人工智能如何帮助优化捐赠母乳中的营养成分一致性

由Timothy Chan教授领导的多伦多大学工程研究人员团队 正在利用机器学习来优化汇集的人类捐赠母乳配方中的常量营养素含量。

研究人员在《制造和系统运营管理》杂志 上 发表的一篇新论文中介绍了他们的数据驱动优化模型 。

陈和他的团队与西奈山医院的 Rogers Hixon 安大略母乳银行 (该银行为安大略省各地住院的早产儿和患病婴儿提供捐赠母乳)以及泰默蒂医学院教授 Debbie O'Connor 博士合作。

“由于多种原因，许多住院婴儿的母乳供应不足。在这种情况下，母乳可以挽救生命，特别是因为它有助于保护早产儿免受坏死性小肠结肠炎(一种危及生命的肠道疾病)的侵害，”新生儿学家兼罗杰斯·希克森安大略母乳库的医疗主任 Sharon Unger 博士说。

“陈博士开发的新计划有助于确保每批母乳满足早产儿的蛋白质和热量需求。”

目前，包括西奈山奶库在内的许多奶库在汇集捐赠母乳时都依赖于个人决策。这对生产一致的捐赠奶产品提出了重大挑战，该产品含有足够的常量营养素，供新生儿重症监护病房的早产儿和患病婴儿使用。

“如果没有明确的方法，创建这些食谱需要花费大量时间，”陈说。

“虽然有研究表明，来自产后早期捐赠者的母乳往往蛋白质含量更高，但我们的方法可以很好地预测实际的常量营养素含量，这将使母乳库员工能够做出更好的汇集决策。 ”

鉴于母乳银行通常是靠精益预算运营的非营利实体，获得一致、营养均衡产品的低成本替代方案可能对整个行业都有用。

称为母乳分析仪的设备可用于测量母乳库中每个牛奶样本的准确常量营养素含量。然而，这些设备成本高昂，并且需要广泛的监管批准才能使用，因此北美只有一半的奶库使用这种设备。最重要的是，分析每笔捐款是一项成本高昂、耗费人力和资源的工作。

该研究的首席研究员 Rachel Wong 表示：“我们的数据驱动框架通过使用来预测每次捐赠的常量营养素含量，从而绕过了对捐赠母乳进行分析的设备的需求。”

“此外，通过使用优化模型来选择将哪些捐赠集中在一起，我们可以提高捐赠奶制品中大量营养素含量的一致性。”

这项多阶段研究包括在 Rogers Hixon 牛奶库进行为期一年的实施试验，旨在测试是否有助于填补这一空白。

在第一阶段，研究人员收集了必要的数据来创建一个机器学习模型来预测汇总食谱的常量营养素含量，然后设计一个优化模型来根据常量营养素需求(即蛋白质和蛋白质的必要水平)创建食谱。胖的。

随后，该团队创建了一个模拟模型来测试该方法，然后在母乳库开始进行实验，该实验于 2021 年和 2022 年进行了 16 个多月。

“由于我们的研究是在正常营业时间内在母乳库中进行，而不是在受控环境中进行，因此我们必须适应许多意想不到的挑战，”Wong 说。