研究人员利用人工智能优化捐赠母乳的营养一致性

由应用科学与工程学院机械和工业工程教授TimothyChan领导的研究人员在《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RogersHixon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Temerty营养科学系教授黛博拉·奥康纳(DeborahO'Connor)合作医学院。

“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，人类捐赠的母乳可以挽救生命，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。”也是TemertyMedicine营养科学系的教授。

“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。

“在没有明确方法的情况下，需要花费大量时间来创建这些食谱，”陈说，他也是多伦多大学战略计划副校长兼副教务长。

“虽然有研究表明来自产后早期捐赠者的牛奶往往富含蛋白质，但我们的方法可以很好地预测实际的大量营养素含量，这将使母乳银行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。

虽然被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，但它们成本高昂，并且需要广泛的监管批准，因此只有北美一半的母乳库使用。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。

“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，”RachelWong说，她去年从多伦多大学工程学院获得了硕士学位，是该研究的首席研究员。

“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常量营养素含量的一致性。”

这项多阶段研究包括在RogersHixon母乳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。

“在COVID-19大流行期间，捐款数量根据各省的限制而波动——在封锁期间，捐款的数量和金额出现了前所未有的增长。

“我们还需要调整已经提出的人工智能决策，以确保我们遵守牛奶银行的运营协议。”

研究的最后阶段首先观察母乳银行六个月的运作，并测量汇总配方中的脂肪、蛋白质和细菌水平。

在接下来的六个月里，牛奶银行使用数据驱动的优化框架来创建混合牛奶配方。年底，研究人员将优化后的食谱与之前的食谱进行了比较，以评估哪些食谱符合常量营养素目标。

“我们发现，我们的汇总食谱同时满足蛋白质和脂肪标准的频率高达75%，而且不会影响细菌增加等其他因素，”Chan说。“我们制作食谱的时间减少了60%。”

该团队的优化配方还对早产儿和生病的婴儿有额外的好处，这些婴儿的消化系统发育不全，因此确保他们摄入的牛奶中蛋白质或脂肪不过分富含变得尤为重要。

陈的团队目前正在努力扩大研究范围，测量母乳中的其他营养物质，看看他们的模型是否可以优化它们。该研究获得了运筹学和管理科学研究所(INFORMS)颁发的2023年Pierskalla最佳论文奖以及西奈卫生局颁发的卓越质量和安全奖。

“我们的最终目标是证明我们的工具适用于其他母乳库，”陈说。“我们希望设计一个可以插入医院系统的系统，以对母乳库工作人员可持续的方式优化食谱。”

黄说，整个团队感谢所有使该项目成为可能的人。

“如果没有所有向母乳库捐赠的母亲，以及为安大略省及其他地区的婴儿提供捐赠母乳的工作人员，我们不可能做到这一点，”她说。

“我希望这项研究能够提供一个框架，帮助北美各地的奶库提高其捐赠奶制品中常量营养素含量的一致性。最终的最终目标是看到接受捐赠母乳的婴儿生长和发育结果改善的下游影响。”