收集餐後的血糖反應,此外也會利用智慧型手機蒐集他們平時的飲食記錄(總共有 46,898 餐的紀錄)。在這階段呢,如果我們用平均餐後血糖反應來看的話,會看到吃了哪種食物會有相對的餐後血糖反應,但是呢! 如果一個一個挑出來看,就會發現一些有趣的地方。底下就讓我們挑兩張研究中的圖來說明:

a. 一樣的食物、不一樣的反應

個人吃麵包後的血糖變化

上圖,每一條曲線代表參與研究的一個人,一樣是吃白麵包,但人與人之間的餐後血糖曲線面積有很大的差異。吃完白麵高血糖高這個我們能理解,但那個曲線一直躺平的是怎麼一回事呢?

 

b. 吃兩種一樣的食物,反應截然不同

不同人吃香蕉與餅乾的血糖反應

參與研究裡面的兩個人,一樣是吃香蕉與餅乾,但吃之後的血糖卻出現相反地反應。

二、機械學習演算法的建立

從種種的個人和個人之間的差異來看,單看某種食物的 GI 值就說吃了之後血糖就會標高,似乎就不是很絕對的事情吧!於是呢~ 研究人員試圖加入更多的因素,並想利用機械學習來做預測,這是一種人工智慧的應用。除了從第一階段獲取的大量餐後血糖反應資料外,也取得參與者們的飲食記錄(利用智慧型手機的飲食記錄 APP)、身體活動、吃標準餐後的血糖反應、飲食頻率問卷、身體測量與腸道微生物分布。把這些資料餵給研究者們設計的機器學習,讓這套演算法利用這些資料來做預測。(下圖是預測模型的設計)

升糖指數的研究&機器學習

三、驗證演算法的準確性

訓練完畢後,理想上是你隨便抓一個人,只要有相關的參數丟給這套演算法,它就會告訴你,那個人吃某種食物後的血糖反應情形。研究人員另外找了 100 個人,把他們的基本資訊提供給演算法,結果預測正確率達 70%。

最後,研究人員又找來 26 個人,其中 12 個人會依演算法的預測來設計飲食;其他的人則是由專業營養師提供餐點。結果發現不管是演算法還是營養師的餐,對於餐後血糖的控制有一樣的好的表現。營養師能服務的人有限,但經過訓練的人工智慧不僅擁有跟營養師一樣準確的結果,卻能夠服務更多的人。更別說,只要能餵給人工智慧更多的資料或是加入相關因子,它就會變得更好…

 

擁有個人飲食服務的未來

請想像一下…

在未來,人們已經相當習慣使用健康相關的 APP(飲食記錄)、穿戴式裝置(運動記錄)或是連網的健康裝置(生理、生化數據),而這些數據提供給某個健康管理服務機構,它們就能針對你做出個人化的健康飲食服務,看是要訂餐、提供食材採購清單…(這套模式可以再延伸到疾病預測。)

 

PS: 現在開始專研統計還來得及吧!

 

關於本文

  • 文獻出處:Veronese, N., Stubbs, B., Noale, M., Solmi, M., Luchini, C., & Maggi, S. (2016). Adherence to the Mediterranean diet is associated with better quality of life: data from the Osteoarthritis Initiative. The American Journal of Clinical Nutrition, 104(5), 1403–1409.
  • 主題圖片:Sidney