Combinar alimentos tem ligação com mortalidade e longevidade?

Imagine um café da manhã típico: o café pode aparecer ao lado de ovos, torradas e manteiga, enquanto frutas, iogurte e grãos integrais podem formar outra combinação. Não comemos alimentos de forma isolada. Em vez disso, nossas dietas são feitas de combinações interconectadas de alimentos. A pesquisa tradicional sobre os padrões alimentares nos ajudou a entender os hábitos alimentares gerais, mas nem sempre mostra quais grupos de alimentos permanecem diretamente conectados depois que o restante da dieta é levado em consideração.

Quando iniciei este estudo, eu queria saber se poderíamos mapear as relações entre os alimentos da mesma forma que mapeamos uma rede social. Mais importante ainda: essas redes alimentares poderiam nos ajudar a entender as relações entre a dieta e os resultados de saúde de longo prazo?

Para explorar essas questões, meus colegas e eu usamos uma análise de redes baseada em aprendizado de máquina para examinar os dados dietéticos de adultos canadenses e investigar como as redes alimentares identificadas estavam associadas à mortalidade, doenças cardiovasculares e expectativa de vida.

O resultado de nossa pesquisa foi publicado no periódico The Journal of Nutrition.

Como os alimentos estão conectados na rede

Analisamos dados nacionalmente representativos de pesquisas nutricionais canadenses vinculados a bancos de dados administrativos de saúde. Para entender como os alimentos estão conectados, tratamos cada grupo alimentar como um nó em uma rede e representamos associações condicionais entre grupos de alimentos como as arestas conectando os nós.

Uma associação condicional significa que dois grupos de alimentos permanecem estatisticamente relacionados depois de levar em conta todos os outros grupos de alimentos na dieta. Apenas essas relações foram mantidas como conexões na rede.

Usamos um modelo gráfico de cópula gaussiana semiparamétrico para construir as redes alimentares. Este método é particularmente adequado para dados de ingestão alimentar porque as ingestões de alimentos são frequentemente altamente assimétricas, e muitos participantes podem relatar nenhuma ingestão de certos alimentos em um determinado dia.

Em seguida, usamos o algoritmo de detecção de comunidades de Louvain para ligar os grupos de alimentos mais estreitamente conectados em comunidades dietéticas distintas. Essas comunidades representam padrões alimentares compostos por grupos de alimentos que estão mais estreitamente conectados uns aos outros.

Redes de alimentos: transformando comunidades dietéticas em escores individuais

Identificar redes e comunidades alimentares foi apenas o primeiro passo. As redes descrevem as estruturas de dieta em nível populacional, mas, para examinar como esses padrões se relacionam com os resultados de saúde de longo prazo, também precisávamos medir o quão próximo cada participante seguia o padrão representado por cada comunidade dietética.

Usamos a centralidade de autovetor para medir a importância de cada grupo alimentar dentro de uma comunidade. Um grupo alimentar recebeu um peso maior se estivesse conectado não apenas a muitos outros alimentos, mas também a outros alimentos influentes na comunidade. Definimos o grupo alimentar com o maior peso como o grupo alimentar central e também consideramos se cada um dos outros grupos de alimentos estava relacionado a ele de forma positiva ou negativa.

Em seguida, combinamos a ingestão alimentar padronizada de cada participante com o peso e a direção correspondentes e somamos esses valores dentro de cada comunidade para gerar um escore individual da comunidade. Um escore mais alto indicava que a dieta de um participante refletia mais de perto o padrão alimentar representado por aquela comunidade.

Este novo método de pontuação preservou tanto a importância de cada grupo alimentar dentro da rede quanto a direção de sua contribuição. Portanto, ele impediu que os participantes que consumiam principalmente alimentos positivamente relacionados ao grupo alimentar central recebessem escores semelhantes aos daqueles que consumiam principalmente alimentos relacionados na direção oposta.

Três comunidades dietéticas mostraram diferentes associações com a saúde

Identificamos três comunidades dietéticas grandes. A primeira foi uma comunidade rica em vegetais, que incluía vários tipos de vegetais, leguminosas e soja, sopa, macarrão e arroz, além de óleos vegetais; o fast food foi associado de forma negativa aos alimentos centrais da comunidade. A segunda foi uma comunidade de bebidas altamente açucaradas e baixo consumo de frutas, centrada nas bebidas açucaradas.

Os grãos refinados e os salgadinhos foram positivamente associados ao alimento central, enquanto que a água, os grãos integrais, as frutas inteiras, iogurte e nozes e sementes foram associados na direção oposta. A terceira foi uma comunidade de café da manhã rico em gorduras, que incluía gorduras sólidas, café, açúcar, carne processada, ovos, panquecas e waffles; o chá foi o único grupo alimentar associado ao alimento central de forma negativa.

Essas comunidades mostraram associações diferentes com resultados de saúde. Comparando o percentil 90 com o percentil 10 dos escores da comunidade, os escores mais altos da comunidade rica em vegetais foram associados, de forma geral, com uma taxa 51% menor de mortalidade por todas as causas, incluindo uma mortalidade 59% menor entre as mulheres e 48% menor entre os homens. Os escores mais altos também foram associados a 45% menor risco de doenças cardiovasculares no geral e aumentos estimados na expectativa média de vida de 8,3 anos para as mulheres e 6,1 anos para os homens.

Por outro lado, os escores mais altos na comunidade de bebidas altamente açucaradas e baixo consumo de frutas foram associados a 31% maior mortalidade no geral e 39% maior mortalidade entre os homens; a associação entre as mulheres não foi estatisticamente significativa. A comunidade de café da manhã rico em gorduras não foi significativamente associada à mortalidade por todas as causas ou ao risco de doenças cardiovasculares.

O que essas descobertas podem significar para a orientação da dieta

A lição dietética mais ampla é que um padrão centrado em uma variedade de vegetais e outros alimentos de origem vegetal foi associado a resultados de saúde de longo prazo mais favoráveis, enquanto que um padrão caracterizado por uma alta ingestão de bebidas açucaradas e baixa ingestão de frutas foi associado a resultados menos favoráveis, particularmente entre os homens.

Essas descobertas refletem associações observacionais e não estabelecem que qualquer padrão alimentar específico reduza diretamente o risco de mortalidade ou prolongue a vida. No entanto, nosso novo método de pontuação mostra como as conexões complexas entre os grupos de alimentos podem ser traduzidas em medidas individuais e vinculadas a resultados de saúde de longo prazo.

Com a validação adicional em outras populações, a análise de redes alimentares pode ajudar a informar as orientações dietéticas e as estratégias de prevenção de doenças crônicas que sejam mais específicas para os alimentos, melhor adaptadas a populações diferentes e atentas às diferenças entre os sexos.

Este artigo faz parte do Science X Dialog, no qual pesquisadores podem relatar as descobertas de seus artigos de pesquisa publicados. Visite esta página para obter informações sobre o Science X Dialog e como participar.

Detalhes da publicação

Yifei Wang et al. Cardiovascular Disease Events and Life Expectancy Lost Attributable to Machine Learning-Derived Dietary Networks: Evidence from Canadian National Nutrition Survey Linked to Routinely Collected Administrative Databases, The Journal of Nutrition (2026). DOI: 10.1016/j.tjnut.2026.101598

Informações do periódico: Journal of Nutrition

Artigo original (em inglês) publicado por Yifei Wang & Mahsa Jessri na MedicalXpress.

SOBRE A AUTORA
Yifei Wang

Aluna de doutorado em Nutrição Humana na Universidade da Colúmbia Britânica. Sua pesquisa no Laboratório de Epidemiologia Nutricional e Análise de Big Data (NEBA) combina epidemiologia nutricional, aprendizado de máquina, inferência causal e ciência de dados populacionais para investigar padrões alimentares e desfechos de doenças crônicas usando conjuntos representativos de dados nacionais.

SOBRE A AUTORA
Mahsa Jessri

Professora Associada de Alimentação, Nutrição e Saúde na Universidade da Colúmbia Britânica e detém a Cátedra de Pesquisa do Canadá (Nível 2) em Epidemiologia Nutricional para a Saúde Populacional. Líder do Laboratório de Epidemiologia Nutricional e Análise de Big Data (NEBA).