Chacun réagit très différemment aux divers nutriments

[Nutrimuscle-Conseils]

Mixed-effect Bayesian network reveals personal effects of nutrition
Jari Turkia, Scientific Reports volume 11, Article number: 12016 (2021)

Nutrition experts know by their experience that people can react very differently to the same nutrition. If we could systematically quantify these differences, it would enable more personal dietary understanding and guidance. This work proposes a mixed-effect Bayesian network as a method for modeling the multivariate system of nutrition effects. Estimation of this network reveals a system of both population-wide and personal correlations between nutrients and their biological responses. Fully Bayesian estimation in the method allows managing the uncertainty in parameters and incorporating the existing nutritional knowledge into the model. The method is evaluated by modeling data from a dietary intervention study, called Sysdimet, which contains personal observations from food records and the corresponding fasting concentrations of blood cholesterol, glucose, and insulin. The model’s usefulness in nutritional guidance is evaluated by predicting personally if a given diet increases or decreases future levels of concentrations. The proposed method is shown to be comparable with the well-performing Extreme Gradient Boosting (XGBoost) decision tree method in classifying the directions of concentration increases and decreases. In addition to classification, we can also predict the precise concentration level and use the biologically interpretable model parameters to understand what personal effects contribute to the concentration. We found considerable personal differences in the contributing nutrients, and while these nutritional effects are previously known at a population level, recognizing their personal differences would result in more accurate estimates and more effective nutritional guidance.

[Nutrimuscle-Conseils]

[Nutrimuscle-Conseils]

[Nutrimuscle-Diététique]

Traduction de l'étude

Un réseau bayésien à effets mixtes révèle les effets personnels de la nutrition
Jari Turkia, Rapports scientifiques volume 11, Numéro d'article : 12016 (2021)

Les experts en nutrition savent par leur expérience que les gens peuvent réagir très différemment à la même nutrition. Si nous pouvions quantifier systématiquement ces différences, cela permettrait une compréhension et des conseils alimentaires plus personnels. Ce travail propose un réseau bayésien à effets mixtes comme méthode de modélisation du système multivarié des effets nutritionnels. L'estimation de ce réseau révèle un système de corrélations à la fois à l'échelle de la population et personnelles entre les nutriments et leurs réponses biologiques. L'estimation entièrement bayésienne dans la méthode permet de gérer l'incertitude des paramètres et d'intégrer les connaissances nutritionnelles existantes dans le modèle. La méthode est évaluée en modélisant les données d'une étude d'intervention alimentaire, appelée Sysdimet, qui contient des observations personnelles à partir des enregistrements alimentaires et les concentrations à jeun correspondantes de cholestérol sanguin, de glucose et d'insuline. L'utilité du modèle dans l'orientation nutritionnelle est évaluée en prédisant personnellement si un régime donné augmente ou diminue les niveaux futurs de concentrations. La méthode proposée est comparable à la méthode d'arbre de décision Extreme Gradient Boosting (XGBoost) très performante pour classer les directions des augmentations et des diminutions de concentration. En plus de la classification, nous pouvons également prédire le niveau de concentration précis et utiliser les paramètres du modèle biologiquement interprétables pour comprendre quels effets personnels contribuent à la concentration. Nous avons trouvé des différences personnelles considérables dans les nutriments contribuant, et bien que ces effets nutritionnels soient déjà connus au niveau de la population, la reconnaissance de leurs différences personnelles se traduirait par des estimations plus précises et des conseils nutritionnels plus efficaces.