Nagy adatok, gépi tanulás és táplálkozástudomány 2

Daniel Encinas, a Cognodata Consulting ügyvezető partnere

nagy

  • Megjegyzés
  • Oszd meg a Whatsapp-on
  • Oszd meg a LinkedIn-en
  • Oszd meg a Twitteren
  • Megosztani Facebookon
  • Küldés e-mailben
  • Nyomtatni

Minden negyedik spanyol túlsúlyos vagy elhízott, egy tanulmány szerint, amelyet a londoni Imperial College kutatócsoportja végzett az Egészségügyi Világszervezettel (WHO) együttműködésben, 2016-ban. A táplálkozástudomány azonban napjainkban tudással, technológiával és a gépi tanulással kezelheti ezeket az egészségügyi problémákat.

Az emberi genom első, 2003-as szekvenálásából arra a következtetésre jutottak, hogy az egyes emberek egyedi génjei határozzák meg az élelmiszer feldolgozásának módját. Ezzel kifejlesztették a nutrigenomikai tudományt, amelynek célja a tápanyagok emberi testben való működésének tanulmányozása, figyelembe véve az egyes emberek egyedi genomját. Ezt a tudást viszont kiegészíti a mikrobiota, a bélben található mikroorganizmusok tanulmányozása, amelyek befolyásolják az élelmiszer-feldolgozást, és amelyek minden ember számára eltérőek.

Mindezen ismeretek alapján olyan adatok keletkeznek, amelyek feldolgozása után megismerhetjük, hogy milyen ételek pozitívan vagy negatívan befolyásolhatják testünket. Ez az étrend optimalizálását és a betegségek speciális étrenddel történő kezelését jelenti, amelyek végső soron lehetőséget nyújtanak a várható élettartam meghosszabbítására.

Annak ellenére, hogy ismerjük azokat az ételeket, amelyek jelentősen javítják egészségünket, a fogyasztási szokások továbbra is a legnagyobb problémát jelentenek számos betegségben, például az elhízásban. Ehhez egy sor, a táplálkozással megegyező vagy annál fontosabb tényező befolyásolja az étrendünket. Ezek a tényezők lehetnek mind egyéni (napi fizikai aktivitás, gazdaság, pszichológia ...), mind kollektív (kultúra, táplálkozási oktatáshoz való hozzáférés, szépség fogalma ...).

Mindezen tényezők integrálásához a Cognodata-ban kidolgoztuk a Nutritional Science 2.0 elemzési keretrendszerét, a következő kulcsok alapján: