Associations entre des réseaux de profils alimentaires dérivés d’algorithmes d’apprentissage automatique et le risque cardiovasculaire dans la cohorte NutriNet-Santé
Publié le 13/10/2025
Mélina Côté, Joy M Hutchinson, Mathilde Touvier, Bernard Srour, Laurent Bourhis, Benoît Lamarche, Léopold K Fezeu
Côté M, Hutchinson JM, Touvier M, Srour B, Bourhis L, Lamarche B, Fezeu LK. Associations between dietary pattern networks derived from machine learning algorithms and cardiovascular risk in the NutriNet-Santé cohort. J Nutr. 2025 Sep 22:S0022-3166(25)00558-9. doi: 10.1016/j.tjnut.2025.09.014. Epub ahead of print. PMID: 40992665.
Contexte :
Les avancées majeures dans les domaines de la science des données et de l’apprentissage automatique ont permis le développement de nouvelles méthodes, telles que les modèles graphiques gaussiens et l’algorithme de Louvain, pour identifier des profils alimentaires.
Objectif :
Identifier des réseaux de profils alimentaires à l’aide d’approches computationnelles innovantes, et examiner leurs associations avec le risque de maladies cardiovasculaires (MCV) dans un échantillon de la population française.
Méthodes :
L’étude a porté sur un échantillon de 99 362 participants âgés de 15 ans ou plus issus de la cohorte NutriNet-Santé. Les apports alimentaires ont été évalués à l’aide d’au moins deux rappels alimentaires de 24 heures, regroupés en 42 groupes d’aliments (en g/jour). Les événements cardiovasculaires ont été recueillis via des questionnaires de santé, puis validés à partir des dossiers médicaux. Les modèles graphiques gaussiens ont été utilisés conjointement à l’algorithme de Louvain pour identifier des réseaux de profils alimentaires. Les modèles graphiques gaussiens représentent les relations entre plusieurs variables (ici, les groupes d’aliments) à partir de matrices de corrélations conditionnelles. L’algorithme de Louvain permet d’extraire des communautés distinctes au sein de grands réseaux.
Les relations entre les réseaux alimentaires identifiés et l’incidence des MCV ont été évaluées par des modèles de Cox à risques proportionnels, ajustés sur les variables de confusion.
Résultats :
Cinq réseaux distincts de profils alimentaires ont été identifiés, reflétant la consommation :
1. d’aliments d’apéritif,
2. d’aliments du petit-déjeuner,
3. d’aliments d’origine végétale,
4. de produits ultra-transformés sucrés et snacks,
5. d’aliments sains.
Parmi ces réseaux, seul celui des produits ultra-transformés sucrés et snacks était associé à un risque accru de MCV, après ajustement pour l’énergie totale et les facteurs de confusion, incluant la qualité globale du régime alimentaire (HR Q5vsQ1 = 1,32 ; IC95 % : 1,11–1,57 ; p pour la tendance linéaire = 0,0002).
Conclusions :
Ces résultats suggèrent qu’un réseau alimentaire caractérisé par une consommation élevée de produits ultra-transformés sucrés et de snacks est associé à une incidence accrue de MCV dans un échantillon de la population française, indépendamment de la qualité globale de l’alimentation.
Cette approche innovante pour dériver empiriquement des réseaux alimentaires pourrait aider à identifier les groupes d’aliments souvent consommés ensemble au sein d’une population, et ainsi cibler les habitudes alimentaires à modifier pour la prévention des maladies cardiovasculaires.
Côté M, Hutchinson JM, Touvier M, Srour B, Bourhis L, Lamarche B, Fezeu LK. Associations between dietary pattern networks derived from machine learning algorithms and cardiovascular risk in the NutriNet-Santé cohort. J Nutr. 2025 Sep 22:S0022-3166(25)00558-9. doi: 10.1016/j.tjnut.2025.09.014. Epub ahead of print. PMID: 40992665.
Contexte :
Les avancées majeures dans les domaines de la science des données et de l’apprentissage automatique ont permis le développement de nouvelles méthodes, telles que les modèles graphiques gaussiens et l’algorithme de Louvain, pour identifier des profils alimentaires.
Objectif :
Identifier des réseaux de profils alimentaires à l’aide d’approches computationnelles innovantes, et examiner leurs associations avec le risque de maladies cardiovasculaires (MCV) dans un échantillon de la population française.
Méthodes :
L’étude a porté sur un échantillon de 99 362 participants âgés de 15 ans ou plus issus de la cohorte NutriNet-Santé. Les apports alimentaires ont été évalués à l’aide d’au moins deux rappels alimentaires de 24 heures, regroupés en 42 groupes d’aliments (en g/jour). Les événements cardiovasculaires ont été recueillis via des questionnaires de santé, puis validés à partir des dossiers médicaux. Les modèles graphiques gaussiens ont été utilisés conjointement à l’algorithme de Louvain pour identifier des réseaux de profils alimentaires. Les modèles graphiques gaussiens représentent les relations entre plusieurs variables (ici, les groupes d’aliments) à partir de matrices de corrélations conditionnelles. L’algorithme de Louvain permet d’extraire des communautés distinctes au sein de grands réseaux.
Les relations entre les réseaux alimentaires identifiés et l’incidence des MCV ont été évaluées par des modèles de Cox à risques proportionnels, ajustés sur les variables de confusion.
Résultats :
Cinq réseaux distincts de profils alimentaires ont été identifiés, reflétant la consommation :
1. d’aliments d’apéritif,
2. d’aliments du petit-déjeuner,
3. d’aliments d’origine végétale,
4. de produits ultra-transformés sucrés et snacks,
5. d’aliments sains.
Parmi ces réseaux, seul celui des produits ultra-transformés sucrés et snacks était associé à un risque accru de MCV, après ajustement pour l’énergie totale et les facteurs de confusion, incluant la qualité globale du régime alimentaire (HR Q5vsQ1 = 1,32 ; IC95 % : 1,11–1,57 ; p pour la tendance linéaire = 0,0002).
Conclusions :
Ces résultats suggèrent qu’un réseau alimentaire caractérisé par une consommation élevée de produits ultra-transformés sucrés et de snacks est associé à une incidence accrue de MCV dans un échantillon de la population française, indépendamment de la qualité globale de l’alimentation.
Cette approche innovante pour dériver empiriquement des réseaux alimentaires pourrait aider à identifier les groupes d’aliments souvent consommés ensemble au sein d’une population, et ainsi cibler les habitudes alimentaires à modifier pour la prévention des maladies cardiovasculaires.
