Les chercheurs ont découvert que dans certains magasins, les aliments hautement transformés constituaient la seule option dans certaines catégories.
Un récent Alimentation naturelle L'étude a utilisé des techniques d'apprentissage automatique pour analyser plus de 50 000 produits provenant des sites Web de grandes épiceries américaines, développant ainsi la base de données GroceryDB, qui facilite la prise de décision des consommateurs et éclaire les initiatives de santé publique.
Sommaire
Quantifier l’étendue de la transformation des aliments dans les épiceries
La recherche a montré les conséquences néfastes sur la santé de la dépendance aux aliments ultra-transformés (UPF), qui représentent jusqu'à 60 % de l'apport calorique total dans les pays développés. Une grande partie de l'UPF atteint les consommateurs via les épiceries, ce qui soulève des questions concernant la quantification de l'étendue de la transformation des aliments dans l'approvisionnement alimentaire, les méthodes à utiliser et les alternatives pour réduire la consommation d'UPF.
Mesurer le degré de transformation des aliments n’est pas simple car les étiquettes des aliments contiennent souvent des messages confus et peu clairs, laissant place à l’ambiguïté et aux différences d’interprétation. C’est pourquoi les scientifiques plaident pour une définition plus objective du degré de transformation des aliments, basée sur des mécanismes biologiques.
En outre, en raison des données complexes et à grande échelle en question, les méthodologies d’intelligence artificielle (IA) sont de plus en plus utilisées pour faire progresser la sécurité nutritionnelle.
À propos de l'étude
Des données accessibles au public sur les produits alimentaires ont été compilées à partir des sites Web des principales épiceries américaines, Walmart, Target et Whole Foods. Les sites Web ont été parcourus pour identifier des produits alimentaires spécifiques, et la cohérence a été assurée en alignant les systèmes de classification utilisés par chaque magasin.
Les étiquettes des aliments ont été utilisées pour normaliser les concentrations de nutriments, tandis que FoodProX a été utilisé pour évaluer le degré de transformation alimentaire de chaque article. FoodProX est un classificateur forestier aléatoire qui traduit les changements combinatoires des quantités de nutriments affectés par la transformation des aliments en un score de transformation des aliments (FPro).
Des tests et validations approfondis sur la stabilité de FPro ont été effectués. Le score final dépendait de la probabilité d’observer la tendance globale des concentrations de nutriments dans les aliments non transformés par opposition à l’UPF. La variation du prix par calorie à différents niveaux de transformation des aliments a été calculée à l'aide de modèles linéaires robustes avec la norme T de Huber.
Résultats de l'étude
Tirant parti du classificateur d'apprentissage automatique FoodProX, la base de données GroceryDB a attribué un score FPro à tous les produits alimentaires. Dans les trois supermarchés, la répartition des FPro était similaire et les résultats suggèrent que les aliments à faible teneur en FPro (transformation minimale) représentent une fraction relativement faible des stocks des épiceries. La plupart des articles appartenaient à la catégorie FPro ou UPF élevée. Les articles à faible FPro représentent une fraction proportionnellement plus importante des achats réels, ce qui montre un décalage entre les données de ventes et les options alimentaires disponibles.
Certaines différences entre les magasins ont été notées : Whole Foods propose moins d'options ultra-transformées, tandis que Target propose une proportion élevée d'aliments à haute teneur en FPro. Une faible variation de FPro a été notée dans des catégories telles que la viande séchée, les biscuits au pop-corn, les macaronis au fromage, les chips et le pain, soulignant le choix limité des consommateurs dans ces segments. Ce n'était pas le cas dans d'autres catégories, telles que les céréales, les pâtes alimentaires, le lait et les substituts du lait et les snack-bars, où les consommateurs avaient plus de choix. De plus, la distribution de FPro dans GroceryDB et dans la dernière base de données sur les aliments et les nutriments de l'USDA pour les études diététiques (FNDDS) était similaire.
Concernant la relation entre le prix et les calories, une augmentation de 10 % du FPro a entraîné une diminution de 8,7 % du prix par calorie des produits dans toutes les catégories de GroceryDB. La catégorie d'aliments était importante dans la relation entre le FPro et le prix par calorie, la plupart des aliments transformés étant probablement moins chers par calorie que les alternatives peu transformées. La relation entre la catégorie du lait et des substituts du lait et le FPro a montré une tendance à la hausse.
Concernant l'hétérogénéité des magasins dans la même catégorie d'aliments, l'analyse a montré que les céréales vendues chez Whole Foods contiennent généralement moins d'arômes artificiels et naturels, moins de sucre et moins de vitamines ajoutées par rapport à Walmart et Target. Les marques proposées par chaque magasin pourraient également expliquer l’hétérogénéité, Whole Foods s’appuyant sur des fournisseurs différents de Target et Walmart.
Certaines catégories d'aliments, comme la pizza, le pop-corn et les macaronis au fromage, sont hautement transformés dans tous les magasins. Selon GroceryDB, Whole Foods propose aux consommateurs une gamme plus large de biscuits et de biscuits FPro, tandis que Target et Walmart ont des gammes identiques et plus étroites de scores FPro.
Un ingrédient FPro (IgFPro), allant de 0 (non transformé) à 1 (ultra-transformé), a été calculé pour classer les ingrédients en fonction de leur contribution au degré de transformation du produit final. En analysant une variété de produits alimentaires, il a été démontré que tous les ingrédients ne contribuent pas de manière égale à la quantité de transformation et que les produits alimentaires dont la liste d'ingrédients est plus complexe ont tendance à être davantage transformés.
Conclusions
En résumé, ce travail utilise des techniques d’apprentissage automatique pour modéliser la complexité chimique des produits alimentaires proposés par certains grands supermarchés aux États-Unis. GroceryDB et FPro proposent une approche basée sur les données permettant aux consommateurs d'identifier des alternatives similaires mais moins traitées dans une gamme de catégories.
