Réseaux de profils alimentaires générés par apprentissage automatique et risque cardiovasculaire : résultats de la cohorte NutriNet-Santé

Introduction

L'étude menée au sein de la cohorte NutriNet-Santé, qui intègre des participants français et canadiens, explore le lien entre des réseaux de profils alimentaires définis par intelligence artificielle et le risque de maladies cardiovasculaires (MCV). Dans un contexte où les maladies cardiovasculaires demeurent la principale cause de mortalité à l'échelle mondiale, comprendre l'impact précis des habitudes alimentaires sur ces risques constitue un enjeu scientifique majeur. Les méthodes classiques limitent la détection de liaisons complexes entre les composantes de l'alimentation. L'intégration de l'apprentissage automatique permet désormais d’identifier des structures alimentaires inédites et de mieux associer ces profils au risque cardiométabolique.

Méthodologie

Collecte et traitement des données

L’analyse repose sur un vaste échantillon de la cohorte NutriNet-Santé, incluant plus de 100 000 sujets adultes suivis pendant plusieurs années. Les habitudes alimentaires ont été recueillies via des questionnaires de fréquence alimentaire validés. L'approche d’apprentissage automatique implique le recours à des techniques avancées, telles que les réseaux de neurones profonds et les méthodes de clusterisation non supervisée, pour cartographier les interrelations entre groupes d’aliments.

Construction des réseaux alimentaires

L’approche par réseaux alimentaires consiste à représenter chaque groupe d’aliments comme un nœud. Les liens (arêtes) entre ces nœuds sont déterminés par des corrélations de consommation évaluées par apprentissage automatique. Plusieurs profils alimentaires émergent ainsi, chacun caractérisé par des compositions spécifiques en aliments transformés, produits frais, viandes, céréales ou boissons sucrées.

Mesure du risque cardiovasculaire

Le risque cardiovasculaire a été estimé par l’occurrence des principaux évènements tels que l’infarctus du myocarde, l’AVC ou l’angor, détectés lors du suivi. L’association entre les profils alimentaires générés par le machine learning et le risque d’incident cardiovasculaire a été évaluée par modèles de régression de Cox multivariée, ajustés sur les principaux facteurs de confusion (âge, sexe, tabac, activité physique, antécédents familiaux).

Principaux résultats

Identification de quatre principaux réseaux alimentaires

L’analyse a permis de dégager quatre principaux réseaux de profils alimentaires :

• Réseau "alimentation saine" : riche en fruits, légumes, poissons, céréales complètes.
• Réseau "aliment ultratransformé" : prépondérance de snacks industriels, charcuteries, boissons sucrées.
• Réseau "traditionnel" : consommation élevée de produits laitiers, pains, viandes.
• Réseau "modéré/flexible" : profil alimentaire équilibré associant diverses catégories d’aliments en quantités modérées.

Associations avec le risque cardiovasculaire

• Les participants classés dans le réseau sain voient leur risque d’événement cardiovasculaire réduit de 25% par rapport au réseau ultratransformé.
• L’adhésion au réseau ultratransformé s’accompagne d’une augmentation du risque allant jusqu’à 30% par rapport au profil modéré.
• Le réseau traditionnel présente un risque intermédiaire, légèrement supérieur à celui du réseau sain, mais notablement inférieur au réseau ultratransformé.
• Ces associations persistent après ajustement sur l’âge, le sexe, le niveau d’activité physique et d’autres confondants majeurs.

Discussion

Valeur ajoutée des méthodes d’apprentissage automatique

Contrairement aux méthodes classiques d’analyse alimentaire, l’application de réseaux neuronaux et d’algorithmes de clusterisation permet de révéler des structures d’habitudes alimentaires correspondant de façon plus fine aux pratiques réelles. L’identification des réseaux complexes, dont l’interconnexion des catégories alimentaires, améliore la compréhension épidémiologique des facteurs de risque cardiovasculaire.

Implications pour la santé publique

L’étude, par son usage novateur de l’intelligence artificielle appliquée à la nutrition, confirme l’importance d’une alimentation riche en aliments non transformés dans la prévention des MCV. Elle invite à repenser les politiques de santé publique et à adapter les campagnes nutritionnelles selon des profils alimentaire réels identifiés par machine learning.

Limites et perspectives

Parmi les limites identifiées, on note le recours à l’auto-déclaration qui peut induire des biais, ainsi que l’absence de prise en compte détaillée de la variabilité géoculturelle entre France et Canada. Les futures recherches devront intégrer davantage de données longitudinales et exploiter les apports de l’intelligence artificielle pour des recommandations personnalisées.

Conclusion

L’analyse des réseaux de profils alimentaires générés par apprentissage automatique révèle des associations robustes entre schémas de consommation et risque cardiométabolique. L’adoption d’une alimentation riche en aliments naturels et peu transformés, traitée grâce à des méthodes d’intelligence artificielle avancées, s’avère bénéfique pour réduire l’incidence des maladies cardiovasculaires dans la population adulte.

Source : https://www.sciencedirect.com/science/article/pii/S0022316625005589?dgcid=rss_sd_all