UNITED KINGDOM OF GREAT BRITAIN AND NORTHERN IRELAND / LONDON (IT BOLTWISE) – Eine große Kohortenanalyse zeigt: Insgesamt erhöhen Ultra-processed Foods (UPF) das Risiko für Darmkrebs bei älteren US-Erwachsenen nicht messbar. Entscheidend sind aber Untergruppen, denn ganze Körner, Ballaststoffe, Milchprodukte und Calcium aus UPF-Quellen hängen mit einem geringeren Risiko zusammen. Dagegen wird verarbeitetes Fleisch aus UPF-Quellen mit einem höheren Risiko in Verbindung gebracht. Für KI-gestützte Ernährungsanalyse-Automation ergibt sich damit ein klarer Auftrag: Nicht „UPF ja oder nein“, sondern Herkunft und Nährstoffkonstellationen zählen.
Ultra-processed Foods (UPF) wirken in der öffentlichen Debatte oft wie ein einheitliches Risiko-Signal. Die neue Auswertung der NIH-AARP Diet and Health Study zeigt jedoch, wie trügerisch diese Vereinfachung sein kann. In der Studie mit 461.682 Teilnehmenden (50–71 Jahre, baseline 1995–1996) fanden die Forschenden für die Gesamtmenge an UPF keinen statistisch belastbaren Zusammenhang mit der Inzidenz von kolorektalem Karzinom (CRC). Über die Nachbeobachtung bis 2018 wurden 10.075 Fälle von kolorektalem Adenokarzinom diagnostiziert; im Kernresultat liegt die Hazard Ratio im Vergleich des 5. gegen das 1. Quintil bei 0,97 (95%-Konfidenzintervall 0,91–1,03; p_trend = 0,55). Damit fällt das Ergebnis auf den ersten Blick „null“ aus, aber es ist keineswegs bedeutungslos: Es entkoppelt die Frage „UPF-Menge“ von der Frage „welche Inhaltsstoffe stecken in den UPF konkret“.
Technisch betrachtet beruht der Befund auf einer Kombination aus Ernährungsdatenmodellierung und Survival-Analyse. Die Ernährung wurde über einen Food-Frequency-Questionnaire (FFQ) mit 124 Lebensmittel- und Getränkeitems erhoben; die Angaben wurden anschließend über die Nova-Klassifikation (Gruppe 4 für UPF) in g/1000 kcal/Tag übersetzt und in geschlechtsspezifische Quintile eingeteilt. Für die Risikoschätzung nutzten die Autorinnen und Autoren multivariable-adjustierte Cox-proportionale-Hazards-Modelle mit Alter als „underlying time metric“ und justierten u. a. für Alter, Geschlecht, Race/Ethnicity, Bildung, körperliche Aktivität, Rauchen sowie Alkoholkonsum. Interessant ist dabei auch die methodische Disziplin: Die Proportionalitätsannahme wurde getestet (P-Wert = 0,005), woraufhin die Hazard-Ratio-Schätzungen zusätzlich in Fünf-Jahres-Fenstern betrachtet wurden. Genau dieses Vorgehen ist für datengetriebene Analysen relevant, weil es zeigt, dass ein „Gesamteffekt fehlt“ nicht einfach aus einer zu groben Modellierung entsteht, sondern aus überprüften Annahmen.
Die zentrale inhaltliche Auflösung kommt aus der Aufspaltung entlang der Lebensmittel- und Nährstoffdimensionen. Die Studie bestätigt nicht nur die bekannte Richtung vieler CRC-Risiko- und Schutzfaktoren, sondern zeigt, dass diese auch innerhalb der UPF-Welt auftreten können. Aus UPF-Quellen stammten laut Auswertung 82,8% der aufgenommenen Vollkornmengen, 33,5% Ballaststoffe, 23,5% Milchprodukte und 31,7% Calcium; zugleich stammten 74,3% des verzehrten verarbeiteten Fleisches aus UPF-Quellen. Entsprechend sieht man im Ergebnisbild inverse Assoziationen für Vollkorn, Ballaststoffe, Milch und Calcium auf Basis von UPF-Quellen, während Fleisch aus UPF-Quellen positiv mit CRC-Inzidenz verknüpft bleibt. In der Teilgruppenanalyse werden diese Muster zusätzlich greifbar: Für Brot liegt die Hazard Ratio im Vergleich Q5 vs. Q1 bei 0,91 (95%-KI 0,86–0,97), während re-konstituierte Fleisch- und Fischprodukte bei 1,10 (95%-KI 1,04–1,18) liegen. Das erklärt, warum eine Gesamtbetrachtung zu einem Nullbefund führen kann: UPF sind keine homogene Produktkategorie, sondern ein Sammelbegriff für sehr unterschiedliche Lebensmittel, in denen sowohl protektive als auch riskante Komponenten auftreten können.
Auch die Art, wie die Forschenden UPF-Quellen gegenüber Nicht-UPF-Quellen auseinanderhalten, ist für die Interpretation entscheidend. In Modellen, die gegenseitige Anpassungen („mutually adjusted“) zwischen Quellen innerhalb von Nova 1–3 (nicht-UPF) und Nova 4 (UPF) erlauben, bleiben einige Nährstoffe unabhängig voneinander mit dem Risiko assoziiert. Calcium zeigt in beiden Richtungen eine inverse Assoziation: Für Calcium aus UPF-Quellen liegt HR bei 0,77 (95%-KI 0,69–0,86), für Calcium aus Nicht-UPF-Quellen bei 0,90 (95%-KI 0,87–0,93). Ähnlich gilt für Milchprodukte: Aus UPF-Quellen HR 0,75 (95%-KI 0,62–0,91), aus Nicht-UPF-Quellen HR 0,90 (95%-KI 0,87–0,94). Bei Fleisch bleibt dagegen das Risiko erhöht: Fleisch aus UPF-Quellen HR 1,08 (95%-KI 1,02–1,14), aus Nicht-UPF-Quellen HR 1,04 (95%-KI 1,01–1,06). Daneben liefert eine Substitutionsanalyse zusätzlichen Kontext: Ersetzt man 10% der Gramm UPF durch 10% Gramm minimal verarbeiteter Lebensmittel (MPF, Nova-Gruppe 1), sinkt die CRC-Inzidenz um etwa 2% (HR 0,98; 95%-KI 0,96–0,99). Solche Analysen sind besonders wertvoll, weil sie den Blick weg von „Assoziation“ hin zu „realistischen Änderungen im Ernährungsprofil“ lenken.
Für den Markt und für datengetriebene KI-Use-Cases hat das eine klare Konsequenz: „UPF vermeiden“ ist als generische Regel zu grob, um allein als Optimierungsziel zu dienen. In der Studie findet sich zwar kein Gesamtzusammenhang zwischen UPF-Menge und CRC, aber die Autoren leiten daraus dennoch eine Unterstützung der bestehenden Ernährungsrichtlinien ab: Vollkorn, Ballaststoffe, Milchprodukte und Calcium sollen eher Bestandteil der Ernährung sein; verarbeitetes Fleisch soll gemieden werden. Genau dieses Zielbild ist in der Praxis einfacher in KI-Systemen abzubilden, wenn man statt einer einzigen Klassifikation (Nova-4-Score) eher eine mehrdimensionale Feature-Repräsentation nutzt: Lebensmittelquelle (UPF vs. Nicht-UPF), konkrete Lebensmittelgruppen, Nährstoffdichte und zusätzlich die Messunsicherheit von Erhebungsinstrumenten. Denn die Studie weist selbst auf die Grenzen hin: Ernährungsdaten basieren auf Selbstangaben im FFQ, wodurch Exposure Misclassification entstehen kann – systematisch oder zufällig. Dazu kommt die zentrale Hürde, dass FFQ und Datenbanken primär zur Nährstoffmessung ausgelegt sind, nicht zur exakten Erfassung der Prozess- und Zutatentiefe. Wenn z. B. „Joghurt“ je nach Produktvariante in unterschiedliche Nova-Gruppen fallen kann, werden diese Unterschiede in der Modellierung möglicherweise geglättet.
Gerade diese Mess- und Modellierungsdetails sind der technische Kern, der in Übersichten oft untergeht. Die Autorinnen und Autoren nutzen ein umfangreiches Mapping von FFQ-Items auf USDA-Codes über die CSFII und übertragen die Zuordnung auf FNDDS-Ebenen, die anschließend in Nova klassifiziert werden. Für die Umrechnung von Komponenten in Nova-getrennte Nährstoff- und Gruppenwerte greift zudem die Food Patterns Ingredient Database (FPID) als Grundlage. In der Praxis bedeutet das: Eine KI, die Ernährungsdaten aus unstrukturierten Eingaben (z. B. Text, Bilder, Einkaufsliste) in valide Risiko-Features transformieren will, müsste ähnliche Zuordnungslogik reproduzieren und dabei Transparenz über Unsicherheiten schaffen. Die Studie liefert außerdem Kalibrierungswerte für die Validität der UPF-Schätzung: Vor der Energieanpassung liegen Validitätskoeffizienten für absolute Energie bzw. Grammmgewicht aus UPF bei Männern etwa zwischen 0,33 und 0,59 sowie bei Frauen in ähnlichen Größenordnungen; nach Energieadjustierung steigt der Koeffizient für die Grammgewicht-basierte UPF-Schätzung auf 0,66 für beide Geschlechter. Für KI-Entwickler ist das ein Signal, dass ein „harte Kennzahl“ nicht automatisch „harte Wahrheit“ ist, aber durch Kalibrierung deutlich belastbarer werden kann.
Am Ende bleibt ein differenziertes Fazit, das sich auch als Leitlinie für zukünftige Forschung und Produktentwicklung lesen lässt. Die Autorinnen und Autoren berichten insgesamt keine UPF-Risikowirkung auf CRC-Inzidenz, aber sie finden konsistente Muster auf Ebene von Schutz- und Risikofaktoren, je nachdem, ob sie aus UPF- oder Nicht-UPF-Quellen stammen. Gleichzeitig betonen sie Limitationen wie die Beobachtungsstudien-Logik, Residualconfounding und die fehlende Zutatenebene für additive Wirkmechanismen. Für die nächste Iteration von Ernährungsanalysen wäre deshalb eine bessere Messung auf Zutatenniveau, ergänzt durch moderne statistische Sensitivitätsanalysen und verlässlichere Messmodelle, ein plausibler Fortschritt. Bis dahin gilt: Wer CRC-Risiko senken will, sollte sich an die in der Studie bestätigten Leitplanken halten – Vollkorn, Ballaststoffe, Milchprodukte und Calcium stärken, verarbeitetes Fleisch reduzieren – und gleichzeitig in KI-Systemen die heterogene Zusammensetzung von UPF als zentrales Modellierungsproblem behandeln.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "UPF und Darmkrebs: Studie findet keinen Gesamteffekt, aber klare Unterschiede" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "UPF und Darmkrebs: Studie findet keinen Gesamteffekt, aber klare Unterschiede" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »UPF und Darmkrebs: Studie findet keinen Gesamteffekt, aber klare Unterschiede« bei Google Deutschland suchen, bei Bing oder Google News!