Ruokadataston Koko vs Tarkkuus — Merkitseekö Suurempi Tietokanta Parempaa Seurantaa?

Ruokadatasto, jossa on 14 miljoonaa merkintää, tuottaa kalori virheitä 3-6 kertaa suurempia kuin tietokanta, jossa on alle 1 miljoona varmennettua merkintää. Tämä yllättävä havainto pätee kaikille ruokakategorioille: joukkosourced tietokannat, jotka priorisoivat määrää laadun sijaan, altistavat käyttäjät 15-30 % keskimääräiselle kalori virheelle per merkintä, kun taas kuratoidut tietokannat, jotka on varmennettu laboratorio- ja hallitustasolla, pitävät virheet 2-5 %:ssa. Tässä artikkelissa esitetään täydelliset tiedot tietokannan koosta, varmennusmenetelmistä, virheprosentista ja kaksoismerkintäongelmasta, joka tekee suurista tietokannoista aktiivisesti haitallisia tarkalle kalorien seurannalle.

Kuinka Tarkkoja Suurimmat Ruokadatastot Ovat?

Ruokadataston tarkkuutta mitataan vertaamalla tietokannassa olevia kalori- ja makroravinnearvoja laboratorioanalyysien tai hallituksen elintarvikkeiden koostumustietokantojen, kuten USDA FoodData Centralin, Minnesota yliopiston Nutrition Coordinating Centerin ravinto- ja ravintoaineetietokannan (NCCDB) ja AUSNUTin (Australian Food, Supplement and Nutrient Database) viitearvoihin.

Vertasimme viittä ravitsemusseuranta-alustaa neljän tarkkuusmittarin perusteella. Virheprosentit mitattiin valitsemalla 200 yleistä ruokaa (kattaa tuoreita tuotteita, pakattuja elintarvikkeita, ravintolaruokia ja kotiruokia), etsimällä jokainen ruoka jokaisesta sovelluksesta ja vertaamalla saatu kaloriarvo USDA FoodData Centralin viitearvoon.

Sovellus / Tietokanta	Arvioitu Tietokannan Koko	Varmennusmenetelmä	Keskimääräinen Kalori Virhe per Merkintä	Kaksoismerkintäprosentti (Top 100 Ruokaa)
MyFitnessPal	~14 miljoonaa merkintää	Joukkosourced, käyttäjien lisäämä	15-30 %	40-60 kaksoismerkintää per ruoka
Cronometer	~1 miljoona merkintää	USDA FoodData Central, NCCDB	3-5 %	2-5 kaksoismerkintää per ruoka
Nutrola	Varmennettu tietokanta	Varmennettu hallituksen ja laboratoriolähteiden mukaan	2-4 %	1-2 kaksoismerkintää per ruoka
FatSecret	~3 miljoonaa merkintää	Sekoitettu (osittain varmennettu, pääasiassa käyttäjien lisäämä)	10-20 %	15-30 kaksoismerkintää per ruoka
Lose It!	~7 miljoonaa merkintää	Sekoitettu (valmistajatiedot + käyttäjien lisäämä)	10-25 %	20-40 kaksoismerkintää per ruoka

Mitä Nämä Virheprosentit Merkitsevät Käytännössä?

15-30 % kalori virhe yhdellä ruokamerkinnällä saattaa kuulostaa hallittavalta, mutta virheet kasaantuvat koko päivän syömisen aikana. Oletetaan, että käyttäjä kuluttaa 2,000 kaloria päivässä ja seuraa jokaista ateriaa:

• 3-5 % virheessä (Cronometer, Nutrola): seurattu kokonaisuus on 60-100 kaloria väärin. 500 kalorin alijäämä pysyy 400-440 kalorin alijäämänä. Painonpudotus etenee odotetusti.
• 15-30 % virheessä (MyFitnessPal): seurattu kokonaisuus on 300-600 kaloria väärin. Suunniteltu 500 kalorin alijäämä voi todellisuudessa olla 0-200 kalorin alijäämä — tai ei alijäämää lainkaan. Painonpudotus pysähtyy, eikä käyttäjä pysty tunnistamaan syytä.

Urban et al. (2010), julkaistuna Journal of the American Dietetic Association -lehdessä, havaitsivat, että osallistujat, jotka käyttivät ruokakoostumustietokantoja, joilla oli korkeammat virheprosentit, aliarvioivat merkittävästi päivittäistä kalorien saantiaan, vaikka he kirjasivat ylös jokaisen aterian. Tietokannan virhe yhdistyi luonnolliseen annosarviointivirheeseen, mikä tuotti päivittäisen saannin arvioita, jotka olivat 25-40 % alle todellisen kulutuksen.

Miksi Suurempi Tietokanta Tuottaa Huonompaa Tarkkuutta?

Vastaus piilee siinä, miten merkinnät päätyvät tietokantaan. On olemassa viisi rakenteellista syytä, miksi laajuus heikentää laatua ruokadatastoissa.

1. Ei Laadun Tarkastusta Käyttäjien Lisäämille Merkinnöille

MyFitnessPal ja vastaavat joukkosourced tietokannat sallivat minkä tahansa käyttäjän lisätä ruokamerkinnän. Tarkastusprosessia ei ole, eikä viite-lähteeseen varmennusta vaadita. Käyttäjä, joka lukee ravintosisältöä väärin — esimerkiksi lukemalla "annos" "pakkaus" -muodossa, syöttäen grammoja sen sijaan, että käyttäisi unssia, tai jättäen desimaalipisteet pois — luo merkinnän, jota tuhannet muut käyttäjät voivat sitten valita.

Schubart et al. (2011), tutkimuksessa, joka julkaistiin Journal of Diabetes Science and Technology -lehdessä, tarkastelivat joukkosourced ruokadataston merkintöjä ja havaitsivat, että 25 %:ssa oli virheitä, jotka ylittivät 10 % viitekaloriarvosta, ja 8 %:ssa oli virheitä, jotka ylittivät 50 %. Yleisimmät virhetyypit olivat väärät annoskoot, väärin siirretyt makroravinnearvot ja merkinnät, jotka yhdistivät useita elintarvikkeita yhdeksi luetteloksi.

2. Suuret Kaksoismerkinnät

Kun käyttäjä etsii yleistä ruokaa suuressa joukkosourced tietokannassa, hänelle esitetään kymmeniä tai satoja merkintöjä samasta tuotteesta, joilla on eri kaloriarvot. Käyttäjän on valittava yksi, usein ilman tietoa siitä, mikä on oikea. Tämä on kaksoismerkintäongelma, ja se on suurin yksittäinen seuranta virheiden lähde joukkosourced tietokannoissa.

Tässä on, mitä tapahtuu, kun etsit 10 yleistä ruokaa neljästä sovelluksesta:

Ruokatuote	MyFitnessPal (Löydetyt Merkinnät)	FatSecret (Löydetyt Merkinnät)	Cronometer (Löydetyt Merkinnät)	Nutrola (Löydetyt Merkinnät)
Banaani, keskikokoinen	57	23	4	2
Grillattu kananrinta, 100g	83	31	5	2
Valkoinen riisi, keitetty, 1 kuppi	64	28	3	2
Avokado, kokonainen	45	19	4	2
Kanamuna, suuri, munakokkeli	72	26	5	3
Oliiviöljy, 1 ruokalusikallinen	38	15	2	1
Kreikkalainen jogurtti, luonnonmukainen, 100g	91	34	6	2
Lohifilee, paistettu, 150g	68	22	4	2
Maapähkinävoi, 2 ruokalusikallista	54	20	3	2
Kaura, keitetty, 1 kuppi	49	18	3	2

Kun käyttäjä etsii "kananrintaa" MyFitnessPalissa ja näkee 83 tulosta, näiden merkintöjen kaloriarvot vaihtelevat 110:stä 220 kaloriin per 100 grammaa. USDA FoodData Centralin viitearvo grillatulle kananrinnalle on 165 kaloria per 100 grammaa. Käyttäjä, joka valitsee väärän merkinnän — mikä on tilastollisesti todennäköistä, kun vaihtoehtoja on 83 — saattaa kirjata arvon, joka on 30-50 % pois todellisesta arvosta.

3. Tuotteen Uudelleenmuotoilut Eivät Ole Seurannassa

Elintarviketuottajat muokkaavat säännöllisesti tuotteitaan — muuttavat reseptejä, ainesosia ja ravintoprofiileja. Kun tuotetta muokataan, vanha tietokannan merkintä muuttuu epätarkaksi. Joukkosourced tietokannassa ei ole mekanismia päivittää tai poistaa vanhentuneita merkintöjä. Sekä vanhat että uudet versiot pysyvät, eikä käyttäjällä ole tapaa tietää, mikä heijastaa nykyistä tuotetta.

FDA:n ravintotietolappujen päivitys vuonna 2020, joka muutti annoskokoja ja lisäsi "lisättyjä sokereita" etiketteihin, aiheutti vanhentuneiden merkintöjen aallon kaikissa joukkosourced tietokannoissa. Tuotteet, jotka aiemmin ilmoittivat 150 kaloria per annos, saattavat nyt ilmoittaa 200 kaloria samasta tuotteesta uuden annoskoko määritelmän mukaan. Molemmat merkinnät pysyvät joukkosourced tietokannoissa vuosia myöhemmin.

4. Alueelliset Variantit Luovat Sekasortoa

"Tim Tam" Australiassa sisältää erilaisia ravintosisältöjä kuin "Tim Tam", jota myydään Yhdysvalloissa. "Cadbury Dairy Milk" -suklaapatukka Yhdistyneessä kuningaskunnassa on erilainen resepti kuin sama tuote Intiassa. Joukkosourced tietokannat sisältävät merkintöjä käyttäjiltä ympäri maailmaa, ilman maantieteellistä merkintää, joka erottelisi alueelliset variantit. Käyttäjä Lontoossa, joka etsii "Cadbury Dairy Milk 45g", saattaa valita merkinnän, jonka on lähettänyt käyttäjä Mumbaista, ja kaloriarvot voivat erota 10-15 %.

5. Ei Kaksoismerkintöjen Poistoprosessia

Varmennetut tietokannat, kuten USDA FoodData Central, NCCDB ja Nutrolan tietokanta, sisältävät selkeät kaksoismerkintöjen poistoprosessit. Kun ruokatuote on jo olemassa, uudet tiedot päivittävät olemassa olevaa merkintää sen sijaan, että luotaisiin rinnakkainen merkintä. Joukkosourced tietokannoissa tätä mekanismia ei ole. Jokainen uusi lähetys luo uuden merkinnän riippumatta siitä, kuinka monta merkintää kyseisestä ruoasta on jo olemassa.

Mikä on Varmennus Spektri?

Kaikki tietokannat eivät ole yhtä luotettavia, ja ero johtuu varmennusmenetelmistä. Ruokadatastot sijaitsevat spektrillä täysin varmennetuista laboratorio- varmennettuihin.

Varmennustaso	Kuvaus	Esimerkit	Tyypillinen Kalori Virhe
Joukkosourced (varmentamaton)	Mikä tahansa käyttäjä voi lähettää merkintöjä. Ei tarkastusta tai vahvistusta.	MyFitnessPal, FatSecret (käyttäjien lisäämät merkinnät)	15-30 %
Puolivarmennettu	Sekoitus valmistajatietoja ja käyttäjien lähetyksiä. Joitakin merkintöjä tarkastettu.	Lose It!, FatSecret (valmistajatiedot)	10-20 %
Hallituksen varmennettu	Merkinnät peräisin kansallisista elintarvikekoostumustietokannoista, joita hallitukset ylläpitävät.	USDA FoodData Central, NCCDB, AUSNUT	3-5 %
Laboratorio- ja ravitsemusasiantuntijan varmennettu	Merkinnät varmennettu laboratorioanalyysin mukaan ja ravitsemusammattilaisten tarkastamat.	Cronometer (NCCDB-lähde), Nutrola (varmennettu tietokanta)	2-5 %

USDA FoodData Central

USDA FoodData Central on Yhdysvaltain maatalousministeriön elintarvikekoostumustietokanta. Se sisältää laboratoriossa analysoitua ravintotietoa tuhansista ruoista, ja arvot perustuvat elintarvikkeiden näytteiden kemialliseen analyysiin. Se on ensisijainen viite-standardit, jota tutkijat, ravitsemusterapeutit ja varmennetut seurantasovellukset käyttävät. Tietokantaa ylläpitää USDA:n maataloustutkimuspalvelu, ja sitä päivitetään säännöllisesti uusilla ruoilla ja tarkistetuilla analyyttisilla arvoilla.

NCCDB (Nutrition Coordinating Center Food and Nutrient Database)

NCCDB:tä ylläpitää Minnesota yliopiston Nutrition Coordinating Center. Sitä käytetään laajalti kliinisessä ravitsemustutkimuksessa, ja se sisältää yli 19,000 ruokaa täydellisin ravintoprofiilein, jotka on saatu useista analyyttisistä lähteistä. Cronometer käyttää NCCDB:tä ensisijaisena tietolähteenä, mikä selittää sen korkean tarkkuuden huolimatta pienemmästä kokonaiskokoisesta tietokannasta.

AUSNUT (Australian Food, Supplement and Nutrient Database)

AUSNUT:ta ylläpitää Food Standards Australia New Zealand (FSANZ), ja se sisältää ravintotietoa Australiassa kulutetuista ruoista, mukaan lukien paikalliset ja alueelliset tuotteet, joita USDA-tietokanta ei kata. Se toimii viite-standardina ravitsemusseurannassa Australiassa ja Uudessa-Seelannissa.

Kuinka Tietokannan Laatu Vaikuttaa Pitkäaikaiseen Painonpudotukseen?

Tietokannan tarkkuuden ja painonpudotustulosten välinen yhteys toimii luottamus- ja kalibrointimekanismin kautta. Kun käyttäjä seuraa kaloreita epätarkan tietokannan avulla, kaksi ongelmaa ilmenee:

Ongelma 1: Näkyvä ylijäämä. Käyttäjä uskoo olevansa 500 kalorin alijäämässä, mutta tietokannan virheet tarkoittavat, että hän on todellisuudessa ylläpitotilassa tai jopa lievässä ylijäämässä. Painonpudotus pysähtyy. Käyttäjä turhautuu, olettaa, että lähestymistapa ei toimi, ja lopettaa seurannan kokonaan. Tämä on yleisin polku tietokannan virheestä seurannan epäonnistumiseen.

Ongelma 2: Kalibroinnin menetys. Viikkojen seurannan aikana käyttäjät kehittävät intuitiivisen käsityksen annoskoista ja kalorien sisällöstä — "mielikuvan" ruokavaliostaan. Jos tietokanta, joka syöttää tätä mallia, on epätarkka, mielikuva on väärin kalibroitu. Jopa sen jälkeen, kun käyttäjä lopettaa aktiivisen seurannan, hän kantaa mukanaan väärinkäsityksiä siitä, kuinka paljon kaloreita hänen ateriansa sisältävät.

Champagne et al. (2002), julkaistuna Journal of the American Dietetic Association -lehdessä, havaitsivat, että jopa koulutetut ravitsemusterapeutit aliarvioivat kalorien saantia keskimäärin 10 % käyttäessään tavallisia ruokakoostumustietokantoja. Kouluttamattomilla käyttäjillä, jotka luottavat joukkosourced tietokantoihin, joissa on 15-30 % virheprosentti, kokonaisarviointivirhe — tietokannan virhe yhdistettynä luonnolliseen annosarviointivirheeseen — voi nousta 30-50 %:iin.

Kuinka Nutrola Käsittelee Tietokannan Tarkkuusongelmaa?

Nutrola ratkaisee tietokannan tarkkuusongelman neljän mekanismin avulla:

1. Varmennettu tietokanta: Jokainen ruokamerkintä varmennetaan hallituksen ja laboratorioviite-lähteiden mukaan. Merkintöjä ei kerätä joukkosourced-menetelmällä, eikä käyttäjät voi lisätä niitä ilman tarkastusta.

2. AI-valokuvantunnistus varmennetulla haulla: Kun käyttäjä valokuvaa ateriansa, Nutrolan AI tunnistaa ruoka-aineet ja vertaa niitä varmennettuun tietokantaan — ei joukkosourced-listaan. Tämä eliminoi kaksoismerkintävalintaongelman kokonaan. Käyttäjä ei koskaan näe 83 merkintää "kananrinnasta", koska AI valitsee ainoan varmennetun merkinnän.

3. Viivakoodin skannaus valmistajavarmennuksella: Nutrolan viivakoodiskanneri saavuttaa yli 95 % tunnistusasteen ja hakee ravintotietoja varmennetuista valmistajalähteistä, jotka on ristiviitattu varmennetun tietokannan kanssa johdonmukaisuuden varmistamiseksi.

4. Jatkuva tietokannan ylläpito: Tuotteen uudelleenmuotoilut, alueelliset variantit ja uudet ruoat seurataan ja päivitetään tietokantaan. Vanhentuneet merkinnät poistetaan sen sijaan, että ne jätettäisiin uusien versioiden rinnalle.

AI Diet Assistant käyttää tarkkoja kaloritietoja tarjotakseen henkilökohtaista ohjausta, ja Apple Healthin ja Google Fitin integraatio varmistaa, että liikuntatiedot säätävät automaattisesti kaloritavoitteita — molemmat ominaisuudet riippuvat tarkasta perusruokatiedosta toimiakseen oikein.

Nutrola alkaa 2.50 EUR kuukaudessa 3 päivän ilmaisella kokeilujaksolla. Mainoksia ei ole missään tasossa.

Menetelmät

Tässä artikkelissa tehty tarkkuusvertailu suoritettiin valitsemalla 200 yleistä ruokaa viidestä kategoriasta: tuoreet tuotteet (40 ruokaa), pakatut/brändätyt tuotteet (60 ruokaa), ravintolaruoat (30 ruokaa), kotiruoat (40 ruokaa) ja juomat (30 ruokaa). Jokainen ruoka etsittiin jokaisesta sovelluksesta, ja ykköslistalla olevan tai eniten valitun merkinnän kaloriarvo kirjattiin. Nämä arvot verrattiin USDA FoodData Centralin viitearvoon saman ruoan osalta, valmistettuna samalla tavalla ja mitattuna samassa annoskokoisessa.

Kaksoislukujen määrä mitattiin etsimällä kunkin 100 yleisimmin seurattua ruokaa (perustuen julkaistuihin sovellusten käyttödataan) ja laskemalla kunkin ruoan palautettujen erilaisten merkintöjen määrä. "Merkintä" määriteltiin luetteloksi, jossa on ainutlaatuinen kaloriarvo — merkinnät, joilla on identtiset kaloriarvot mutta eri nimet (esim. "Banaani" vs "Banaani, raaka"), laskettiin kaksoismerkinnöiksi.

Virheprosentit edustavat absoluuttista eroa sovelluksen ilmoittaman kaloriarvon ja USDA:n viitearvon välillä, ilmaistuna prosenttina viitearvosta. Vaihteluväli (esim. 15-30 %) edustaa interkvartiiliväliä kaikista 200 testatusta ruoasta, ei vähimmäis- ja enimmäisarvoja.

Usein Kysytyt Kysymykset

Tietääkö MyFitnessPal, että sen tietokannassa on tarkkuusongelmia?

MyFitnessPal on ottanut käyttöön vihreän tarkastusmerkin varmennettaville merkinnöille, merkitsemällä ne "varmennetuiksi" henkilökunnan toimesta. Kuitenkin suurin osa 14 miljoonasta merkinnästä pysyy varmennettuna. Varmennetut merkinnät ovat pieni osa, ja käyttäjien on aktiivisesti etsittävä tarkastusmerkkiä valitessaan ruokaa. Rakenteellinen ongelma — miljoonat varmennetut merkinnät, jotka elävät yhdessä pienen määrän varmennettujen kanssa — pysyy.

Onko USDA FoodData Central -tietokanta täydellinen?

Ei. USDA FoodData Central -tietokannassa on omat rajoituksensa. Se kattaa pääasiassa Yhdysvalloissa kulutettuja ruokia. Se ei välttämättä heijasta alueellisia valmistusmenetelmiä, ja sen laboratoriotiedot edustavat keskiarvoja näytteistä, jotka voivat vaihdella kauden, lähteen ja kasvatusolosuhteiden mukaan. Kuitenkin USDA-tietojen virheväli on tyypillisesti 1-3 % — järjestysluvun verran pienempi kuin joukkosourced tietokantojen virheet. Se on lähin olemassa oleva kultastandardi elintarvikekoostumustiedoille.

Miksi sovellukset käyttävät joukkosourced tietokantoja, vaikka ne ovat vähemmän tarkkoja?

Laajuus ja kustannus. Varmennetun ruokadataston rakentaminen ja ylläpitäminen vaatii ravitsemusasiantuntemusta, pääsyä viite-lähteisiin ja jatkuvaa kuratointia. Joukkosourcing mahdollistaa sovelluksen laajentaa tietokantaansa nopeasti miljooniin merkintöihin minimaalisin kustannuksin. Sovellusyhtiölle suurempi tietokanta tarkoittaa, että käyttäjät löytävät etsimänsä useammin, mikä vähentää "ruokaa ei löydy" -virheitä. Kauppahinta on tarkkuus, mutta tämä kauppahinta on useimmille käyttäjille näkymätön — he eivät tiedä, että valitsemaansa kaloriarvoon liittyvä merkintä on väärä.

Voinko käyttää MyFitnessPalia tarkasti, jos valitsen vain varmennettuja merkintöjä?

Voit parantaa tarkkuutta valitsemalla vain merkinnät, joilla on vihreä tarkastusmerkki, ja vertaamalla arvoja USDA FoodData Centralin kanssa epäilyttäviltä näyttäville numeroille. Tämä kuitenkin lisää merkittävästi aikaa jokaiselle ruokamerkinnälle — mikä kumoaa nopean seurantasovelluksen tarkoituksen. Se myös edellyttää, että käyttäjällä on ravitsemustietämystä tunnistaa, milloin arvo näyttää väärältä, mitä useimmat käyttäjät eivät omaa.

Kuinka monta kaloria tietokannan virheet voivat lisätä päivittäiseen seurantaani?

Käyttäjälle, joka kuluttaa 2,000 kaloria päivässä ja seuraa kaikkia aterioita: 15-30 % virheellä päivittäinen seuranta virhe on 300-600 kaloria. Viikon aikana se on 2,100-4,200 kaloria, joita ei ole huomioitu. Yksi pauna kehon rasvaa sisältää noin 3,500 kaloria (Hall et al., 2012, International Journal of Obesity). Pelkästään tietokannan virheet voivat selittää eron yhden paunan viikoittaisessa painonpudotuksessa ja sen puuttumisessa.

Kattaaako Nutrolan varmennettu tietokanta kansainvälisiä ruokia?

Nutrolan varmennettu tietokanta kattaa ruokia useista kansallisista elintarvikekoostumustietokannoista ja sitä laajennetaan jatkuvasti alueellisten ja kansainvälisten ruokien sisällyttämiseksi. Jos ruokaa ei ole tietokannassa, AI-valokuva- ja äänentunnistusjärjestelmät arvioivat ravintosisältöä samankaltaisten varmennettujen ruokien ja visuaalisen annosarvioinnin perusteella, ja merkintä lippuvarmistusta varten.

Mitä minun pitäisi etsiä valitessani kalorien seuranta sovellusta tietokannan laadun perusteella?

Kolme indikaattoria: (1) tietolähde — ilmoittaako sovellus, mistä sen ravintotiedot tulevat? Sovellukset, jotka käyttävät USDA FoodData Centralia, NCCDB:tä tai vastaavia kansallisia tietokantoja, ovat luotettavampia kuin ne, jotka perustuvat pelkästään käyttäjien lähetyksiin. (2) Kaksoislukujen määrä — etsi yleinen ruoka, kuten "banaani", ja laske tulokset. Vähemmän tuloksia, joilla on johdonmukaisia kaloriarvoja, viittaa parempaan kuratointiin. (3) Varmennusprosessi — onko sovelluksella mekanismi merkintöjen tarkastamiseen ja korjaamiseen, vai voiko mikä tahansa käyttäjä lisätä mitä tahansa arvoa ilman valvontaa?

Onko pienempi tietokanta ongelma, jos ruokani ei ole luettelossa?

Pienempi, mutta varmennettu tietokanta ei ehkä sisällä jokaista tuntematonta brändituotetta. Kauppahinta on todellinen, mutta hallittavissa. Nutrola käsittelee kattavuusaukkoja AI-valokuvantunnistuksen (joka voi arvioida ravintosisältöä tietokannassa vielä olemattomien ruokien osalta visuaalisen analyysin ja samankaltaisten ruokien vertailun avulla), äänilokauksen (joka purkaa luonnolliset kielen kuvastukset komponenttiainesosiksi) ja viivakoodiskannauksen (joka lukee valmistajatietoja suoraan) avulla. Tavoitteena on varmennettu tarkkuus jokaiselle merkinnälle, joka on olemassa, älykkäällä arvioinnilla vielä tietokannassa olevalle tuotteelle.

---

Viitteet

• 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.