About this book

# Personalized Nutrition by Prediction of Glycemic Responses
[Cell](http://dx.doi.org/10.1016/j.cell.2015.11.001)
## RQ
個別化した栄養療法は食後血糖のコントロールにいかほど有効か？
## 手法
イスラエルの800人のコホートを対象とし、血液情報、食習慣、身体測定、身体活動量、腸内細菌叢から血糖値を予測する機械学習モデルを構築した。なお、モデルは独立した100人のコホートでバリデーションした。また、このモデルを用いた栄養療法介入を行う二重盲検比較試験を実施した。
## 知見
- 従来の炭水化物量のみによる予測モデルでは、0.38の相関係数だったが、前述の特徴量を用いた機械学習のアプローチにより相関係数0.7のモデルを構築できた。
- 食後高血糖に対する個別化栄養療法の有効性が示された。
## 考察
- データコンペでよくある、機械学習モデルをつくるときの操作: データをtrain/validate/testに分ける、trainデータで学習、validationデータでモデルの性能評価、testデータでモデルの最終評価、という流れが生体に適用されているところが興味深い。おおよその医学研究では、倫理的に設計困難と考えていたが、本研究では、栄養療法という比較的低侵襲な介入であるために実現できたか。
- 栄養療法にも個別化が必要という強いメッセージの一方で、その実現方法は現実的でない。実際、[糖尿病診療ガイドライン2024](https://www.jds.or.jp/uploads/files/publications/gl2024/03_1.pdf)では引用されていなかった。特に、Microbiomeの解析は金銭的に難しそう。今後、技術革新で遺伝子解析の価格が下がっていけば、リッチで健康意識の高い人の間から普及していくかも。
- ただ、もしかしたら管理栄養士の中では確立された方法がすでに存在しているかも？（要チェック）
- データコンペに慣れた自分からすれば、決定係数ではなく、相関係数でモデルの評価をしている点は納得できなかった。相関係数は予測値と実測値の線形関係の強さ、決定係数は分散の説明割合を表すため、予測モデルの評価としてはR²のほうが適切。医学論文では慣習的に相関係数が使われることが多く、本論文もそれに倣っているが、指標の選択として最善ではない。

## 批判的吟味（疫学的視点）

- **外的妥当性**：イスラエルの800人コホートが対象。民族差・食文化差から、日本人への直接適用には慎重であるべき。
- **交絡**：腸内細菌叢は食習慣・SESの下流に位置するため、「腸内細菌叢が血糖応答を決める」という因果解釈には注意が必要。交絡か媒介か。
- **サロゲートエンドポイント**：食後血糖の改善が示されたが、心血管イベントや死亡といったhard endpointの改善は未検証。臨床的意義の判断には別途エビデンスが必要。