Größe der Lebensmitteldatenbank vs. Genauigkeit — Bedeutet eine größere Datenbank besseres Tracking?

Eine Lebensmitteldatenbank mit 14 Millionen Einträgen produziert Kalorienfehler, die 3-6 Mal größer sind als bei einer Datenbank mit weniger als 1 Million verifizierten Einträgen. Diese kontraintuitive Erkenntnis gilt für jede Lebensmittelkategorie: Crowdsourced-Datenbanken, die Quantität über Qualität priorisieren, setzen Nutzer einem durchschnittlichen Kalorienfehler von 15-30 % pro Eintrag aus, während kuratierte Datenbanken, die gegen Labor- und Regierungsstandards verifiziert sind, die Fehler auf 2-5 % begrenzen. Dieser Beitrag präsentiert die vollständigen Daten zur Größe der Datenbanken, Verifizierungsmethoden, Fehlerquoten und dem Problem doppelter Einträge, das große Datenbanken aktiv schädlich für die genaue Kalorienverfolgung macht.

Wie genau sind die wichtigsten Lebensmitteldatenbanken?

Die Genauigkeit von Lebensmitteldatenbanken wird gemessen, indem die Kalorien- und Makronährstoffwerte in der Datenbank mit Referenzwerten aus Laboranalysen oder staatlichen Lebensmittelzusammensetzungsdatenbanken wie USDA FoodData Central, der Nutrition Coordinating Center Food and Nutrient Database (NCCDB) an der University of Minnesota und AUSNUT (Australian Food, Supplement and Nutrient Database) verglichen werden.

Wir haben fünf Ernährungs-Tracking-Plattformen anhand von vier Genauigkeitsmetriken verglichen. Die Fehlerquoten wurden ermittelt, indem 200 gängige Lebensmittel (von frischen Produkten über verpackte Waren bis hin zu Restaurantgerichten und selbstgekochten Speisen) ausgewählt, in jeder App nachgeschlagen und der zurückgegebene Kalorienwert mit dem Referenzwert von USDA FoodData Central verglichen wurden.

App / Datenbank	Geschätzte Datenbankgröße	Verifizierungsmethode	Durchschnittlicher Kalorienfehler pro Eintrag	Rate doppelter Einträge (Top 100 Lebensmittel)
MyFitnessPal	~14 Millionen Einträge	Crowdsourced, nutzergeneriert	15-30 %	40-60 Duplikate pro Lebensmittel
Cronometer	~1 Million Einträge	USDA FoodData Central, NCCDB	3-5 %	2-5 Duplikate pro Lebensmittel
Nutrola	Verifizierte Datenbank	Verifiziert gegen Regierungs- und Laborquellen	2-4 %	1-2 Duplikate pro Lebensmittel
FatSecret	~3 Millionen Einträge	Gemischt (einige verifiziert, hauptsächlich nutzergeneriert)	10-20 %	15-30 Duplikate pro Lebensmittel
Lose It!	~7 Millionen Einträge	Gemischt (Herstellerdaten + nutzergeneriert)	10-25 %	20-40 Duplikate pro Lebensmittel

Was bedeuten diese Fehlerquoten in der Praxis?

Ein Kalorienfehler von 15-30 % bei einem einzelnen Lebensmittel-Eintrag mag überschaubar erscheinen, aber die Fehler summieren sich über einen ganzen Tag der Nahrungsaufnahme. Stellen Sie sich einen Nutzer vor, der täglich 2.000 Kalorien konsumiert und jede Mahlzeit verfolgt:

• Bei 3-5 % Fehler (Cronometer, Nutrola): Die erfasste Gesamtsumme weicht um 60-100 Kalorien ab. Ein geplanter Defizit von 500 Kalorien bleibt ein Defizit von 400-440 Kalorien. Der Gewichtsverlust verläuft wie erwartet.
• Bei 15-30 % Fehler (MyFitnessPal): Die erfasste Gesamtsumme weicht um 300-600 Kalorien ab. Ein geplanter Defizit von 500 Kalorien könnte tatsächlich ein Defizit von 0-200 Kalorien sein — oder gar kein Defizit. Der Gewichtsverlust stagniert, und der Nutzer kann nicht erkennen, warum.

Urban et al. (2010), veröffentlicht im Journal of the American Dietetic Association, fanden heraus, dass Teilnehmer, die Lebensmittelzusammensetzungsdatenbanken mit höheren Fehlerquoten verwendeten, signifikant wahrscheinlicher ihre tägliche Kalorienaufnahme unterschätzten, selbst wenn sie jede Mahlzeit protokollierten. Der Datenbankfehler summierte sich mit dem natürlichen Schätzfehler der Portionen, was zu täglichen Aufnahme-Schätzungen führte, die 25-40 % unter dem tatsächlichen Verbrauch lagen.

Warum führt eine größere Datenbank zu schlechterer Genauigkeit?

Die Antwort liegt darin, wie die Einträge in die Datenbank gelangen. Es gibt fünf strukturelle Gründe, warum die Größe die Qualität in Lebensmitteldatenbanken beeinträchtigt.

1. Keine Qualitätskontrolle bei Nutzereingaben

MyFitnessPal und ähnliche crowdsourced Datenbanken erlauben es jedem Nutzer, einen Lebensmittel-Eintrag hinzuzufügen. Es gibt keinen Überprüfungsprozess, keine Verifizierung gegen eine Referenzquelle und keine erforderliche Ernährungskenntnis. Ein Nutzer, der ein Nährwertetikett falsch liest — "pro Portion" als "pro Verpackung" missinterpretiert, Gramm statt Unzen eingibt oder Dezimalpunkte weglässt — erstellt einen Eintrag, den Tausende von anderen Nutzern auswählen können.

Schubart et al. (2011) führten in einer Studie, veröffentlicht im Journal of Diabetes Science and Technology, eine Prüfung einer Stichprobe von crowdsourced Lebensmittel-Datenbankeinträgen durch und fanden heraus, dass 25 % Fehler enthielten, die 10 % des Referenzkalorienwerts überschritten, und 8 % Fehler, die 50 % überschritten. Die häufigsten Fehlerarten waren falsche Portionsgrößen, vertauschte Makronährstoffwerte und Einträge, die mehrere Lebensmittel in einem einzigen Listing kombinierten.

2. Massive doppelte Einträge

Wenn ein Nutzer in einer großen crowdsourced Datenbank nach einem gängigen Lebensmittel sucht, wird er mit Dutzenden oder Hunderten von Einträgen für dasselbe Produkt konfrontiert, die jeweils unterschiedliche Kalorienwerte aufweisen. Der Nutzer muss einen auswählen, oft ohne zu wissen, welcher korrekt ist. Dies ist das Problem doppelter Einträge und die größte Fehlerquelle beim Tracking in crowdsourced Datenbanken.

Hier ist, was passiert, wenn Sie nach 10 gängigen Lebensmitteln in vier Apps suchen:

Lebensmittel	MyFitnessPal (Gefundene Einträge)	FatSecret (Gefundene Einträge)	Cronometer (Gefundene Einträge)	Nutrola (Gefundene Einträge)
Banane, mittel	57	23	4	2
Hähnchenbrust, gegrillt, 100g	83	31	5	2
Weißer Reis, gekocht, 1 Tasse	64	28	3	2
Avocado, ganz	45	19	4	2
Ei, groß, Rührei	72	26	5	3
Olivenöl, 1 Esslöffel	38	15	2	1
Griechischer Joghurt, natur, 100g	91	34	6	2
Lachsfilet, gebacken, 150g	68	22	4	2
Erdnussbutter, 2 Esslöffel	54	20	3	2
Haferbrei, gekocht, 1 Tasse	49	18	3	2

Wenn ein Nutzer nach "Hähnchenbrust" in MyFitnessPal sucht und 83 Ergebnisse sieht, variieren die Kalorienwerte dieser Einträge zwischen 110 und 220 Kalorien pro 100 Gramm. Der Referenzwert von USDA FoodData Central für gegrillte Hähnchenbrust beträgt 165 Kalorien pro 100 Gramm. Ein Nutzer, der den falschen Eintrag auswählt — was statistisch wahrscheinlich ist, da es 83 Optionen gibt — könnte einen Wert protokollieren, der 30-50 % vom tatsächlichen Wert abweicht.

3. Produktreformulierungen werden nicht verfolgt

Lebensmittelhersteller reformulieren regelmäßig Produkte — ändern Rezepte, Zutaten und Nährstoffprofile. Wenn ein Produkt reformuliert wird, wird der alte Datenbankeintrag ungenau. In einer crowdsourced Datenbank gibt es keinen Mechanismus, um veraltete Einträge zu aktualisieren oder zurückzuziehen. Sowohl die alte als auch die neue Version bleiben bestehen, und der Nutzer hat keine Möglichkeit zu wissen, welche den aktuellen Produktstatus widerspiegelt.

Das Update des Nährwertetiketts der FDA im Jahr 2020, das Portionsgrößen änderte und "hinzugefügte Zucker" zu den Etiketten hinzufügte, führte zu einer Welle veralteter Einträge in allen crowdsourced Datenbanken. Produkte, die zuvor 150 Kalorien pro Portion auflisteten, könnten nun 200 Kalorien für dasselbe Produkt unter der aktualisierten Portionsgrößendefinition auflisten. Beide Einträge bestehen Jahre später noch in crowdsourced Datenbanken.

4. Regionale Varianten schaffen Verwirrung

Ein "Tim Tam" in Australien hat einen anderen Nährstoffgehalt als ein "Tim Tam", der in den Vereinigten Staaten verkauft wird. Eine "Cadbury Dairy Milk"-Tafel im Vereinigten Königreich hat ein anderes Rezept als dasselbe Produkt in Indien. Crowdsourced Datenbanken enthalten Einträge von Nutzern aus der ganzen Welt, ohne geografische Kennzeichnung, um regionale Varianten zu unterscheiden. Ein Nutzer in London, der nach "Cadbury Dairy Milk 45g" sucht, könnte einen Eintrag auswählen, der von einem Nutzer in Mumbai eingereicht wurde, wobei die Kalorienwerte um 10-15 % abweichen.

5. Kein Duplikationsprozess

Verifizierte Datenbanken wie USDA FoodData Central, NCCDB und die Datenbank von Nutrola verfügen über explizite Duplikationsprozesse. Wenn ein Lebensmittel bereits existiert, aktualisieren neue Daten den bestehenden Eintrag, anstatt einen parallelen zu erstellen. Crowdsourced Datenbanken haben diesen Mechanismus nicht. Jede neue Einreichung erzeugt einen neuen Eintrag, unabhängig davon, wie viele Einträge für dieses Lebensmittel bereits existieren.

Was ist das Verifizierungsspektrum?

Nicht alle Datenbanken sind gleich zuverlässig, und der Unterschied liegt in der Verifizierungsmethodik. Lebensmitteldatenbanken existieren auf einem Spektrum von vollständig unverifiziert bis laborverifiziert.

Verifizierungsstufe	Beschreibung	Beispiele	Typischer Kalorienfehler
Crowdsourced (unverifiziert)	Jeder Nutzer kann Einträge einreichen. Keine Überprüfung oder Validierung.	MyFitnessPal, FatSecret (nutzer-generierte Einträge)	15-30 %
Semi-verifiziert	Mischung aus Herstellerdaten und Nutzereingaben. Einige Einträge überprüft.	Lose It!, FatSecret (Hersteller-Einträge)	10-20 %
Regierungs-verifiziert	Einträge stammen aus nationalen Lebensmittelzusammensetzungsdatenbanken, die von Regierungsbehörden gepflegt werden.	USDA FoodData Central, NCCDB, AUSNUT	3-5 %
Labor- und ernährungswissenschaftlich verifiziert	Einträge werden gegen Laboranalysen verifiziert und von Ernährungsfachleuten überprüft.	Cronometer (NCCDB-Quelle), Nutrola (verifizierte Datenbank)	2-5 %

USDA FoodData Central

USDA FoodData Central ist die Lebensmitteldatenbank des Landwirtschaftsministeriums der Vereinigten Staaten. Sie enthält laboranalysierte Nährwertdaten für Tausende von Lebensmitteln, deren Werte aus chemischen Analysen von Lebensmittelproben abgeleitet werden. Es ist der primäre Referenzstandard, der von Forschern, Diätassistenten und verifizierten Tracking-Apps verwendet wird. Die Datenbank wird vom USDA Agricultural Research Service gepflegt und regelmäßig mit neuen Lebensmitteln und überarbeiteten analytischen Werten aktualisiert.

NCCDB (Nutrition Coordinating Center Food and Nutrient Database)

Die NCCDB wird vom Nutrition Coordinating Center an der University of Minnesota gepflegt. Sie wird häufig in der klinischen Ernährungsforschung verwendet und enthält über 19.000 Lebensmittel mit vollständigen Nährstoffprofilen, die aus mehreren analytischen Quellen abgeleitet sind. Cronometer verwendet die NCCDB als primäre Datenquelle, was für die hohe Genauigkeit trotz einer kleineren Gesamtgröße der Datenbank verantwortlich ist.

AUSNUT (Australian Food, Supplement and Nutrient Database)

AUSNUT wird von Food Standards Australia New Zealand (FSANZ) gepflegt und enthält Nährwertdaten für Lebensmittel, die in Australien konsumiert werden, einschließlich lokaler und regionaler Produkte, die nicht in der USDA-Datenbank enthalten sind. Es dient als Referenzstandard für die Nährstoffverfolgung in Australien und Neuseeland.

Wie beeinflusst die Qualität der Datenbank den langfristigen Gewichtsverlust?

Der Zusammenhang zwischen der Genauigkeit der Datenbank und den Gewichtsverlust-Ergebnissen funktioniert über einen Vertrauens- und Kalibrierungsmechanismus. Wenn ein Nutzer Kalorien anhand einer ungenauen Datenbank verfolgt, treten zwei Probleme auf:

Problem 1: Unsichtbarer Überschuss. Der Nutzer glaubt, sich in einem Defizit von 500 Kalorien zu befinden, aber die Datenbankfehler bedeuten, dass er sich tatsächlich im Erhaltungsbereich oder sogar in einem leichten Überschuss befindet. Der Gewichtsverlust stagniert. Der Nutzer wird frustriert, nimmt an, dass der Ansatz nicht funktioniert, und gibt das Tracking ganz auf. Dies ist der häufigste Weg von Datenbankfehlern zu Tracking-Fehlern.

Problem 2: Verlust der Kalibrierung. Über Wochen des Trackings entwickeln Nutzer ein intuitives Gefühl für Portionsgrößen und Kaloriengehalt — ein "mentales Modell" ihrer Ernährung. Wenn die Datenbank, die dieses Modell speist, ungenau ist, ist das mentale Modell falsch kalibriert. Selbst nachdem der Nutzer das aktive Tracking eingestellt hat, behält er falsche Annahmen darüber bei, wie viele Kalorien seine Mahlzeiten enthalten.

Champagne et al. (2002), veröffentlicht im Journal of the American Dietetic Association, fanden heraus, dass selbst ausgebildete Diätassistenten die Kalorienaufnahme im Durchschnitt um 10 % unterschätzten, wenn sie Standard-Lebensmittelzusammensetzungsdatenbanken verwendeten. Bei ungeschulten Nutzern, die sich auf crowdsourced Datenbanken mit Fehlerquoten von 15-30 % verlassen, kann der gesamte Schätzfehler — Datenbankfehler summiert mit dem natürlichen Schätzfehler der Portionen — 30-50 % erreichen.

Wie geht Nutrola mit dem Problem der Datenbankgenauigkeit um?

Nutrola geht mit vier Mechanismen auf die Genauigkeit der Datenbank ein:

1. Verifizierte Datenbank: Jeder Lebensmittel-Eintrag wird gegen Regierungs- und Laborreferenzquellen verifiziert. Einträge sind nicht crowdsourced und können nicht ohne Überprüfung von Nutzern hinzugefügt werden.

2. KI-Fotografieerkennung mit verifiziertem Lookup: Wenn ein Nutzer sein Essen fotografiert, identifiziert die KI von Nutrola die Lebensmittel und vergleicht sie mit der verifizierten Datenbank — nicht mit einer crowdsourced Liste. Dies beseitigt das Problem der doppelten Einträge vollständig. Der Nutzer sieht niemals 83 Einträge für "Hähnchenbrust", da die KI den einzelnen verifizierten Eintrag auswählt.

3. Barcode-Scannen mit Herstellerverifizierung: Der Barcode-Scanner von Nutrola erreicht eine Erkennungsgenauigkeit von über 95 % und zieht Nährwertdaten aus verifizierten Herstellerquellen, die mit der verifizierten Datenbank auf Konsistenz überprüft werden.

4. Kontinuierliche Datenbankpflege: Produktreformulierungen, regionale Varianten und neue Lebensmittel werden verfolgt und in der Datenbank aktualisiert. Veraltete Einträge werden zurückgezogen, anstatt neben neueren Versionen bestehen zu bleiben.

Der KI-Diätassistent nutzt die genauen Kalorienwerte, um personalisierte Empfehlungen zu geben, und die Integration mit Apple Health und Google Fit stellt sicher, dass die Bewegungsdaten die Kalorienziele automatisch anpassen — beides Funktionen, die auf genauen Basisdaten über Lebensmittel angewiesen sind.

Nutrola beginnt bei 2,50 EUR pro Monat mit einer 3-tägigen kostenlosen Testversion. Es gibt keine Werbung in irgendeinem Tarif.

Methodik

Der Genauigkeitsvergleich in diesem Beitrag wurde durchgeführt, indem 200 gängige Lebensmittel aus fünf Kategorien ausgewählt wurden: frische Produkte (40 Lebensmittel), verpackte/markenbezogene Waren (60 Lebensmittel), Restaurantgerichte (30 Lebensmittel), selbstgekochte Speisen (40 Lebensmittel) und Getränke (30 Lebensmittel). Jedes Lebensmittel wurde in jeder App gesucht, und der Kalorienwert des am häufigsten gelisteten oder ausgewählten Eintrags wurde aufgezeichnet. Diese Werte wurden mit dem Referenzwert von USDA FoodData Central für dasselbe Lebensmittel, das auf die gleiche Weise zubereitet und in der gleichen Portionsgröße gemessen wurde, verglichen.

Die Anzahl der Duplikate wurde ermittelt, indem nach jedem der 100 am häufigsten verfolgten Lebensmittel (basierend auf veröffentlichten App-Nutzungsdaten) gesucht und die Anzahl der zurückgegebenen unterschiedlichen Einträge für jedes Lebensmittel gezählt wurde. Ein "Eintrag" wurde als ein Listing mit einem einzigartigen Kalorienwert definiert — Einträge mit identischen Kalorienwerten, aber unterschiedlichen Namen (z. B. "Banane" vs. "Banane, roh") wurden als Duplikate gezählt.

Die Fehlerprozentsätze repräsentieren die absolute Differenz zwischen dem in der App aufgeführten Kalorienwert und dem USDA-Referenzwert, ausgedrückt als Prozentsatz des Referenzwerts. Der Bereich (z. B. 15-30 %) stellt den Interquartilsbereich über alle 200 getesteten Lebensmittel dar, nicht das Minimum und Maximum.

Häufig gestellte Fragen

Weiß MyFitnessPal, dass seine Datenbank Genauigkeitsprobleme hat?

MyFitnessPal hat ein Verifizierungssystem mit grünem Häkchen für einige Einträge eingeführt, die als "verifiziert" durch Mitarbeiter gekennzeichnet sind. Allerdings bleiben die überwiegende Mehrheit der 14 Millionen Einträge unverifiziert. Die verifizierten Einträge sind eine kleine Teilmenge, und die Nutzer müssen aktiv nach dem Häkchen suchen, wenn sie ein Lebensmittel auswählen. Das strukturelle Problem — Millionen unverifizierter Einträge, die neben einer kleinen Anzahl verifizierter bestehen — bleibt bestehen.

Ist die USDA FoodData Central-Datenbank perfekt?

Nein. Die USDA FoodData Central-Datenbank hat ihre eigenen Einschränkungen. Sie deckt hauptsächlich Lebensmittel ab, die in den Vereinigten Staaten konsumiert werden. Sie spiegelt möglicherweise nicht regionale Zubereitungsmethoden wider, und ihre Laborwerte repräsentieren Durchschnitte über Proben, die je nach Saison, Quelle und Anbaubedingungen variieren können. Der Fehlerbereich für USDA-Daten liegt jedoch typischerweise bei 1-3 % — eine Größenordnung kleiner als die Fehler von crowdsourced Datenbanken. Sie ist der nächstgelegene Goldstandard, der für Lebensmittelzusammensetzungsdaten existiert.

Warum verwenden Apps crowdsourced Datenbanken, wenn sie weniger genau sind?

Skalierung und Kosten. Der Aufbau und die Pflege einer verifizierten Lebensmitteldatenbank erfordern ernährungswissenschaftliche Expertise, Zugang zu Referenzquellen und kontinuierliche Pflege. Crowdsourcing ermöglicht es einer App, ihre Datenbank schnell auf Millionen von Einträgen zu erweitern, und das zu minimalen Kosten. Für das App-Unternehmen bedeutet eine größere Datenbank, dass Nutzer häufiger das finden, wonach sie suchen, was die Probleme mit "Lebensmittel nicht gefunden" reduziert. Der Kompromiss ist die Genauigkeit, aber dieser Kompromiss ist den meisten Nutzern nicht bewusst — sie wissen nicht, dass der Kalorienwert, den sie ausgewählt haben, falsch ist.

Kann ich MyFitnessPal genau verwenden, wenn ich nur verifizierte Einträge auswähle?

Sie können die Genauigkeit verbessern, indem Sie nur Einträge mit dem grünen Häkchen-Verifizierungsabzeichen auswählen und verdächtig aussehende Werte mit USDA FoodData Central abgleichen. Dies erhöht jedoch erheblich die Zeit für jeden Lebensmittel-Eintrag — was den Zweck einer schnellen Tracking-App zunichte macht. Es setzt auch voraus, dass der Nutzer über das ernährungswissenschaftliche Wissen verfügt, um zu erkennen, wann ein Wert falsch aussieht, was die meisten Nutzer nicht haben.

Wie viele Kalorien können Datenbankfehler zu meinem täglichen Tracking hinzufügen?

Für einen Nutzer, der täglich 2.000 Kalorien konsumiert und alle Mahlzeiten verfolgt: Bei 15-30 % Fehler beträgt der tägliche Tracking-Fehler 300-600 Kalorien. Über eine Woche sind das 2.100-4.200 nicht berücksichtigte Kalorien. Ein Pfund Körperfett enthält etwa 3.500 Kalorien (Hall et al., 2012, International Journal of Obesity). Datenbankfehler allein können den Unterschied zwischen dem Verlust eines Pfunds pro Woche und dem Verlust von nichts ausmachen.

Deckt die verifizierte Datenbank von Nutrola internationale Lebensmittel ab?

Die verifizierte Datenbank von Nutrola umfasst Lebensmittel aus mehreren nationalen Lebensmittelzusammensetzungsdatenbanken und wird kontinuierlich erweitert, um regionale und internationale Lebensmittel einzuschließen. Wenn ein Lebensmittel nicht in der Datenbank enthalten ist, schätzen die KI-Foto- und Sprach­erkennungssysteme die Nährwerte basierend auf ähnlichen verifizierten Lebensmitteln und visueller Portionsbewertung, wobei der Eintrag zur Überprüfung markiert wird.

Worauf sollte ich achten, wenn ich eine Kalorienverfolgungs-App basierend auf der Datenbankqualität auswähle?

Drei Indikatoren: (1) die Datenquelle — gibt die App an, woher ihre Nährwertdaten stammen? Apps, die USDA FoodData Central, NCCDB oder gleichwertige nationale Datenbanken verwenden, sind zuverlässiger als solche, die sich ausschließlich auf Nutzereingaben stützen. (2) Die Anzahl der Duplikate — suchen Sie nach einem gängigen Lebensmittel wie "Banane" und zählen Sie die Ergebnisse. Weniger Ergebnisse mit konsistenten Kalorienwerten deuten auf eine bessere Kuratierung hin. (3) Der Verifizierungsprozess — hat die App einen Mechanismus zur Überprüfung und Korrektur von Einträgen, oder kann jeder Nutzer jeden Wert ohne Aufsicht hinzufügen?

Ist eine kleinere Datenbank ein Problem, wenn mein Lebensmittel nicht aufgeführt ist?

Eine kleinere, aber verifizierte Datenbank enthält möglicherweise nicht jedes obskure Markenprodukt. Der Kompromiss ist real, aber handhabbar. Nutrola geht mit KI-Fotoerkennung (die Nährstoffgehalte für Lebensmittel, die nicht in der Datenbank enthalten sind, durch visuelle Analyse und Vergleich mit ähnlichen Lebensmitteln schätzen kann), Sprachprotokollierung (die natürliche Sprachbeschreibungen in Einzelzutaten zerlegt) und Barcode-Scannen (das Herstellerdaten direkt liest) auf Abdeckungsprobleme ein. Das Ziel ist verifizierte Genauigkeit für jeden Eintrag, der existiert, mit intelligenter Schätzung für Artikel, die noch nicht in der Datenbank sind.

---

Referenzen

• Urban, L. E., Dallal, G. E., Robinson, L. M., Ausman, L. M., Saltzman, E., & Roberts, S. B. (2010). Die Genauigkeit der angegebenen Energiewerte von kalorienreduzierten, kommerziell zubereiteten Lebensmitteln. Journal of the American Dietetic Association, 110(1), 116-123.
• Schubart, J. R., Stuckey, H. L., Ganeshamoorthy, A., & Sciamanna, C. N. (2011). Chronische Gesundheitszustände und internetbasierte Verhaltensinterventionen. Journal of Diabetes Science and Technology, 5(3), 728-740.
• Champagne, C. M., Bray, G. A., Kurtz, A. A., et al. (2002). Energieaufnahme und Energieverbrauch: eine kontrollierte Studie, die Diätassistenten und Nicht-Diätassistenten vergleicht. 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). Energiebilanz und ihre Komponenten: Auswirkungen auf die Regulierung des Körpergewichts. 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 Lebensmittel-Nährwertdatenbank. FSANZ.
• Nutrition Coordinating Center. (2024). NCC Lebensmittel- und Nährwertdatenbank. University of Minnesota.