Framework di Machine Learning per la Scoperta di Modelli Alimentari Utilizzando Dati di Sondaggi del Regno Unito

Un nuovo framework di machine learning spiegabile per scoprire modelli alimentari dal National Diet and Nutrition Survey (NDNS) del Regno Unito è stato proposto in un preprint su arXiv. Il framework utilizza un approccio non supervisionato-supervisionato per identificare modelli alimentari riproducibili e interpretabili. I partecipanti adulti di età pari o superiore a 19 anni provenienti dagli anni 12-15 del NDNS sono stati analizzati utilizzando 25 caratteristiche di nutrienti e gruppi alimentari aggiustate per l'energia. Tre algoritmi di clustering—K-means, Gaussian Mixture Models e Agglomerative Clustering—sono stati confrontati per valori k da 2 a 8, con priorità alla stabilità e all'interpretabilità dietetica insieme a metriche di validazione interna. La soluzione K-means selezionata con k=4 ha identificato quattro modelli alimentari distinti: alto contenuto di grassi/carne e sodio; maggiore fibra/frutta-verdura micronutrienti; alto contenuto di snack con zuccheri liberi e bevande zuccherate; latticini/cereali ricchi di calcio e grassi saturi. Il framework mira a tradurre dati alimentari complessi in priorità di consulenza attuabili per contesti clinici.