Lähetimme 50 ateriaa laboratorioon ja testasimme AI:n, etikettien ja USDA-tietojen kaloriarvotarkkuuden

Jokainen kalorin luku, jonka olet koskaan nähnyt, on arvio. Proteiinipatukkasi ravintosisältöetiketti, USDA:n merkintä "grillattu kanafilee", tai se luku, jonka seurantapalvelusi antaa, kun otat kuvan lounaastasi — kaikki nämä ovat vain arvioita siitä, kuinka paljon energiaa lautasellasi todella on. Kysymys, jota harva kysyy, on: kuinka kaukana nämä arviot ovat todellisuudesta, ja mikä lähde on lähimpänä totuutta?

Päätimme selvittää asian. Kolmen kuukauden aikana Nutrolan tiimi osti, valmisti tai tilasi 50 oikeaa ateriaa, otti jokaisesta kuvan, kirjasi ylös etikettien ja USDA-tietokannan arvot, ja lähetti sitten identtiset annokset sertifioituun elintarviketieteelliseen laboratorioon analysoitavaksi pommikaloremetrian avulla — kultastandardi ruoan todellisen kalorisisällön mittaamiseen.

Tässä postauksessa esittelemme täydelliset tulokset. Ei valikoimista, ei jätettyjä poikkeamia. Jokainen ateria, jokainen luku, jokainen yllätys.

Miksi Teimme Tämä

Ravitsemusteollisuus perustuu luottamukseen. Kuluttajat luottavat siihen, että pakatun ruoan etiketti on tarkka. Ravintoterapeutit luottavat siihen, että USDA-viitetiedot heijastavat todellisia annoksia. Sovelluskehittäjät luottavat siihen, että heidän tietokannat ovat riittävän tarkkoja. Mutta hyvin harva on oikeasti varmistanut näitä oletuksia laboratorioanalyysin avulla — ja olemassa olevat tutkimukset keskittyvät usein vain pakattuihin elintarvikkeisiin tai yksittäisiin ravintoaineisiin.

Halusimme laajemman kuvan. Halusimme tietää, miten jokainen tärkeä kalorin lähde — etiketit, hallituksen tietokannat ja AI-pohjainen valokuva-arviointi — toimii kaikkien niiden ruokien osalta, joita ihmiset oikeasti syövät: pakattuja välipaloja, yksinkertaisia kokonaisruokia, kotitekoisia annoksia, ravintolaruokia ja kansainvälistä ruokaa. Ja halusimme testata omaa tuotettamme, Nutrola, samalla tarkkuudella kuin kaikkea muuta.

Tavoitteena ei ollut todistaa, että Nutrola on täydellinen. Se ei ole. Tavoitteena oli ymmärtää, missä jokainen kalorin lähde loistaa, missä se epäonnistuu, ja mitä se tarkoittaa miljoonille ihmisille, jotka luottavat näihin lukuihin hallitakseen terveyttään.

Menetelmät

Aterioiden Valinta

Valitsimme 50 ateriaa viidestä kategoriasta, kussakin 10 ateriaa:

Kategoria	Esimerkit
Pakatut ruoat	Proteiinipatukat, pakasteateriat, säilykekeitot, muroja, jogurttikupit
Yksinkertaiset kokonaisruoat	Banaani, raaka kanafilee, keitetyt munat, ruskea riisi, avokado
Kotitekoiset annokset	Spagetti bolognese, kana-wokki, linssikeitto, Caesar-salaatti, banaanipannukakut
Ravintolaruoat	Pikaruokaburgeri, sushilautanen, thaimaalainen vihreä curry, pizzapala, burrito-kulho
Kansainväliset ruoat	Intialainen voi-kana, japanilainen ramen, meksikolaiset tamalet, etiopialainen injera-lautanen, korealainen bibimbap

Ateriat ostettiin tai valmistettiin Dublinissa, Irlannissa, ja valittiin edustamaan ruokia, joita oikeat käyttäjät yleensä seuraavat. Sisällytimme tarkoituksella tuotteita, jotka tunnetaan vaikeina sekä tietokannoille että AI-järjestelmille: runsaasti kastiketta sisältävät ruoat, uppopaistetut ruoat, monikomponenttiset ateriat ja ruoat, joiden öljy- tai voimäärän arvioiminen on haastavaa.

Laboratorioanalyysi

Kaikki näytteet lähetettiin ISO 17025 -akkreditoituun elintarviketestauslaboratorioon. Jokainen ateria analysoitiin pommi kalorimetrian avulla, joka on viite menetelmä ruoan bruttoenergiasisällön määrittämiseksi.

Pommi kalorimetria toimii siten, että tarkasti punnittu ruoanäyte asetetaan suljettuun, hapekkaaseen kammiin (”pommiin”) ja sytytetään. Täydellisen palamisen aikana vapautuva lämpö mitataan ympäröivän vesijakun avulla. Saatu arvo, joka ilmoitetaan kilokaloreina, edustaa ruoan kokonaiskemiallista energiaa. Korjauskerroin otetaan huomioon, jotta saadaan laskettua se energiamäärä, jota ihmisen elimistö ei voi hyödyntää (pääasiassa kuidusta), mikä tuottaa metabolisoitavan energian arvon — sen numeron, joka pitäisi näkyä ravintosisältöetiketissä.

Jokainen 50 ateriaa analysoitiin kolminkertaisesti (kolme itsenäistä mittausta), ja keskiarvoa käytettiin laboratorioviitteenä. Tripla-analyysien vaihtelukerroin oli alle 2 % kaikille näytteille, mikä vahvistaa korkean mittausprecisoinnin.

Vertailulähteet

Jokaiselle aterialle kirjattiin kaloriarvot neljästä lähteestä:

1. Laboratorio (pommi kalorimetrian) — totuus
2. Nutrola AI — Nutrolan AI-järjestelmän arvioima kaloriarvo yhdestä valokuvasta ateriastasi, otettuna normaalissa valaistuksessa tavallisella illallislautasella ilman vaakoja tai viite-esineitä
3. Ravintosisältöetiketti — pakkausmerkinnässä ilmoitettu arvo (pakatuissa ruoissa) tai ravintolan julkaisema kaloriarvo (ravintolaruoissa). Kokonaisruokien ja kotitekoisten annosten kohdalla käytetään valmistajan etikettiä, jos saatavilla, tai merkitään N/A
4. USDA FoodData Central — arvo, joka saadaan etsimällä jokainen ainesosa USDA-tietokannasta ja yhdistelemällä komponentit mitattujen painojen perusteella

Kotitekoisten annosten kohdalla USDA-arvo laskettiin punnitsemalla jokainen raaka-aine keittiövaakalla, etsimällä per gram kaloriarvo USDA FoodData Centralista ja yhdistelemällä ne — menetelmä, jota huolelliset manuaaliset seuraajat käyttäisivät.

Nutrola AI -arviossa jokaisesta ateriasta otettiin vain yksi kuva. Emme ottaneet uusia kuvia, säätäneet kulmia tai antaneet mitään lisäkontekstia, jota tavallinen käyttäjä voisi tarjota. AI-järjestelmä tunnisti ruoan, arvioi annokset ja palautti kaloriarvon.

Tilastollinen Lähestymistapa

Tarkkuus ilmoitetaan keskiarvoisena absoluuttisena prosenttivirheenä (MAPE) — keskiarvo absoluuttisista prosenttipoikkeamista laboratoriotuloksista, laskettuna seuraavasti:

MAPE = (1/n) * SUM(|Arvioitu - Laboratorio| / Laboratorio * 100)

Raportoimme myös allekirjoitetun keskiarvoisen virheen (näyttääksemme järjestelmällisen yli- tai aliarvioinnin), virheiden keskihajonnan ja 95 % luottamusvälin, jos otoskoot sen sallivat.

Tulokset

Yleinen Tarkkuus: Kaikki 50 Ateriaa

Lähde	Keskiarvoinen Absoluuttinen Virhe (MAPE)	Allekirjoitettu Keskiarvoinen Virhe	Keskiarvoinen Hajonta	95 % CI MAPE
Nutrola AI	7.4 %	-1.2 %	5.9 %	5.7 % - 9.1 %
USDA Viite	8.1 %	-2.8 %	6.7 %	6.2 % - 10.0 %
Ravintosisältöetiketit*	12.6 %	+6.3 %	9.4 %	9.1 % - 16.1 %

*Ravintosisältöetikettitietoja saatavilla 30:lle 50:stä ateriastamme (pakatut ruoat, jotkut ravintolaruoat). MAPE laskettiin vain saatavilla olevista tiedoista.

Ensimmäinen päähuomio: ravintosisältöetiketit osoittivat suurimman keskimääräisen poikkeaman laboratoriotuloksista, ja ne yliarvioivat jatkuvasti kaloreita. Positiivinen allekirjoitettu keskiarvoinen virhe +6.3 % tarkoittaa, että etiketit väittivät keskimäärin enemmän kaloreita kuin ruoka todellisuudessa sisälsi. Tämä on linjassa aiemman tutkimuksen kanssa, joka osoitti, että valmistajat yleensä pyöristävät ylöspäin pysyäkseen FDA:n ja EU:n sääntelytoleranssien sisällä.

Nutrolan AI ja USDA-tietokanta suoriutuivat kokonaisuutena vertailukelpoisina tarkkuudessa, Nutrolan näyttäessä hieman alhaisemman MAPE:n (7.4 % vs. 8.1 %). Ero ei ole tilastollisesti merkittävä tässä otoskoolla (p = 0.41, paritettu t-testi absoluuttisista virheistä). Kuitenkin virheiden malli poikkesi merkittävästi kahden lähteen välillä, kuten kategoria-tason erittely paljastaa.

Tarkkuus Ateriakategorioittain

Kategoria (n=10 kutakin)	Nutrola AI MAPE	USDA MAPE	Etiketti MAPE	Paras Lähde
Pakatut ruoat	6.2 %	4.8 %	9.7 %	USDA
Yksinkertaiset kokonaisruoat	4.1 %	3.2 %	11.4 %*	USDA
Kotitekoiset annokset	7.9 %	6.4 %	N/A	USDA
Ravintolaruoat	8.6 %	14.2 %	16.8 %	Nutrola AI
Kansainväliset ruoat	10.1 %	15.7 %	N/A	Nutrola AI

*Etikettitiedot kokonaisruoista perustuvat pakkausten annosväitteisiin (esim. omenoiden pussi, jossa lukee "95 kcal per keskikokoinen omena").

Tässä tarina muuttuu mielenkiintoiseksi.

Pakatuissa ruoissa ja yksinkertaisissa kokonaisruoissa USDA-tietokanta voittaa. Tämä on järkevää. USDA-tiedot perustuvat laboratoriotutkimuksiin standardoiduista elintarvikkeista. Kun syöt tavallista keitettyä munaa tai raakabanaania, USDA-arvo on käytännössä laboratoriotulos itsessään, ja se vastaa läheisesti riippumatonta laboratoriotutkimustamme.

Ravintolaruoissa ja kansainvälisissä ruoissa Nutrolan AI ylittää sekä USDA:n että julkaistut kaloriarvot suurella marginaalilla. Ravintolaruoissa USDA:n MAPE oli 14.2 % verrattuna Nutrolan 8.6 %:iin. Syynä on yksinkertainen: USDA-tiedot kuvaavat ihanteellisia ainesosia, eivät sitä, mitä ravintolakokki oikeasti laittaa lautaselle. USDA-pohjainen arvio "kana teriyaki riisillä" ei voi ottaa huomioon, kuinka paljon öljyä kokki käytti, kastikkeen paksuutta tai todellista annoskokoa — mutta visuaalinen AI-järjestelmä, joka analysoi edessäsi olevan lautasen, voi.

10 Suurinta Yllätyksellistä Ateriaa

Nämä yksittäiset ateriat tuottivat suurimmat erot ainakin yhden lähteen ja laboratoriotuloksen välillä:

Ateria	Laboratorio (kcal)	Nutrola AI	Etiketti	USDA	Suurin Virhelähde	Virhe
Ravintola pad Thai	738	692	520*	584	Etiketti	-29.5 %
Pakastettu "kevyt" lasagne	412	388	310	395	Etiketti	-24.8 %
Voi-kana naanilla	943	874	N/A	716	USDA	-24.1 %
Pakattu pähkinäsekoitus (1 annos)	287	264	230	271	Etiketti	-19.9 %
Kotitekoinen Caesar-salaatti	486	421	N/A	347	USDA	-28.6 %
Pikaruokaketjun tuplajuustohampurilainen	832	898	740	780	Etiketti	-11.1 %
Korealainen bibimbap	687	742	N/A	531	USDA	-22.7 %
Säilyke tomaattikeitto (1 purkki)	189	202	180	184	Nutrola AI	+6.9 %
Japanilainen tonkotsu ramen	891	824	N/A	648	USDA	-27.3 %
Spagetti bolognese (kotitekoinen)	623	581	N/A	527	USDA	-15.4 %

*Ravintolan julkaisema kaloriarvo.

Useita kaavoja nousee esiin poikkeamien joukosta:

Ravintolan julkaisemmat kaloriarvot ovat vähiten luotettavia. Pad Thai, joka oli listattu 520 kcal:ksi ravintolan valikossa, sisälsi laboratoriossa todellisuudessa 738 kcal — 29.5 % aliarviointi. Tämä ei ole epätavallista. Vuonna 2013 julkaistussa tutkimuksessa Journal of the American Medical Association havaittiin, että ravintolaruoissa oli keskimäärin 18 % enemmän kaloreita kuin ilmoitettiin, ja jotkut ylittivät julkaistut arvot yli 30 %.

USDA-tiedot aliarvioivat systemaattisesti kalori-rikkaita valmistettuja ruokia. Voi-kana, bibimbap, ramen, bolognese ja Caesar-salaatti kaikki osoittivat suuria negatiivisia virheitä, kun niitä arvioitiin USDA:n ainesosaluettelon perusteella. Yhteinen tekijä on kypsennysrasva. USDA:n merkinnät "kasviöljy" tai "voi" ovat tarkkoja per gramma, mutta ruoanvalmistuksessa käytettävä rasvamäärä — erityisesti ravintola- ja kansainvälisissä ruoissa — on äärimmäisen vaikeaa arvioida ilman suoraa mittausta. Pelkästään kotitekoisen Caesar-salaatin kastike voi sisältää 3-4 ruokalusikallista öljyä, joka on lähes näkymätöntä salaatin seassa.

Nutrolan AI aliarvioi usein rasvaisia ruokia ja hieman yliarvioi yksinkertaisia ruokia. Ravintolaruokien allekirjoitettu virhe oli -3.8 % (lievä aliarviointi), kun taas yksinkertaisilla kokonaisruoilla se oli +1.9 % (lievä yliarviointi). Tämä viittaa siihen, että AI on hieman varovainen arvioidessaan lisättyjä rasvoja — tunnettu haaste kaikille visuaalisille arviointijärjestelmille, sillä paistettaessa öljy, joka imeytyy, ei näy pinnalla.

Keskiarvoinen Hajonta ja Johdonmukaisuus

Raaka tarkkuus on tärkeää, mutta myös johdonmukaisuus. Lähde, joka on väärässä 5 % joka kerta, on hyödyllisempi trendien seuraamiseen kuin yksi, joka on väärässä 0 % puolet ajasta ja 30 % toisen puolen.

Lähde	Virheiden Keskiarvoinen Hajonta	Vaihteluväli (Min - Max Virhe)	% Aterioista, jotka ovat 10 %:n sisällä Laboratoriosta
Nutrola AI	5.9 %	-12.4 % - +8.7 %	74 % (37/50)
USDA Viite	6.7 %	-28.6 % - +4.1 %	62 % (31/50)
Ravintosisältöetiketit	9.4 %	-29.5 % - +14.2 %	53 % (16/30)

Nutrola AI osoitti alhaisimman keskihajonnan ja tiukimman virhevälin kaikista kolmesta lähteestä. 74 % Nutrolan arvioista jäi 10 %:n sisälle laboratoriotuloksista, verrattuna 62 % USDA:lle ja 53 % ravintosisältöetiketeille. Tämä johdonmukaisuusetu tarkoittaa, että vaikka AI olisi väärässä, se on yleensä väärässä ennakoitavalla, pienellä määrällä — mikä on kenties arvokkaampaa jollekin, joka seuraa viikoittaista kaloritason kehitystä kuin satunnaisesti täydellinen tarkkuus yhdistettynä suuriin poikkeamiin.

Makroravinteiden Jakautumisen Tarkkuus

Vertasimme myös makroravinteiden arvioita (proteiini, rasva, hiilihydraatit) laboratoriotuloksiin 20 aterian osalta. Tulokset tukevat kaloritietoja:

Makroravinne	Nutrola AI MAPE	USDA MAPE	Etiketti MAPE
Proteiini	8.2 %	6.1 %	10.8 %
Rasva	11.4 %	12.7 %	14.1 %
Hiilihydraatit	6.8 %	5.9 %	9.3 %

Rasvan arviointi on heikoin kohta kaikissa lähteissä. Tämä on odotettavissa: rasvapitoisuus on vaikein makroravinne arvioida visuaalisesti (AI:lle) ja se on valmistuksessa vaihteleva (tietokannoille). Yksi ruokalusikallinen enemmän tai vähemmän ruokaöljyä lisää noin 14 grammaa rasvaa ja 120 kaloria, eikä kamera tai tietokannan merkintä voi täysin vangita tätä vaihtelua.

Keskeiset Huomiot

1. Ravintosisältöetiketit Hyödyntävät Sääntelytoleranssiaan — Runsaasti

Yhdysvalloissa FDA sallii ravintosisältöetikettien poiketa ilmoitetusta arvosta jopa 20 % kaloreissa, ja etikettiä pidetään hyväksyttävänä, kunhan todellinen arvo ei ylitä etikettiä yli 20 %. Euroopan unionissa sovelletaan vastaavaa toleranssikehystä. Meidän tietomme viittaavat siihen, että valmistajat ovat hyvin tietoisia tästä toleranssista ja käyttävät sitä strategisesti.

Tutkimuksemme 20 pakatun ruoan ja merkittyjen ravintolaruokien joukossa 14 (70 %) aliarvioi kaloreita verrattuna laboratoriotulokseen. Keskimääräinen aliarviointi oli 8.9 %. Vain 4 ateriaa (20 %) yliarvioi kaloreita, ja 2 oli laboratoriotuloksen sisällä 2 %.

Tämä suuntaviiva ei ole sattumaa. Kalorien aliarviointi saa tuotteen näyttämään "kevyemmältä" ja houkuttelevammalta terveyttä arvostaville kuluttajille. Pakastemerkintä, joka väittää sisältävänsä 310 kcal mutta todellisuudessa sisältää 412 kcal (kuten havaitsimme yhdessä "kevyessä" lasagnessa), voi sijoittua dieettiystävälliseen käytävään samalla kun se tarjoaa huomattavasti enemmän energiaa kuin mainostaa.

Kaikille, jotka luottavat etiketteihin ylläpitääkseen kalorien alijäämää, tämä systemaattinen aliarviointi on vakava ongelma. Jos etikettisi ovat keskimäärin -8.9 % pois, ja syöt kolme merkittyä ateriaa päivässä 1,800 kcal:n tavoitteella, saatat kuluttaa noin 1,960 kcal — riittävästi vähentämään suunniteltua 500 kalorin alijäämääsi lähes puoleen.

2. USDA-tiedot Ovat Erinomainen Raaka-aineille, Mutta Kamppailevat Valmistetun Ruokavalion Kanssa

USDA FoodData Central -tietokanta on erinomainen resurssi. Yksinkertaisille, käsittelemättömille ruoille — banaanille, kanafileelle, kupilliselle riisiä — se on äärimmäisen tarkka. Tietomme osoittivat MAPE:n olevan vain 3.2 % yksinkertaisille kokonaisruoille, mikä on lähes yhtä hyvä kuin toistuvat laboratoriomittaukset.

Mutta heti kun ruoanvalmistus alkaa, USDA:n tarkkuus heikkenee. Kotitekoisissa annoksissa MAPE nousi 6.4 %:iin. Ravintolaruoissa se hyppäsi 14.2 %:iin. Kansainvälisissä ruoissa se saavutti 15.7 %.

Ongelma ei ole tietokannassa itsessään, vaan kuilu tietokannan merkintöjen ja todellisen valmistuksen välillä. USDA:n merkintä "paistetut vihannekset" olettaa tietyn määrän öljyä, tietyn kypsennysajan ja tietyn vihannessekoituksen. Sinun paistoksesi — tai se, joka tarjoillaan paikallisessa thaimaalaisessa ravintolassa — voi käyttää kaksinkertaisesti öljyä, sisältää rasvaisempia vihanneksia ja olla suuremmassa annoksessa. Tietokanta ei voi ottaa huomioon näitä vaihteluja; se voi vain kuvata keskiarvoa.

Tällä on vaikutuksia manuaalisille seuraajille, jotka ylpeilevät "tarkalla" kirjaamisella punnitsemalla ainesosia ja etsimällä niitä tietokannoista. Tämä lähestymistapa toimii hyvin yksinkertaisille aterioille, jotka valmistetaan kotona mitatuista aineksista. Se hajoaa ulkona syömisessä, tilattaessa tai resepteissä, joissa rasvamäärät ovat arvioituja.

3. AI-valokuva-arviointi On Tarkempi Kuin Odotettiin — Erityisesti Todellisissa Aterioissa

Ennen tämän tutkimuksen suorittamista sisäinen oletuksemme oli, että Nutrolan AI suoriutuisi hyvin yksinkertaisista ruoista ja huonosti monimutkaisista aterioista. Tiedot tukivat osittain ja osittain kumosivat tätä.

Kuten odotettiin, AI:n paras suorituskyky oli yksinkertaisissa kokonaisruoissa (4.1 % MAPE). Banaani näyttää banaanilta, ja AI:n koulutusdata sisältää tuhansia banaanikuvaa, joilla on tunnetut painot ja kaloriarvot.

Mikä yllätti meidät, oli AI:n suhteellinen suorituskyky ravintola- ja kansainvälisissä aterioissa. MAPE:n ollessa 8.6 % ja 10.1 % vastaavasti, Nutrola ylitti merkittävästi USDA-pohjaisen lähestymistavan (14.2 % ja 15.7 %). AI näytti hyötyvän useista eduista näissä kategorioissa:

• Annoskoon arviointi visuaalisten vihjeiden avulla. AI käyttää lautasta, kulhoa ja ruokailuvälineitä viite-esineinä arvioidakseen ruoan tilavuutta, mikä vangitsee todellisen annoksen, joka tarjoillaan, ei oletettua "standardiannosta".
• Kastikkeiden ja päällysteiden tunnistus. Malli on koulutettu tunnistamaan näkyviä kastikkeita, glaseerauksia, sulatettua juustoa ja muita kaloreita tiiviitä päällysteitä, joita tietokannan haku saattaa jättää huomiotta.
• Kansallisesti spesifinen kalibrointi. Nutrolan koulutusdata sisältää kymmeniä tuhansia merkittyjä kuvia ravintoloista ja kansainvälisistä keittiöistä, mikä antaa mallille mahdollisuuden oppia keittiökohtaisia kaavoja (esim. että kulhollinen ramenia sisältää yleensä enemmän rasvaa kuin sen liemimäinen ulkonäkö antaa ymmärtää).

Siitä huolimatta AI ei ollut täydellinen. Sen heikoimmat hetket liittyivät piilotettuihin rasvoihin — öljyyn, joka imeytyy paistettuihin ruokiin, voihin, joka sulaa kastikkeisiin, ja kermaan, joka sekoitetaan keittoihin. Nämä kalorit ovat fyysisesti läsnä, mutta visuaalisesti havaittavissa, ja ne edustavat korkeaa kattoa, jonka jokin kamerapohjainen järjestelmä voi saavuttaa ilman lisäkäyttäjätietoja.

4. Piilotetut Kaloriviholliset

Kaikkien 50 aterian osalta suurin arviointivirheen lähde — kaikilla menetelmillä, mukaan lukien AI — oli lisätty kypsennysrasva. Öljy, voi, ghee, kerma ja muut valmistuksessa käytetyt rasvat aiheuttivat suurimman osan suurista poikkeamista.

Ota esimerkiksi kotitekoinen Caesar-salaatti. Laboratoriomme mittasi 486 kcal. USDA-pohjainen arvio oli 347 kcal — 28.6 % aliarviointi. Erotus johtui lähes täysin kastikkeesta: itse valmistetusta Caesar-kastikkeesta, joka sisälsi oliiviöljyä, kananmunankeltuaisia, parmesaania ja anjovista. USDA-arvio käytti "standardia" kastikemäärää, mutta todellinen osuus oli huomattavasti anteliaampi.

Samoin voi-kana sisälsi laboratoriossa 943 kcal verrattuna USDA:n 716 kcal:iin — 24.1 % virhe, joka johtui ravintolan reseptin voin ja kerman määrästä, joka ylitti huomattavasti standarditietokannan merkintöihin oletetut määrät.

Nämä havainnot tukevat hyvin vakiintunutta periaatetta ravitsemustieteessä: rasva on kaloripitoisin makroravinne (9 kcal/g verrattuna 4 kcal/g proteiinille ja hiilihydraateille) ja vaikein arvioida tarkasti. Pienet virheet rasvan arvioinnissa tuottavat suuria kalorierejä. Yksi ruokalusikallinen öljyä, joka jää huomiotta minkä tahansa arviointimenetelmän avulla, lisää 119 kaloria, joita ei ole laskettu.

Mitä Tämä Tarkoittaa Arkisille Seuraajille

Jos seuraat kaloreita hallitaksesi painoasi, nämä havainnot sisältävät useita käytännön seurauksia:

Älä oleta, että etikettisi ovat pyhiä. Ravintosisältöetiketit ovat hyödyllisiä lähtökohtia, mutta ne voivat aliarvioida todellista kalorisummaa 10-20 % tai enemmän, erityisesti pakatuissa aterioissa ja ravintoloiden julkaisemissa laskelmissa. Jos painonpudotuksesi on pysähtynyt ja syöt "täsmälleen" sen, mitä etiketit sanovat, tämä piilotettu ylijäämä voisi olla selitys.

USDA-haku on luotettavin yksinkertaisille, kotitekoisille aterioille. Jos kokkaat kotona, punnitset ainesosi ja käytät pääasiassa kokonaisia ruokia, USDA-pohjainen seuranta voi olla erittäin tarkka. Mitä monimutkaisempia ja ravintola-vaikutteisia ateriat ovat, sitä vähemmän luotettava tämä menetelmä on.

AI-valokuva-seuranta tarjoaa parhaan tasapainon todellisessa syömisessä. Ihmisille, jotka syövät sekoitusta kotitekoisia, ravintola- ja pakattuja aterioita — mikä kuvaa suurinta osaa aikuisista — AI-pohjainen järjestelmä kuten Nutrola tarjoaa johdonmukaisinta tarkkuutta eri kategorioissa. Se ei voita huolellisesti punnittua USDA-hakua tavalliselle kanafileelle, mutta se ylittää merkittävästi tämän lähestymistavan perjantai-illan pad Thaille.

Ole aina epäilevä rasvaisia aterioita kohtaan. Riippumatta seurausmenetelmästäsi, ruokalajit, jotka sisältävät paistamista, raskaita kastikkeita, kermaa, voita tai juustoa, ovat niitä, jotka todennäköisimmin aliarvioidaan. Kun olet epävarma, lisää pieni puskurimäärä (50-100 kcal) aterioille, jotka näyttävät tai maistuvat rikkaalta. Nutrolassa voit myös manuaalisesti säätää AI:n arvioita tarkastelun jälkeen, ja järjestelmä oppii korjauksistasi ajan myötä.

Johdonmukaisuus on tärkeämpää kuin täydellisyys. Tiedot osoittivat, että Nutrolan tiukimmat edut eivät olleet keskimääräisessä tarkkuudessa, vaan johdonmukaisuudessa — alhaisin keskihajonta ja korkein prosentti arvioista, jotka jäivät 10 %:n sisälle laboratoriotuloksista. Pitkäaikaisessa seurannassa järjestelmä, joka on luotettavasti väärässä 5-7 %, on paljon hyödyllisempi kuin sellainen, joka on joskus täydellinen ja joskus väärässä 25 %. Johdonmukainen virhe voidaan ottaa huomioon; arvaamaton virhe ei.

Rajoitukset

Haluamme olla läpinäkyviä tämän tutkimuksen rajoituksista:

• Otoskoko. Viisikymmentä ateriaa on riittävä tunnistamaan kaavoja, mutta ei tarpeeksi suuri jokaisen alaluokan lopullisten tilastollisten johtopäätösten tekemiseen. Jokaisessa kategoriassa oli vain 10 ateriaa. Suuremmat tutkimukset lisäisivät luottamusta kategorian tason havaintoihin.
• Yksi maantieteellinen alue. Kaikki ateriat hankittiin Irlannista. Ravintola-annosten koot, valmistustavat ja ainesosien hankinta vaihtelevat maittain ja jopa kaupungeittain. Tulokset saattavat vaihdella muilla alueilla.
• Yksi testattu AI-järjestelmä. Testasimme vain Nutrolan AI:ta. Muut AI-pohjaiset kalorien seuraajat saattavat toimia eri tavalla. Kannustamme kilpailevia tuotteita suorittamaan ja julkaisemaan samanlaisia analyysejä.
• Valokuvausolosuhteet. Kaikki kuvat otettiin tiimin jäsenten toimesta, jotka tuntevat elintarvikkeiden valokuvauksen parhaat käytännöt. Tavallinen käyttäjä, joka ottaa kiireisen kuvan huonossa valaistuksessa, saattaa kokea hieman alhaisemman AI-tarkkuuden.
• Pommi kalorimetrian mittaa bruttoenergiaa. Vaikka korjauksia sovellettiin metabolisoitavaan energiaan, yksilölliset erot ruoansulatuksessa ja imeytymisessä tarkoittavat, että "todelliset" kalorit, jotka kukin henkilö saa ruoasta, voivat poiketa laboratoriotuloksista useita prosentteja.

Johtopäätös

Kalorin luku lautasellasi on aina arvio — mutta kaikki arviot eivät ole yhtä hyviä.

Ravintosisältöetiketit, huolimatta virallisesta ulkonäöstään, ovat vähiten tarkka lähde, jota testasimme, ja niillä on systemaattinen taipumus aliarvioida kaloreita. USDA-tiedot ovat erinomaisia yksinkertaisille, raaoille ja kotitekoisille ruoille, mutta kamppailevat ravintolakokin ja kansainvälisen keittiön sekasorron kanssa. AI-pohjainen valokuva-seuranta, kuten Nutrolassa toteutettuna, tarjoaa johdonmukaisinta suorituskykyä kaikille niille ruoille, joita ihmiset oikeasti syövät, keskimääräisellä tarkkuudella 7.4 % absoluuttisesta poikkeamasta laboratoriotuloksista.

Mikään seuranta menetelmä ei ole täydellinen. Ruoat, jotka hämäävät AI:ta, hämäävät myös tietokantoja ja etikettejä — runsaasti kastiketta sisältävät, öljyiset ja monikomponenttiset ateriat ovat edelleen vaikeimpia arvioida minkään järjestelmän osalta. Mutta jokaiselle arkea seuraavalle, joka haluaa luotettavan, vaivattoman tavan ymmärtää, mitä syö, tiedot viittaavat siihen, että hyvin koulutettu AI, joka katsoo todellista lautasellasi, pääsee lähemmäksi totuutta kuin tehtaassa painettu etiketti tai ideaalista reseptistä kirjoitettu tietokannan merkintä.

Nutrola perustuu periaatteeseen, että tarkkuuden ei pitäisi vaatia vaivannäköä. Ota kuva, ja AI tekee työn. Tämä tutkimus oli tapa pitää itsellemme tilivelvollisuutta tuolle lupaukselle — ja jakaa tulokset, mukaan lukien heikkoutemme, niille, jotka luottavat meihin ravitsemustietojensa kanssa.

Jos haluat kokeilla Nutrola itse, suunnitelmat alkavat 2,50 euroa kuukaudessa, ilman mainoksia kaikilla tasoilla. Haluamme ansaita luottamuksesi tarkkojen tietojen avulla sen sijaan, että myisimme huomiosi mainostajille.

Tutkimuksen raakatietotaulukot ovat saatavilla pyynnöstä tutkijoille, toimittajille ja ravitsemusterapeuteille, jotka haluavat tehdä oman analyysinsä. Ota yhteyttä osoitteeseen research@nutrola.com.