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
https://www.facebook.com/nutrinote/posts/10154686354739306
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，也看到 「 人工智慧在營養的應用」，先賣個關子，這個之後介紹研究時會聊到。這篇研究大致可以分成三部分來看：
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
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。吃完白麵血糖高我們能理解，但那個曲線一直躺平的是怎麼一回事呢？
b. 兩組人吃兩種一樣的食物，反應截然不同
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
從各種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，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
- 腸道微生物分布
將這些資料餵給研究者們設計的機器學習模型來發展出一套演算法，並利用該演算法來做預測。（下圖是預測模型的設計）
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！
文獻出處
- Zeevi, D., Korem, T., Zmora, N., Israeli, D., Rothschild, D., Weinberger, A., … & Suez, J. (2015). Personalized nutrition by prediction of glycemic responses. Cell, 163(5), 1079-1094.
1 comment