Hoe zou voedingsonderzoek meer kennis kunnen opleveren? Deel 3 van een drieluik

In de eerste twee delen van dit drieluik heb ik beschreven wat de basis van wetenschappelijk onderzoek en kennisopbouw is en hoe dit uitwerkt bij voedingsonderzoek. De plausibiliteit van een conclusie – en of die kan gelden als kennis – wordt bepaald door de mate van coherente samenhang met andere theorieën, andere typen observaties en conclusies, stelde ik.

Bij veel voedingsonderzoek blijkt de mate van samenhang (of verwevenheid) zodanig beperkt dat slechts weinig conclusies als stevig gefundeerde kennis kunnen gelden. Daarom wijzigen gedachten over wat gezonde voeding is relatief vaak. De meningen binnen de wetenschappelijke gemeenschap zijn immers behoorlijk verdeeld zodat ook berichten in de media heel verschillende geluiden verspreiden.

Een cruciale vraag is dan ook of er manieren zijn te vinden om te komen tot een grotere mate van geloofwaardigheid van voedingswetenschappelijke conclusies, die nu in heel verschillende richtingen wijzen. Is het mogelijk net zoveel zekerheid te verwerven over de effecten van voeding als over de manier waarop mensen een kind krijgen?

In dit derde en laatste deel bespreek ik een aantal concepten die de zekerheidsgraad mogelijk kunnen versterken.

1. Validatie van beschrijvende modellen

Veel voedingswetenschap is van observationele aard. In veruit de meeste gevallen wordt er geen verklarend of theoretisch model1Een theoretisch of verklarend model is een model waarmee op grond van een theorie een voorspelling kan worden gedaan van de te verwachten observatie gebruikt, maar wordt er een beschrijvend model toegepast. Zo’n beschrijvend model wordt gebruikt om verschillende parameters mee te kunnen nemen en daarvoor te corrigeren, om zodoende de invloed van de bestudeerde parameter te kunnen onderscheiden2Als sterk versimpeld voorbeeld zou een beschrijvend model voor het relatieve risico (RR) op insulineresistentie er zo uit kunnen zien: RR = A x lichaamsgewicht + B x fruitconsumptie + C x broodconsumptie. In dit voorbeeld worden drie parameters meegenomen: lichaamsgewicht, fruitconsumptie en broodconsumptie. Aan de hand van de observaties (mate van insulineresistentie, lichaamsgewicht en fruit- en broodconsumptie van elke deelnemer) worden de best passende waarden van coëfficiënten A, B en C bepaald. Stel dat de onderzoekers geïnteresseerd zijn naar de invloed van broodconsumptie op het risico op insulineresistentie, dan wordt met parameters A en B gecorrigeerd voor de invloed van lichaamsgewicht en fruitconsumptie en geeft de afgeleidde parameter C het gezochte antwoord. In de praktijk ziet zo’n model er heel wat ingewikkelder uit en kunnen ook invloeden van parameters op elkaar nog worden meegenomen. Het probleem is echter dat dit soort modellen door onderzoekers meestal niet door middel van een onafhankelijke dataset gevalideerd wordt, waardoor ook andere onderzoekers het model niet kunnen valideren. Het gevolg is dat onbekend blijft of het model – en de daarop gebaseerde resultaten – een goede beschrijving van de werkelijkheid is.

Een manier om dit probleem aan te pakken is het gebruik van een controle-dataset waarmee het model wordt gevalideerd. Een praktische implementatie is het in tweeën splitsen van de originele dataset, waarbij het beschrijvende model op de ene helft wordt gebaseerd en de tweede helft door een onafhankelijk team wordt gebruikt voor validatie3Young, S. S., & Karr, A. (2011). Deming, data and observational studies. Significance, 8(3), 116–120.. Op deze manier kan met dezelfde observatie een model gemaakt én gevalideerd worden, wat als voordeel heeft dat alle modelparameters in de validatieset ook beschikbaar zijn. Een andere aanpak is het publiceren van het exacte model inclusief de coëfficiënten die daarbij horen. Andere onderzoekers kunnen deze vervolgens op hun eigen, onafhankelijke dataset toepassen om te achterhalen of het model stand houdt.

Om kansen op succesvolle toepassing te vergroten moet helaas worden onderkend dat ook in de wetenschappelijke wereld verschillende niet-wetenschappelijke belangen spelen. Onderzoeksgroepen hebben er belang bij dat hun werk in goede vakbladen gepubliceerd wordt en dat zij voldoende financiële middelen krijgen. Vakbladen hebben er belang bij dat het gepubliceerde werk degelijk is en een zichtbaar resultaat geeft.

Dit soort belangen is er mede debet aan dat er een sterke druk is om significante resultaten te vinden. Dat beïnvloedt de modelkeuze. Een methode om beiden partijen te betrekken bij de voorgestelde validatie, is het achteraf publiceren van de door een onafhankelijk team uitgevoerde validatie. Door die opzet raakt het zowel uitgever als onderzoeksgroep als het beschrijvende model tijdens validatie geen goede overeenkomst met de (tweede set) data blijkt te hebben3.

Individuele onderzoeksgroepen en vakbladen zullen er niet snel naar neigen om deze werkwijze in te voeren. Het zorgt immers voor de dreiging van een na-publicatie die als een soort zwaard van Damocles boven hun hoofd hangt. Een effectievere methode om de beoogde kwaliteitsverbetering door te voeren, ligt dan ook op systeemniveau. Hier ligt een rol voor beleidsmakers en subsidieverstrekkers. Hier ligt bovendien een kans voor Nederland om voorop te lopen in voedingswetenschap. Hier ligt bovendien een kans voor Nederland om voorop te lopen in voedingswetenschap.

Net als de verplichting om gesubsidieerd onderzoek in vrij toegankelijke bladen te publiceren4Vragen en antwoorden over Open Access bij NWO. Geraadpleegd 9 december 2015., kan de hier genoemde validatiemethodiek als randvoorwaarde worden opgelegd. Op die manier loopt elke onderzoeksgroep het risico dat zijn model niet valide blijkt. Groepen uit het buitenland hebben een aanvankelijk voordeel, maar dat nadeel voor Nederlandse onderzoekers kan ook positief uitpakken doordat zij als eerste gevalideerde modellen en daarmee plausibelere resultaten publiceren.

Bij bèta-vakgebieden  is deze basisregel uit de wetenschappelijke methode – dat een inductief model alleen valide deductieve conclusies op kan leveren als het model zelf valide is – al heel lang standard practice. Geen vliegtuig mag de lucht in zonder dat de empirische stromingsmodellen van de vleugelprofielen gevalideerd zijn met schaalmodellen. Het zal de conclusies uit voedingswetenschappelijk onderzoek geen kwaad doen als ook hier het concept van modelvalidatie zou worden ingevoerd. Onvriendelijker geformuleerd: door conclusies te baseren op ongevalideerde modellen, begeven voedingswetenschappers zich op glad ijs. Modellen kunnen er immers ook naast zitten, en dan loop je het risico dat het vliegtuig neerstort.

2. Uniformiteit en n=1

Eén van de uitgangspunten van statistische analyses, is dat de geanalyseerde groep voldoende uniform is om zinnige resultaten te vinden.

Voedingsonderzoek dat probeert grote effecten in kaart te brengen kan zorgen voor voldoende uniformiteit. Zo vormen essentiële voedingsstoffen (vitaminen, mineralen, aminozuren, vetzuren, etc.) een dusdanig onmisbaar onderdeel van ons metabolisme, dat tekorten duidelijke effecten teweeg brengen. De reactie op tekorten is daardoor relatief uniform. Maar bij al die losse stoffen of voedingsmiddelen die vaak onderwerp zijn van prospectieve onderzoeken, is die vooronderstelde uniformiteit niet zonder meer plausibel.

De reden hiervoor is onder andere dat de context (wat men nog meer eet, welke lichaamsbeweging iemand heeft, de verschillen in darmflora, etc) vaak een belangrijke rol speelt. Als er geen uniforme context is, dan zal de onderzoeksgroep al evenmin uniform reageren. Bovendien zijn bij kleinere effecten telkens grotere groepen nodig om statistische significantie te bereiken, waardoor de kans op diversiteit tussen de deelnemers alleen maar toeneemt.

n het huidige onderzoek proberen onderzoekers dit te ondervangen door zoveel mogelijk parameters te meten en de verschillen daarin glad te strijken met correcties. Het is echter de vraag of dit het gebrek aan uniformiteit voldoende kan compenseren.

Er zijn betere routes denkbaar om uniformiteit te borgen. Enkele opties waaraan gedacht kan worden zijn:

  1. Bepaal op basis van relevante kenmerken (bijvoorbeeld genetica, of een darmfloraprofiel) een uniforme groep.
  2. Verzamel voldoende zelfgerapporteerde n=1 gevallen die op een bepaalde manier op specifieke voeding reageren. Moderne media maken het verzamelen van dergelijke groepen een stuk eenvoudiger.
  3. Gebruik een interventie om de individuen te selecteren die op dezelfde manier op bepaalde voeding reageren.
  4. Laat mensen deelnemen aan n-of-1 trials teneinde goed gekarakteriseerde subgroepen samen te stellen met vrijwel uniforme samenstelling.

Nadat een schijnbaar uniforme groep is verzameld, ligt een bij voorkeur blinde interventie met die groep voor de hand. Ook is het denkbaar de groep gedurende langere tijd te observeren of een meta-analyse van de n=1 data te gebruiken. Het gevaar van deze aanpak kan zijn dat er sprake is van bias bij de deelnemers of bij onderzoekers. Dat bezwaar valt te ondervangen door groepsselectie te laten uitvoeren door een apart team die minstens twee groepen samenstelt. Deze twee of meer groepen worden vervolgens door een tweede team onderworpen aan het eigenlijke onderzoek (interventie, observatie of meta-analyse) zodat de onderzoekers niet weten welke van de aangereikte groepen de uniforme groep representeert. Bias bij deelnemers kan enerzijds onderdeel zijn van de aspecten die ervoor zorgen dat zij uniform zijn. Anderzijds, als er geen effect wordt gevonden in een groep met bias, is de waarschijnlijkheid dat het gezochte effect bestaat des te kleiner.

Zogenaamde n=1 ervaringen kent iedereen wel. Jij krijgt bijvoorbeeld tintelingen in je mond als je een meloen eet en je partner niet. Het karakteriseert de realiteit van individuele verschillen. Daarnaast bestaat er ook een zogenaamde n-of-one trial, zoals in de vierde optie genoemd, wat iets anders is. N-of-one trials zijn randomized controlled trials (RCT’s) die bij één persoon worden uitgevoerd, waarbij hij zijn eigen controle is en waarin gebruikelijke RCT-technieken (zoals randomisatie, wash-out periodes, e.d.) worden toegepast. Dit type onderzoek is binnen de medische wetenschap al langer in gebruik en wordt vooral bij zeldzame ziekten toegepast. Het wordt echter steeds meer gezien als mogelijkheid voor betere medicijnkeuze in de dagelijkse artsenpraktijk5Lillie, E. O., Patay, B., Diamant, J., Issell, B., Topol, E. J., & Schork, N. J. (2011). The n-of-1 clinical trial: the ultimate strategy for individualizing medicine? Personalized medicine, 8(2), 161–173.,6Schork, N. J. (2015). Personalized medicine: Time for one-person trials. Nature, 520(7549), 609–611.. Er zijn bovendien technieken ontwikkeld om meta-analyses uit te voeren op n-of-one trials. Eén van de reden daarvoor is tegelijk een extra reden om de hier voor gestelde aanpak te gebruiken, namelijk dat het de mogelijkheid biedt om te onderzoeken welke eigenschappen er voor zorgen dat individuen verschillend reageren5.

Uiteraard is het mogelijk dat er alsnog onvoldoende uniforme reacties kunnen worden gevonden, maar in dat geval had ook het huidige type onderzoek weinig inzicht kunnen opleveren, omdat het effect dan kennelijk gedomineerd wordt door eigenschappen van de mensen en niet van de voeding. Tot slot, het respecteren van een belangrijke vooronderstelling die ten grondslag ligt aan inductieve logica –  uniformiteit – is niet alleen van belang voor de deelnemers, maar ook voor de voedingsgroepen die onderzocht worden. Het ene rode vlees hoeft bijvoorbeeld het andere niet te zijn7“Grasgevoerd vlees heeft laagste kankerrisico”. Geraadpleegd 14 december 2015..

3. Kwantitatieve theoretische modellen

Het gebruik van voorspellende modellen is een belangrijke reden voor het succes van de fysica en andere bètavakken. Een diversiteit aan theoretische modellen blijkt effectief in het voorspellen van allerhande natuurkundige fenomenen, van bewegingen van planeten tot en met de luchtstroming rond een windturbine. De voorspellingen benaderen de observaties zo goed, dat de modellen ons in staat stellen de meest complexe toepassingen te bedenken. Sterker nog, het geeft zelfs de indruk dat we daardoor de wereld om ons heen begrijpen en we spreken zelfs over ‘natuurwetten’. Over de vraag of deze natuurwetten nu wel of niet de werkelijkheid beschrijven valt te discussiëren, maar dat ze werken blijkt uit hun succesvolle toepassing.

Toch is het succesvolle gebruik van theoretische modellen niet gelimiteerd tot de fysica. Ook van chaotische of ad hoc processen zoals aardbevingen8Barbot, S., Lapusta, N., & Avouac, J.-P. (2012). Under the Hood of the Earthquake Machine: Toward Predictive Modeling of the Seismic Cycle. Science, 336(6082), 707–710. of bewegingen van mensenmassa’s9Moussaïd, M., Helbing, D., & Theraulaz, G. (2011). How simple rules determine pedestrian behavior and crowd disasters. Proceedings of the National Academy of Sciences, 108(17), 6884–6888.,10Johansson, A., Batty, M., Hayashi, K., Al Bar, O., Marcozzi, D., & Memish, Z. A. (2012). Crowd and environmental management during mass gatherings. The Lancet Infectious Diseases, 12(2), 150–156. worden voorspellende modellen gemaakt en toegepast.

Binnen de voedingskunde wordt er echter slechts schaars gebruik gemaakt van theoretische modellen. Daar waar gebruikt, betreffen het vaak hele specifieke details, zoals darmpassage van vezels11Mertens, D. R., & Ely, L. O. (1979). A Dynamic Model of Fiber Digestion and Passage in the Ruminant for Evaluating Forage Quality. Journal of Animal Science, 49(4), 1085–1095. of glucose opname12Man, C. D., Camilleri, M., & Cobelli, C. (2006). A System Model of Oral Glucose Absorption: Validation on Gold Standard Data. IEEE Transactions on Biomedical Engineering, 53(12), 2472–2478.. Toch is het niet ondenkbaar om kwantitatieve theoretisch modellen te ontwikkelen voor zoiets complex als voeding in zijn totaliteit. Stukken van de puzzel zijn reeds onderzocht en er is data in overvloed om modellen mee te testen. Bovendien zijn er voorbeelden uit andere vakgebieden die complexe menselijke fysiologie betreffen, zoals het modelleren van de hersenen binnen The Human Brain Project13The Human Brain Project. Geraadpleegd 15 december 2015..

Met een veel omvattend theoretisch model dat een goed voorspellend vermogen heeft, kunnen uitgebreide simulaties worden gedaan van tal van situaties. Daarmee kunnen veel meer situaties worden geanalyseerd dan met observationeel of interventieonderzoek, terwijl voor modelvalidatie een beperkt aantal observaties kan volstaan. Een resultaat hiervan kan zijn dat de contouren waarbinnen voeding gezond of schadelijk is, beter in kaart kunnen worden gebracht. Daarnaast helpt alleen al het opzetten van zo’n model bij het ontwikkelen van een beter begrip en het in de context plaatsen van allerlei gegevens, iets waar ook binnen de praktijk van ingenieurs dankbaar gebruik van wordt gemaakt. Hoewel het een bijzonder lastige klus zal zijn om op te stellen, lijkt er grote potentie te zitten in het gebruik van kwantitatieve modellen. Dit maakt het de moeite waard om deze optie nader te bekijken.

4. Kwalitatieve modellen

Naast de bij het vorige punt genoemde kwantitatieve modellen – die werken met exacte hoeveelheden en effectgroottes – kan er ook gebruik gemaakt worden van zogenaamde kwalitatieve modellen. Dit type model gebruikt meer omschrijvende termen, zoals meer, minder, of sneller. Denk aan de kwalitatieve beschrijving dat een elektromotor typisch een hoger koppel bij lage toeren kan maken dan een verbrandingsmotor14Torque curve, JPEG-afbeelding, 563 × 323 pixels. Geraadpleegd 15 december 2015.. Niet elke beschrijving is een kwalitatief model, ook hier is het van belang dat het een voorspellende waarde heeft. Bovendien moet er, zoals de definitie al zegt, wel een theoretische achtergrond aan ten grondslag liggen om het een theoretisch model te kunnen noemen.

Een basisprincipe van de wetenschappelijke methode is dat modellen parsimonious – eenvoudig doch passend – zouden moeten zijn. Dit concept helpt bij het gebruik van kwantitatieve modellen uit het vorige punt. De aardigheid van kwalitatieve modellen is echter dat ze, in vergelijking met hun kwantitatieve tegenhangers, bijna per definitie eenvoudiger zijn. Net als kwantitatieve modellen, kunnen ook kwalitatieve modellen worden toegepast om te voorspellen en te analyseren hoe voedingspatronen onze gezondheid beïnvloeden.

Door hun eenvoudiger karakter zouden kwalitatieve modellen een goed beginpunt kunnen vormen voor het gebruik van theoretische modellen binnen de voedingsleer. Een voorbeeld van zo’n model is het inmiddels 30 jaar geleden voorgestelde paleolithische model15Konner, M., & Eaton, S. B. (2010). Paleolithic nutrition: twenty-five years later. Nutrition in Clinical Practice: Official Publication of the American Society for Parenteral and Enteral Nutrition, 25(6), 594–602.. Het model geeft een handvat voor aanpassingen in het voedingspatroon die gezondheidsverbeteringen kunnen geven, een punt waar inmiddels ook redelijke aanwijzingen voor zijn gevonden16Manheimer, E. W., Zuuren, E. J. van, Fedorowicz, Z., & Pijl, H. (2015). Paleolithic nutrition for metabolic syndrome: systematic review and meta-analysis. The American Journal of Clinical Nutrition.. Uiteraard is dit niet het enige denkbare theoretisch model, maar wel één van de eerste die gepubliceerd is. Het laat bovendien zien dat, doordat de theoretische achtergrond zijn oorsprong vindt in andere vakgebieden (zoals genetica, antropologie en archeologie), de verwevenheid en daarmee mate van plausibiliteit groter is dan bij onderzoek van puur observationele aard. Kortom, dit kan als voorbeeld dienen voor andere kwalitatieve modellen.

Kwalitatieve theoretische modellen bieden de mogelijkheid om richtingen te voorspellen zonder de noodzaak om exacte kengetallen te gebruiken. Het lijkt daarmee een uitstekende mogelijkheid om een stap verder te komen dan pure observatie toestaat. Met een dergelijk model ontstaat mogelijkheid om te komen tot een geïntegreerd beeld waarbinnen observaties geplaatst kunnen worden. Niet alleen kan een dergelijk framework helpen om de observaties te duiden, ook neemt daarmee de mate van verwevenheid toe, waardoor de kennisstatus van de voedingswetenschap vergroot kan worden.

5. Voedingsadvies: toegepast

De Gezondheidsraad heeft er bij haar jongste richtlijnen voor gekozen om deze alleen te baseren op in haar ogen sterke wetenschappelijke aanwijzingen. Dat heeft geleid tot een wat onsamenhangende samenvatting van de subset van aspecten die wetenschappelijk zijn onderzocht, gepubliceerd én voldoende stevig werden geacht. Als je daarbij de constatering optelt dat de wetenschappelijke kennis over de relatie tussen voeding en gezondheid erg beperkt is, is deze vraag onvermijdelijk: is dit niet een te beperkte kijk op voeding?

Vergelijk het bijvoorbeeld met de vraag hoe je een goede auto maakt. Als je dit zou proberen te beantwoorden door alleen te kijken naar gepubliceerde en sterke wetenschappelijke resultaten, zou dat dan een rijdend voertuig opleveren? Het antwoord is simpelweg nee. Daarvoor is namelijk nog veel meer nodig, zoals praktische kennis over bijvoorbeeld modelleren, ontwerpen, materialen, productietechnieken, leveranciers, productiekosten, en tal andere zaken, maar vooral ook de samenhang tussen al die aspecten. Kortom, er is een keur van praktische en specialistische kennis en ervaring nodig die veel verder reikt dan de optelsom van wetenschappelijke literatuur. Niet alleen is de huidige voedingswetenschappelijke kennis verre van alomvattend, ook kan wetenschappelijk onderzoek onmogelijk alle aspecten meenemen, al was het maar doordat de financiële middelen beperkt zijn. Het opstellen van voedingsadviezen is daardoor in essentie, net als een auto ontwerpen en maken, vooral een toegepast vak.

Weliswaar zal het Voedingscentrum de door de Gezondheidsraad opgestelde richtlijnen nog gaan vertalen naar praktische adviezen, maar daarbij zijn zij min of meer gebonden aan wat er aan richtlijn ligt en daarmee is de richting in grote lijnen al bepaald. Niet voor niets wordt in de industrie echter gebruik gemaakt van methoden als design for manufacturing, waarbij een praktisch aspect als de maakbaarheid van een ontwerp al vroeg in het ontwerpproces wordt meegenomen. De ervaring leert namelijk dat de uiteindelijke kostprijs van een product voor een groot deel al reeds in de conceptuele fase wordt bepaald en het loont dus om dit zo vroeg mogelijk erbij te betrekken17Product costs commitment during phases of the design process. Geraadpleegd 13 december 2015.. De tweetrapsraket van Gezondheidsraad en Voedingscentrum kan op een soortgelijke manier onwenselijk uitpakken en daarom is het de moeite waard om te kijken of al reeds in de eerste fase – het opstellen van de richtlijnen – praktische kennis en ervaring een rol kan spelen.

Net als een arts de behandeling van een patiënt baseert op inzichten die sterk worden bepaald door praktijk- en ervaringskennis, kunnen dergelijke aspecten en bijbehorende pragmatische aanpak ook voedingsrichtlijnen effectiever en bruikbaarder maken. Maar, net als bij ingenieurs en artsen, geldt hierbij wel dat vakinhoudelijke expertise onontbeerlijk is om tot werkende oplossingen te komen. Een mooi voorbeeld van zo’n pragmatische aanpak wordt gegeven door Stichting Voeding Leeft18Stichting Voeding Leeft. Geraadpleegd 13 december 2015.. Dit collectief van o.a. wetenschappers, artsen en diëtisten combineert wetenschappelijke aanwijzingen en praktijkervaring, om bijvoorbeeld (pre)diabetici van hun ziekte af te helpen door veranderingen in hun voedingspatroon19Keer diabetes om. Geraadpleegd 13 december 2015.. Het toont hoe het onderkennen van de toegepaste aard van het vak tot werkende resultaten kan leiden en kan als voorbeeld dienen hoe dit kan worden geïmplementeerd.

Conclusie: pragmatisch

In mijn drieluik heb ik proberen te beschrijven dat ‘wetenschappelijk bewezen‘ een moeilijk en vaak verkeerd begrepen begrip is. Het valt beter te begrijpen door te beschrijven hoe de wetenschappelijke praktijk werkt. De gemene delers van vele soorten wetenschap zijn de principes van de wetenschappelijke methode. Die wordt gekenmerkt door enkele telkens terugkerende concepten, bestaande uit inductieve en deductieve logica, vooronderstellingen, en aanwijzingen. Onderzoek staat nooit op zichzelf, maar bouwt voort op eerder gevonden concepten. Hierdoor ontstaat een verweven netwerk en hoe groter de mate van verwevenheid, hoe meer een concept gaat gelden als kennis.

Voedingsonderzoek kan grofweg in drie categorieën worden ingedeeld, mechanistisch, interventie- en observationeel onderzoek. Bij elk van deze categorieën worden vooronderstellingen, logica en aanwijzingen gebruikt om tot conclusies te komen. Er zijn echter grote verschillen in de kennisstatus van deze typen onderzoek, wat vooral te maken heeft met de gehanteerde vooronderstellingen en de mate van verwevenheid met andere soorten onderzoek en andere theorieën. Hierbij gaan vooral conclusies uit mechanistisch onderzoek op den duur gelden als kennis, terwijl interventie en observationeel onderzoek veel minder breed geworteld zijn.

In deze derde en laatste tekst over wat voedingswetenschap is en zou kunnen zijn, heb ik geprobeerd om enkele ideeën te beschrijven die kunnen bijdragen aan een meer solide kennisstatus binnen de voedingswetenschap. Het valideren van beschrijvende modellen ligt het dichtst bij de huidige praktijk, omdat het slechts een uitbreiding van het gangbare observationeel onderzoek betreft. Een verdere aanpassing kan gezocht worden in manieren om te komen tot een meer uniforme onderzoekspopulatie. Hierdoor worden individuele verschillen onderkend en komt de schijnwerper te staan op de dominante factoren die daaraan bijdragen. De derde suggestie bouwt voort op de succesformule uit de bètawetenschappen, die inmiddels ook in andere vakgebieden haar intrede heeft gedaan: het gebruik van theoretische, voorspellende modellen. Dit is binnen de voedingswetenschap een lastig te realiseren mogelijkheid, maar wel één met grote potentie. Een alternatief hiervan kan gezocht worden in kwalitatieve theoretische modellen. Deze zijn eenvoudiger van aard, maar kunnen wel bijdragen aan de vorming van een geïntegreerd beeld.

Tot slot ging mijn vijfde suggestie over het opstellen van praktische richtlijnen of adviezen op basis van al dat onderzoek. Het onderkennen van de toegepaste aard van de voedingsleer kan bijdragen aan effectievere richtlijnen. Vliegtuigbouwers moeten pragmatisch zijn, maar geen onberedeneerde risico’s nemen. Artsen moeten de gaten in wetenschappelijke resultaten dichten met hun praktische kennis en ervaring. Ook voedingsonderzoekers moeten leren dat hun onderzoek zich moet vertalen in een toepassing die meer is dan een verzameling wetenschappelijke resultaten.

Noten   [ + ]

1. Een theoretisch of verklarend model is een model waarmee op grond van een theorie een voorspelling kan worden gedaan van de te verwachten observatie
2. Als sterk versimpeld voorbeeld zou een beschrijvend model voor het relatieve risico (RR) op insulineresistentie er zo uit kunnen zien: RR = A x lichaamsgewicht + B x fruitconsumptie + C x broodconsumptie. In dit voorbeeld worden drie parameters meegenomen: lichaamsgewicht, fruitconsumptie en broodconsumptie. Aan de hand van de observaties (mate van insulineresistentie, lichaamsgewicht en fruit- en broodconsumptie van elke deelnemer) worden de best passende waarden van coëfficiënten A, B en C bepaald. Stel dat de onderzoekers geïnteresseerd zijn naar de invloed van broodconsumptie op het risico op insulineresistentie, dan wordt met parameters A en B gecorrigeerd voor de invloed van lichaamsgewicht en fruitconsumptie en geeft de afgeleidde parameter C het gezochte antwoord. In de praktijk ziet zo’n model er heel wat ingewikkelder uit en kunnen ook invloeden van parameters op elkaar nog worden meegenomen
3. Young, S. S., & Karr, A. (2011). Deming, data and observational studies. Significance, 8(3), 116–120.
4. Vragen en antwoorden over Open Access bij NWO. Geraadpleegd 9 december 2015.
5. Lillie, E. O., Patay, B., Diamant, J., Issell, B., Topol, E. J., & Schork, N. J. (2011). The n-of-1 clinical trial: the ultimate strategy for individualizing medicine? Personalized medicine, 8(2), 161–173.
6. Schork, N. J. (2015). Personalized medicine: Time for one-person trials. Nature, 520(7549), 609–611.
7. “Grasgevoerd vlees heeft laagste kankerrisico”. Geraadpleegd 14 december 2015.
8. Barbot, S., Lapusta, N., & Avouac, J.-P. (2012). Under the Hood of the Earthquake Machine: Toward Predictive Modeling of the Seismic Cycle. Science, 336(6082), 707–710.
9. Moussaïd, M., Helbing, D., & Theraulaz, G. (2011). How simple rules determine pedestrian behavior and crowd disasters. Proceedings of the National Academy of Sciences, 108(17), 6884–6888.
10. Johansson, A., Batty, M., Hayashi, K., Al Bar, O., Marcozzi, D., & Memish, Z. A. (2012). Crowd and environmental management during mass gatherings. The Lancet Infectious Diseases, 12(2), 150–156.
11. Mertens, D. R., & Ely, L. O. (1979). A Dynamic Model of Fiber Digestion and Passage in the Ruminant for Evaluating Forage Quality. Journal of Animal Science, 49(4), 1085–1095.
12. Man, C. D., Camilleri, M., & Cobelli, C. (2006). A System Model of Oral Glucose Absorption: Validation on Gold Standard Data. IEEE Transactions on Biomedical Engineering, 53(12), 2472–2478.
13. The Human Brain Project. Geraadpleegd 15 december 2015.
14. Torque curve, JPEG-afbeelding, 563 × 323 pixels. Geraadpleegd 15 december 2015.
15. Konner, M., & Eaton, S. B. (2010). Paleolithic nutrition: twenty-five years later. Nutrition in Clinical Practice: Official Publication of the American Society for Parenteral and Enteral Nutrition, 25(6), 594–602.
16. Manheimer, E. W., Zuuren, E. J. van, Fedorowicz, Z., & Pijl, H. (2015). Paleolithic nutrition for metabolic syndrome: systematic review and meta-analysis. The American Journal of Clinical Nutrition.
17. Product costs commitment during phases of the design process. Geraadpleegd 13 december 2015.
18. Stichting Voeding Leeft. Geraadpleegd 13 december 2015.
19. Keer diabetes om. Geraadpleegd 13 december 2015.