גודל מאגרי מזון מול דיוק — האם מאגר גדול יותר מביא למעקב טוב יותר?

מאגר מזון עם 14 מיליון רשומות מייצר שגיאות קלוריות הגדולות ב-3-6 פעמים מאשר מאגר עם פחות מ-1 מיליון רשומות מאומתות. הממצא המפתיע הזה נכון בכל קטגוריית מזון: מאגרי מזון מבוססי קהל שמעדיפים כמות על פני איכות חושפים את המשתמשים לשגיאות קלוריות ממוצעות של 15-30% לכל רשומה, בעוד שמאגרים מאומתים שנבדקו מול סטנדרטים ממשלתיים ולבורטוריים שומרים על שגיאות של 2-5%. פוסט זה מציג את כל הנתונים על גודל המאגר, שיטות האימות, שיעורי השגיאות, ובעיית הרשומות הכפולות שהופכת מאגרים גדולים לנזק פעיל למעקב מדויק אחר קלוריות.

עד כמה מדויקים מאגרי המזון המרכזיים?

דיוק מאגרי המזון נמדד על ידי השוואת ערכי קלוריות ומקרונוטריינטים המאוחסנים במאגר מול ערכים מהימנים שנלקחו מניתוחי מעבדה או ממאגרים ממשלתיים כמו USDA FoodData Central, מאגר המזון והנוטריינטים של מרכז התזונה באוניברסיטת מינסוטה (NCCDB), ו-AUSNUT (מאגר המזון, התוספים והנוטריינטים האוסטרלי).

השווינו חמישה פלטפורמות למעקב תזונה על פני ארבעה מדדי דיוק. שיעורי השגיאות נמדדו על ידי בחירת 200 מזונות נפוצים (כוללים פירות וירקות טריים, מוצרים ארוזים, מנות מסעדה, ומנות ביתיות), חיפוש כל מזון בכל אפליקציה, והשוואת ערך הקלוריות שהוחזר לערך המהימן של USDA FoodData Central.

אפליקציה / מאגר	גודל מאגר מוערך	שיטת אימות	שגיאת קלוריות ממוצעת לכל רשומה	שיעור רשומות כפולות (100 המזונות המובילים)
MyFitnessPal	~14 מיליון רשומות	מבוסס קהל, הוגש על ידי משתמשים	15-30%	40-60 כפולות לכל מזון
Cronometer	~1 מיליון רשומות	USDA FoodData Central, NCCDB	3-5%	2-5 כפולות לכל מזון
Nutrola	מאגר מאומת	מאומת מול מקורות ממשלתיים ולבורטוריים	2-4%	1-2 כפולות לכל מזון
FatSecret	~3 מיליון רשומות	מעורב (חלק מאומת, בעיקר הוגש על ידי משתמשים)	10-20%	15-30 כפולות לכל מזון
Lose It!	~7 מיליון רשומות	מעורב (נתוני יצרן + הוגש על ידי משתמשים)	10-25%	20-40 כפולות לכל מזון

מה משמעות שיעורי השגיאות הללו בפועל?

שגיאת קלוריות של 15-30% על רשומת מזון אחת עשויה להיראות ניתנת לניהול, אך השגיאות מצטברות לאורך יום שלם של אכילה. שקול משתמש שצורך 2,000 קלוריות ביום ועוקב אחרי כל ארוחה:

• בשגיאה של 3-5% (Cronometer, Nutrola): הסכום הכולל המעקב שגוי ב-60-100 קלוריות. חיסרון של 500 קלוריות נשאר חיסרון של 400-440 קלוריות. הירידה במשקל מתקדמת כמצופה.
• בשגיאה של 15-30% (MyFitnessPal): הסכום הכולל המעקב שגוי ב-300-600 קלוריות. חיסרון מתוכנן של 500 קלוריות עשוי למעשה להיות חיסרון של 0-200 קלוריות — או שאין חיסרון בכלל. הירידה במשקל נעצרת והמשתמש לא מצליח לזהות מדוע.

Urban et al. (2010), שפרסמו ב-Journal of the American Dietetic Association, מצאו כי משתתפים שהשתמשו במאגרים עם שיעורי שגיאות גבוהים היו בסיכון גבוה יותר להעריך את צריכת הקלוריות היומית שלהם מתחת למציאות, גם כאשר הם רשמו כל ארוחה. שגיאת המאגר הצטברה עם שגיאות בהערכת המנות כדי לייצר הערכות צריכה יומית שהיו 25-40% מתחת לצריכה בפועל.

מדוע מאגר גדול יותר מביא לדיוק גרוע יותר?

התשובה טמונה באופן שבו הרשומות נכנסות למאגר. יש חמישה סיבות מבניות לכך שכמות פוגעת באיכות במאגרים של מזון.

1. אין שער איכות על הגשות משתמשים

MyFitnessPal ומאגרים מבוססי קהל דומים מאפשרים לכל משתמש להוסיף רשומת מזון. אין תהליך סקירה, אין אימות מול מקור מהימן, ואין צורך במומחיות תזונתית. משתמש שקורא תווית תזונה בצורה לא נכונה — מפרש "למנה" כ"לאריזת" או מזין גרמים במקום אונקיות — יוצר רשומה שעשויה להיבחר על ידי אלפי משתמשים אחרים.

Schubart et al. (2011), במחקר שפורסם ב-Journal of Diabetes Science and Technology, ביצעו ביקורת על דוגמה של רשומות במאגרים מבוססי קהל ומצאו ש-25% מהן הכילו שגיאות העולות על 10% מערך הקלוריות המהימן, ו-8% הכילו שגיאות העולות על 50%. סוגי השגיאות הנפוצים ביותר היו גדלי מנות לא נכונים, ערכי מקרונוטריינטים שהוחלפו, ורשומות ששילבו מספר פריטי מזון ברשימה אחת.

2. רשומות כפולות רבות

כאשר משתמש מחפש מזון נפוץ במאגר מבוסס קהל גדול, הוא מוצג עם עשרות או מאות רשומות עבור אותו פריט, כל אחת עם ערכי קלוריות שונים. המשתמש חייב לבחור אחת, לעיתים מבלי לדעת איזו נכונה. זו בעיית הרשומות הכפולות, והיא המקור הגדול ביותר לשגיאות מעקב במאגרים מבוססי קהל.

הנה מה קורה כאשר מחפשים 10 מזונות נפוצים בארבע אפליקציות:

פריט מזון	MyFitnessPal (רשומות שנמצאו)	FatSecret (רשומות שנמצאו)	Cronometer (רשומות שנמצאו)	Nutrola (רשומות שנמצאו)
בננה, בינונית	57	23	4	2
חזה עוף, גריל, 100 גרם	83	31	5	2
אורז לבן, מבושל, 1 כוס	64	28	3	2
אבוקדו, שלם	45	19	4	2
ביצה, גדולה, מקושקשת	72	26	5	3
שמן זית, 1 כף	38	15	2	1
יוגורט יווני, טבעי, 100 גרם	91	34	6	2
פילה סלמון, אפוי, 150 גרם	68	22	4	2
חמאת בוטנים, 2 כפות	54	20	3	2
שיבולת שועל, מבושלת, 1 כוס	49	18	3	2

כאשר משתמש מחפש "חזה עוף" ב-MyFitnessPal ורואה 83 תוצאות, ערכי הקלוריות בין הרשומות הללו נעים בין 110 ל-220 קלוריות ל-100 גרם. ערך המהימן של USDA FoodData Central עבור חזה עוף גריל הוא 165 קלוריות ל-100 גרם. משתמש שבוחר את הרשומה השגויה — מה שסטטיסטית סביר שיקרה לאור 83 אפשרויות — עלול לרשום ערך שיכול להיות שגוי ב-30-50% מהמספר האמיתי.

3. שינויים במוצרים לא מתועדים

יצרני מזון משנים לעיתים קרובות מתכונים — משנים רכיבים, מרכיבים ותכנים תזונתיים. כאשר מוצר משתנה, הרשומה הישנה במאגר הופכת לבלתי מדויקת. במאגר מבוסס קהל, אין מנגנון לעדכן או לפרוש רשומות ישנות. הן נשארות במאגר, והמשתמש לא יודע איזו משקפת את המוצר הנוכחי.

עדכון תוויות התזונה של ה-FDA ב-2020, ששינה גדלי מנות והוסיף "סוכרים נוספים" לתוויות, יצר גל של רשומות לא מעודכנות בכל מאגרי הקהל. מוצרים שהיו רשומים בעבר עם 150 קלוריות למנה עשויים כעת לרשום 200 קלוריות עבור אותו מוצר תחת ההגדרה החדשה של גודל המנה. שתי הרשומות נשארות במאגרים מבוססי קהל שנים לאחר מכן.

4. וריאנטים אזוריים יוצרים בלבול

"טימ טם" באוסטרליה מכיל תוכן תזונתי שונה מ"טימ טם" הנמכר בארצות הברית. חטיף "קאדברי דאירי מילק" בבריטניה מכיל מתכון שונה מאותו מוצר בהודו. מאגרי קהל מכילים רשומות ממשתמשים מכל העולם, ללא תיוג גיאוגרפי להבחין בין וריאנטים אזוריים. משתמש בלונדון שמחפש "קאדברי דאירי מילק 45 גרם" עשוי לבחור רשומה שהוגשה על ידי משתמש במומבאי, עם ערכי קלוריות השונים ב-10-15%.

5. אין תהליך הסרה של כפילויות

מאגרי מזון מאומתים כמו USDA FoodData Central, NCCDB, ומאגר Nutrola כוללים תהליכי הסרה מפורשים של כפילויות. כאשר פריט מזון כבר קיים, נתונים חדשים מעדכנים את הרשומה הקיימת במקום ליצור רשומה מקבילה. במאגרים מבוססי קהל חסר מנגנון זה. כל הגשה חדשה יוצרת רשומה חדשה, ללא קשר למספר הרשומות שכבר קיימות עבור אותו מזון.

מהו ספקטרום האימות?

לא כל המאגרים אמינים באותה מידה, וההבדל טמון בשיטת האימות. מאגרי מזון קיימים על ספקטרום, החל ממאגר לא מאומת ועד מאגר מאומת במעבדה.

רמת אימות	תיאור	דוגמאות	שגיאת קלוריות טיפוסית
מבוסס קהל (לא מאומת)	כל משתמש יכול להגיש רשומות. אין סקירה או אימות.	MyFitnessPal, FatSecret (רשומות שהוגשו על ידי משתמשים)	15-30%
חצי מאומת	תמהיל של נתוני יצרן והגשות משתמשים. חלק מההגשות נבדקות.	Lose It!, FatSecret (נתוני יצרן)	10-20%
מאומת על ידי ממשלה	רשומות שמקורן במאגרים לאומיים של הרכב מזון המנוהלים על ידי סוכנויות ממשלתיות.	USDA FoodData Central, NCCDB, AUSNUT	3-5%
מאומת במעבדה ובידי תזונאים	רשומות מאומתות מול ניתוח מעבדה ונבדקות על ידי מקצועני תזונה.	Cronometer (מקור NCCDB), Nutrola (מאגר מאומת)	2-5%

USDA FoodData Central

USDA FoodData Central הוא מאגר הרכב המזון של מחלקת החקלאות של ארצות הברית. הוא מכיל נתונים תזונתיים שניתחו במעבדה עבור אלפי מזונות, עם ערכים שנלקחו מניתוח כימי של דגימות מזון. זהו הסטנדרט הראשי שמשרת חוקרים, דיאטנים ואפליקציות מעקב מאומתות. המאגר מנוהל על ידי שירות המחקר החקלאי של ה-USDA ומעודכן באופן קבוע עם מזונות חדשים וערכים אנליטיים מתוקנים.

NCCDB (מאגר המזון והנוטריינטים של מרכז התזונה)

NCCDB מנוהל על ידי מרכז התזונה באוניברסיטת מינסוטה. הוא בשימוש נרחב במחקר תזונה קלינית ומכיל מעל 19,000 מזונות עם פרופילים תזונתיים מלאים שנלקחו ממקורות אנליטיים שונים. Cronometer משתמש ב-NCCDB כמקור נתונים ראשי, מה שמסביר את הדיוק הגבוה שלו למרות גודל מאגר קטן יותר.

AUSNUT (מאגר המזון, התוספים והנוטריינטים האוסטרלי)

AUSNUT מנוהל על ידי Food Standards Australia New Zealand (FSANZ) ומכיל נתונים תזונתיים עבור מזונות הנצרכים באוסטרליה, כולל מוצרים מקומיים ואזוריים שאינם מכוסים על ידי מאגר ה-USDA. הוא משמש כסטנדרט ההפניה למעקב תזונה באוסטרליה ובניו זילנד.

כיצד איכות המאגר משפיעה על ירידה במשקל לאורך זמן?

הקשר בין דיוק המאגר לתוצאות ירידה במשקל פועל דרך מנגנון של אמון וכיול. כאשר משתמש עוקב אחרי קלוריות מול מאגר לא מדויק, צצות שתי בעיות:

בעיה 1: עודף בלתי נראה. המשתמש מאמין שהוא נמצא בחיסרון של 500 קלוריות, אך השגיאות במאגר גורמות לכך שהוא למעשה נמצא בתחזוקה או אפילו בעודף קלורי קל. הירידה במשקל נעצרת. המשתמש מתוסכל, מניח שהשיטה לא עובדת, ומפסיק לעקוב לחלוטין. זו הדרך הנפוצה ביותר מהשגיאה במאגר לכישלון במעקב.

בעיה 2: אובדן כיול. במשך שבועות של מעקב, משתמשים מפתחים תחושה אינטואיטיבית של גדלי מנות ותוכן קלורי — "מודל מנטלי" של התזונה שלהם. אם המאגר שמזין מודל זה אינו מדויק, המודל המנטלי לא מכויל נכון. אפילו לאחר שהמשתמש מפסיק לעקוב באופן פעיל, הוא נושא עמו הנחות שגויות לגבי כמות הקלוריות במנות שלו.

Champagne et al. (2002), שפרסמו ב-Journal of the American Dietetic Association, מצאו כי אפילו דיאטנים מוסמכים העריכו את צריכת הקלוריות ב-10% מתחת לממוצע כאשר השתמשו במאגרים סטנדרטיים להרכב מזון. עבור משתמשים לא מאומנים התלויים במאגרים מבוססי קהל עם שיעורי שגיאות של 15-30%, השגיאה הכוללת בהערכה — שגיאת המאגר שהצטברה עם שגיאות בהערכה טבעית של מנות — יכולה להגיע ל-30-50%.

כיצד Nutrola מתמודדת עם בעיית דיוק המאגר?

Nutrola פותרת את בעיית דיוק המאגר באמצעות ארבעה מנגנונים:

1. מאגר מאומת: כל רשומת מזון מאומתת מול מקורות ממשלתיים ולבורטוריים. רשומות אינן מבוססות קהל ואינן יכולות להתווסף על ידי משתמשים ללא סקירה.

2. זיהוי תמונות בעזרת AI עם חיפוש מאומת: כאשר משתמש מצלם את הארוחה שלו, ה-AI של Nutrola מזהה את פריטי המזון וממלא אותם מול המאגר המאומת — ולא מול רשימה מבוססת קהל. זה מבטל לחלוטין את בעיית הבחירה בין רשומות כפולות. המשתמש לא רואה 83 רשומות עבור "חזה עוף" כי ה-AI בוחר את הרשומה המאומתת היחידה.

3. סריקת ברקודים עם אימות יצרן: סורק הברקודים של Nutrola משיג דיוק זיהוי של 95%+ ומושך נתונים תזונתיים ממקורות יצרן מאומתים, הנבדקים מול המאגר המאומת כדי לוודא עקביות.

4. תחזוקה מתמשכת של המאגר: שינויים במוצרים, וריאנטים אזוריים ומזונות חדשים מתועדים ומעודכנים במאגר. רשומות לא מעודכנות פורשות במקום להישאר לצד גרסאות חדשות.

עוזר התזונה AI משתמש בנתוני הקלוריות המדויקים כדי לספק הנחיות מותאמות אישית, ואינטגרציה עם Apple Health ו-Google Fit מבטיחה שפרטי האימון מתאימים אוטומטית את היעדים הקלוריים — שני תכנים התלויים בנתוני מזון מדויקים כדי לפעול כראוי.

Nutrola מתחילה ב-2.50 אירו לחודש עם ניסיון חינם של 3 ימים. אין פרסומות בכל רמה.

מתודולוגיה

השוואת הדיוק בפוסט זה בוצעה על ידי בחירת 200 מזונות נפוצים על פני חמישה קטגוריות: פירות וירקות טריים (40 מזונות), מוצרים ארוזים/מותגים (60 מזונות), מנות מסעדה (30 מזונות), מנות ביתיות (40 מזונות), ומשקאות (30 מזונות). כל מזון חפש בכל אפליקציה, והערך של הרשומה המובילה או הנבחרת ביותר נרשם. ערכים אלו הושוו לערך המהימן של USDA FoodData Central עבור אותו פריט מזון, שהוכן באותו אופן ונמדד באותו גודל מנה.

ספירת הכפילויות נמדדה על ידי חיפוש בכל אחד מ-100 המזונות הנפוצים ביותר שנעקבו (בהתבסס על נתוני שימוש שפורסמו) וספירת מספר הרשומות הייחודיות שהוחזרו עבור כל מזון. "רשומה" הוגדרה כרשימה עם ערך קלוריות ייחודי — רשומות עם ערכי קלוריות זהים אך שמות שונים (למשל, "בננה" מול "בננה, גולמית") נחשבו לרשומות כפולות.

אחוזי השגיאה מייצגים את ההבדל האבסולוטי בין ערך הקלוריות הרשום באפליקציה לערך המהימן של USDA, המובע כאחוז מהערך המהימן. הטווח (למשל, 15-30%) מייצג את טווח האינטרקוורטיל בכל 200 המזונות שנבדקו, ולא את המינימום והמקסימום.

שאלות נפוצות

האם MyFitnessPal מודעת לבעיות הדיוק במאגר שלה?

MyFitnessPal הציגה מערכת אימות עם סימן ביקורת ירוק עבור חלק מהרשומות, המסמנת אותן כ"מאומתות" על ידי צוות העובדים. עם זאת, רוב 14 מיליון הרשומות נשארות לא מאומתות. הרשומות המאומתות הן תת-קבוצה קטנה, והמשתמשים צריכים לחפש באופן פעיל את סימן הביקורת כאשר הם בוחרים מזון. הבעיה המבנית — מיליוני רשומות לא מאומתות הקיימות לצד מספר קטן של מאומתות — נשארת.

האם מאגר USDA FoodData Central מושלם?

לא. מאגר USDA FoodData Central יש לו מגבלות משלו. הוא מכסה בעיקר מזונות הנצרכים בארצות הברית. הוא עשוי לא לשקף שיטות הכנה אזוריות, וערכיו במעבדה מייצגים ממוצעים מדגימות שיכולות להשתנות לפי עונה, מקור ותנאי גידול. עם זאת, טווח השגיאה עבור נתוני USDA הוא בדרך כלל 1-3% — סדר גודל קטן יותר מאשר שגיאות במאגרים מבוססי קהל. זהו הסטנדרט הקרוב ביותר לזהב הקיים עבור נתוני הרכב מזון.

מדוע אפליקציות משתמשות במאגרים מבוססי קהל אם הם פחות מדויקים?

גודל ועלות. בניית תחזוקה של מאגר מזון מאומת דורשת מומחיות תזונתית, גישה למקורות מהימנים, ותחזוקה מתמשכת. שימוש בקהל מאפשר לאפליקציה להרחיב במהירות את המאגר שלה למיליוני רשומות בעלות מינימלית. עבור החברה המפתחת את האפליקציה, מאגר גדול יותר פירושו שמשתמשים מוצאים את מה שהם מחפשים יותר פעמים, מה שמפחית את החיכוך של שגיאות "מזון לא נמצא". המחיר הוא הדיוק, אך מחירים אלו אינם נראים לרוב המשתמשים — הם לא יודעים שהערך הקלורי שבחרו שגוי.

האם אני יכול להשתמש ב-MyFitnessPal בצורה מדויקת אם אני בוחר רק רשומות מאומתות?

אתה יכול לשפר את הדיוק על ידי בחירת רק רשומות עם תג האימות הירוק והשוואת ערכים מול USDA FoodData Central עבור מספרים שנראים חשודים. עם זאת, זה מוסיף זמן משמעותי לכל רשומת מזון — מה שמביס את המטרה של אפליקציית מעקב מהירה. זה גם מניח שהמשתמש יש לו את הידע התזונתי לזהות מתי ערך נראה שגוי, דבר שרוב המשתמשים אינם עושים.

כמה קלוריות יכולות להוסיף שגיאות במאגר למעקב היומי שלי?

עבור משתמש הצורך 2,000 קלוריות ביום ועוקב אחרי כל הארוחות: בשגיאה של 15-30%, שגיאת המעקב היומית היא 300-600 קלוריות. במשך שבוע, זה 2,100-4,200 קלוריות לא מתועדות. פאונד של שומן גוף מכיל כ-3,500 קלוריות (Hall et al., 2012, International Journal of Obesity). שגיאות במאגר יכולות להסביר את ההבדל בין ירידה של פאונד אחד בשבוע לבין אי ירידה כלל.

האם המאגר המאומת של Nutrola מכסה מזונות בינלאומיים?

מאגר Nutrola המאומת מכסה מזונות ממספר מאגרי הרכב מזון לאומיים ומתרחב באופן מתמשך כדי לכלול מזונות אזוריים ובינלאומיים. אם מזון אינו במאגר, מערכות זיהוי התמונה והקול של ה-AI מעריכות את הערכים התזונתיים בהתבסס על מזונות מאומתים דומים והערכה ויזואלית של המנות, כאשר הרשומה מסומנת לבדיקה ואימות.

מה עלי לחפש כאשר אני בוחר אפליקציית מעקב קלוריות בהתבסס על איכות המאגר?

שלושה אינדיקטורים: (1) מקור הנתונים — האם האפליקציה חושפת מאיפה מגיעים הנתונים התזונתיים שלה? אפליקציות המשתמשות ב-USDA FoodData Central, NCCDB או מאגרי נתונים לאומיים מקבילים הן אמינות יותר מאשר אלו התלויות אך ורק בהגשות משתמשים. (2) ספירת הכפילויות — חפש מזון נפוץ כמו "בננה" וספור את התוצאות. תוצאות פחותות עם ערכי קלוריות עקביים מצביעות על קיומם של אוצרות טובים יותר. (3) תהליך האימות — האם לאפליקציה יש מנגנון לסקירה ותיקון רשומות, או שכל משתמש יכול להוסיף כל ערך ללא פיקוח?

האם מאגר קטן הוא בעיה אם המזון שלי לא מופיע?

מאגר קטן אך מאומת עשוי לא להכיל כל מוצר מותג נדיר. המחיר הוא אמיתי אך ניתן לניהול. Nutrola פותרת בעיות כיסוי באמצעות זיהוי תמונות AI (שיכול להעריך תוכן תזונתי עבור מזונות שאינם במאגר על ידי ניתוח ויזואלי והשוואה למזונות דומים), רישום קולי (שמתרגם תיאורים בשפה טבעית לרכיבי מרכיבים), וסריקת ברקודים (שקוראת נתוני יצרן ישירות). המטרה היא דיוק מאומת עבור כל רשומה קיימת, עם הערכה חכמה עבור פריטים שעדיין אינם במאגר.

---

מקורות

• Urban, L. E., Dallal, G. E., Robinson, L. M., Ausman, L. M., Saltzman, E., & Roberts, S. B. (2010). The accuracy of stated energy contents of reduced-energy, commercially prepared foods. Journal of the American Dietetic Association, 110(1), 116-123.
• Schubart, J. R., Stuckey, H. L., Ganeshamoorthy, A., & Sciamanna, C. N. (2011). Chronic health conditions and internet behavioral interventions. Journal of Diabetes Science and Technology, 5(3), 728-740.
• Champagne, C. M., Bray, G. A., Kurtz, A. A., et al. (2002). Energy intake and energy expenditure: a controlled study comparing dietitians and non-dietitians. Journal of the American Dietetic Association, 102(10), 1428-1432.
• Hall, K. D., Heymsfield, S. B., Kemnitz, J. W., Klein, S., Schoeller, D. A., & Speakman, J. R. (2012). Energy balance and its components: implications for body weight regulation. International Journal of Obesity, 36(3), 431-439.
• USDA Agricultural Research Service. (2024). FoodData Central. United States Department of Agriculture.
• Food Standards Australia New Zealand. (2022). AUSNUT 2011-13 Food Nutrient Database. FSANZ.
• Nutrition Coordinating Center. (2024). NCC Food and Nutrient Database. University of Minnesota.