Ми надіслали 50 страв до лабораторії та перевірили точність калорійності AI, етикеток та даних USDA

Кожне число калорій, яке ви коли-небудь читали, є лише оцінкою. Харчова етикетка на вашому протеїновому батончику, запис USDA для "грильованої курячої грудки", число, яке видає ваш додаток для відстеження, коли ви фотографуєте свій обід — всі ці дані є приблизними значеннями реальної енергетичної цінності, що лежить на вашій тарілці. Питання, яке ніхто не ставить: наскільки ці оцінки відрізняються від реальності, і яке джерело найближче до істини?

Ми вирішили це з'ясувати. Протягом трьох місяців команда Nutrola купувала, готувала або замовляла 50 реальних страв, фотографувала кожну з них, записувала значення з етикеток та бази даних USDA, а потім відправляла однакові порції до сертифікованої лабораторії харчових наук для аналізу за допомогою бомбового калориметра — золотого стандарту для вимірювання справжнього калорійного вмісту їжі.

У цьому пості представлені повні результати. Без вибірки, без пропущених аномалій. Кожна страва, кожне число, кожне здивування.

Чому ми це зробили

Харчова індустрія базується на довірі. Споживачі довіряють, що етикетка на упаковці є точною. Дієтологи вважають, що дані USDA відображають реальні порції. Розробники додатків вважають, що їхні бази даних достатньо точні. Але дуже мало людей насправді перевіряли ці припущення за допомогою лабораторного аналізу — а дослідження, які існують, зазвичай зосереджуються на упакованих продуктах або окремих поживних речовинах.

Ми хотіли отримати ширшу картину. Нам було цікаво дізнатися, як кожне основне джерело калорій — етикетки, державні бази даних та оцінка на основі AI — працює для всього спектра продуктів, які люди насправді споживають: упаковані закуски, прості цілісні продукти, домашні страви, ресторанні страви та міжнародна кухня. І ми хотіли протестувати наш власний продукт, Nutrola, з такою ж строгістю, яку ми застосували до всього іншого.

Мета полягала не в тому, щоб довести, що Nutrola ідеальна. Це не так. Мета полягала в тому, щоб зрозуміти, де кожне джерело калорій має переваги, де воно не справляється, і що це означає для мільйонів людей, які покладаються на ці цифри для управління своїм здоров'ям.

Методологія

Вибір страв

Ми вибрали 50 страв у п’яти категоріях, по 10 страв у кожній:

Категорія	Приклади
Упаковані продукти	Протеїнові батончики, заморожені обіди, консервовані супи, крупи, йогурти
Простий цілісний продукт	Банан, сире куряче філе, варені яйця, коричневий рис, авокадо
Домашні страви	Спагетті болоньєзе, курка в соусі, суп з чечевиці, салат Цезар, бананові млинці
Ресторанні страви	Бургер швидкого харчування, сет суші, тайське зелене карі, шматок піци, буріто
Міжнародні страви	Індійське курча в маслі, японська рамен, мексиканські тамалі, ефіопська інджера, корейський бібімбап

Страви були придбані або приготовані в Дубліні, Ірландія, і обрані для представлення продуктів, які реальні користувачі зазвичай відстежують. Ми свідомо включили позиції, які відомі своєю складністю для баз даних та AI-систем: страви з великою кількістю соусів, смажені продукти, багатокомпонентні страви та продукти, в яких візуальна оцінка вмісту олії або масла є складною.

Лабораторний аналіз

Всі зразки були надіслані до лабораторії тестування їжі, акредитованої за стандартом ISO 17025. Кожна страва була проаналізована за допомогою бомбового калориметра, референтного методу для визначення загального енергетичного вмісту їжі.

У бомбовому калориметрі точно зважений зразок їжі поміщається в закриту камеру, насичену киснем (так звану "бомбу"), і запалюється. Тепло, що вивільняється під час повного згорання, вимірюється навколишньою водяною оболонкою. Отримане значення, виражене в кілокалоріях, представляє загальну хімічну енергію в їжі. Застосовується корекційний коефіцієнт, щоб врахувати частину енергії, яку людський організм не може витягнути (переважно з клітковини), що дає значення метаболізованої енергії — число, яке має з'явитися на харчовій етикетці.

Кожна з 50 страв була проаналізована тричі (три незалежні запуски), а середнє значення використовувалося як лабораторна довідка. Коефіцієнт варіації серед трійок був нижче 2% для всіх зразків, що підтверджує високу точність вимірювань.

Порівняння джерел

Для кожної страви ми записали значення калорій з чотирьох джерел:

1. Лабораторія (бомбовий калориметр) — істинне значення
2. Nutrola AI — оцінка калорій, отримана від AI-системи Nutrola з одного фотографії страви, зробленої при нормальному освітленні на стандартній обідній тарілці, без ваги або об'єкта для порівняння
3. Харчова етикетка — значення, надруковане на упаковці (для упакованих продуктів) або кількість калорій, опублікована рестораном (для ресторанних страв). Для цілісних продуктів та домашніх страв цей стовпець використовує етикетку виробника, де це можливо, або позначається як Н/Д
4. USDA FoodData Central — значення, отримане шляхом пошуку кожного інгредієнта в базі даних USDA та підсумовування компонентів на основі виміряних ваг

Для домашніх страв значення USDA було розраховано шляхом зважування кожного сирого інгредієнта на кухонних вагах, пошуку калорійності на грам в USDA FoodData Central та підсумовування — метод, яким користуються найобережніші ручні трекери.

Для оцінки Nutrola AI кожна страва була сфотографована лише один раз. Ми не повторювали фотографії, не коригували кути або не надавали жодного додаткового контексту, окрім того, що звичайний користувач міг би надати. AI-система ідентифікувала їжу, оцінила порції та повернула значення калорій.

Статистичний підхід

Точність відображається як середня абсолютна процентна помилка (MAPE) — середнє абсолютних процентних відхилень від лабораторного значення, розраховане як:

MAPE = (1/n) * SUM(|Оцінене - Лабораторія| / Лабораторія * 100)

Ми також повідомляємо про підписану середню помилку (щоб показати систематичне перевищення або недооцінювання), стандартне відхилення помилок та довірчі інтервали 95%, де дозволяють розміри вибірки.

Результати

Загальна точність: всі 50 страв

Джерело	Середня абсолютна помилка (MAPE)	Підписана середня помилка	Стандартне відхилення	95% ДІ MAPE
Nutrola AI	7.4%	-1.2%	5.9%	5.7% - 9.1%
USDA Reference	8.1%	-2.8%	6.7%	6.2% - 10.0%
Харчові етикетки*	12.6%	+6.3%	9.4%	9.1% - 16.1%

*Дані харчових етикеток доступні для 30 з 50 страв (упаковані продукти, деякі ресторанні страви). MAPE розраховано лише на основі доступних даних.

Перше головне відкриття: харчові етикетки показали найбільше середнє відхилення від лабораторних значень, і вони постійно завищують калорії. Позитивна підписана середня помилка +6.3% означає, що етикетки, в середньому, вказували більше калорій, ніж насправді містила їжа. Це узгоджується з попередніми дослідженнями, які показали, що виробники зазвичай округляють вгору, а не вниз, щоб залишатися в межах регуляторних норм FDA та ЄС.

Nutrola AI та база даних USDA показали схожу загальну точність, причому Nutrola продемонструвала незначно нижчий MAPE (7.4% проти 8.1%). Різниця не є статистично значущою при цьому розмірі вибірки (p = 0.41, парний t-тест на абсолютних помилках). Однак патерн помилок суттєво відрізнявся між двома джерелами, як показує розподіл за категоріями.

Точність за категорією страв

Категорія (n=10 кожна)	Nutrola AI MAPE	USDA MAPE	Label MAPE	Найкраще джерело
Упаковані продукти	6.2%	4.8%	9.7%	USDA
Простий цілісний продукт	4.1%	3.2%	11.4%*	USDA
Домашні страви	7.9%	6.4%	Н/Д	USDA
Ресторанні страви	8.6%	14.2%	16.8%	Nutrola AI
Міжнародні страви	10.1%	15.7%	Н/Д	Nutrola AI

*Значення етикеток для цілісних продуктів базуються на заявлених значеннях на упаковці (наприклад, пакет яблук, що вказує "95 ккал на середнє яблуко").

Ось де історія стає цікавою.

Для упакованих продуктів та простих цілісних продуктів база даних USDA виграє. Це логічно. Дані USDA отримані з лабораторних аналізів стандартизованих продуктів. Коли ви їсте просте варене яйце або сирий банан, значення USDA фактично є результатом лабораторії, і воно близько до наших незалежних лабораторних висновків.

Для ресторанних страв та міжнародних страв Nutrola AI перевершує як USDA, так і опубліковані дані про калорії значною мірою. Ресторанні страви показали MAPE USDA 14.2% у порівнянні з 8.6% Nutrola. Причина проста: дані USDA описують ідеалізовані інгредієнти, а не те, що насправді покладає на тарілку ресторанна кухня. Оцінка на основі USDA для "курки теріякі з рисом" не може врахувати конкретну кількість олії, яку використав кухар, товщину соусу або фактичний розмір порції — але візуальна AI-система, що аналізує реальну тарілку перед вами, може.

10 найбільших сюрпризів

Ці окремі страви продемонстрували найбільші розбіжності між принаймні одним джерелом та лабораторним значенням:

Страва	Лабораторія (ккал)	Nutrola AI	Етикетка	USDA	Найбільше джерело помилки	Помилка
Ресторанний пад тай	738	692	520*	584	Етикетка	-29.5%
Заморожена "пісна" лазанья	412	388	310	395	Етикетка	-24.8%
Курча в маслі з нааном	943	874	Н/Д	716	USDA	-24.1%
Упакована суміш для перекусів (1 порція)	287	264	230	271	Етикетка	-19.9%
Домашній салат Цезар	486	421	Н/Д	347	USDA	-28.6%
Двохярусний чизбургер швидкого харчування	832	898	740	780	Етикетка	-11.1%
Корейський бібімбап	687	742	Н/Д	531	USDA	-22.7%
Консервований томатний суп (1 банка)	189	202	180	184	Nutrola AI	+6.9%
Японська тонкотсу рамен	891	824	Н/Д	648	USDA	-27.3%
Спагетті болоньєзе (домашнє)	623	581	Н/Д	527	USDA	-15.4%

*Опублікована кількість калорій ресторану.

З кількох патернів, що виникають з аномалій:

Опубліковані дані про калорії в ресторанах є найменш надійними. Пад тай, що вказував на 520 ккал у меню ресторану, насправді містив 738 ккал у лабораторії — недооцінка на 29.5%. Це не є незвичним. Дослідження 2013 року, опубліковане в Journal of the American Medical Association, виявило, що ресторанні страви містять в середньому на 18% більше калорій, ніж вказано, причому деякі перевищують свої опубліковані дані на понад 30%.

Дані USDA систематично недооцінюють калорійність приготованих продуктів з високою енергетичною цінністю. Курча в маслі, бібімбап, рамен, болоньєзе та салат Цезар усі показали великі негативні помилки при оцінці через пошук інгредієнтів USDA. Спільним зв'язком є використання жиру під час приготування. Записи USDA для "рослинної олії" або "масла" є точними на грам, але кількість жиру, що фактично використовується під час приготування — особливо в ресторанних та міжнародних стравах — є надзвичайно важкою для оцінки без прямого вимірювання. Наприклад, соус для салату Цезар може містити 3-4 столові ложки олії, які майже невидимі після змішування з салатом.

Nutrola AI, як правило, недооцінює страви з високим вмістом жиру та трохи завищує прості продукти. Підписана помилка для ресторанних страв становила -3.8% (легке недооцінювання), тоді як прості цілісні продукти показали підписану помилку +1.9% (легке завищення). Це свідчить про те, що AI є дещо обережним при оцінці доданих жирів — відомої проблеми для будь-якої системи візуальної оцінки, оскільки олія, що поглинається під час смаження, не видима на поверхні.

Стандартне відхилення та послідовність

Сира точність важлива, але важлива також і послідовність. Джерело, яке помиляється на 5% щоразу, є більш корисним для відстеження тенденцій, ніж те, яке помиляється на 0% половину часу і на 30% іншу половину.

Джерело	Ст. Відхилення помилок	Діапазон (мін до макс помилки)	% страв у межах 10% від лабораторії
Nutrola AI	5.9%	-12.4% до +8.7%	74% (37/50)
USDA Reference	6.7%	-28.6% до +4.1%	62% (31/50)
Харчові етикетки	9.4%	-29.5% до +14.2%	53% (16/30)

Nutrola AI показала найнижче стандартне відхилення та найвужчий діапазон помилок серед усіх трьох джерел. 74% оцінок Nutrola потрапили в межі 10% від лабораторного значення, у порівнянні з 62% для USDA та 53% для харчових етикеток. Ця перевага в послідовності означає, що навіть коли AI помиляється, він, як правило, помиляється на передбачувану, невелику кількість — що, безумовно, є більш цінним для тих, хто відстежує тижневу калорійну тенденцію, ніж випадкова ідеальна точність, змішана з великими помилками.

Точність розподілу макронутрієнтів

Ми також порівняли оцінки макронутрієнтів (білки, жири, вуглеводи) з лабораторними значеннями для підгрупи з 20 страв. Результати підтверджують висновки щодо калорій:

Макронутрієнт	Nutrola AI MAPE	USDA MAPE	Label MAPE
Білки	8.2%	6.1%	10.8%
Жири	11.4%	12.7%	14.1%
Вуглеводи	6.8%	5.9%	9.3%

Оцінка жирів є найслабшою ланкою серед усіх джерел. Це очікувано: вміст жиру є найскладнішим макронутрієнтом для візуальної оцінки (для AI) і найбільш варіативним у приготуванні (для баз даних). Одна столова ложка олії, яка пропущена будь-яким методом оцінки, додає приблизно 14 грамів жиру та 120 калорій, і ні камера, ні запис у базі даних не можуть повністю захопити цю варіативність.

Ключові висновки

1. Харчові етикетки використовують свої регуляторні допуски — щедро

У Сполучених Штатах FDA дозволяє харчовим етикеткам відхилятися до 20% від заявленого значення для калорій, і етикетка вважається відповідною, якщо фактичне значення не перевищує етикетку на більше ніж 20%. Європейський Союз застосовує подібну систему допусків. Наші дані свідчать про те, що виробники добре усвідомлюють цей допуск і використовують його стратегічно.

Серед 20 упакованих продуктів та етикетованих ресторанних страв у нашому дослідженні 14 (70%) недооцінювали калорії відносно лабораторного значення. Середнє недооцінювання становило 8.9%. Лише 4 страви (20%) завищували калорії, а 2 були в межах 2% від лабораторного значення.

Цей напрямок не є випадковим. Недооцінка калорій робить продукт виглядати "легшим" і більш привабливим для споживачів, які дбають про здоров'я. Заморожений обід, що стверджує, що містить 310 ккал, але насправді має 412 ккал (як ми виявили з однією "пісною" лазаньєю), може позиціонувати себе в дієтичному відділі, при цьому постачаючи значно більше енергії, ніж заявлено.

Для тих, хто покладається на етикетки, щоб підтримувати дефіцит калорій, це систематичне недооцінювання є серйозною проблемою. Якщо ваші етикетки помиляються в середньому на -8.9%, і ви їсте три етикетовані страви на день з цільовою калорійністю 1,800 ккал, ви можете споживати приблизно 1,960 ккал — достатньо, щоб майже вдвічі зменшити ваш запланований дефіцит у 500 калорій.

2. Дані USDA відзначаються для сирих інгредієнтів, але мають проблеми з приготованою їжею

База даних USDA FoodData Central є чудовим ресурсом. Для простих, необроблених продуктів — банан, куряче філе, чашка рису — вона є надзвичайно точною. Наші дані показали MAPE всього 3.2% для простих цілісних продуктів, що майже так само добре, як повторні лабораторні вимірювання.

Але щойно починається приготування, точність USDA погіршується. Для домашніх страв MAPE зросла до 6.4%. Для ресторанних страв вона підскочила до 14.2%. Для міжнародних страв вона досягла 15.7%.

Проблема не в самій базі даних, а в розриві між записами бази даних та реальним приготуванням. Запис USDA для "смажених овочів" передбачає певну кількість олії, певний час приготування та певну суміш овочів. Ваші смажені овочі — або ті, що подають у вашому місцевому тайському ресторані — можуть використовувати вдвічі більше олії, включати більш жирні овочі та подаватися в більшій порції. База даних не може врахувати ці варіації; вона може лише описати середнє.

Це має наслідки для ручних трекерів, які пишаються "точним" веденням обліку, зважуючи інгредієнти та шукаючи їх у базах даних. Цей підхід добре працює для простих страв, приготованих вдома з виміряними інгредієнтами. Він зламується для їжі в ресторанах, замовлень на винос або приготування рецептів, де кількість жиру є приблизною.

3. Оцінка калорій за допомогою AI-фото є більш точною, ніж очікувалося — особливо для реальних страв

Перед проведенням цього дослідження наша внутрішня припущення полягала в тому, що AI Nutrola добре працюватиме для простих продуктів і погано для складних страв. Дані частково підтвердили та частково спростували це.

Як і очікувалося, найкраща продуктивність AI була для простих цілісних продуктів (4.1% MAPE). Банан виглядає як банан, і навчальні дані AI містять тисячі зображень бананів з відомими вагою та калорійністю.

Що нас здивувало, так це відносна продуктивність AI щодо ресторанних та міжнародних страв. При 8.6% та 10.1% MAPE відповідно Nutrola значно перевершила підходи на основі USDA (14.2% та 15.7%). AI, здається, отримав вигоду від кількох переваг у цих категоріях:

• Оцінка розміру порції за візуальними підказками. AI використовує тарілку, миску та столові прибори як об'єкти для порівняння, щоб оцінити об'єм їжі, що захоплює фактичну порцію, що подається, а не припустиму "стандартну порцію".
• Виявлення соусів та добавок. Модель навчена ідентифікувати видимі соуси, глазурі, розтоплений сир та інші калорійні добавки, які можуть бути пропущені при пошуку в базі даних.
• Калібрування за типом кухні. Навчальні дані Nutrola містять десятки тисяч позначених зображень з ресторанів та міжнародних кухонь, що дозволяє моделі вивчати специфічні патерни кухні (наприклад, що чаша рамену зазвичай містить більше жиру, ніж це може здатися з бульйону).

Проте AI не був ідеальним. Його найслабші моменти виникали з прихованими жирами — олією, що поглинулася в смажених продуктах, маслом, розтопленим у соусах, та вершками, що додані в супи. Ці калорії фізично присутні, але візуально непомітні, і вони представляють важку межу для будь-якої системи на основі камери без додаткового введення користувача.

4. Приховані винуватці калорій

Протягом усіх 50 страв найбільшим джерелом помилки оцінки — для кожного методу, включаючи AI — були додані жири під час приготування. Олія, масло, гхи, вершки та інші жири, що використовуються під час приготування, становили більшість великих відхилень.

Розгляньте домашній салат Цезар. Наша лабораторія виміряла 486 ккал. Оцінка на основі USDA склала 347 ккал — недооцінка на 28.6%. Розрив був майже повністю зумовлений соусом: домашній соус Цезар, що містить оливкову олію, жовток яйця, пармезан та анчоуси. Оцінка USDA використовувала "стандартну" кількість соусу, але фактична порція була значно більшою.

Аналогічно, курча в маслі показало 943 ккал у лабораторії в порівнянні з 716 ккал від USDA — недооцінка на 24.1%, зумовлена кількістю масла та вершків у рецепті ресторану, що значно перевищувала припущені обсяги в стандартних записах бази даних.

Ці висновки підтверджують добре відому принцип у науці про харчування: жир є найбільш калорійно щільним макронутрієнтом (9 ккал/г проти 4 ккал/г для білків та вуглеводів) і найскладнішим для точної оцінки. Невеликі помилки в оцінці жиру призводять до великих помилок у калоріях. Одна столова ложка олії, пропущена будь-яким методом оцінки, додає 119 непомічених калорій.

Що це означає для щоденних трекерів

Якщо ви відстежуєте калорії для контролю своєї ваги, ці висновки мають кілька практичних наслідків:

Не вважайте, що ваша етикетка є святим писанням. Харчові етикетки є корисними відправними точками, але вони можуть недооцінювати фактичний вміст калорій на 10-20% або більше, особливо для упакованих страв та опублікованих даних ресторанів. Якщо ваша втрата ваги зупинилася, і ви їсте "точно" те, що вказано на етикетках, цей прихований надлишок може бути поясненням.

Пошуки даних USDA є найбільш надійними для простих, домашніх страв. Якщо ви готуєте вдома, зважуєте свої інгредієнти та використовуєте переважно цілісні продукти, підхід на основі USDA може бути дуже точним. Чим складнішими та ресторанно впливовими стають ваші страви, тим менш надійним стає цей метод.

AI-облік за допомогою фотографій забезпечує найкращий баланс для реального харчування. Для людей, які їдять суміш домашніх, ресторанних та упакованих страв — що описує більшість дорослих — система на основі AI, така як Nutrola, забезпечує найбільш послідовну точність у всіх категоріях. Вона не перевершить ретельно зважений запис USDA для простого курячого філе, але значно перевершить цей підхід для пад тай, який ви замовили в п'ятницю ввечері.

Завжди будьте підозрілими щодо страв з високим вмістом жиру. Незалежно від вашого методу обліку, страви, які включають смаження, важкі соуси, вершки, масло або сир, є тими, які найімовірніше будуть недооцінені. Якщо ви сумніваєтеся, додайте невеликий буфер (50-100 ккал) для страв, які виглядають або смакують багатими. У Nutrola ви також можете вручну коригувати оцінку AI після перегляду, і система вчиться на ваших виправленнях з часом.

Послідовність важливіша за досконалість. Наші дані показали, що найміцніша перевага Nutrola полягала не в середній точності, а в послідовності — найнижче стандартне відхилення та найвищий відсоток оцінок у межах 10% від лабораторних значень. Для тривалого обліку система, яка постійно помиляється на 5-7%, є набагато кориснішою, ніж та, що іноді ідеальна, а іноді помиляється на 25%. Послідовний ухил можна врахувати; непередбачувана помилка — ні.

Обмеження

Ми хочемо бути прозорими щодо обмежень цього дослідження:

• Розмір вибірки. П'ятдесят страв достатньо, щоб виявити патерни, але недостатньо для остаточних статистичних висновків у кожній підкатегорії. Кожна категорія містила лише 10 страв. Більші дослідження підвищили б впевненість у висновках на рівні категорій.
• Один географічний регіон. Всі страви були отримані в Ірландії. Розміри порцій у ресторанах, практики приготування та джерела інгредієнтів варіюються в залежності від країни та навіть міста. Результати можуть відрізнятися в інших регіонах.
• Тестувалася лише одна система AI. Ми протестували лише AI Nutrola. Інші системи обліку калорій на основі AI можуть працювати інакше. Ми закликаємо конкурентні продукти проводити та публікувати подібні аналізи.
• Умови фотографій. Усі фотографії були зроблені членами команди, які знайомі з найкращими практиками фотографії їжі. Звичайний користувач, що робить поспішну фотографію в поганому освітленні, може зіткнутися з дещо нижчою точністю AI.
• Бомбовий калориметр вимірює загальну енергію. Хоча були застосовані корекції для метаболізованої енергії, індивідуальні відмінності в травленні та всмоктуванні означають, що "справжні" калорії, які кожна конкретна людина отримує з їжі, можуть відрізнятися від лабораторного значення на кілька відсотків.

Висновок

Число калорій на вашій тарілці завжди є оцінкою — але не всі оцінки створені рівними.

Харчові етикетки, незважаючи на їх офіційний вигляд, є найменш точним джерелом, яке ми протестували, з систематичною тенденцією до недооцінювання калорій. Дані USDA є відмінними для простих, сирих та домашніх продуктів, але мають проблеми з заплутаною реальністю ресторанного приготування та міжнародної кухні. AI-облік за допомогою фотографій, як реалізовано в Nutrola, забезпечує найбільш послідовну продуктивність у всьому спектрі продуктів, які люди насправді споживають, з загальною точністю 7.4% середньої абсолютної девіації від лабораторних значень.

Жоден метод обліку не є ідеальним. Їжа, яка обманює AI, також обманює бази даних та етикетки — страви з великою кількістю соусів, олії та багатокомпонентні страви залишаються найскладнішими для оцінки для будь-якої системи. Але для щоденного трекера, який хоче надійний, малозусильний спосіб зрозуміти, що він їсть, дані свідчать про те, що добре навчений AI, що дивиться на вашу реальну тарілку, наближається до істини більше, ніж етикетка, надрукована на фабриці, або запис у базі даних, написаний для ідеалізованого рецепту.

Nutrola створена на принципі, що точність не повинна вимагати зусиль. Ви робите фотографію, а AI виконує роботу. Це дослідження було нашим способом взяти на себе відповідальність за цю обіцянку — і поділитися результатами, включаючи наші слабкості, з людьми, які довіряють нам своїми даними про харчування.

Якщо ви хочете спробувати Nutrola самостійно, плани починаються з 2.50 євро на місяць, без реклами на кожному рівні. Ми б хотіли заробити вашу довіру точними даними, ніж продавати вашу увагу рекламодавцям.

Сирі дані з цього дослідження доступні за запитом для дослідників, журналістів та дієтологів, які бажають провести власний аналіз. Зв'яжіться з нами за адресою research@nutrola.com.