Les apports nutritionnels de référence sont le terme général désignant un ensemble de recommandations nutritionnelles utilisées pour planifier et évaluer les apports nutritionnels des personnes en bonne santé. Ces valeurs, qui varient selon l’âge et le sexe, comprennent :
En anglais ont les appelle « Dietary Reference Intakes (DRI) ». Les valeurs par défaut utilisées dans notre App sont celles de la National Academy of Medicine.
Pour un nutriment donné, l’Apport Nutritionnel Conseillé (ANC) est le niveau d’apport quotidien moyen suffisant pour répondre aux besoins nutritionnels de la quasi-totalité (97 % à 98 %) des personnes en bonne santé.
En anglais on l’appelle « Recommended Daily Allowance (RDA) ».
Pour un nutriment donné, l’Apport Maximal Tolérable, également appelé limite maximale, est l’apport quotidien maximal susceptible d’avoir des effets néfastes sur la santé.
En anglais on l’appelle « Tolerable Upper Intake Level (UL) ».
La charge glycémique est un nombre qui permet d’estimer de combien augmentera votre glycémie après avoir ingéré un aliment.
Une unité de charge glycémique représente l’équivalent d’un gramme de glucose ingéré.
La charge glycémique prend en compte la quantité de glucides contenus dans l’aliment et l’augmentation de la glycémie causée par chaque gramme de glucide de cet l’aliment.
Les personnes atteintes de syndromes métaboliques comme le diabète de type 2 doivent parfois surveiller la charge glycémique des aliments qu’elles consomment pour les aider à mieux gérer leurs pics de glycémie.
La charge glycémique est basée sur l’indice glycémique et est calculée en multipliant les grammes de glucides disponibles dans l’aliment par son indice glycémique, puis en divisant par 100.
L’indice glycémique des aliments est extrait des « International Tables of Glycemic Index and Glycemic Load Values » (1).
Ensuite, nous utilisons un algorithme de Machine Learning pour estimer les valeurs manquantes.
Notre algorithme est basé sur une version améliorée du modèle de la « Food and Agriculture Organization (FAO) » (2).
Ensuite, dans le but d’améliorer la précision de ce modèle, nous utilisons une méthode statistique appelée « Stacking » qui consiste à combiner les prédictions du modèle amélioré FAO avec un modèle LASSO basé sur la composition nutritionnelle des aliments.
FODMAP vient de l’acronyme anglais « fermentable oligosaccharides, disaccharides, monosaccharides, and polyols ».
Ce sont des glucides qui sont mal absorbés par l’intestin grêle. Ils comprennent les fructanes, les galacto-oligosaccharides, le lactose, le fructose et les alcools de sucre.
Chez la plupart des gens, les FODMAP aident à prévenir les troubles digestifs car ils ont un impact positif sur la flore intestinale (3).
Mais chez certaines personnes atteintes du syndrome de l’intestin irritable, les FODMAP peuvent provoquer une gêne digestive sans pour autant provoquer d’inflammation. Dans ce cas, un régime pauvre en FODMAP pourrait aider à améliorer les symptômes digestifs (4).
Il est important de noter que réduire les FODMAP sur le long terme peut avoir un impact négatif sur le microbiote intestinal (5).
Premièrement, les données FODMAP sont extraites de la base de données de l’Université Monash et d’articles de recherche axés sur les fructanes et les galacto-oligosaccharides (6).
Ensuite, nous estimons les données manquantes à l’aide d’un algorithme LASSO à partir de notre base de données de composition nutritionnelle des aliments.
Les données que nous utilisons proviennent de la base de données américaine de composition nutritionnelle des aliments (USDA), qui est l’une des bases de données scientifiques les plus complètes. Nous utilisons également les bases de données canadiennes (CNF) et européennes pour faire des recoupements et compléter les données manquantes.
Après cette première étape, environ 15 % des données sont toujours manquantes et 5 % comportent des inexactitudes.
Pour résoudre ce problème, nous utilisons un algorithme de Machine Learning que nous détaillons ci-dessous.
Cela nous permet d’avoir une base de données complète avec 91 nutriments pour environ 4000 aliments.
Une base de données avec 4000 aliments peut sembler petite par rapport à d’autres applications qui annoncent des "millions d’aliments". La différence vient du fait qu’elles contiennent des aliments de marque et transformés industriellement.
Cela crée deux problèmes majeurs :
Premièrement, la plupart des gens utilisent un journal alimentaire pour suivre et améliorer leur alimentation. Étant donné que l’un des problèmes majeurs de notre alimentation moderne est la surconsommation d’aliments transformés industriellement et en particulier d’aliments ultra-transformés, nous avons fait le choix de ne pas les inclure.
De plus, les marques ne sont tenues par la loi que d’afficher 7 valeurs nutritionnelles (lipides, graisses saturées, glucides, sucres, protéines, sel et calories). Cependant, ne tenir compte que de 7 nutriments est statistiquement insuffisant pour évaluer la qualité des aliments, il faut au moins les 30 micronutriments essentiels.
Ainsi, lorsqu’une application vous laisse enregistrer des aliments qui ne comportent que quelques nutriments, vous risquez de passer à coté de données importantes comme expliqué ci-dessous.
Pour expliquer pourquoi la qualité des données est si importante, prenons un exemple :
Au cours de votre journée, supposons que vous mangez deux types d’aliments riches en sélénium : 6 noix du Brésil et 5 sardines. Pour un adulte moyen, c’est 800 % des apports nutritionnels conseillés et 10 % au-dessus de l’apport maximal tolérable en sélénium.
Sachant que vous êtes 10 % au-dessus de l’apport maximal tolérable, vous devriez réduire votre consommation de noix du Brésil ou de sardines. Cependant, si la teneur en sélénium pour les noix du Brésil est manquante dans l’App, vous verrez seulement 58 % des apports nutritionnels conseillés au lieu de 800 %. Cela vous induirait en erreur et vous inciterait à consommer davantage de sardines ou d’autres aliments riches en sélénium pour atteindre au moins 100 %, et par conséquent, augmenter vos risques d’une surconsommation de sélénium.
Pour éviter ce problème, les App nutritionnelles ont deux possibilités :
La première possibilité est d’afficher une valeur vide pour la quantité totale de nutriments consommés au cours de la journée si l’un des aliments a une valeur manquante. Sachant que la base de données USDA a environ 15 % de valeurs manquantes et que nous consommons, en moyenne, plus de 12 aliments différents par jour, la plupart des valeurs seraient manquantes.
La deuxième possibilité est d’estimer la valeur manquante. La méthode la plus simple et la plus répandue consiste à remplacer chaque valeur manquante par un 0 ou la moyenne. Cependant, cela introduit une erreur significative et crée le même problème vu dans l’exemple ci-dessus. Dans notre application, nous utilisons un algorithme de Machine Learning afin de résoudre ces problèmes et vous fournir la meilleure qualité de données.
Les données manquantes sont un problème courant en nutrition. Cela peut être dû à différentes raisons : erreur de mesure, valeur aberrante supprimée ou simplement absence d’analyse.
Les bases de données nutritionnelles avec des données manquantes ont un intérêt limité car l’analyse nutritionnelle ne peut être effectuée que sur un ensemble de données complet.
Une solution courante consiste à utiliser l’imputation par des moyennes ou des médianes, mais cela introduit une erreur importante. Pire encore, la plupart des App nutritionnelles utilisent une imputation par des zéro.
Nous avons testé les méthodes d’imputation suivantes :
Nous avons sélectionné SGC-LASSO qui avait la plus grande précision par rapport aux autres méthodes.
Dans Les bases de données nutritionnelles, les données peuvent être regroupées par groupes d’aliments. Par exemple, toutes les variétés de riz partagent des propriétés nutritionnelles similaires. Nous intégrons donc ces informations dans notre algorithme en utilisant le Sparse Group Lasso.
De plus, les nutriments ne sont pas indépendants les uns des autres. Par exemple, la somme de tous les acides aminés est inférieure ou au total de protéines, la somme des sucres simples est inférieure ou égale à la quantité totale de sucre qui est à son tour inférieure ou égale à la quantité totale de glucides, etc….
Pour incorporer ces informations, nous ajoutons plusieurs contraintes d’inégalité au Sparse Group Lasso.
Nous résolvons SGC-LASSO par optimisation convexe sous contraintes et utilisons une validation croisée pour la sélection des facteurs de pénalisation.
Ce que nous mangeons et la manière dont nous mangeons ont un impact majeur non seulement sur notre santé, mais aussi sur l’environnement.
Un tiers des émissions mondiales de gaz à effet de serre d’origine humaine provient de notre système alimentaire.
L’élevage joue un rôle important et contribue à 14,5 % des émissions totales, dont près des deux tiers proviennent de la production de bœuf et de lait (7).
Un autre secteur majeur est celui de la transformation alimentaire, de la distribution (transport, emballage, vente) et de l’élimination des déchets alimentaires, représentant un dixième des émissions totales (8).
Cela représente environ cinq fois plus que les émissions mondiales de l’aviation (9).
Les émissions de gaz à effet de serre ne sont qu’une partie du problème : notre système alimentaire contribue à de nombreux autres types de pollution, notamment le rejet de plastique et de produits chimiques toxiques dans l’environnement.
En mangeant moins d’aliments transformés, en réduisant la consommation de viande et de produits laitiers et en s’approvisionnant localement, nous pouvons avoir un impact positif sur la planète.