L’IA peut-elle compter vos glucides ?

Pour les personnes qui vivent avec le diabète de type 1 (DT1), le calcul des glucides est une étape essentielle pour déterminer leurs besoins en insuline et gérer leur glycémie après un repas ou une collation.

La tâche n’en reste pas moins difficile, surtout lorsqu’il est question de manger à l’extérieur de chez soi ou de manger des aliments qui ne sont pas préemballés ou étiquetés, d’autant plus que les aliments entiers et frais sont habituellement recommandés en contexte de DT1. Même avec les nouvelles technologies telles que les pancréas artificiels (aussi appelés systèmes à boucle fermée hybrides), lesquels peuvent administrer de l’insuline rapide automatiquement pour corriger les légères fluctuations glycémiques, il est essentiel de bien calculer les glucides pour déterminer les doses de bolus nécessaires.

La montée vertigineuse de l’intelligence artificielle (IA) et l’utilisation croissante des chatbots (p. ex., ChatGPT) soulèvent une question importante : les personnes qui vivent avec le DT1 peuvent-elles se fier à l’IA pour le calcul des glucides à chaque repas?

L’IA générative peut-elle faire le calcul des glucides?

L’IA est de plus en plus sollicitée pour répondre à des questions générales sur la santé. Une étude a mis à l’épreuve deux modèles populaires, ChatGPT4o et Gemini Advanced, et comparé leurs résultats aux données validées d’une application d’analyse nutritionnelle (MetaDieta, créée en Italie). Le but était de voir s’il y avait un écart entre les résultats de l’IA et les données de référence de MetaDieta.

Les chercheurs ont demandé à chacun des modèles de déterminer le total de glucides dans un repas selon trois scénarios reproduisant des conditions réalistes de tous les jours et présentant différents niveaux d’informations nutritionnelles.

Niveau bas : Nom (p. ex., salade César) et photo du repas. Scénario : manger en contexte social.
Niveau modéré : Nom, photo, et liste d’ingrédients partielle. Scénario : manger au restaurant.
Niveau complet : Nom, photo, et liste d’ingrédients complète et poids. Scénario : cuisiner et manger à la maison.

La moitié des aliments étaient préemballés (c.-à-d., du commerce), et l’autre moitié, non emballés.

Résultats de l’étude : ChatGPT c. Gemini

ChatGPT : une plus grande exactitude avec un niveau modéré de données

Globalement, les estimations de ChatGPT étaient plus près des données de référence avec un niveau modéré d’informations (taux d’erreurs de 18 %) que celles de Gemini (taux d’erreurs de 29 %). Avec le niveau le plus minimal d’informations, les deux modèles ont eu plus de difficultés, avec des taux d’erreurs variant de 35 à 45 %. Sans surprise, les deux modèles ont produit des estimations plus exactes avec les informations complètes, atteignant un taux d’erreurs d’environ 13 %.

Une plus grande exactitude avec les aliments préemballés

Les estimations fournies par ChatGPT lorsque le modèle disposait des niveaux modéré et complet d’informations nutritionnelles étaient considérablement plus près des données de référence en ce qui concerne les aliments préemballés que les non emballés. D’ailleurs, dans ChatGPT, les aliments préemballés avec un niveau modéré d’informations nutritionnelles obtenaient les estimations les plus exactes, avec un pourcentage d’erreurs juste sous les 8 %, par rapport aux aliments non emballés avec le même niveau d’informations (taux d’erreurs de 28 %). Par contre, dans les scénarios où on donnait à ChatGPT le plus bas niveau d’informations, les estimations étaient plus fluctuantes, avec un taux d’erreurs de 25 à 45 %, que les aliments soient préemballés ou non.
Dans Gemini, les estimations pour les aliments préemballés et non emballés étaient très inexactes lorsque peu d’informations étaient fournies (taux d’erreurs de 40 à 50 %), alors qu’avec un niveau d’informations modéré, les résultats pour les aliments préemballés (taux d’erreurs de 23 %) étaient légèrement plus exacts que ceux pour les aliments non emballés (taux d’erreurs de 34 %). Avec les informations complètes, la différence était encore plus marquée : le modèle atteignait un taux d’erreurs de 9 % pour les aliments préemballés et de 17 % pour les aliments non emballés.

Une plus grande exactitude avec plus d’informations

L’étude visait à déterminer l’utilité des modèles actuels d’IA et, comme on pouvait s’y attendre, a conclu que plus les informations nutritionnelles fournies sont complètes, plus les estimations sont exactes.

Comparaison avec les estimations des personnes qui vivent avec le DT1

Des études menées en 2013 et en 2016 ont déterminé que les estimations des personnes qui vivent avec le DT1, sans l’aide d’aucune application, comportaient un taux moyen d’erreurs de 20 à 25 % pour les repas préparés à la maison ou à l’hôpital. Le modèle de ChatGPT fournit des estimations en moyenne assez près des figures réelles, avec moins de 10 % de taux d’erreurs, mais cette étude indique seulement le pourcentage d’erreurs absolu, sans préciser si le modèle sous-estime ou surestime les glucides.

La suite

Les études à venir devront déterminer si les estimations fournies par les modèles d’IA sont supérieures ou inférieures (ou les deux) aux figures réelles, et comparer leurs taux d’erreurs aux méthodes actuelles telles que les applications de calcul des glucides pour téléphones intelligents. Qui sait? Peut-être un jour l’IA pourra-t-elle estimer correctement le nombre de glucides des repas les plus complexes… mais il n’y a pas encore assez de données.

Vous voulez faire avancer la recherche?

Si vous vivez avec le DT1 et souhaitez participer à la recherche, inscrivez-vous au registre BETTER dès aujourd’hui!

Référence:
Tecce N, Vetrani C, Pelosi AL, Alfiore M, Mayol D, Maddaloni MG, Amodio M, Colao A. AI-Powered Carbohydrate Counting for Type 1 Diabetes: Accuracy and Real-World Performance. Diabetes Care. 2025 Aug 1;48(8):e97-e98. doi: 10.2337/dc25-0303. PMID: 40397829.