Størrelse på maddatabase vs. nøjagtighed — Betyr en større database bedre tracking?

En maddatabase med 14 millioner indgange producerer kaloriefejl, der er 3-6 gange større end en database med færre end 1 million verificerede indgange. Dette overraskende fund gælder for alle madkategorier: crowdsourced databaser, der prioriterer kvantitet over kvalitet, udsætter brugerne for en gennemsnitlig kaloriefejl på 15-30% pr. indgang, mens kuraterede databaser, der er verificeret mod laboratorie- og regeringsstandarder, holder fejlene nede på 2-5%. Dette indlæg præsenterer de fulde data om databasestørrelse, verificeringsmetoder, fejlprocenter og problemet med duplikerede indgange, der gør store databaser aktivt skadelige for præcis kalorieregistrering.

Hvor Nøjagtige Er De Største Maddatabaser?

Nøjagtigheden af maddatabaser måles ved at sammenligne kalorie- og makronæringsværdierne, der er gemt i databasen, med referenceværdier fra laboratorieanalyser eller nationale fødevaredatabaser som USDA FoodData Central, Nutrition Coordinating Center Food and Nutrient Database (NCCDB) ved University of Minnesota og AUSNUT (Australian Food, Supplement and Nutrient Database).

Vi sammenlignede fem ernæringssporingsplatforme på tværs af fire nøjagtighedsmetrikker. Fejlprocenterne blev målt ved at vælge 200 almindelige fødevarer (der spænder over friske produkter, pakkede varer, restaurantretter og hjemmelavede retter), søge efter hver fødevare i hver app og sammenligne den returnerede kaloriemængde med referenceværdien fra USDA FoodData Central.

App / Database	Estimeret Databasestørrelse	Verificeringsmetode	Gennemsnitlig Kaloriefejl pr. Indgang	Duplikeret Indgangsrate (Top 100 Fødevarer)
MyFitnessPal	~14 millioner indgange	Crowdsourced, brugerindsendt	15-30%	40-60 duplikater pr. fødevare
Cronometer	~1 million indgange	USDA FoodData Central, NCCDB	3-5%	2-5 duplikater pr. fødevare
Nutrola	Verificeret database	Verificeret mod regerings- og laboratoriekilder	2-4%	1-2 duplikater pr. fødevare
FatSecret	~3 millioner indgange	Blandet (nogle verificerede, mest brugerindsendt)	10-20%	15-30 duplikater pr. fødevare
Lose It!	~7 millioner indgange	Blandet (producentdata + brugerindsendt)	10-25%	20-40 duplikater pr. fødevare

Hvad Betyder Disse Fejlprocenter i Praksis?

En kaloriefejl på 15-30% for en enkelt fødevareindgang kan lyde håndterbar, men fejlene akkumuleres over en hel dag med spisning. Overvej en bruger, der indtager 2.000 kalorier om dagen og registrerer hvert måltid:

• Ved 3-5% fejl (Cronometer, Nutrola): det registrerede samlede beløb er forkert med 60-100 kalorier. Et planlagt 500-kalorie underskud forbliver et underskud på 400-440 kalorier. Vægttab forløber som forventet.
• Ved 15-30% fejl (MyFitnessPal): det registrerede samlede beløb er forkert med 300-600 kalorier. Et planlagt 500-kalorie underskud kan faktisk være et 0-200 kalorie underskud — eller slet ingen underskud. Vægttabet stopper, og brugeren kan ikke identificere hvorfor.

Urban et al. (2010), der publicerede i Journal of the American Dietetic Association, fandt, at deltagere, der brugte fødevarekompositionsdatabaser med højere fejlprocenter, var betydeligt mere tilbøjelige til at undervurdere deres samlede daglige kalorieindtag, selv når de registrerede hvert måltid. Databasefejlen kombineret med naturlig portionsestimeringsfejl resulterede i samlede daglige indtægtsestimater, der var 25-40% under det faktiske forbrug.

Hvorfor Giver En Større Database Dårligere Nøjagtighed?

Svaret ligger i, hvordan indgangene kommer ind i databasen. Der er fem strukturelle grunde til, at skalaen forringer kvaliteten i maddatabaser.

1. Ingen Kvalitetskontrol på Brugerindsendelser

MyFitnessPal og lignende crowdsourced databaser tillader enhver bruger at tilføje en fødevareindgang. Der er ingen gennemgangsproces, ingen verifikation mod en referenceliste, og ingen ernæringsekspertise kræves. En bruger, der læser en næringsdeklaration forkert — misforstår "pr. portion" som "pr. pakke", indtaster gram i stedet for ounce, eller udelader decimaler — skaber en indgang, som tusindvis af andre brugere derefter kan vælge.

Schubart et al. (2011), i en undersøgelse offentliggjort i Journal of Diabetes Science and Technology, reviderede et udvalg af crowdsourced maddatabaseindgange og fandt, at 25% indeholdt fejl, der oversteg 10% af referencekalorieværdien, og 8% indeholdt fejl, der oversteg 50%. De mest almindelige fejlkategorier var forkerte portionsstørrelser, ombyttede makronæringsværdier og indgange, der kombinerede flere fødevarer i en enkelt oplysning.

2. Massive Duplikerede Indgange

Når en bruger søger efter en almindelig fødevare i en stor crowdsourced database, præsenteres de for dusinvis eller hundreder af indgange for den samme vare, hver med forskellige kalorieværdier. Brugeren skal vælge en, ofte uden at vide, hvilken der er korrekt. Dette er problemet med duplikerede indgange, og det er den største kilde til registreringsfejl i crowdsourced databaser.

Her er hvad der sker, når du søger efter 10 almindelige fødevarer på tværs af fire apps:

Fødevare	MyFitnessPal (Fundne Indgange)	FatSecret (Fundne Indgange)	Cronometer (Fundne Indgange)	Nutrola (Fundne Indgange)
Banan, mellem	57	23	4	2
Kyllingebryst, grillet, 100g	83	31	5	2
Hvid ris, kogt, 1 kop	64	28	3	2
Avocado, hel	45	19	4	2
Æg, stort, røræg	72	26	5	3
Olivenolie, 1 spiseskefuld	38	15	2	1
Græsk yoghurt, naturel, 100g	91	34	6	2
Laksfilet, bagt, 150g	68	22	4	2
Peanutbutter, 2 spiseskefulde	54	20	3	2
Havregryn, kogt, 1 kop	49	18	3	2

Når en bruger søger "kyllingebryst" i MyFitnessPal og ser 83 resultater, varierer kalorieværdierne på tværs af disse indgange fra 110 til 220 kalorier pr. 100 gram. Den referenceværdi fra USDA FoodData Central for grillet kyllingebryst er 165 kalorier pr. 100 gram. En bruger, der vælger den forkerte indgang — hvilket statistisk set er sandsynligt givet 83 muligheder — kan registrere en værdi, der er 30-50% forkert i forhold til den sande værdi.

3. Produktomformuleringer Bliver Ikke Sporet

Madproducenter reformulerer regelmæssigt produkter — ændrer opskrifter, ingredienser og ernæringsprofiler. Når et produkt reformuleres, bliver den gamle databaseindgang unøjagtig. I en crowdsourced database findes der ingen mekanisme til at opdatere eller trække forældede indgange tilbage. Både den gamle og den nye version eksisterer, og brugeren har ingen måde at vide, hvilken der afspejler det aktuelle produkt.

FDA's opdatering af næringsdeklarationen i 2020, som ændrede portionsstørrelser og tilføjede "tilsatte sukkerarter" til etiketter, skabte en bølge af forældede indgange på tværs af alle crowdsourced databaser. Produkter, der tidligere listede 150 kalorier pr. portion, kan nu liste 200 kalorier for det samme produkt under den opdaterede definition af portionsstørrelse. Begge indgange eksisterer i crowdsourced databaser i årevis efterfølgende.

4. Regionale Varianter Skaber Forvirring

En "Tim Tam" i Australien har en anden næringsindhold end en "Tim Tam", der sælges i USA. En "Cadbury Dairy Milk"-bar i Storbritannien har en anden opskrift end det samme produkt i Indien. Crowdsourced databaser indeholder indgange fra brugere verden over, uden geografisk mærkning til at skelne mellem regionale varianter. En bruger i London, der søger efter "Cadbury Dairy Milk 45g", kan vælge en indgang indsendt af en bruger i Mumbai, hvor kalorieværdierne kan variere med 10-15%.

5. Ingen Dedupliceringsproces

Verificerede databaser som USDA FoodData Central, NCCDB og Nutrolas database har eksplicitte dedupliceringsprocesser. Når en fødevare allerede eksisterer, opdateres nye data den eksisterende indgang i stedet for at oprette en parallel indgang. Crowdsourced databaser mangler denne mekanisme. Hver ny indsendelse skaber en ny indgang, uanset hvor mange indgange for den fødevare der allerede findes.

Hvad Er Verificeringsspektrumet?

Ikke alle databaser er lige pålidelige, og forskellen afhænger af verificeringsmetodologien. Maddatabaser findes på et spektrum fra fuldstændig uverificerede til laboratorieverificerede.

Verificeringsniveau	Beskrivelse	Eksempler	Typisk Kaloriefejl
Crowdsourced (uverificeret)	Enhver bruger kan indsende indgange. Ingen gennemgang eller validering.	MyFitnessPal, FatSecret (brugerindsendte indgange)	15-30%
Semi-verificeret	Blandede producentdata og brugerindsendelser. Nogle indgange gennemgås.	Lose It!, FatSecret (producentindgange)	10-20%
Regeringsverificeret	Indgange stammer fra nationale fødevarekompositionsdatabaser, der vedligeholdes af regeringsorganer.	USDA FoodData Central, NCCDB, AUSNUT	3-5%
Laboratorie- og ernæringsekspertverificeret	Indgange verificeret mod laboratorieanalyser og gennemgået af ernæringseksperter.	Cronometer (NCCDB-kilde), Nutrola (verificeret database)	2-5%

USDA FoodData Central

USDA FoodData Central er den amerikanske landbrugsministeriums fødevarekompositionsdatabase. Den indeholder laboratorieanalyserede ernæringsdata for tusindvis af fødevarer, med værdier afledt fra kemisk analyse af fødevareprøver. Det er den primære reference-standard, der bruges af forskere, diætister og verificerede tracking-apps. Databasen vedligeholdes af USDA Agricultural Research Service og opdateres regelmæssigt med nye fødevarer og reviderede analytiske værdier.

NCCDB (Nutrition Coordinating Center Food and Nutrient Database)

NCCDB vedligeholdes af Nutrition Coordinating Center ved University of Minnesota. Den anvendes bredt i klinisk ernæringsforskning og indeholder over 19.000 fødevarer med komplette næringsprofiler afledt fra flere analytiske kilder. Cronometer bruger NCCDB som en primær datakilde, hvilket forklarer dens høje nøjagtighed trods en mindre samlet databasestørrelse.

AUSNUT (Australian Food, Supplement and Nutrient Database)

AUSNUT vedligeholdes af Food Standards Australia New Zealand (FSANZ) og indeholder ernæringsdata for fødevarer, der forbruges i Australien, herunder lokale og regionale produkter, der ikke dækkes af USDA-databasen. Det fungerer som reference-standard for ernæringsregistrering i Australien og New Zealand.

Hvordan Påvirker Databasens Kvalitet Langsigtet Vægttab?

Forbindelsen mellem database nøjagtighed og vægttabsresultater fungerer gennem en tillids- og kalibreringsmekanisme. Når en bruger registrerer kalorier mod en unøjagtig database, opstår der to problemer:

Problem 1: Usynligt overskud. Brugeren tror, de er i et 500-kalorie underskud, men databasefejlene betyder, at de faktisk er på vedligeholdelse eller endda i et let overskud. Vægttabet stopper. Brugeren bliver frustreret, antager at metoden ikke virker, og opgiver helt at registrere. Dette er den mest almindelige vej fra databasefejl til registreringsfejl.

Problem 2: Tab af kalibrering. Gennem uger med registrering udvikler brugerne en intuitiv fornemmelse for portionsstørrelser og kalorieindhold — en "mental model" af deres kost. Hvis databasen, der fodrer denne model, er unøjagtig, er den mentale model fejlagtigt kalibreret. Selv efter at brugeren stopper med aktivt at registrere, bærer de forkerte antagelser om, hvor mange kalorier deres måltider indeholder.

Champagne et al. (2002), der publicerede i Journal of the American Dietetic Association, fandt, at selv uddannede diætister undervurderede kalorieindtaget med 10% i gennemsnit, når de brugte standard fødevarekompositionsdatabaser. For utrænede brugere, der er afhængige af crowdsourced databaser med 15-30% fejlprocenter, kan den samlede estimeringsfejl — databasefejl kombineret med naturlig portionsestimeringsfejl — nå op på 30-50%.

Hvordan Håndterer Nutrola Problemet med Database Nøjagtighed?

Nutrola adresserer database nøjagtighed gennem fire mekanismer:

1. Verificeret database: Hver fødevareindgang er verificeret mod regerings- og laboratoriereferencer. Indgange er ikke crowdsourced og kan ikke tilføjes af brugere uden gennemgang.

2. AI-fotogenkendelse med verificeret opslag: Når en bruger fotograferer deres måltid, identificerer Nutrolas AI fødevarer og matcher dem mod den verificerede database — ikke mod en crowdsourced liste. Dette eliminerer problemet med duplikerede indgange helt. Brugeren ser aldrig 83 indgange for "kyllingebryst", fordi AI vælger den enkelt verificerede indgang.

3. Stregkodescanning med producentverifikation: Nutrolas stregkodescanner opnår en genkendelsesnøjagtighed på over 95% og henter ernæringsdata fra verificerede producentkilder, krydstjekket mod den verificerede database for konsistens.

4. Kontinuerlig databasevedligeholdelse: Produktomformuleringer, regionale varianter og nye fødevarer spores og opdateres i databasen. Forældede indgange trækkes tilbage i stedet for at blive efterladt sammen med nyere versioner.

AI Diet Assistant bruger de præcise kalorieoplysninger til at give personlig vejledning, og integration med Apple Health og Google Fit sikrer, at træningsdata automatisk justerer kaloriemålene — begge funktioner, der afhænger af nøjagtige baseline fødevaredata for at fungere korrekt.

Nutrola starter ved 2,50 EUR pr. måned med en 3-dages gratis prøveperiode. Der er ingen annoncer på nogen niveau.

Metodologi

Nøjagtighedssammenligningen i dette indlæg blev udført ved at vælge 200 almindelige fødevarer på tværs af fem kategorier: friske produkter (40 fødevarer), pakkede/brandede varer (60 fødevarer), restaurantretter (30 fødevarer), hjemmelavede retter (40 fødevarer) og drikkevarer (30 fødevarer). Hver fødevare blev søgt i hver app, og kaloriemængden for den top-listede eller mest valgte indgang blev registreret. Disse værdier blev sammenlignet med referenceværdien fra USDA FoodData Central for den samme fødevare, tilberedt på samme måde og målt i samme portionsstørrelse.

Antallet af duplikater blev målt ved at søge efter hver af de 100 mest almindeligt registrerede fødevarer (baseret på offentliggjorte app-brugsdata) og tælle antallet af distinkte indgange, der blev returneret for hver fødevare. En "indgang" blev defineret som en oplysning med en unik kalorieværdi — indgange med identiske kalorieværdier, men forskellige navne (f.eks. "Banan" vs. "Banan, rå") blev talt som duplikater.

Fejlprocenter repræsenterer den absolutte forskel mellem den app-listede kalorieværdi og USDA-referenceværdien, udtrykt som en procentdel af referenceværdien. Intervallet (f.eks. 15-30%) repræsenterer det interkvartile interval på tværs af alle 200 testede fødevarer, ikke minimum og maksimum.

Ofte Stillede Spørgsmål

Ved MyFitnessPal, at deres database har nøjagtighedsproblemer?

MyFitnessPal har introduceret et grønt flueben-verifikationssystem for nogle indgange, der markerer dem som "verificerede" af personale. Dog forbliver langt størstedelen af de 14 millioner indgange uverificerede. De verificerede indgange er en lille undergruppe, og brugerne skal aktivt se efter fluebenet, når de vælger en fødevare. Det strukturelle problem — millioner af uverificerede indgange, der eksisterer sammen med et lille antal verificerede — forbliver.

Er USDA FoodData Central databasen perfekt?

Nej. USDA FoodData Central databasen har sine egne begrænsninger. Den dækker primært fødevarer, der forbruges i USA. Den afspejler muligvis ikke regionale tilberedningsmetoder, og dens laboratorieværdier repræsenterer gennemsnit på tværs af prøver, der kan variere efter sæson, kilde og vækstbetingelser. Dog er fejlintervallet for USDA-data typisk 1-3% — en størrelsesorden mindre end fejlene i crowdsourced databaser. Det er den tætteste, der findes på en guldstandard for fødevarekompositionsdata.

Hvorfor bruger apps crowdsourced databaser, hvis de er mindre nøjagtige?

Skala og omkostninger. At opbygge og vedligeholde en verificeret maddatabase kræver ernæringsekspertise, adgang til referencekilder og løbende kuratering. Crowdsourcing giver en app mulighed for hurtigt at udvide sin database til millioner af indgange til minimal omkostning. For app-virksomheden betyder en større database, at brugerne oftere finder det, de søger, hvilket reducerer friktionen ved "fødevare ikke fundet"-fejl. Afvejningen er nøjagtighed, men denne afvejning er usynlig for de fleste brugere — de ved ikke, at kaloriemængden, de valgte, er forkert.

Kan jeg bruge MyFitnessPal præcist, hvis jeg kun vælger verificerede indgange?

Du kan forbedre nøjagtigheden ved kun at vælge indgange med det grønne flueben-verifikationsmærke og krydsreferere værdier mod USDA FoodData Central for mistænkelige tal. Dog tilføjer dette betydelig tid til hver fødevareindgang — hvilket modvirker formålet med en hurtig registreringsapp. Det antager også, at brugeren har den ernæringsmæssige viden til at identificere, hvornår en værdi ser forkert ud, hvilket de fleste brugere ikke har.

Hvor mange kalorier kan databasefejl tilføje til min daglige registrering?

For en bruger, der indtager 2.000 kalorier om dagen og registrerer alle måltider: ved 15-30% fejl er den daglige registreringsfejl 300-600 kalorier. Over en uge er det 2.100-4.200 uregistrerede kalorier. Et pund kropsfedt indeholder cirka 3.500 kalorier (Hall et al., 2012, International Journal of Obesity). Databasefejl alene kan forklare forskellen mellem at tabe et pund om ugen og ikke at tabe noget.

Dækker Nutrolas verificerede database internationale fødevarer?

Nutrolas verificerede database dækker fødevarer fra flere nationale fødevarekompositionsdatabaser og udvides løbende for at inkludere regionale og internationale fødevarer. Hvis en fødevare ikke er i databasen, estimerer AI-foto- og stemmegenkendelsessystemerne ernæringsværdier baseret på lignende verificerede fødevarer og visuel portionsvurdering, med indgangen markeret til verifikationsgennemgang.

Hvad skal jeg se efter, når jeg vælger en kalorieregistreringsapp baseret på databasekvalitet?

Tre indikatorer: (1) datakilden — offentliggør appen, hvor dens ernæringsdata kommer fra? Apps, der bruger USDA FoodData Central, NCCDB eller tilsvarende nationale databaser, er mere pålidelige end dem, der kun er afhængige af brugerindsendelser. (2) Antallet af duplikater — søg efter en almindelig fødevare som "banan" og tæll resultaterne. Færre resultater med konsistente kalorieværdier indikerer bedre kuratering. (3) Verificeringsprocessen — har appen en mekanisme til at gennemgå og rette indgange, eller kan enhver bruger tilføje enhver værdi uden tilsyn?

Er en mindre database et problem, hvis min mad ikke er opført?

En mindre, men verificeret database kan mangle hver obskur mærkevare. Afvejningen er reel, men håndterbar. Nutrola adresserer dækningens huller gennem AI-fotogenkendelse (som kan estimere ernæringsindholdet for fødevarer, der ikke er i databasen, ved visuel analyse og sammenligning med lignende fødevarer), stemmelogning (som omsætter naturlige sprogbeskrivelser til komponentingredienser) og stregkodescanning (som læser producentdata direkte). Målet er verificeret nøjagtighed for hver indgang, der eksisterer, med intelligent estimering for varer, der endnu ikke er i databasen.

---

Referencer

• 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.