AI-val mérhető az ultrafeldolgozottság: jobb döntések

A feldolgozottsági szint ma már nem „gasztrofilozófia”, hanem konkrét egészségkockázat. Az ultrafeldolgozott élelmiszerek (NOVA 4) fogyasztását egyre több kutatás hozza összefüggésbe elhízással, kardiometabolikus betegségekkel, 2-es típusú diabétesszel és mentális egészségi problémákkal. És itt jön a csavar: miközben a címkék tele vannak adatokkal, a valóságban a legtöbben (még szakemberek is) nehezen állapítják meg gyorsan és következetesen, hogy egy termék mennyire feldolgozott.

2025.12.22-én különösen aktuális ez a téma: az ünnepi szezonban a bevásárlókosarakban arányaiban több a készétel, snack, édesség – pont azok a kategóriák, amelyeknél a NOVA 3–4 dominál. Egy friss, nagyléptékű tanulmány pedig azt mutatja: gépi tanulással már most jól becsülhető egy termék feldolgozottsági szintje pusztán a tápanyag-összetételből. A kutatók az Open Food Facts több mint 900 000 termékén dolgoztak, és a legjobb modell 80–85% pontossággal sorolta be a termékeket.

Ez az egész nem csak „élelmiszeres” sztori. Ugyanez a gondolkodásmód hajtja az AI egészségügyben terjedő diagnosztikai és döntéstámogató rendszereit: sok adat, zajos valóság, gyors döntési kényszer – és az igény, hogy a gép kiszámítható, magyarázható módon segítsen.

Mit jelent az, hogy a modell „megjósolja” a NOVA-szintet?

A lényeg egyszerű: a feldolgozottsági szint (NOVA) mintázatai megjelennek a tápanyagpanelben, és egy jól tanított gépi tanulási modell ezeket a mintázatokat felismeri.

A NOVA-besorolás négy kategóriát használ:

• NOVA 1: minimálisan feldolgozott élelmiszerek (pl. natúr joghurt, nyers zöldségek)
• NOVA 2: feldolgozott kulináris összetevők (pl. olaj, cukor, só)
• NOVA 3: feldolgozott élelmiszerek (pl. konzerv, sajtok egy része)
• NOVA 4: ultrafeldolgozott élelmiszerek (pl. sok snack, készdesszert, ízesített üdítők, több összetevős „mindenes” termék)

A tanulmányban olyan modelleket tanítottak, mint a LightGBM, a Random Forest és a CatBoost. A legjobban a LightGBM szerepelt, és többféle tápanyagpanel mellett is tartotta a 80–85% körüli pontosságot.

Egy mondatban: ha az egészségügyben egy vérkép, egy EKG vagy egy CT lelet mintázataiból képes a modell kockázatot becsülni, akkor egy élelmiszer tápanyagtáblázatából is képes jó közelítéssel következtetni a feldolgozottságra.

Miért pont a tápanyagokból?

Mert az ultrafeldolgozás tipikusan együtt jár bizonyos „profilokkal”: több hozzáadott cukor, só, telített zsír, energiasűrűség – és gyakran kevesebb rost, fehérje-minőség, mikrotápanyag-arány. A modell nem „tudja”, mi az ultrafeldolgozás definíciója; azt tanulja meg, hogy milyen tápanyag-mintázatok társulnak a NOVA-címkéhez a tanító adatokban.

Mit találtak: kapcsolat a Nutri-Score, Eco-Score és allergének felé

A kutatás egyik erős üzenete, hogy a NOVA nem izolált címke: együtt mozog más minőségi mutatókkal is.

1) Magasabb NOVA → rosszabb Nutri-Score

Az exploratív elemzés szerint a magasabb NOVA-osztályokhoz gyakran alacsonyabb (kedvezőtlenebb) Nutri-Score társul. Ez nem meglepő, de fontos: a feldolgozottság és a táplálkozási minőség sok esetben kéz a kézben jár.

A gyakorlati tanulság: ha egy modell képes gyorsan NOVA-t becsülni, az szűrőként működhet dietetikai rendszerekben vagy betegedukációs appokban.

2) NOVA 3–4 → nagyobb környezeti lábnyom és rosszabb Eco-Score

A tanulmány szerint a NOVA 3 és 4 termékek átlagosan magasabb karbonlábnyommal és alacsonyabb Eco-Score-ral jártak együtt. Ez azért érdekes, mert az egészségügyi rendszerekben egyre erősebb a „fenntartható ellátás” fókusz: ami a tányéron van, annak hosszabb távon népegészségügyi és gazdasági hatása is van.

Ha az AI egészségügyben tényleg komolyan veszi a prevenciót, akkor a táplálkozás nem mellékszál. A dietetikai döntéstámogatás és a fenntarthatósági mutatók összekötése a következő években teljesen reális irány.

3) Allergenitás: glutén és tej gyakori az ultrafeldolgozott termékekben

Az allergén-elemzés alapján az ultrafeldolgozott termékeknél gyakori volt a glutén és a tej jelenléte. Ez különösen fontos azoknak, akik:

• cöliákiával élnek,
• tejfehérje-allergiásak,
• laktózérzékenyek,
• vagy FODMAP/IBS miatt eleve szűkebb „biztonságos” repertoárral dolgoznak.

Egészségügyi párhuzam: ugyanúgy, ahogy egy klinikai döntéstámogató rendszer figyelmeztethet gyógyszer–gyógyszer interakciókra, egy „táplálkozási AI” figyelmeztethet feldolgozottság + allergén kombinációkra is.

Miért számít ez az AI egészségügyben? Ugyanaz a recept

A tanulmány valójában egy mintapélda arra, hogyan működik jól az adatalapú döntéstámogatás.

Open Food Facts vs. egészségügyi adatbázisok

Az Open Food Facts egy nyílt, nagy adatbázis, sok termékkel, sok hiányossággal és változó minőséggel – kicsit olyan, mint a valós EESZT/EHR-adatok „élete”: heterogén, zajos, mégis értékes.

A párhuzamok:

• Skálázás: 900 000+ termék → klinikán 100 000+ páciens rekord
• Standardizálási gond: eltérő címkézés → eltérő leletformátumok
• Hiányzó adatok: nem minden tápanyag adott → nem minden laborparaméter adott
• Cél: gyors, konzisztens besorolás → gyors, konzisztens kockázatbecslés

LightGBM a gyakorlatban: miért kedvelik az egészségügyben is?

A LightGBM erős tabuláris (táblázatos) adatokon, gyorsan tanul, és jól kezeli a nemlineáris összefüggéseket. Az egészségügyi döntéstámogatásban tipikusan ilyen adataink vannak: életkor, laborok, gyógyszerek, vitális paraméterek.

A tanulság: a „szép képalkotó AI” mellett a táblázatos klinikai AI ugyanilyen fontos – és a tápanyagpanel pont ilyen.

Gyakorlati alkalmazások: mit lehet ebből csinálni Magyarországon?

A modell önmagában nem váltja le a dietetikust vagy az orvost. De nagyon jó szűrő és priorizáló eszköz lehet.

1) Prevenciós programok és vállalati egészség

Egy egyszerű, NOVA-becslő motor beépíthető:

• munkahelyi egészségprogramok étkezési edukációjába,
• biztosítói prevenciós csomagokba,
• patikai tanácsadási folyamatokba.

Itt nem az a cél, hogy „tiltsunk”, hanem hogy láthatóvá tegyük a mintázatokat: ha valaki egy hétig naplóz, a rendszer megmutatja, mennyi volt a NOVA 4 aránya.

2) Kórházi működés: betegélelmezés és utánkövetés

A kórházi élelmezés minősége és a hazabocsátás utáni étrend közvetve befolyásolja a visszavételi arányt, a gyógyulást, a beteg-együttműködést. Egy AI-alapú besorolás segíthet:

• receptúrák és beszállítói termékek gyors auditjában,
• diabetológiai/obezitológiai gondozás edukációjában,
• dietetikai konzultációk előszűrésében.

3) Személyre szabott egészségajánlások (de okosan)

A személyre szabott ajánlás akkor jó, ha nem moralizál, és figyelembe veszi a valós életet: ár, elérhetőség, idő, allergia.

Egy jól megtervezett rendszer a következőket tudja:

1. azonosítja a magas NOVA 4 kitettséget,
2. megkeresi a „legkisebb csere” pontokat (pl. reggeli ital, snack),
3. figyel allergénekre,
4. és megmutatja a várható hatást (pl. kevesebb só/cukor).

A „People also ask” kérdések, amiket tényleg feltesznek

Elég a tápanyagpanel a feldolgozottság megítéléséhez?

Részben igen. A tanulmány eredménye azt üzeni, hogy a tápanyagokból jó közelítéssel becsülhető a NOVA. De a teljes képhez az összetevőlista, adalékok és technológiai információk is kellenének.

Mit jelent a 80–85% pontosság a mindennapokban?

Azt, hogy tömeges szűrésre és trendek jelzésére kiváló, de egyéni döntéseknél kell emberi kontroll. Ugyanúgy, ahogy egy radiológiai AI „második szem”, nem pedig végső bíró.

Tényleg rossz minden ultrafeldolgozott?

Nem. Klinikai helyzetben (pl. alultápláltság, onkológiai terápia mellékhatásai, nyelési nehezítettség) lehet szerepük bizonyos késztermékeknek. A probléma akkor van, ha a mindennapi energia nagy része innen jön.

Hogyan néz ki egy felelős AI-megoldás élelmiszer-adatokra?

Ha én egy ilyen rendszert terveznék egészségügyi környezetben, négy dolgot nem engednék el:

• Átláthatóság: a felhasználó értse, miért kapott magas NOVA-becslést (pl. cukor/só/energia arányok).
• Bias-kezelés: a tanító adatbázis országonként torzíthat; magyar termékeknél külön validáció kell.
• Klinikai kontextus: diabétesz, hipertónia, vesebetegség esetén más a prioritás.
• Cselekvési javaslat: ne csak címkét adjon, hanem alternatívát (reális árban és elérhetőségben).

Az AI akkor hasznos az egészségügyben, ha a döntést könnyebbé teszi – nem bonyolultabbá.

Mit vigyél magaddal ebből a tanulmányból?

A nagy tanulság, hogy a gépi tanulás képes skálázhatóan és elég jó pontossággal megbecsülni az élelmiszerek feldolgozottsági szintjét, és ez a becslés összhangban áll más, a fogyasztónak is ismerős jelzésekkel (Nutri-Score, Eco-Score), sőt allergén-kockázati mintázatokkal is.

A „Mesterséges intelligencia az egészségügyben” sorozatban sokat beszélünk képalkotásról és diagnózistámogatásról. Én ezt a történetet ugyanoda teszem: adatból kockázatot becsülünk, és ezzel jobb döntéseket hozunk. Néha egy CT-nél. Néha a bevásárlólistánál.

Ha a szervezeteden szeretnél javítani 2026 elején, én nem a tökéletes diétával kezdeném. Kezdd azzal, hogy láthatóvá teszed a feldolgozottság arányát a saját étkezésedben – és keresd meg azt a 2–3 cserét, ami a legkevesebb lemondással hoz érzékelhető javulást.

Te melyik területen látnád a legnagyobb értelmét egy ilyen AI-alapú besorolásnak: betegedukáció, kórházi élelmezés, vagy személyre szabott prevenció?