50 Ételt Küldtünk Laborba, Hogy Teszteljük az AI, a Címkék és az USDA Adatok Kalória Pontosságát

Minden kalóriaszám, amit valaha olvastál, csak egy becslés. A protein szeleted tápanyagtartalom címkéje, az USDA bejegyzése a "grillezett csirkemell" alatt, vagy az a szám, amit a nyomkövető alkalmazásod ad, amikor lefényképezed az ebéded — mindezek az étel tényleges energiatartalmának megközelítései. A kérdés, amit senki sem tesz fel: mennyire pontosak ezek a becslések, és melyik forrás közelíti meg legjobban a valóságot?

Úgy döntöttünk, hogy kiderítjük. Három hónap alatt a Nutrola csapata 50 valós ételt vásárolt, készített el vagy rendelt, mindegyikről fényképet készített, rögzítette a címkén és az USDA adatbázisban szereplő értékeket, majd azonos adagokat küldött egy hiteles élelmiszertudományi laboratóriumba bombakalorimetriai elemzésre — ez a módszer a legmegbízhatóbb az ételek valódi kalóriatartalmának mérésére.

Ez a bejegyzés bemutatja a teljes eredményeket. Nincs válogatás, nincsenek kihagyott szélsőségek. Minden étel, minden szám, minden meglepetés.

Miért Csináltuk Ezt

A táplálkozási ipar a bizalomra épül. A fogyasztók bíznak abban, hogy a csomagolt élelmiszerek címkéje pontos. A dietetikusok bíznak abban, hogy az USDA referenciaadatok a valós adagokat tükrözik. Az alkalmazásfejlesztők bíznak abban, hogy az adatbázisaik elég közel állnak a valósághoz. De nagyon kevesen ellenőrizték ezeket a feltételezéseket laboratóriumi elemzés alapján — és a létező tanulmányok általában csak a csomagolt élelmiszerekre vagy egyes tápanyagokra összpontosítanak.

Szélesebb képet akartunk. Tudni akartuk, hogy a főbb kalóriaforrások — a címkék, a kormányzati adatbázisok és az AI-alapú fényképes becslések — hogyan teljesítenek az emberek által fogyasztott ételek teljes spektrumában: csomagolt snackek, egyszerű teljes ételek, házi készítésű ételek, éttermi fogások és nemzetközi konyhák. És tesztelni akartuk a saját termékünket, a Nutrolát, ugyanolyan szigorral, mint mindent mást.

A cél nem az volt, hogy bebizonyítsuk, hogy a Nutrola tökéletes. Nem az. A cél az volt, hogy megértsük, hol teljesít jól minden kalóriaforrás, hol hibázik, és mit jelent ez a milliók számára, akik ezekre a számokra támaszkodnak az egészségük kezelésében.

Módszertan

Ételválasztás

Öt kategóriában 50 ételt választottunk, mindegyikben 10 étellel:

Kategória	Példák
Csomagolt élelmiszerek	Protein szeletek, fagyasztott vacsorák, konzerv levesek, gabonapelyhek, joghurtos poharak
Egyszerű teljes ételek	Banán, nyers csirkemell, főtt tojások, barna rizs, avokádó
Házi készítésű ételek	Spagetti bolognese, csirke stir-fry, lencseleves, Caesar saláta, banánpalacsinta
Éttermi ételek	Gyorséttermi hamburger, sushi tál, thai zöld curry, pizza szelet, burrito tál
Nemzetközi ételek	Indiai vajcsirke, japán ramen, mexikói tamale, etióp injera tál, koreai bibimbap

Az ételeket Dublinban, Írországban vásároltuk vagy készítettük el, és olyan ételeket választottunk, amelyeket a valós felhasználók gyakran nyomon követnek. Szándékosan olyan tételeket is bevontunk, amelyek nehezen mérhetők mind az adatbázisok, mind az AI rendszerek számára: erősen szószos ételek, olajban sült ételek, többkomponensű fogások, és olyan ételek, ahol az olaj vagy vaj tartalom vizuális becslése nehézkes.

Laboratóriumi Elemzés

Minden mintát egy ISO 17025 akkreditált élelmiszertesztelő laboratóriumba küldtünk. Minden ételt bombakalorimetria segítségével elemeztek, amely a legmegbízhatóbb módszer az ételek bruttó energiatartalmának meghatározására.

A bombakalorimetria során egy pontosan lemért ételmintát helyeznek egy zárt, oxigénben gazdag kamrába (a "bombába"), majd meggyújtják. A teljes égés során felszabaduló hőt a környező vízréteg méri. Az így kapott érték, amelyet kilokalóriában fejeznek ki, az ételben található összes kémiai energia mennyiségét jelzi. Korrigáló tényezőt alkalmaznak, hogy figyelembe vegyék azt az energiamennyiséget, amelyet az emberi test nem tud hasznosítani (elsősorban a rostok miatt), így megkapva a metabolizálható energiatartalmat — ezt az értéket kellene feltüntetni a tápanyagtartalom címkéjén.

Mind az 50 ételt háromszoros ismétlésben (három független futás) elemezték, és az átlagos értéket használták laboratóriumi referenciaként. Az ismétlések közötti eltérés a minták esetében 2% alatt volt, ami a mérések magas precizitását igazolja.

Összehasonlító Források

Minden ételnél négy forrásból rögzítettük a kalóriaértékeket:

1. Labor (bombakalorimetria) — a valóság
2. Nutrola AI — a Nutrola AI rendszer által egyetlen fénykép alapján becsült kalóriaérték, normál világítás mellett, egy standard étkező tányéron, mérleg vagy referenciaobjektum nélkül
3. Tápanyagtartalom címke — a csomagoláson feltüntetett érték (csomagolt élelmiszerek esetén) vagy az étterem által közzétett kalóriaszám (éttermi ételek esetén). Egyszerű ételek és házi készítésű ételek esetén ez a rovat a gyártó címkéjét használja, ahol elérhető, vagy N/A-val van megjelölve
4. USDA FoodData Central — az érték, amelyet az USDA adatbázisában minden összetevő keresésével és a mért súlyok alapján összegzett komponensek alapján kaptunk

A házi készítésű ételek esetében az USDA értékét úgy számoltuk ki, hogy minden nyers összetevőt konyhai mérlegen lemértünk, megkerestük az USDA FoodData Central adatbázisban a grammra vonatkozó kalóriaértéket, és összegyűjtöttük őket — ez a módszer a legprecízebb manuális nyomkövetők által használt megközelítés.

A Nutrola AI becsléséhez minden ételt pontosan egyszer fényképeztek le. Nem készítettünk újra fényképeket, nem állítottuk be az szögeket, és nem adtunk meg semmilyen további kontextust, amit egy normál felhasználó szolgáltatna. Az AI rendszer azonosította az ételt, megbecsülte az adagokat, és visszaadta a kalóriaértéket.

Statisztikai Megközelítés

A pontosságot átlagos abszolút százalékos eltérés (MAPE) formájában jelentjük — az abszolút eltérések átlagát a laboratóriumi értéktől, amelyet a következőképpen számítunk ki:

MAPE = (1/n) * SUM(|Becsült - Labor| / Labor * 100)

Jelentjük továbbá a aláírt átlagos hibát (a szisztematikus túlbecsülés vagy alábecsülés megmutatására), a hibák szórását, és a 95%-os megbízhatósági intervallumokat, ahol a minta méretek lehetővé teszik.

Eredmények

Általános Pontosság: Minden 50 Ételnél

Forrás	Átlagos Abszolút Hiba (MAPE)	Aláírt Átlagos Hiba	Szórás	95% CI MAPE
Nutrola AI	7.4%	-1.2%	5.9%	5.7% - 9.1%
USDA Referencia	8.1%	-2.8%	6.7%	6.2% - 10.0%
Tápanyagtartalom Címkék*	12.6%	+6.3%	9.4%	9.1% - 16.1%

*Tápanyagtartalom címke adatok 30-ból 50 ételnél elérhetők (csomagolt élelmiszerek, néhány étterem étel). A MAPE csak az elérhető adatokra lett kiszámítva.

Az első fő megállapítás: a tápanyagtartalom címkék mutatták a legnagyobb átlagos eltérést a laboratóriumi értékektől, és következetesen túlbecsülik a kalóriákat. A +6.3%-os aláírt átlagos hiba azt jelenti, hogy a címkék átlagosan több kalóriát állítottak, mint amennyi az ételben ténylegesen volt. Ez összhangban áll a korábbi kutatásokkal, amelyek azt mutatták, hogy a gyártók hajlamosak inkább felfelé kerekíteni, hogy megfeleljenek az FDA és az EU szabályozási toleranciáinak.

A Nutrola AI és az USDA adatbázis hasonlóan teljesítettek az általános pontosság terén, a Nutrola enyhén alacsonyabb MAPE-jével (7.4% vs. 8.1%). A különbség statisztikailag nem jelentős ezen a minta méreten (p = 0.41, páros t-teszt az abszolút hibákra). Azonban a hibák mintázata lényegesen eltért a két forrás között, ahogyan a kategória szintű bontás is mutatja.

Pontosság Ételkategóriánként

Kategória (n=10 mindegyik)	Nutrola AI MAPE	USDA MAPE	Címke MAPE	Legjobb Forrás
Csomagolt élelmiszerek	6.2%	4.8%	9.7%	USDA
Egyszerű teljes ételek	4.1%	3.2%	11.4%*	USDA
Házi készítésű ételek	7.9%	6.4%	N/A	USDA
Éttermi ételek	8.6%	14.2%	16.8%	Nutrola AI
Nemzetközi ételek	10.1%	15.7%	N/A	Nutrola AI

*A címke értékek a csomagoláson feltüntetett adagok alapján (pl. egy zacskó alma, amely "95 kcal közepes almánként" feliratot visel).

Itt kezdődik az érdekes rész.

A csomagolt élelmiszerek és az egyszerű teljes ételek esetében az USDA adatbázis nyer. Ez érthető. Az USDA adatok laboratóriumi elemzésekből származnak, amelyek standardizált élelmiszereket vizsgálnak. Amikor egy sima főtt tojást vagy egy nyers banánt eszel, az USDA érték lényegében egy laboratóriumi eredmény, és szorosan illeszkedik a független laboratóriumi megállapításainkhoz.

Az éttermi ételek és a nemzetközi ételek esetében a Nutrola AI mindkét forrást, az USDA-t és a közzétett kalóriaszámokat is jelentősen felülmúlja. Az éttermi ételek USDA MAPE-je 14.2% volt, míg a Nutrola 8.6%-ot mutatott. Az ok egyszerű: az USDA adatok idealizált összetevőket írnak le, nem azt, amit egy étterem konyhája ténylegesen tálal. Az USDA alapú becslés a "csirke teriyaki rizzsel" nem tudja figyelembe venni az olaj mennyiségét, amit a séf használt, a szósz sűrűségét vagy a tényleges adag méretét — de egy vizuális AI rendszer, amely az előtted lévő tányért elemzi, képes erre.

A 10 Legnagyobb Meglepetés

Ezek az egyes ételek mutatták a legnagyobb eltéréseket legalább egy forrás és a labor értéke között:

Étkezés	Labor (kcal)	Nutrola AI	Címke	USDA	Legnagyobb Hiba Forrás	Hiba
Éttermi pad thai	738	692	520*	584	Címke	-29.5%
Fagyasztott "karcsú" lasagna	412	388	310	395	Címke	-24.8%
Vajcsirke naan-nal	943	874	N/A	716	USDA	-24.1%
Csomagolt trail mix (1 adag)	287	264	230	271	Címke	-19.9%
Házi Caesar saláta	486	421	N/A	347	USDA	-28.6%
Gyorséttermi dupla sajtburger	832	898	740	780	Címke	-11.1%
Koreai bibimbap	687	742	N/A	531	USDA	-22.7%
Konzerv paradicsomleves (1 konzerv)	189	202	180	184	Nutrola AI	+6.9%
Japán tonkotsu ramen	891	824	N/A	648	USDA	-27.3%
Spagetti bolognese (házi)	623	581	N/A	527	USDA	-15.4%

*Az étterem által közzétett kalóriaszám.

Több minta is megjelenik a szélsőségekből:

Az étterem által közzétett kalóriaszámok a legkevésbé megbízhatóak. A pad thai, amely a menüben 520 kcal-ként szerepelt, a laborban valójában 738 kcal-t tartalmazott — ez 29.5%-os alábecsülés. Ez nem szokatlan. Egy 2013-as tanulmány a Journal of the American Medical Association-ban megállapította, hogy az étterem ételek átlagosan 18%-kal több kalóriát tartalmaztak, mint amit feltüntettek, és néhány esetben a közzétett számok 30%-kal is túllépték a valóságot.

Az USDA adatok szisztematikusan alábecsülik a kalóriadús készételeket. A vajcsirke, bibimbap, ramen, bolognese és Caesar saláta mind nagy negatív hibát mutattak, amikor az USDA összetevőkeresésével becsülték meg őket. A közös szál a főzési zsiradék. Az USDA bejegyzések a "növényi olaj" vagy "vaj" esetében grammonként pontosak, de a főzés során ténylegesen használt zsiradék mennyisége — különösen éttermi és nemzetközi ételek esetében — rendkívül nehezen becsülhető közvetlen mérés nélkül. Egy házi Caesar saláta öntet önmagában 3-4 evőkanál olajat tartalmazhat, ami szinte láthatatlan, miután összekeverték a salátával.

A Nutrola AI hajlamos volt alábecsülni a zsíros ételeket és enyhén túlbecsülni az egyszerű ételeket. Az étterem ételek aláírt hibája -3.8% volt (enyhe alábecsülés), míg az egyszerű teljes ételek esetében +1.9%-os aláírt hiba (enyhe túlbecsülés) mutatkozott. Ez arra utal, hogy az AI óvatosabb, amikor a hozzáadott zsírokat becsüli — ez egy ismert kihívás bármely vizuális becslési rendszer számára, mivel az olaj, amely a sütés során felszívódik, nem látható a felületen.

Szórás és Konzisztencia

A nyers pontosság fontos, de a konzisztencia is. Egy forrás, amely minden alkalommal 5%-kal téved, hasznosabb a trendek nyomon követésére, mint egy olyan, amelyik néha 0%-kal, máskor pedig 30%-kal téved.

Forrás	Hibák Szórása	Tartomány (Min-Max Hiba)	Ételek % 10%-on belül a Laborhoz
Nutrola AI	5.9%	-12.4% - +8.7%	74% (37/50)
USDA Referencia	6.7%	-28.6% - +4.1%	62% (31/50)
Tápanyagtartalom Címkék	9.4%	-29.5% - +14.2%	53% (16/30)

A Nutrola AI mutatta a legalacsonyabb szórást és a legszűkebb hiba tartományt a három forrás közül. A Nutrola becsléseinek 74%-a 10%-on belül esett a laboratóriumi értékhez képest, míg az USDA esetében ez 62%, a tápanyagtartalom címkék esetében pedig 53% volt. Ez a konzisztencia előny azt jelenti, hogy még ha az AI téved is, akkor is hajlamos egy előre jelezhető, kis mértékű hibára — ami vitathatatlanul értékesebb lehet valakinek, aki heti kalóriatrendeket követ, mint az alkalmi tökéletes pontosság, amelyet nagy eltérések kevernek.

Makrotápanyagok Pontossága

A makrotápanyagok (fehérje, zsír, szénhidrát) becslését is összehasonlítottuk a laboratóriumi értékekkel egy 20 ételből álló részhalmaz esetében. Az eredmények megerősítik a kalória megállapításokat:

Makrotápanyag	Nutrola AI MAPE	USDA MAPE	Címke MAPE
Fehérje	8.2%	6.1%	10.8%
Zsír	11.4%	12.7%	14.1%
Szénhidrát	6.8%	5.9%	9.3%

A zsír becslése minden forrás esetében a leggyengébb pont. Ez várható: a zsírtartalom a legnehezebben értékelhető makrotápanyag (az AI számára), és a legváltozatosabb a készítés során (az adatbázisok számára). Egy evőkanál olaj többlet hozzáadása körülbelül 14 gramm zsírt és 120 kalóriát jelent, és sem a kamera, sem az adatbázis bejegyzés nem tudja teljes mértékben megragadni ezt a változékonyságot.

Fő Megállapítások

1. A Tápanyagtartalom Címkék Bőségesen Használják a Szabályozási Toleranciájukat

Az Egyesült Államokban az FDA lehetővé teszi, hogy a tápanyagtartalom címkék akár 20%-kal eltérjenek a megadott kalóriaértéktől, és a címke akkor is megfelel, ha a tényleges érték nem haladja meg a címkén feltüntetett értéket 20%-kal. Az Európai Unió hasonló tolerancia keretet alkalmaz. Az adataink azt sugallják, hogy a gyártók jól tudatában vannak ennek a toleranciának, és stratégiailag használják azt.

A tanulmányunkban szereplő 20 csomagolt élelmiszer és címkézett étterem étel közül 14 (70%) alábecsülte a kalóriákat a laboratóriumi értékhez képest. Az átlagos alábecsülés 8.9% volt. Csak 4 étel (20%) túlbecsülte a kalóriákat, és 2 volt a laboratóriumi értékhez képest 2%-on belül.

Ez az irányított torzítás nem véletlen. A kalóriák alábecsülése "könnyebbnek" és vonzóbbnak tűnik az egészségtudatos fogyasztók számára. Egy fagyasztott étel, amely 310 kcal-t állít, de valójában 412 kcal-t tartalmaz (ahogy azt egy "karcsú" lasagnánál találtuk), a diétabarát folyosón helyezheti el magát, miközben lényegesen több energiát nyújt, mint amit hirdetett.

Bárki, aki a címkékre támaszkodik a kalóriadeficit fenntartásához, számára ez a szisztematikus alábecsülés komoly problémát jelenthet. Ha a címkéid átlagosan -8.9%-kal tévednek, és naponta három címkézett ételt eszel 1,800 kcal célértékkel, akkor körülbelül 1,960 kcal-t fogyaszthatsz — ami majdnem a tervezett 500 kalóriás deficit felét csökkentheti.

2. Az USDA Adatok Kiválóak a Nyers Összetevők Számára, De Küzdenek a Kész Ételekkel

Az USDA FoodData Central adatbázis egy figyelemre méltó forrás. Egyszerű, feldolgozatlan ételek — egy banán, egy csirkemell, egy csésze rizs — esetében rendkívül pontos. Az adataink azt mutatták, hogy az egyszerű teljes ételek MAPE-je mindössze 3.2%, ami szinte megegyezik a laboratóriumi mérések megismétlésével.

De amint elkezdődik a főzés, az USDA pontossága romlik. A házi készítésű ételek esetében a MAPE 6.4%-ra nőtt. Az éttermi ételek esetében 14.2%-ra ugrott. A nemzetközi ételek esetében 15.7%-ra emelkedett.

A probléma nem magával az adatbázissal van, hanem a különbség a laboratóriumi bejegyzések és a valós világban történő elkészítés között. Az USDA bejegyzés a "sült zöldségek" esetében egy adott mennyiségű olajat, egy adott főzési időt és egy adott zöldségmixet feltételez. A te zöldséged — vagy az, amit a helyi thai étteremben szolgálnak fel — lehet, hogy kétszer annyi olajat használ, zsírosabb zöldségeket tartalmaz, és nagyobb adagban érkezik. Az adatbázis nem tudja figyelembe venni ezeket a változásokat; csak egy átlagot tud leírni.

Ez következményekkel jár a manuális nyomkövetők számára, akik büszkék arra, hogy "pontos" naplózást végeznek az összetevők lemérésével és adatbázisokban való keresésével. Ez a megközelítés jól működik egyszerű, otthon készített ételek esetén, ahol az összetevők mértékét figyelembe veszik. De nem működik étteremben való étkezés, rendelés vagy olyan receptek főzése esetén, ahol a zsírok mennyisége körülbelül van.

3. Az AI Fényképes Becsülés Pontosabb, Mint Vártuk — Különösen a Valós Ételek Esetében

A tanulmány elvégzése előtt belső feltételezésünk az volt, hogy a Nutrola AI jól fog teljesíteni az egyszerű ételek esetében, de gyengén a komplex ételek esetében. Az adatok részben támogatták, részben pedig ellentmondtak ennek.

Ahogy vártuk, az AI legjobb teljesítménye az egyszerű teljes ételek esetében volt (4.1% MAPE). Egy banán úgy néz ki, mint egy banán, és az AI képzési adatai több ezer, ismert súlyú és kalóriaértékű banán képet tartalmaznak.

Ami meglepett minket, az AI viszonylagos teljesítménye az éttermi és nemzetközi ételek esetében. A 8.6% és 10.1% MAPE-vel a Nutrola jelentősen felülmúlta az USDA alapú megközelítést (14.2% és 15.7%). Az AI több előnyből is részesült ezekben a kategóriákban:

• Adagméret becslése vizuális nyomok alapján. Az AI a tányért, tálat és evőeszközöket referenciaobjektumként használja az étel térfogatának megbecslésére, ami rögzíti a ténylegesen tálalt adagot, nem pedig egy feltételezett "standard adagot".
• Szószok és feltétek észlelése. A modell képes azonosítani a látható szószokat, glazúrokat, olvasztott sajtot és más kalóriadús feltéteket, amelyeket egy adatbázis keresés esetleg kihagyhat.
• Konyhára szabott kalibráció. A Nutrola képzési adatai több tízezer címkézett képet tartalmaznak éttermekből és nemzetközi konyhákból, lehetővé téve a modell számára, hogy megtanulja a konyhákra jellemző mintázatokat (pl. hogy a ramen tál általában több zsírt tartalmaz, mint amennyit a leves megjelenése sugall).

Azt azonban meg kell jegyezni, hogy az AI nem volt tökéletes. A leggyengébb pillanatai a rejtett zsírokkal kapcsolatosak — az olaj, amely a sült ételekbe felszívódik, a vaj, amely a szószokba olvad, és a tejszín, amelyet a levesekbe kevernek. Ezek a kalóriák fizikailag jelen vannak, de vizuálisan nem észlelhetők, és ez egy kemény határ, amit bármely kamerás rendszer elérhet anélkül, hogy további felhasználói inputot kapna.

4. A Rejtett Kalória Bűnösök

Az 50 étel közül a legnagyobb becslési hiba forrása — minden módszer, beleértve az AI-t is — az hozzáadott főzőzsír volt. Az olaj, vaj, ghee, tejszín és más zsírok, amelyeket az elkészítés során használnak, a nagy eltérések többségét okozták.

Vegyük például a házi Caesar salátát. A laborunk 486 kcal-t mért. Az USDA alapú becslés 347 kcal-ra jött ki — ez 28.6%-os alábecsülés. A különbség szinte teljes egészében az öntetnek volt köszönhető: egy házi készítésű Caesar öntet, amely olívaolajat, tojássárgáját, parmezánt és szardellapasztát tartalmaz. Az USDA becslés egy "standard" öntet mennyiségét használta, de a tényleges adag lényegesen bőkezűbb volt.

Hasonlóképpen, a vajcsirke a laborban 943 kcal-t mutatott, míg az USDA 716 kcal-t — ez a 24.1%-os eltérés a vaj és tejszín mennyiségéből adódott az étterem receptjében, amely messze meghaladta a standard adatbázis bejegyzésekben feltételezett mennyiségeket.

Ezek a megállapítások egy jól megalapozott elvet tükröznek a táplálkozástudományban: a zsír a legkalóriadúsabb makrotápanyag (9 kcal/g a fehérjéhez és szénhidráthoz képest, amelyek 4 kcal/g), és a legnehezebb pontosan megbecsülni. A zsírok becslésében elkövetett apró hibák nagy kalóriaeltérésekhez vezetnek. Egyetlen evőkanál olaj, amelyet bármely becslési módszer kihagy, 119 kalóriát ad hozzá, amelyet nem számoltak el.

Mit Jelent Ez a Mindennapi Nyomkövetők Számára

Ha kalóriákat nyomon követsz a súlyod kezelése érdekében, ezek a megállapítások több gyakorlati következménnyel bírnak:

Ne feltételezd, hogy a címkéd szentírás. A tápanyagtartalom címkék hasznos kiindulópontok, de alábecsülhetik a tényleges kalóriatartalmat 10-20%-kal vagy annál többel, különösen a csomagolt ételek és az étterem által közzétett számok esetében. Ha a súlycsökkentésed megakadt, és "pontosan" azt eszed, amit a címkék mondanak, ez a rejtett többlet lehet a magyarázat.

Az USDA keresések a legmegbízhatóbbak az egyszerű, otthon készített ételek esetében. Ha otthon főzöl, leméred az összetevőidet, és elsősorban teljes ételeket használsz, az USDA alapú nyomkövetési megközelítés rendkívül pontos lehet. Minél összetettebbek és étterem által befolyásoltabbak az ételeid, annál megbízhatatlanabb ez a módszer.

Az AI fényképes nyomkövetés a legjobb egyensúlyt nyújtja a valós étkezéshez. Azok számára, akik otthon készített, étteremben vásárolt és csomagolt ételek keverékét fogyasztják — ami a legtöbb felnőttre jellemző — egy AI-alapú rendszer, mint a Nutrola, a legkonzisztensebb pontosságot biztosítja a kategóriák között. Nem fogja felülmúlni a gondosan lemért USDA keresést egy sima csirkemell esetében, de jelentősen felül fogja múlni ezt a megközelítést a péntek este rendelt pad thai esetében.

Mindig légy gyanakvó a zsíros ételekkel kapcsolatban. Függetlenül a nyomkövetési módszeredtől, azok az ételek, amelyek sütést, nehéz szószokat, tejszínt, vajat vagy sajtot tartalmaznak, a legvalószínűbb, hogy alábecsülik őket. Ha kétségeid vannak, adj hozzá egy kis tartalékot (50-100 kcal) az olyan ételekhez, amelyek gazdagoknak tűnnek vagy ízlenek. A Nutrolában a felhasználók a fényképezett étel becslését is manuálisan módosíthatják, és a rendszer tanul az idővel végrehajtott korrekciókból.

A konzisztencia fontosabb, mint a tökéletesség. Az adataink azt mutatták, hogy a Nutrola legszorosabb előnye nem az átlagos pontosságban rejlik, hanem a konzisztenciában — a legalacsonyabb szórás és a laboratóriumi értékekhez képest 10%-on belül eső becslések legmagasabb aránya. A hosszú távú nyomkövetés szempontjából egy olyan rendszer, amely megbízhatóan 5-7%-kal téved, sokkal hasznosabb, mint egy olyan, amely néha tökéletes, máskor pedig 25%-kal téved. A konzisztens torzítás figyelembe vehető; a kiszámíthatatlan hiba nem.

Korlátozások

Szeretnénk átláthatóak lenni a tanulmányunk korlátozásaival kapcsolatban:

• Minta mérete. Ötven étel elegendő a minták azonosításához, de nem elég nagy ahhoz, hogy minden alcsoportban végleges statisztikai következtetéseket vonjunk le. Minden kategóriában csak 10 étel volt. Nagyobb tanulmányok növelnék a bizalmat a kategória szintű megállapításokban.
• Egyetlen földrajzi régió. Minden ételt Írországban szereztünk be. Az étterem adagméretei, főzési gyakorlatok és összetevőbeszerzés országonként és városonként változhatnak. Az eredmények eltérhetnek más régiókban.
• Egyetlen AI rendszer tesztelve. Csak a Nutrola AI-t teszteltük. Más AI-alapú kalóriaszámlálók eltérően teljesíthetnek. Bátorítjuk a versenytárs termékeket, hogy végezzenek és publikáljanak hasonló elemzéseket.
• Fényképezési körülmények. Minden fényképet a csapatunk tagjai készítettek, akik ismerik az élelmiszer fényképezésének legjobb gyakorlatait. Egy tipikus felhasználó, aki sietve fényképez, gyengébb AI pontosságot tapasztalhat.
• Bombakalorimetria a bruttó energiát méri. Bár a metabolizálható energia szempontjából korrekciókat alkalmaztak, az egyéni emésztési és felszívódási különbségek miatt a "valódi" kalóriák, amelyeket egy adott személy egy ételből kinyer, eltérhet a laboratóriumi értéktől több százalékkal.

Következtetés

A tányérodon lévő kalóriaszám mindig egy becslés — de nem minden becslés egyenlő.

A tápanyagtartalom címkék, a hivatalos megjelenésük ellenére, a legkevésbé pontos forrást képviselik, szisztematikus hajlamuk van a kalóriák alábecsülésére. Az USDA adatok kiválóak az egyszerű, nyers és otthon készített ételek esetében, de küzdenek az étterem főzésének és a nemzetközi konyhának a zűrzavarával. Az AI-alapú fényképes nyomkövetés, ahogy azt a Nutrola végzi, a legkonzisztensebb teljesítményt nyújtja az emberek által fogyasztott ételek teljes spektrumában, az átlagos eltérés 7.4% a laboratóriumi értékektől.

Egyetlen nyomkövetési módszer sem tökéletes. Azok az ételek, amelyek becsapják az AI-t, a adatbázisokat és a címkéket is becsapják — a nehezen szószos, olajban gazdag és többkomponensű ételek továbbra is a legnehezebben becsülhetők meg bármely rendszer számára. De a mindennapi nyomkövető számára, aki megbízható, alacsony erőfeszítést igénylő módot keres arra, hogy megértse, mit eszik, az adatok azt sugallják, hogy egy jól képzett AI, amely a tényleges tányérját nézi, közelebb kerül a valósághoz, mint egy gyárban nyomtatott címke vagy egy idealizált recepthez írt adatbázis bejegyzés.

A Nutrola azon az elven alapul, hogy a pontosságnak nem kell erőfeszítést igényelnie. Te csak egy fényképet készítesz, és az AI elvégzi a munkát. Ez a tanulmány volt a módunk arra, hogy elszámoltassuk magunkat ezzel az ígérettel — és megosszuk az eredményeket, beleértve a gyengeségeinket is, azokkal, akik bíznak bennünket a táplálkozási adataikkal.

Ha szeretnéd kipróbálni a Nutrolát, a tervek havi 2,50 eurótól kezdődnek, minden szinten hirdetések nélkül. Inkább a pontos adatokkal szeretnénk elnyerni a bizalmadat, mintsem hogy eladjuk a figyelmedet a hirdetőknek.

A tanulmány nyers adatainak táblázatai kérésre elérhetők kutatók, újságírók és dietetikusok számára, akik saját elemzést szeretnének végezni. Lépj kapcsolatba velünk a research@nutrola.com címen.