AI dezvăluie cât de mult zahăr este ascund alimentele ambalate din întreaga lume

La nivel global, carbohidrații asigură aproximativ 70% din energia zilnică (cu diferențe regionale semnificative), însă calitatea lor contează la fel de mult precum cantitatea. Numeroase studii au evidențiat relația dintre calitatea carbohidraților (proporția de fibre și zaharuri libere) și riscul de boli cronice (cardiometabolice, obezitate, diabet etc.). O metrică utilizată frecvent pentru a descrie calitatea carbohidraților este raportul 10:1|1:2, care presupune:

• La fiecare 10 g de carbohidrați: cel puțin 1 g de fibre;
• Pentru fiecare 1 g de fibre: maximum 2 g de zaharuri libere.

Totuși, una dintre provocări este că zaharurile libere nu sunt întotdeauna declarate pe etichetă în majoritatea țărilor. Acest fapt limitează calculul raportului 10:1|1:2, care necesită cunoașterea exactă a zaharurilor adăugate/libere. Pentru a înțelege mai bine calitatea carbohidraților din produsele ambalate, autorii studiului publicat în Frontiers in Nutrition au dezvoltat un algoritm bazat pe machine learning pentru a prezice conținutul de zaharuri libere, folosind doar datele obligatorii din declarația nutrițională și lista de ingrediente.

Obiective:

• Dezvoltarea unui algoritm care să estimeze cantitatea de zaharuri libere dintr-o bază de date globală de produse ambalate (Mintel Global New Products Database).  
• Evaluarea aplicabilității acestui algoritm pentru calcularea raportului 10:1|1:2 în diferite categorii de produse și în mai multe țări, urmărind evoluția calității carbohidraților între 2014 și 2024.

Date și metodologie

• Sursa datelor: Mintel GNPD, o bază de date ce colectează anual în jur de 130.000 de produse noi din 86 de țări; acoperă 24 de categorii alimentare (fără produse proaspete sau vrac).  
• Selecția finală: 2,4 milioane de produse inițiale (lansate 2014–2024); după curățare și filtrări (nutrienți complet declarați, informații valide despre porții etc.), au fost reținute 887.575 produse.  
• Modelare machine learning:  

• Identificarea ingredientelor care indică zahăr adăugat (ex. siropuri, îndulcitori etc.) vs. cele care implică zahăr natural (ex. fructe, produse lactate).  
• Set de antrenare: Subset de produse din SUA, unde declararea zahărului adăugat e obligatorie (peste 56% din totalul cu date explicite).  
• Algoritmi folosiți: multiple modele de clasificare (pentru a detecta prezența zahărului adăugat) și modele de regresie (pentru a estima cantitatea exactă).  
• Aplicare: Pe produse din alte țări (unde nu se declară zahăr adăugat). În anumite categorii (sucuri, miere, siropuri, etc.), s-a presupus direct că zahărul total este aproape în întregime zahăr liber.

• Calitatea carbohidraților: după prezicerea zahărului liber, autorii au calculat pentru fiecare produs dacă respectă raportul 10:1|1:2 (pentru fiecare 10 g carbohidrați → 1 g fibre, iar pentru fiecare 1 g fibre → <2 g zahăr liber).

Rezultate

Performanța algoritmului

• Pe setul de validare (SUA), eroarea medie absolută pentru zaharurile libere a fost de aproximativ 1 g/100 g, iar corelația (R²) între valorile prezise și cele declarate a atins 0,98.  
• Comparativ cu metode anterioare (k-Nearest Neighbors), noul model a avut rezultate superioare.  
• Cele mai mari inexactități au apărut la anumite produse care aveau discrepanțe între conținutul declarat ca zahăr adăugat și ingredientele de pe etichetă.

Predictibilitatea raportului 10:1|1:2

• În SUA, diferențele dintre proporția reală de produse care respectă raportul și proporția prezisă au fost nesemnificative în fiecare categorie testată.  
• În alte 14 țări (ex. Australia, Mexic, Brazilia, Franța, Germania, Thailanda etc.), predicțiile globalizate au arătat o acuratețe bună, cu erori mai mari doar acolo unde numărul de produse etichetate cu „zahăr adăugat” era foarte redus sau datele erau foarte fragmentate.

Variabilitate între categorii

• Categoriile bogate în fibre (ex. cereale calde sau cereale pentru mic dejun) aveau proporții mai mari de produse ce îndeplinesc 10:1|1:2.  
• Băuturile cu zahăr (ex. sucuri, băuturi maltate) aveau cel mai mic procent, întrucât au puține fibre și adesea mult zahăr.  
• Laptele vegetal (plant-based drinks) s-a remarcat printr-o rată mai mare de respectare a raportului, în comparație cu alte băuturi, fapt explicat parțial prin adăugarea minimă de zahăr și includerea fibrelor.

Diferențe între țări

• Australia a prezentat aproximativ 40% dintre produse conforme cu 10:1|1:2, pe când în alte țări (Brazilia, Nigeria, Filipine) doar 10–15%.  
• În țări cu un eșantion mic (ex. Chile, Franța, Germania), e dificil de tras concluzii definitive, deși Franța a arătat o tendință peste medie (20–26%).  
• Implementarea unor taxe pe băuturile dulci nu a condus, în general, la schimbări substanțiale ale trendurilor de calitate a carbohidraților în noile produse lansate, cel puțin la nivel macro.

Evoluția în timp (2014–2024)

• Nu s-au observat tendințe uniforme de îmbunătățire a calității carbohidraților; în unele țări, anumite segmente (ex. cereale) par să fi scăzut ca pondere de produse „bune” după 2016.  
• Lipsa unui efect imediat după introducerea taxelor pe zahăr sugerază că reformulările sau lansările de produse „mai sănătoase” sunt heterogene și pot să nu fie simultane cu schimbările legislative.

Discuție și concluzii

• Relevanța modelului: Prin combinarea listei de ingrediente cu valorile declarate pentru macro-nutrienți, metoda poate estima destul de precis conținutul de zaharuri libere, chiar și în țări unde nu e obligatorie declararea zahărului adăugat.  
• Utilizare practică: Monitorizarea raportului 10:1|1:2 la nivelul produselor ambalate (fie la nivel național, fie în baze de date comerciale) ar putea ghida politicile publice, reformulările din industrie și alegerile consumatorilor. Algoritmul poate fi aplicat la fiecare nou lot de produse, fiind automatizabil și extensibil la alte metrici (ex. scoruri de nutriție sau profilare).  
• Limitări:  

• În anumite categorii (ex. sucuri, siropuri), s-a asimilat „zahărul total” cu „zahăr liber,” ceea ce poate sub- sau supraevalua în cazuri specifice (ex. prezenta fructelor în piureuri).  
• În țările cu puține produse ce declară „zahăr adăugat,” modelul e antrenat pe un eșantion redus, crescând incertitudinea.  
• Diferențele de legislație privind rotunjirile și toleranțele nutriționale nu au fost incluse în model.

Per ansamblu, studiul pune la dispoziție o nouă metodă scalabilă de estimare a calității carbohidraților în alimente ambalate. Deși calitatea acestora variază mult între categorii și între țări, predicțiile obținute sprijină ideea că un conținut ridicat de fibre și un nivel scăzut de zaharuri libere devin tot mai importante în definirea opțiunilor alimentare sănătoase la nivel global.