Besin takviyeleri, özellikle kilo kaybı, kas yapımı ve detoks gibi alanlarda, tüketici güvenliği ve ürün etkinliği açısından önemli bir yere sahiptir. Ancak, bu ürünlerin pazarlama iddialarının doğruluğu ve içeriklerinin güvenilirliği noktasında endişeler mevcuttur. Bu nedenle, Amerika Birleşik Devletleri’nde satılan besin takviyeleri hakkında daha fazla bilgi sağlamak amacıyla Besin Takviyesi Etiket Veritabanı (DSLD) oluşturulmuştur. Bu çalışma, DSLD’nin sunduğu bilgilere dayanarak, kilo kaybı, kas yapımı ve detoks iddialarında bulunan takviyeleri sınıflandırmak için kullanılan bir araç geliştirmeyi amaçlıyor.
Araştırmacılar, DSLD API’yi kullanarak kolay kullanılabilir bir araç geliştirmeyi hedeflemiştir. Bu araç, kilo kaybı, kas yapımı ve detoks iddialarını sınıflandırarak tüketicilere ve araştırmacılara daha güvenilir bilgiler sunmayı amaçlamaktadır.
Yöntem ve Bulgular
Araç geliştirme sürecinde dört adımlı bir yöntem izlenmiştir: İlk olarak, 5000 DSLD etiketi üzerinde kilo kaybı, kas yapımı ve detoks iddiaları kodlanarak bir referans veri tabanı oluşturulmuştur. Daha sonra, her iddia için üç sistematik heuristik geliştirilmiş ve bu heuristikler, geri çağırma, özgüllük, hassasiyet, negatif kestirim değeri, F1 Skoru ve doğruluk açısından değerlendirilerek rafine edilmiştir. Üçüncü adımda, üç iddiayı tanımlamak için çok modlu bir derin öğrenme modeli geliştirilmiştir. Son olarak, modellerin performansı ROC eğrisi ve verimlilik analizleri ile karşılaştırılmıştır.
Sonuçlar ve Değerlendirme
Araştırmanın sonuçlarına göre, referans veri tabanındaki 4745 DSLD etiketinin %4.2’si kilo kaybı, %6.3’ü kas yapımı ve %3.0’ı detoks olarak tanımlanmıştır. Sistematik heuristikler, dördüncü geçişte önceki performansları aşmıştır ve ROC eğrisi analizleri, sistematik heuristiğin detoks etiketlerini sınıflandırmada çok modlu derin öğrenme modelinden daha iyi performans gösterdiğini ortaya koymuştur. Ancak, verimlilik analizleri, sistematik heuristiklerin daha az verimli olduğunu göstermiştir (110 saate karşı 30 saat).
Uygulama Çıkarımları
– DSLD API, besin takviyesi etiketlerini sınıflandırmak için etkili bir araç olarak kullanılabilir.
– Geliştirilen STRIPED Dietary Supplement Label Explorer aracı, gelecekteki araştırmalara ve etiket üzerindeki iddiaların izlenmesine katkı sağlayabilir.
– Sistematik heuristikler, derin öğrenme modellerine göre belirli durumlarda daha iyi performans gösterebilir, ancak verimlilik açısından değerlendirilmelidir.
Çalışma, DSLD API kullanılarak geliştirilen sınıflandırma aracının, kilo kaybı, kas yapımı ve detoks etiketlerini sınıflandırmada uygulanabilirliğini göstermektedir. Bu halka açık araç, ilerleyen araştırmalara ve besin takviyesi etiketlerindeki iddiaların izlenmesine destek olabilir.
Orijinal Makale: J Nutr. 2025 Feb 13:S0022-3166(25)00088-4. doi: 10.1016/j.tjnut.2025.02.007. Online ahead of print.
