Ruokavalion henkilökohtaiset vaikutukset esiin data-analytiikalla

Transkriptio

1 Ruokavalion henkilökohtaiset vaikutukset esiin data-analytiikalla Jari Turkia CGI Itä-Suomen yliopisto 1

2 2

3 Ruokavalion henkilökohtaisten vaikutusten ennustaminen Itä-Suomen yliopiston Kansanterveystieteen ja kliinisen ravitsemustieteen yksikön sekä Tietojenkäsittelytieteen laitoksen yhteistutkimus Henkilökohtaisten vaikutusten seurannasta on puuttunut laskennallinen analyysimenetelmä, jolla reagointitapojen erot saisi käyttöön mm. ravitsemusterapiassa Laskennallisia tuloksia hyödynnetään myös ruokapalveluiden ohjelmistojen kehittämisessä 3

4 Entä, jos osaisit syödä, kuten kehosi toivoo? 4

5 Yleiset ravitsemussuositukset eivät riitä Ravitsemussuositus: VRN2014 Naiset 31-60v? 5

6 Kohti henkilökohtaista ymmärrystä ikä, sukupuoli, lääkitys.. Yhdessä henkilökohtaisesti mitattujen vasteiden kanssa ruokavalio muodostaa monimutkaisen syiden ja seurausten verkon. Millainen tämä verkko on ja mitä siitä voi päätellä? 6

7 Uusi mallinnusmenetelmä paljastaa erot reagointitavoissa Ruokavalion vaikutus yhdessä muiden selittäjien, kun lääkityksen ja liikunnan, kanssa on monimutkainen syy-seuraussuhteiden verkko Tätä verkkoa pystytään tarkastelemaan hierarkisesti koko populaation, piilevien erityisryhmien sekä yksittäisten henkilöiden tasolla Olemassa olevaa tutkimustietoa voidaan ottaa mallinnuksen pohjaksi ja sitä täydennetään tutkittavalla mittausdatalla Ihmisistä havainnoitu biometrinen tieto on usein häiriöistä ja puutteellista. Ennusteiden epävarmuutta pystytään kuitenkin hallitsemaan, ja havaintojen karttuessa meillä on vähintäänkin keinot olla jatkuvasti vähemmän ja vähemmän väärässä. 7

8 Mistä mittausaineistoa? Menetelmää on nyt kehitetty analysoimalla aiemmin kerättyjä aineistoja, ja löydetty niihin uusia näkökulmia Uutta aineistoa ruokailuista ja veriarvoista on kerätty nyt munuaispotilailta, jotka todella hyötyisivät henkilökohtaisista ravitsemussuosituksista Esimerkiksi munuaispotilaiden tarpeessa kaliumrajoitukselle (peruna, kahvi) on henkilökohtaisia eroja, mutta erot tulisi saada selkeästi ja luotettavasti näkyviin 8

9 Havaintojen kerääminen ruokapalveluissa Jotta analyysit saadaan arkikäyttöön, niin ruokailu- ja hyvinvointitietoja täytyisi kerätä laajemmin, ja tässä ruokapalvelut ja kehittyvät henkilökohtaiset mittarit voivat auttaa 9

10 Uusi näkökulma aiemmin kerättyyn aineistoon 106 potilasta 4 mittausta 12 viikon aikana 17 ravintoainetta, lääkitys, ja 5 veriarvoa Pohjoismaisen ruokavalion tutkimus ruokapäiväkirjoja ja verikokeita 1 viikon vasteaika ennen labratestiä 10

11 Esimerkki: Proteiinin vaikutus veren insuliiniin reagointitavassa eroja potilaiden välillä? Onko kyseessä satunnaista vaihtelua vai oikea reagointitapaero, jota voi käyttää esimerkiksi ruokavalion personointiin? Sitä varten tarvitaan laskennallinen ennustemalli. 11

12 + - σ 2 tyypilliset reagointitavat henkilöiden välistä eroa 12

13 13

14 Kuinka varmoja tästä ollaan? 95% varmuudella henkilöiden välistä eroa on olemassa Ero reagointitavoissa voi näillä tiedoilla olla noin 10% Kun malli tarkentuu, niin ollaan vähemmän väärässä, ja jostain arvosta tulee selvästi muita todennäköisempi 14

15 Tavoitteena henkilökohtainen ravitsemusmalli Tyypillisten vaikutusten lisäksi samanlainen verkkomalli voidaan ennustaa uusille yksittäisille käyttäjille, ja se tarkentuu kun havaintoja kertyy lisää Henkilökohtaisen reagointitavan tunteminen avaa uusia mahdollisuuksia itsetuntemukseen, ravitsemusterapiaan ja ruokapalveluihin 15

16 Tulevaisuuden käyttötapauksia ruokapalveluissa 16

17 Henkilökohtainen ravitsemussuunnitelma Kun henkilökohtainen reagointitapa tunnetaan, niin edellä kuvatussa verkkomallissa voidaan nuolet kääntää nyt veriarvoista ruokavalioon päin ja kysyä: Millaisella ruokavaliolla sinun veriarvosi kehittyvät oikeaan suuntaan? Veriarvot eivät nyt ole mittauksia vaan suositeltuja viitearvoja, jotka toki nekin voivat olla henkilökohtaisia 17

18 Henkilökohtainen ravitsemussuunnitelma Millaisella ruokavaliolla sinä pääset kohti suositeltuja veriarvoja? 18

19 Henkilökohtaista älyä ruokapalveluun Henkilökohtainen laskennallinen malli voidaan tuoda ruokapalvelun tekoälyksi Ravitsemusterapeutit näkevät, missä kohtaa suosituksissa olisi personoitavaa Käyttäjät näkevät omat henkilökohtaiset suosituksensa 19

20 Entä kun henkilökohtainen ravitsemussuositus tunnetaan? Jo tietoisuus omasta reagointitavasta kannustaa hyviin valintoihin Visualisoinnin lisäksi ennusteet mahdollistavat uusia käyttötapauksia.. Voidaan valita sinulle parhaiten sopivia ruoka-annoksia: Jos kolestrolin kanssa on ongelmia, niin voidaan suositella listalta sinulle mieluisia annoksia, jotka eivät aiheuta sinulla ongelmia Voidaan etsiä sinulle parhaiten sopivia reseptejä ja personoida niitä, eli menetelmä auttaa sekä ravitsemusterapeutteja että asiakkaita itseään terveellisessä ravitsemussuunnittelussa Tuleeko mieleen muita esimerkkejä? 20

21 Kiitos! Jari Turkia Data Scientist linkedin.com/in/turkia 21