Πώς μπορώ να ξέρω αν ο καταγραφέας θερμίδων μου είναι ακριβής;

Οι περισσότεροι καταγραφείς θερμίδων δεν είναι τόσο ακριβείς όσο νομίζεις. Μια ανάλυση του 2023 που δημοσιεύθηκε στο International Journal of Behavioral Nutrition and Physical Activity διαπίστωσε ότι οι crowdsourced βάσεις δεδομένων τροφίμων μπορεί να αποκλίνουν από τις εργαστηριακά μετρημένες τιμές κατά 15-25% κατά μέσο όρο, με κάποιες μεμονωμένες καταχωρίσεις να ξεπερνούν το 40%. Αν βασίζεσαι σε αυτούς τους αριθμούς για να παίρνεις αποφάσεις σχετικά με το φαγητό — μειώνοντας τις μερίδες, παραλείποντας γεύματα, προσαρμόζοντας τα μακροθρεπτικά — αξίζεις να ξέρεις αν τα δεδομένα που εμπιστεύεσαι είναι πράγματι σωστά.

Η καλή είδηση είναι ότι μπορείς να δοκιμάσεις τον καταγραφέα θερμίδων σου μόνος σου σε περίπου 20 λεπτά. Ακολουθούν τα βήματα για να το κάνεις, τι σημαίνουν τα αποτελέσματα και τι να κάνεις αν ο καταγραφέας σου αποτύχει στη δοκιμή.

Πώς να δοκιμάσω τον καταγραφέα θερμίδων μου με δεδομένα USDA;

Ο πιο αξιόπιστος τρόπος για να ελέγξεις την ακρίβεια του καταγραφέα θερμίδων σου είναι να συγκρίνεις τις τιμές του με το USDA FoodData Central, τη χρυσή πρότυπη βάση δεδομένων που διατηρεί το Υπουργείο Γεωργίας των Ηνωμένων Πολιτειών. Αυτή είναι η ίδια βάση δεδομένων που χρησιμοποιούν οι ερευνητές διατροφής και οι καταχωρημένοι διαιτολόγοι ως κύρια αναφορά τους.

Βήμα 1: Άνοιξε το USDA FoodData Central

Πήγαινε στο fdc.nal.usda.gov. Αυτή είναι μια δωρεάν, δημόσια προσβάσιμη βάση δεδομένων. Δεν απαιτείται λογαριασμός. Χρησιμοποίησε τη γραμμή αναζήτησης για να βρεις τρόφιμα με το όνομά τους.

Βήμα 2: Διάλεξε 10 Κοινά Τρόφιμα για Δοκιμή

Επίλεξε 10 τρόφιμα που καταγράφεις συχνά. Συμπεριέλαβε ένα μείγμα κατηγοριών για μια ολοκληρωμένη δοκιμή. Ακολουθεί μια προτεινόμενη λίστα δοκιμής:

1. Στήθος κοτόπουλου, μαγειρεμένο (100g)
2. Λευκό ρύζι, μαγειρεμένο (1 φλιτζάνι / 158g)
3. Μπανάνα, μέτρια (118g)
4. Ολόκληρο αυγό, μεγάλο (50g)
5. Ελαιόλαδο (1 κουταλιά της σούπας / 13.5g)
6. Τυρί τσένταρ (28g / 1 oz)
7. Μπρόκολο, μαγειρεμένο (1 φλιτζάνι / 156g)
8. Φυστικοβούτυρο (2 κουταλιές της σούπας / 32g)
9. Σολομός, Ατλαντικός, μαγειρεμένος (100g)
10. Βρώμη, ξηρή (1/2 φλιτζάνι / 40g)

Βήμα 3: Καταχώρισε τις Τιμές USDA

Ψάξε κάθε τρόφιμο στο USDA FoodData Central και σημείωσε την τιμή θερμίδων για την ακριβή μερίδα. Βεβαιώσου ότι συγκρίνεις την ίδια μέθοδο παρασκευής (ωμό vs. μαγειρεμένο) και την ίδια μερίδα. Αυτή η λεπτομέρεια έχει μεγάλη σημασία — το μαγειρεμένο στήθος κοτόπουλου έχει περίπου 165 θερμίδες ανά 100g, ενώ το ωμό στήθος κοτόπουλου έχει περίπου 120 θερμίδες ανά 100g.

Βήμα 4: Ψάξε τα Ίδια Τρόφιμα στον Καταγραφέα Θερμίδων σου

Αναζήτησε κάθε ένα από τα 10 τρόφιμα στην εφαρμογή παρακολούθησής σου. Καταχώρισε την τιμή θερμίδων που παρέχει η εφαρμογή για την ίδια μερίδα. Αν η εφαρμογή δείχνει πολλές καταχωρίσεις για το ίδιο τρόφιμο, σημείωσε όλες — αυτή η ασυνέπεια είναι από μόνη της ένα δεδομένο.

Βήμα 5: Υπολόγισε την Αποκλίνουσα Τιμή

Για κάθε τρόφιμο, υπολόγισε την ποσοστιαία διαφορά χρησιμοποιώντας τον παρακάτω τύπο:

Αποκλίνουσα Τιμή = ((Τιμή Εφαρμογής - Τιμή USDA) / Τιμή USDA) x 100

Για παράδειγμα, αν το USDA αναφέρει το μαγειρεμένο στήθος κοτόπουλου στις 165 θερμίδες ανά 100g και η εφαρμογή σου λέει 178 θερμίδες, η αποκλίνουσα τιμή είναι ((178 - 165) / 165) x 100 = 7.9%.

Βήμα 6: Αξιολόγησε τα Αποτελέσματά σου

Ακολουθεί πώς να ερμηνεύσεις τους αριθμούς αποκλίσεων:

Εύρος Αποκλίσεων	Βαθμολογία	Τι Σημαίνει
0-5%	Εξαιρετική	Τα δεδομένα προέρχονται από επαληθευμένες ή κυβερνητικές πηγές
5-10%	Αποδεκτή	Μικρές διαφορές στρογγυλοποίησης, γενικά αξιόπιστα
10-15%	Ανησυχητική	Ορισμένες καταχωρίσεις μπορεί να είναι υποβληθείσες από χρήστες ή παλαιωμένες
15-25%	Κακή	Πιθανώς crowdsourced δεδομένα με ελάχιστη επαλήθευση
25%+	Αναξιόπιστη	Η ποιότητα των δεδομένων είναι πολύ χαμηλή για ουσιαστική παρακολούθηση

Μια επαληθευμένη βάση δεδομένων όπως αυτή της Nutrola, η οποία διασταυρώνει τις καταχωρίσεις με επίσημες κυβερνητικές βάσεις δεδομένων διατροφής και δεδομένα κατασκευαστών, συνήθως βρίσκεται εντός του εύρους 0-5% αποκλίσεων. Οι crowdsourced βάσεις δεδομένων όπως αυτές που χρησιμοποιούνται από τις MyFitnessPal και FatSecret συνήθως κυμαίνονται στο 15-25%, με μεμονωμένες καταχωρίσεις να ξεπερνούν μερικές φορές το 40%.

Ποια είναι τα Κόκκινα Σημάδια ότι τα Δεδομένα του Καταγραφέα μου είναι Κακά;

Ακόμα και χωρίς να εκτελέσεις τη δοκιμή USDA, υπάρχουν προειδοποιητικά σημάδια που μπορείς να εντοπίσεις κατά τη διάρκεια της καθημερινής χρήσης που υποδεικνύουν ότι η ποιότητα των δεδομένων του καταγραφέα θερμίδων σου είναι κακή.

Κόκκινο Σημάδι 1: Πολλές Αντίθετες Καταχωρίσεις για το Ίδιο Τρόφιμο

Ψάξε για "μπανάνα" στην εφαρμογή σου. Αν δεις 8, 12 ή 20 διαφορετικές καταχωρίσεις με θερμίδες που κυμαίνονται από 72 έως 135, αυτό είναι μια crowdsourced βάση δεδομένων. Κάθε καταχώριση υποβλήθηκε από διαφορετικό χρήστη και κανείς δεν έχει επιλύσει τις αντιφάσεις. Στη Nutrola, όταν ψάχνεις για "μπανάνα", παίρνεις μια μοναδική επαληθευμένη καταχώριση με ακριβείς τιμές για κάθε τυπικό μέγεθος (μικρό, μέτριο, μεγάλο) — γιατί κάθε καταχώριση στη βάση δεδομένων 1.8 εκατομμυρίων αντικειμένων της Nutrola έχει επαληθευτεί από επαγγελματίες διατροφής.

Κόκκινο Σημάδι 2: Έλλειψη Δεδομένων Μικροθρεπτικών Συστατικών

Άνοιξε οποιοδήποτε τρόφιμο στον καταγραφέα σου και έλεγξε πόσα θρεπτικά συστατικά εμφανίζονται. Αν βλέπεις μόνο θερμίδες, πρωτεΐνες, υδατάνθρακες και λιπαρά — ή ίσως λίγες βιταμίνες — η βάση δεδομένων είναι ελλιπής. Πλήρη δεδομένα διατροφής σημαίνουν 20+ μικροθρεπτικά συστατικά ανά καταχώριση. Η Nutrola παρακολουθεί πάνω από 100 θρεπτικά συστατικά ανά τρόφιμο, δίνοντάς σου ορατότητα σε βιταμίνη D, σίδηρο, μαγνήσιο, B12, ψευδάργυρο, σελήνιο και δεκάδες άλλα.

Κόκκινο Σημάδι 3: Παλιές Ετικέτες Επωνυμιών

Ψάξε για ένα συσκευασμένο τρόφιμο που ξέρεις ότι έχει αναμορφωθεί πρόσφατα. Πολλές μάρκες ενημερώνουν τις συνταγές τους κάθε 1-2 χρόνια, αλλάζοντας τις θερμίδες κατά 10-30 θερμίδες ανά μερίδα. Αν η εφαρμογή σου δείχνει ακόμα τα παλιά δεδομένα διατροφής, κανείς δεν συντηρεί τη βάση δεδομένων. Οι επαληθευμένες βάσεις δεδομένων επενδύουν σε τακτικές ενημερώσεις; οι crowdsourced βάσεις δεδομένων εξαρτώνται από έναν τυχαίο χρήστη που παρατηρεί και υποβάλλει μια διόρθωση.

Κόκκινο Σημάδι 4: Στρογγυλοί Αριθμοί Παντού

Τα πραγματικά δεδομένα διατροφής έχουν δεκαδικά και περίεργους αριθμούς. Μια επαληθευμένη καταχώριση για ένα μήλο μπορεί να δείχνει 94.6 θερμίδες. Αν η εφαρμογή σου δείχνει 90 ή 100 για τα περισσότερα τρόφιμα, τα δεδομένα έχουν στρογγυλοποιηθεί ή εκτιμηθεί αντί να προέρχονται από εργαστηριακή ανάλυση. Τα σφάλματα στρογγυλοποίησης φαίνονται μικρά ατομικά, αλλά σε 15-20 καταχωρίσεις τροφίμων ανά ημέρα, συσσωρεύονται σε σημαντικές ανακρίβειες.

Κόκκινο Σημάδι 5: Σαρώσεις Κωδικών Μπαίνουν Λάθος Προϊόντα

Σάρωσε 10 συσκευασμένα τρόφιμα που έχεις στην κουζίνα σου. Αν έστω και 2-3 από αυτά επιστρέψουν λάθος προϊόν, διαφορετική μάρκα ή παλιά δεδομένα διατροφής, η αντιστοίχιση κωδικών προς τη βάση δεδομένων είναι αναξιόπιστη. Ο σαρωτής κωδικών της Nutrola είναι συνδεδεμένος απευθείας με τη verified βάση δεδομένων της, οπότε τα αποτελέσματα που σαρώνονται ταιριάζουν με το πραγματικό προϊόν στο ράφι.

Γιατί οι Επαληθευμένες Βάσεις Δεδομένων Υπερτερούν των Crowdsourced;

Η θεμελιώδης διαφορά έγκειται στο ποιος δημιουργεί και συντηρεί τα δεδομένα.

Χαρακτηριστικό	Επαληθευμένη Βάση Δεδομένων (Nutrola, Cronometer)	Crowdsourced Βάση Δεδομένων (MFP, FatSecret)
Πηγή δεδομένων	Κυβερνητικές βάσεις δεδομένων, εργαστηριακή ανάλυση, ετικέτες κατασκευαστών	Υποβολές χρηστών από οποιονδήποτε
Διαδικασία αναθεώρησης	Επαγγελματίες διατροφής επαληθεύουν κάθε καταχώριση	Ελάχιστη ή καμία αναθεώρηση
Διπλές καταχωρίσεις	Μια επαληθευμένη καταχώριση ανά τρόφιμο	Πολλές αντίθετες καταχωρίσεις
Κάλυψη μικροθρεπτικών	100+ θρεπτικά συστατικά (Nutrola) ή 80+ (Cronometer)	4-6 θρεπτικά συστατικά συνήθως
Συχνότητα ενημέρωσης	Τακτικές ενημερώσεις όταν αλλάζουν προϊόντα	Εξαρτάται από τυχαίες διορθώσεις χρηστών
Τυπική αποκλίνουσα τιμή USDA	0-5%	15-25%
Μέγεθος βάσης δεδομένων (Nutrola)	1.8M+ επαληθευμένα αντικείμενα	Μεγαλύτερη αλλά αναξιόπιστη

Οι crowdsourced βάσεις δεδομένων είναι μεγαλύτερες σε αριθμό καταχωρίσεων, αλλά το μέγεθος χωρίς ακρίβεια είναι άχρηστο. Το να έχεις 50 καταχωρίσεις για "στήθος κοτόπουλου" όπου οι μισές είναι λάθος είναι χειρότερο από το να έχεις μία καταχώριση που είναι σωστή.

Πώς διασφαλίζει η Nutrola την Ακρίβεια;

Η Nutrola ακολουθεί μια πολυεπίπεδη προσέγγιση στην ποιότητα των δεδομένων που υπερβαίνει την απλή επαλήθευση.

Επαληθευμένη βάση δεδομένων 1.8 εκατομμυρίων+ αντικειμένων. Κάθε καταχώριση τροφίμου διασταυρώνεται με κυβερνητικές βάσεις δεδομένων διατροφής, δεδομένα ετικετών που παρέχονται από κατασκευαστές και εργαστηριακές αναλύσεις. Αυτό δεν είναι μια εφάπαξ έλεγχος — οι καταχωρίσεις αναθεωρούνται και ενημερώνονται τακτικά.

Αναγνώριση τροφίμων με AI. Η φωτογραφική σάρωση της Nutrola αναγνωρίζει τρόφιμα από μια φωτογραφία και αντλεί δεδομένα διατροφής από την επαληθευμένη βάση δεδομένων, όχι από μια εκτίμηση χρήστη. Αυτό σημαίνει ότι ακόμα και όταν χρησιμοποιείς τη γρηγορότερη μέθοδο καταγραφής, τα υποκείμενα δεδομένα είναι ακόμα ακριβή.

Σάρωση κωδικών μπαρ συνδεδεμένη με επαληθευμένα δεδομένα. Όταν σαρώσεις έναν κωδικό μπαρ στη Nutrola, το αποτέλεσμα προέρχεται από την επαληθευμένη βάση δεδομένων με ενημερωμένες πληροφορίες κατασκευαστή — όχι από μια τυχαία υποβολή χρήστη που έγινε πριν τρία χρόνια.

100+ θρεπτικά συστατικά ανά καταχώριση. Τα ολοκληρωμένα δεδομένα σημαίνουν ότι μπορείς να εμπιστεύεσαι όχι μόνο τον αριθμό θερμίδων αλλά και το πλήρες προφίλ μικροθρεπτικών συστατικών. Αυτό το επίπεδο λεπτομέρειας είναι δυνατό μόνο με επαληθευμένα, επαγγελματικά διατηρημένα δεδομένα.

Όλα αυτά είναι διαθέσιμα για 2,50 € το μήνα χωρίς διαφημίσεις — πράγμα που σημαίνει ότι το επιχειρηματικό μοντέλο της Nutrola είναι η συνδρομητική έσοδα, όχι η διαφήμιση, οπότε δεν υπάρχει κίνητρο να προτεραιοποιηθεί η εμπλοκή των χρηστών πάνω από την ποιότητα των δεδομένων.

Συμβουλές για να Αποκτήσεις τα Πιο Ακριβή Αποτελέσματα Παρακολούθησης

Ακόμα και με μια επαληθευμένη βάση δεδομένων, το πώς καταγράφεις έχει σημασία. Αυτές οι πρακτικές μεγιστοποιούν την ακρίβεια:

1. Ζύγιζε όταν έχει σημασία. Χρησιμοποίησε μια ζυγαριά τροφίμων για τρόφιμα με υψηλή περιεκτικότητα σε θερμίδες όπως έλαια, ξηρούς καρπούς, τυρί και φυστικοβούτυρο. Μια κουταλιά ελαιολάδου μπορεί να διαφέρει κατά 40 θερμίδες ανάλογα με το πώς τη ρίχνεις.

2. Καταχώρισε τη σωστή μέθοδο παρασκευής. Το μαγειρεμένο ρύζι έχει περίπου τη μισή θερμιδική αξία ανά γραμμάριο σε σύγκριση με το ξηρό ρύζι. Πάντα να ταιριάζεις την καταχώριση με τον τρόπο που πραγματικά προετοίμασες το φαγητό.

3. Χρησιμοποίησε συγκεκριμένες καταχωρίσεις αντί για γενικές. "Μπούτι κοτόπουλου με δέρμα" είναι πιο ακριβές από το "κοτόπουλο". Όσο πιο συγκεκριμένη είναι η επιλογή σου, τόσο καλύτερα τα δεδομένα.

4. Καταχώρισε καθώς τρως, όχι στο τέλος της ημέρας. Η μνήμη εισάγει τα δικά της σφάλματα. Η άμεση καταχώριση αφαιρεί την αβεβαιότητα.

5. Χρησιμοποίησε την AI φωτογραφική καταγραφή για ταχύτητα χωρίς να θυσιάσεις την ακρίβεια. Όταν δεν μπορείς να ζυγίσεις το φαγητό, η εκτίμηση φωτογραφίας της Nutrola αντλεί από την επαληθευμένη βάση δεδομένων, δίνοντάς σου μια γρηγορότερη καταγραφή που είναι ακόμα θεμελιωμένη σε ακριβή δεδομένα.

Κοινά Λάθη Κατά την Αξιολόγηση της Ακρίβειας του Καταγραφέα

Λάθος 1: Υποθέτοντας ότι το Πρώτο Αποτέλεσμα Αναζήτησης είναι Σωστό

Στις crowdsourced εφαρμογές, το πρώτο αποτέλεσμα είναι συνήθως το πιο δημοφιλές, όχι το πιο ακριβές. Η δημοτικότητα καθορίζεται από το πόσοι άνθρωποι επέλεξαν αυτή την καταχώριση, η οποία δεν έχει καμία συσχέτιση με την ποιότητα των δεδομένων.

Λάθος 2: Εμπιστευόμενος τις Θερμίδες Χωρίς Έλεγχο Μακροθρεπτικών

Μια καταχώριση μπορεί να δείχνει τις σωστές συνολικές θερμίδες αλλά να έχει εντελώς λάθους κατανομές μακροθρεπτικών. Αν ένα τρόφιμο δείχνει 200 θερμίδες αλλά αναφέρει 60g πρωτεΐνης, κάτι είναι προφανώς λάθος. Πάντα έλεγξε τα μακροθρεπτικά, όχι μόνο το σύνολο.

Λάθος 3: Αγνοώντας τις Διαφορές Μερίδας

Δύο καταχωρίσεις μπορεί να λένε και οι δύο "στήθος κοτόπουλου — 165 θερμίδες" αλλά η μία είναι ανά 100g και η άλλη ανά 4 oz (113g). Αυτή η διαφορά 13% στη μερίδα σημαίνει ότι καταγράφεις λάθος κάθε φορά που χρησιμοποιείς την καταχώριση.

Λάθος 4: Δοκιμάζοντας Μόνο Συσκευασμένα Τρόφιμα

Τα συσκευασμένα τρόφιμα με κωδικούς μπαρ τείνουν να είναι πιο ακριβή ακόμα και σε crowdsourced βάσεις δεδομένων επειδή τα δεδομένα ετικετών είναι τυποποιημένα. Η πραγματική δοκιμή ακρίβειας είναι με ολόκληρα τρόφιμα — φρούτα, λαχανικά, κρέατα, δημητριακά — όπου οι crowdsourced καταχωρίσεις δείχνουν τη μεγαλύτερη απόκλιση.

Εναλλακτικοί Τρόποι για Έλεγχο Ακρίβειας

Αν δεν θέλεις να εκτελέσεις τη πλήρη δοκιμή 10 τροφίμων USDA, εδώ είναι γρηγορότερες εναλλακτικές:

• Η τριπλή δοκιμή. Διάλεξε στήθος κοτόπουλου, ρύζι και μπανάνα. Αν όλα τρία είναι εντός 5% των τιμών USDA, η βάση δεδομένων είναι πιθανώς αξιόπιστη. Αν κάποιο είναι εκτός κατά περισσότερο από 15%, διερεύνησε περαιτέρω.
• Ο έλεγχος μαθηματικών μακροθρεπτικών. Για οποιαδήποτε καταχώριση, πολλαπλασίασε την πρωτεΐνη και τους υδατάνθρακες με 4 και τα λιπαρά με 9. Το άθροισμα θα πρέπει να ισούται περίπου με τις αναγραφόμενες θερμίδες (εντός 5-10 θερμίδων λόγω φυτικών ινών και στρογγυλοποίησης). Αν τα μαθηματικά δεν βγαίνουν, η καταχώριση είναι αναξιόπιστη.
• Η δοκιμή διπλών καταχωρίσεων. Ψάξε για 5 κοινά τρόφιμα και μέτρησε πόσες ξεχωριστές καταχωρίσεις εμφανίζονται για κάθε ένα. Περισσότερες από 3-4 καταχωρίσεις ανά τρόφιμο υποδηλώνουν έντονα μια crowdsourced βάση δεδομένων.

Συχνές Ερωτήσεις

Πόσο ακριβής πρέπει να είναι ο καταγραφέας θερμίδων μου για απώλεια βάρους;

Για γενική απώλεια βάρους, ένας καταγραφέας με ακρίβεια εντός 10% είναι λειτουργικός γιατί θα προσαρμόζεσαι με βάση τα πραγματικά αποτελέσματα με την πάροδο του χρόνου. Για συγκεκριμένους στόχους όπως η προετοιμασία για διαγωνισμούς ή η ιατρική διατροφική θεραπεία, χρειάζεσαι ακρίβεια κάτω από 5%, που απαιτεί επαληθευμένη βάση δεδομένων και συνεπή χρήση ζυγαριάς τροφίμων.

Μπορώ να κάνω έναν crowdsourced καταγραφέα πιο ακριβή επιλέγοντας πάντα τις ίδιες καταχωρίσεις;

Η συνέπεια βοηθά στην σχετική παρακολούθηση (συγκρίσεις από ημέρα σε ημέρα), αλλά αν οι καταχωρίσεις που διάλεξες είναι 20% λάθος από την πραγματικότητα, είσαι συνεχώς λάθος. Θα χρειαστεί να κάνεις μεγαλύτερες προσαρμογές στους στόχους σου για να αντισταθμίσεις το συστηματικό σφάλμα.

Πόσο συχνά πρέπει να ελέγχω την ακρίβεια του καταγραφέα θερμίδων μου;

Εκτέλεσε τη πλήρη δοκιμή USDA μία φορά όταν αρχίσεις να χρησιμοποιείς μια νέα εφαρμογή. Μετά από αυτό, κάνε τυχαίους ελέγχους κάθε φορά που παρατηρείς απροσδόκητα αποτελέσματα (βάρος που δεν αλλάζει παρά την συνεπή παρακολούθηση) ή όταν αλλάξεις σε καταγραφή διαφορετικών τύπων τροφίμων.

Χρησιμοποιεί η Nutrola άμεσα τη βάση δεδομένων USDA;

Η επαληθευμένη βάση δεδομένων 1.8 εκατομμυρίων+ αντικειμένων της Nutrola ενσωματώνει δεδομένα από πολλές κυβερνητικές βάσεις δεδομένων διατροφής, συμπεριλαμβανομένου του USDA FoodData Central, καθώς και δεδομένα ετικετών που παρέχονται από κατασκευαστές και ανεξάρτητες εργαστηριακές αναλύσεις. Κάθε καταχώριση διασταυρώνεται και επαληθεύεται από επαγγελματίες διατροφής πριν εμφανιστεί στην εφαρμογή.

Είναι μια μεγαλύτερη βάση δεδομένων τροφίμων πάντα καλύτερη;

Όχι. Μια βάση δεδομένων με 14 εκατομμύρια μη επαληθευμένες καταχωρίσεις είναι λιγότερο χρήσιμη από μια βάση δεδομένων με 1.8 εκατομμύρια επαληθευμένες καταχωρίσεις. Αυτό που έχει σημασία είναι ότι τα τρόφιμα που πραγματικά καταναλώνεις είναι παρόντα και ακριβή. Οι 1.8 εκατομμύρια επαληθευμένα αντικείμενα της Nutrola καλύπτουν σχεδόν κάθε τρόφιμο που θα συναντήσεις, συμπεριλαμβανομένων περιφερειακών και διεθνών προϊόντων σε 9 υποστηριζόμενες γλώσσες.