Apps de nutrição usam IA para sugerir pequenas trocas nas refeições

Apps de nutrição orientam há anos sobre o que colocar no prato. Em geral, eles tentam montar a refeição “ideal” do zero - batem metas de nutrientes e reduzem ao máximo os ultraprocessados.

Na prática, costuma ser a refeição que você deveria fazer, não aquela que você realmente prepara.

E isso raramente ganha adesão. Um estudo recente testou outra lógica: partir das refeições que as pessoas já comem e encontrar a menor mudança possível que, de fato, gere melhora.

A lacuna entre conselho e prática

O problema é concreto. Uma alimentação de baixa qualidade aparece entre as maiores causas de diabetes, doenças cardíacas e outros quadros crónicos, como indicou um estudo abrangente com dados de quase 200 países.

Só que transformar esse diagnóstico em ação no jantar é uma história bem diferente.

Trevor Chan e Ilias Tagkopoulos, cientistas da computação da Universidade da Califórnia, Davis (UC Davis), desconfiaram de que o entrave central era o tamanho da tarefa proposta.

Muitos apps de dieta exigem uma mudança total - e é justamente essa “reforma completa” que leva as pessoas a desistirem.

Por isso, a ambição do grupo foi intencionalmente contida.

Em vez de criar um prato perfeito do zero, a ideia foi começar do que já existe na rotina e empurrar a refeição na direcção de escolhas mais saudáveis com o menor número de alterações possível.

Aprendendo a partir das refeições

Para descobrir o que os norte-americanos realmente colocam no prato, a equipa recorreu a um levantamento federal de longa duração chamado O que comemos nos Estados Unidos.

Esse levantamento reunia mais de 135,000 refeições relatadas por mais de 55,000 adultos.

Ao analisar todo o material, o modelo separou as refeições em 34 padrões cotidianos - como o pequeno-almoço de cereal com leite, o almoço de sanduíche de frios e o jantar de pizza.

Na sequência, um sistema de IA generativa aprendeu a criar novas refeições que se encaixassem em cada padrão.

O programa precisou resolver duas tarefas ao mesmo tempo: escolher alimentos que façam sentido juntos e, em seguida, ajustar porções para aproximar cada refeição das diretrizes nutricionais federais, sem deixá-la irreconhecível - isto é, mantendo algo que alguém provavelmente comeria.

Mais perto das metas de saúde

Quando as refeições geradas foram comparadas às refeições reais dentro do mesmo padrão, as versões “inventadas” ficaram mais saudáveis. Em média, reduziram a distância até as metas nutricionais federais em cerca de 47 percent.

As melhorias não ficaram apenas no conceito. Nas refeições geradas, aumentaram fibra, proteína e potássio, e as lacunas de vitaminas foram preenchidas, enquanto o visual e o sabor geral permaneceram próximos dos originais.

Um indicador, porém, piorou. O sódio subiu em alguns almoços e jantares - um lembrete directo de que não existe um único ajuste capaz de alinhar todos os nutrientes simultaneamente.

Algumas substituições simples

Ferramentas anteriores já conseguiam montar um cardápio saudável do zero. O que ainda não tinham feito era isolar o menor “conserto” possível para uma refeição que você já come - ou seja, poucas trocas bem escolhidas.

Os autores testaram mudanças de um, dois ou três itens por refeição. As alterações mais frequentes foram diretas: incluir vegetais ou leguminosas e retirar os componentes mais salgados ou mais ultraprocessados.

Os resultados acompanharam o nível de esforço. Com apenas uma troca, a qualidade nutricional subia por volta de 5% e o custo estimado caía em cerca de um quinto.

Ao permitir três trocas, as refeições ficavam aproximadamente 10% mais saudáveis por quase um terço a menos de dinheiro.

Ainda assim, o prato permanecia familiar - uma substituição típica poderia trocar um acompanhamento mais gorduroso por feijões ou acrescentar mais folhas verdes.

A proposta não é reinventar o jantar; é apenas chegar a uma versão mais magra da mesma refeição.

Melhor do que orientação de robôs de conversa

Qualquer ferramenta de IA voltada para alimentação levanta uma pergunta óbvia: por que não perguntar a um robô de conversa?

A equipa testou exactamente isso, comparando o seu modelo específico com o GPT-4o, o robô de conversa de uso geral mais forte disponível naquele momento.

O modelo especializado levou vantagem no que realmente importa. No equilíbrio entre proteína, gordura e carboidratos, ele se alinhou às metas federais de forma muito mais consistente.

Já o robô de conversa tendeu a sugerir pratos com excesso de gordura e poucos carboidratos. Essa diferença acompanha um padrão mais amplo.

Uma revisão recente sobre robôs de conversa que dão recomendações alimentares apontou orientação irregular e, por vezes, incorrecta - o que sugere que incorporar regras nutricionais directamente no modelo pode ser uma vantagem em relação a respostas livres e abertas.

Limitações do estudo

Há uma limitação importante: todos os resultados existem apenas dentro de um modelo computacional.

Ninguém preparou essas refeições, ninguém as comeu, e não houve teste para saber se as trocas propostas são viáveis de manter ao longo do tempo.

Os dados também carregam vieses. As pessoas relataram a própria alimentação, e é conhecido que há subnotificação de itens menos saudáveis e exagero de escolhas consideradas mais “correctas”.

Da mesma forma, a economia de custo estimada vem de cardápios simulados, não de recibos reais de supermercado.

Os autores não vendem a ideia como solução definitiva. Para eles, há uma mensagem clara por trás dos números.

“Comer de forma mais saudável não precisa significar abrir mão das refeições que as pessoas já gostam”, observaram os investigadores.

O que poderia mudar

A novidade aqui é o tamanho da alavanca necessária. Uma refeição não precisa ser redesenhada.

Uma ou duas trocas bem escolhidas podem aproximá-la das diretrizes e reduzir a conta ao mesmo tempo.

A aplicação prática é fácil de imaginar. Um app de compras poderia sugerir uma única substituição no momento do pagamento, em vez de impor uma dieta inteira, e um programa de saúde pública poderia oferecer versões mais baratas e saudáveis das refeições que as pessoas já cozinham.

No limite, o mesmo motor poderia alimentar ferramentas usadas por nutricionistas, propondo ajustes que um paciente teria mais chance de manter.

A lição maior é simples: comer melhor pode depender menos de força de vontade e mais da pequena mudança certa.