La nutrition joue un rôle central dans la santé et le bien-être. Les maladies liées au régime alimentaire sont la cause de décès la plus courante aux États-Unis et le régime à lui seul est le principal facteur de risque de décès prématuré dans le monde.1 Heureusement, les problèmes de santé liés à une mauvaise alimentation sont presque toujours évitables. Cependant, les individus doivent comprendre le lien entre l’alimentation et la maladie afin d’apporter des changements de mode de vie et de comportement appropriés.
Même si l’alimentation et la nutrition ont été étudiées pendant des siècles, le domaine de la nutrition n’a accepté que récemment l’idée d’une nutrition personnalisée: fournir aux individus des informations diététiques spécifiques et exploitables basées sur la génétique, le métabolisme, la maladie et l’environnement.
Faire progresser les recommandations nutritionnelles personnalisées
L’apprentissage automatique et la science des données apportent un potentiel passionnant au monde de la nutrition personnalisée. La combinaison de ces deux technologies sur une plate-forme cohérente qui prend en charge le suivi continu permettrait des recommandations nutritionnelles validées en temps réel et adaptées au mode de vie d’un individu. En d’autres termes, la collecte de données sur les habitudes alimentaires, les symptômes, l’activité physique et les valeurs de laboratoire d’un individu peut être compilée et analysée pour produire des suggestions personnalisées sur ce qu’il faut manger, quand manger et pourquoi. Par exemple, cette plate-forme pourrait identifier des aliments ou des ingrédients individuels qui déclenchent des symptômes spécifiques et suggérer un régime alimentaire pris en charge pour réduire ces symptômes.
Faire progresser les efforts de recherche en nutrition
Une plate-forme telle que celle décrite ci-dessus a un fort potentiel pour améliorer la nutrition au niveau individuel; il offre également une occasion sans précédent de faire progresser le domaine de la recherche en nutrition. Actuellement, les efforts de recherche en nutrition sont coûteux et représentent un fardeau élevé pour les participants, ce qui les rend inaccessibles et / ou irréalisables à utiliser à long terme. Les études expérimentales exigent souvent que les participants adhèrent à un régime alimentaire exact différent d’un régime alimentaire standard, ce qui entraîne des taux d’abandon élevés des participants. Dans les études observationnelles, l’évaluation du régime alimentaire est souvent basée sur l’apport alimentaire autodéclaré et peut être affectée par le biais de l’intervieweur et / ou le biais des participants et conduit souvent à des données sommaires inexactes. Et, pour des raisons éthiques, les efforts de recherche en nutrition sont presque toujours menés sur la population adulte en bonne santé, ce qui conduit à des tailles d’échantillon et des résultats non diversifiés qui ne parviennent pas à représenter la population dans son ensemble ou au fil du temps.
Les efforts actuels de recherche en nutrition ne parviennent pas à reconnaître tous les nombreux facteurs qui affectent les besoins alimentaires individuels. Tirer parti de l’apprentissage automatique et de la science des données sur une plate-forme commune permettrait de reconnaître les liens complexes entre l’âge, la maladie, le mode de vie et le régime alimentaire au niveau individuel et communautaire. Les chercheurs peuvent extrapoler ces données pour mieux comprendre les besoins nutritionnels individuels et valider les recommandations diététiques.
Modèles de recherche in-silico
À plus grande échelle, cette technologie peut être utilisée pour développer des essais cliniques in silico, qui impliquent l’utilisation de la modélisation statistique pour créer un pool synthétique de patients avec des données utilisateur préalablement collectées. Étant donné que les essais in silico sont entièrement menés dans des modèles informatiques, ils peuvent aider à expliquer les relations de cause à effet en un temps record avec une charge nulle pour les participants. Des essais in silico permettraient aux chercheurs d’évaluer l’efficacité des thérapies diététiques proposées et de comprendre comment les besoins nutritionnels changent tout au long du cycle de vie, même au sein de populations vulnérables telles que les personnes gravement malades qui sont souvent exclues des efforts de recherche en nutrition actuels. Ces informations peuvent également être utilisées pour guider et améliorer le succès des futurs essais de recherche sur des sujets humains. À long terme, ces informations peuvent faire progresser les soins cliniques en fournissant aux professionnels de la santé des interventions nutritionnelles validées spécifiques à leur population de patients.
L’avenir
Les progrès technologiques tels que l’apprentissage automatique et la science des données offrent un vaste potentiel pour l’avenir de la nutrition et peuvent nous aider à mieux comprendre le lien entre l’alimentation et la santé à tous les âges, sexes, ethnies, états pathologiques, modes de vie, etc. En combinant ces informations avec les progrès actuels des tests de microbiome, des tests génétiques et des technologies de surveillance continue en laboratoire, la nutrition personnalisée sera à l’avant-garde de cette prochaine ère de soins de santé intégrés. À long terme, ces progrès ont le pouvoir de résoudre certains des plus grands problèmes de santé d’aujourd’hui.
