By adminvps06 
Dinamika kadar nutrisi dan lipid dalam darah setelah mengonsumsi makanan berlemak tinggi merupakan indikator penting kesehatan kardiovaskular saat ini dan di masa mendatang. Secara tradisional, pengukuran zat-zat yang beredar ini melibatkan pengambilan darah invasif, yang tidak memungkinkan untuk pelacakan kesehatan rutin. Para peneliti tengah menjajaki metode non invasif untuk menilai kesehatan kardiovaskular, yang dapat meningkatkan pemantauan efek pasca makan dan membantu mengidentifikasi faktor-faktor yang berkontribusi terhadap penyakit kardiovaskular. Pendekatan yang menjanjikan adalah teknik pencitraan optik non kontak yang disebut “spatial frequency domain imaging” (SFDI), yang mengukur sifat jaringan dan hemodinamik.
Sebuah studi terkini dari Universitas Boston, Sekolah Kedokteran Harvard, dan Rumah Sakit Brigham and Women’s menyelidiki bagaimana komposisi makanan mempengaruhi sifat jaringan kulit sesaat setelah makan. Seperti yang dilaporkan dalam Biophotonics Discovery (BIOS), tim peneliti berfokus pada jaringan perifer tangan untuk memahami dampak langsung dari makanan rendah lemak dan tinggi lemak.
Dengan menggunakan SFDI, para peneliti memantau 15 subjek yang mengonsumsi kedua jenis makanan tersebut pada hari yang berbeda. Tim tersebut mengambil gambar punggung tangan setiap subjek setiap jam selama lima jam setelah makan, menganalisis tiga panjang gelombang tertentu untuk mengevaluasi konsentrasi hemoglobin, air, dan lipid.
Hasilnya menunjukkan perbedaan yang signifikan dalam respons jaringan. Makanan berlemak tinggi menyebabkan peningkatan saturasi oksigen jaringan , sedangkan makanan rendah lemak menyebabkan penurunan, yang menunjukkan bahwa lemak makanan tidak hanya mempengaruhi kesehatan secara keseluruhan tetapi juga respons fisiologis langsung. Perubahan puncak terjadi tiga jam setelah makan, bertepatan dengan lonjakan kadar trigliserida.
Selain pencitraan, para peneliti melacak tekanan darah dan denyut jantung, dan juga melakukan pengambilan darah untuk mengukur kadar trigliserida, kolesterol, dan glukosa. Hasilnya menunjukkan bahwa perubahan penyerapan optik pada panjang gelombang tertentu secara akurat sesuai dengan variasi konsentrasi lipid.
Berdasarkan wawasan ini, tim tersebut kemudian melatih model pembelajaran mesin menggunakan data SFDI untuk memprediksi kadar trigliserida, dan mencapai akurasi dalam 40 mg/dL. Ketepatan ini dapat membuka jalan bagi pemantauan kesehatan kardiovaskular noninvasif.
Penulis senior Darren Roblyer, profesor teknik biomedis di Universitas Boston, berkomentar, “Penelitian ini menunjukkan bahwa SFDI dapat berfungsi sebagai alternatif yang menjanjikan, yang memungkinkan pemantauan lebih mudah tentang bagaimana makanan mempengaruhi kesehatan kardiovaskular.”