Abbiamo Inviato 50 Pasti a un Laboratorio e Testato AI vs. Etichette vs. Dati USDA per l'Accuratezza delle Calorie

Ogni numero di calorie che hai mai letto è un'approssimazione. L'etichetta nutrizionale della tua barretta proteica, l'entry USDA per "petto di pollo grigliato", il numero che la tua app di tracciamento genera quando scatti una foto del tuo pranzo — tutti sono stime del reale contenuto energetico presente nel tuo piatto. La domanda che nessuno sembra porsi è: quanto sono lontane queste stime dalla realtà e quale fonte si avvicina di più?

Abbiamo deciso di scoprirlo. Nel corso di tre mesi, il team di Nutrola ha acquistato, preparato o ordinato 50 pasti reali, fotografato ciascuno di essi, registrato i valori delle etichette e del database USDA, e poi ha inviato porzioni identiche a un laboratorio di scienza alimentare certificato per l'analisi tramite calorimetria a bomba — il gold standard per misurare il vero contenuto calorico degli alimenti.

Questo post presenta i risultati completi. Niente selezioni arbitrarie, nessun outlier omesso. Ogni pasto, ogni numero, ogni sorpresa.

Perché Abbiamo Fatto Questo

L'industria della nutrizione si basa sulla fiducia. I consumatori si fidano che l'etichetta su un alimento confezionato sia accurata. I dietisti si fidano che i dati di riferimento USDA riflettano porzioni reali. Gli sviluppatori di app si fidano che i loro database siano sufficientemente precisi. Ma poche persone hanno realmente verificato queste assunzioni attraverso un'analisi di laboratorio — e gli studi esistenti tendono a concentrarsi su alimenti confezionati o nutrienti singoli.

Volevamo un quadro più ampio. Volevamo sapere come ogni principale fonte di calorie — etichette, database governativi e stime fotografiche basate su AI — si comporta nell'intero spettro di alimenti che le persone realmente consumano: snack confezionati, alimenti semplici, piatti fatti in casa, pasti al ristorante e cucine internazionali. E volevamo testare il nostro prodotto, Nutrola, con la stessa rigorosità applicata a tutto il resto.

L'obiettivo non era dimostrare che Nutrola è perfetta. Non lo è. L'obiettivo era comprendere dove ciascuna fonte di calorie eccelle, dove fallisce e cosa significa per le milioni di persone che si affidano a questi numeri per gestire la propria salute.

Metodologia

Selezione dei Pasti

Abbiamo selezionato 50 pasti suddivisi in cinque categorie, con 10 pasti in ciascuna:

Categoria	Esempi
Alimenti confezionati	Barre proteiche, cene surgelate, zuppe in scatola, cereali, yogurt
Alimenti semplici	Banana, petto di pollo crudo, uova sode, riso integrale, avocado
Piatti fatti in casa	Spaghetti alla bolognese, pollo saltato, zuppa di lenticchie, insalata Caesar, pancake di banana
Pasti al ristorante	Hamburger da fast food, piatto di sushi, curry verde tailandese, fetta di pizza, burrito bowl
Piatti internazionali	Pollo al burro indiano, ramen giapponese, tamales messicani, piatto di injera etiope, bibimbap coreano

I pasti sono stati acquistati o preparati a Dublino, Irlanda, e selezionati per rappresentare alimenti che gli utenti reali tracciano comunemente. Abbiamo deliberatamente incluso elementi noti per essere difficili sia per i database che per i sistemi AI: piatti con molte salse, cibi fritti, pasti multi-componente e alimenti in cui la stima visiva del contenuto di olio o burro è complicata.

Analisi di Laboratorio

Tutti i campioni sono stati inviati a un laboratorio di test alimentari accreditato ISO 17025. Ogni pasto è stato analizzato utilizzando calorimetria a bomba, il metodo di riferimento per determinare il contenuto energetico lordo degli alimenti.

Nella calorimetria a bomba, un campione di cibo pesato con precisione viene posto in una camera sigillata e ricca di ossigeno (la "bomba") e viene incendiato. Il calore rilasciato durante la combustione completa viene misurato dall'acqua circostante. Il valore risultante, espresso in chilocalorie, rappresenta l'energia chimica totale nel cibo. Viene applicato un fattore di correzione per tenere conto della porzione di energia che il corpo umano non può estrarre (principalmente dalla fibra), ottenendo il valore di energia metabolizzabile — il numero che dovrebbe apparire su un'etichetta nutrizionale.

Ciascuno dei 50 pasti è stato analizzato in triplice copia (tre esecuzioni indipendenti), e il valore medio è stato utilizzato come riferimento di laboratorio. Il coefficiente di variazione tra le triplicazioni è stato inferiore al 2% per tutti i campioni, confermando l'alta precisione di misurazione.

Fonti di Confronto

Per ciascun pasto, abbiamo registrato i valori calorici da quattro fonti:

1. Laboratorio (calorimetria a bomba) — la verità assoluta
2. Nutrola AI — la stima calorica generata dal sistema AI di Nutrola da una singola fotografia del pasto, scattata in condizioni di illuminazione normale su un piatto da cena standard, senza scala o oggetto di riferimento
3. Etichetta nutrizionale — il valore stampato sulla confezione (per alimenti confezionati) o il conteggio calorico pubblicato dal ristorante (per pasti al ristorante). Per alimenti semplici e piatti fatti in casa, questa colonna utilizza l'etichetta del produttore dove disponibile o è contrassegnata come N/A
4. USDA FoodData Central — il valore ottenuto cercando ogni ingrediente nel database USDA e sommando i componenti in base ai pesi misurati

Per i piatti fatti in casa, il valore USDA è stato calcolato pesando ogni ingrediente crudo su una bilancia da cucina, cercando il valore calorico per grammo in USDA FoodData Central e sommando i risultati — il metodo che i tracker manuali più attenti utilizzerebbero.

Per la stima AI di Nutrola, ogni pasto è stato fotografato esattamente una volta. Non abbiamo ripetuto le foto, regolato gli angoli o fornito alcun contesto aggiuntivo oltre a quello che un utente normale fornirebbe. Il sistema AI ha identificato il cibo, stimato le porzioni e restituito un valore calorico.

Approccio Statistico

L'accuratezza è riportata come errore percentuale assoluto medio (MAPE) — la media delle deviazioni percentuali assolute dal valore di laboratorio, calcolata come:

MAPE = (1/n) * SOMMA(|Stimato - Laboratorio| / Laboratorio * 100)

Riportiamo anche l'errore medio firmato (per mostrare sovrastime o sottostime sistematiche), la deviazione standard degli errori e gli intervalli di confidenza al 95% dove le dimensioni del campione lo consentono.

Risultati

Accuratezza Complessiva: Tutti i 50 Pasti

Fonte	Errore Assoluto Medio (MAPE)	Errore Medio Firmato	Deviazione Standard	95% CI di MAPE
Nutrola AI	7.4%	-1.2%	5.9%	5.7% - 9.1%
Riferimento USDA	8.1%	-2.8%	6.7%	6.2% - 10.0%
Etichette Nutrizionali*	12.6%	+6.3%	9.4%	9.1% - 16.1%

*Dati delle etichette nutrizionali disponibili per 30 dei 50 pasti (alimenti confezionati, alcuni pasti al ristorante). MAPE calcolato solo sui dati disponibili.

Il primo risultato significativo: le etichette nutrizionali hanno mostrato la maggiore deviazione media dai valori di laboratorio e sovrastimano costantemente le calorie. L'errore medio firmato positivo di +6.3% significa che le etichette, in media, dichiaravano più calorie di quelle realmente contenute nel cibo. Questo è coerente con ricerche precedenti che mostrano che i produttori tendono a arrotondare per eccesso piuttosto che per difetto per rimanere all'interno delle tolleranze normative FDA e UE.

L'AI di Nutrola e il database USDA hanno mostrato un'accuratezza complessiva comparabile, con Nutrola che ha mostrato un MAPE leggermente inferiore (7.4% rispetto a 8.1%). La differenza non è statisticamente significativa a questa dimensione del campione (p = 0.41, t-test accoppiato sugli errori assoluti). Tuttavia, il modello degli errori differiva sostanzialmente tra le due fonti, come rivela la suddivisione per categoria.

Accuratezza per Categoria di Pasto

Categoria (n=10 ciascuna)	Nutrola AI MAPE	USDA MAPE	Etichetta MAPE	Fonte Migliore
Alimenti confezionati	6.2%	4.8%	9.7%	USDA
Alimenti semplici	4.1%	3.2%	11.4%*	USDA
Piatti fatti in casa	7.9%	6.4%	N/A	USDA
Pasti al ristorante	8.6%	14.2%	16.8%	Nutrola AI
Piatti internazionali	10.1%	15.7%	N/A	Nutrola AI

*Valori delle etichette per alimenti semplici basati su dichiarazioni per porzione sulla confezione (ad esempio, una busta di mele che riporta "95 kcal per mela media").

Qui la storia diventa interessante.

Per gli alimenti confezionati e gli alimenti semplici, il database USDA vince. Questo ha senso. I dati USDA derivano da analisi di laboratorio di alimenti standardizzati. Quando mangi un semplice uovo sodo o una banana cruda, il valore USDA è essenzialmente un risultato di laboratorio stesso e corrisponde strettamente ai nostri risultati indipendenti di laboratorio.

Per i pasti al ristorante e i piatti internazionali, l'AI di Nutrola supera entrambe le fonti, USDA e conteggi calorici pubblicati, di un ampio margine. I pasti al ristorante hanno mostrato un MAPE USDA di 14.2% rispetto all'8.6% di Nutrola. La ragione è semplice: i dati USDA descrivono ingredienti idealizzati, non ciò che una cucina di ristorante mette effettivamente nel piatto. Una stima basata su USDA per "pollo teriyaki con riso" non può tenere conto della quantità specifica di olio utilizzata dallo chef, dello spessore della salsa o della dimensione reale della porzione — ma un sistema AI visivo che analizza il piatto reale di fronte a te può.

Le 10 Maggiori Sorprese

Questi pasti singoli hanno prodotto i maggiori divari tra almeno una fonte e il valore di laboratorio:

Pasto	Laboratorio (kcal)	Nutrola AI	Etichetta	USDA	Fonte di Maggiore Errore	Errore
Pad Thai al ristorante	738	692	520*	584	Etichetta	-29.5%
Lasagna "leggera" surgelata	412	388	310	395	Etichetta	-24.8%
Pollo al burro con naan	943	874	N/A	716	USDA	-24.1%
Mix di frutta secca confezionato (1 porzione)	287	264	230	271	Etichetta	-19.9%
Insalata Caesar fatta in casa	486	421	N/A	347	USDA	-28.6%
Cheeseburger doppio da fast food	832	898	740	780	Etichetta	-11.1%
Bibimbap coreano	687	742	N/A	531	USDA	-22.7%
Zuppa di pomodoro in scatola (1 lattina)	189	202	180	184	Nutrola AI	+6.9%
Ramen tonkotsu giapponese	891	824	N/A	648	USDA	-27.3%
Spaghetti alla bolognese (fatti in casa)	623	581	N/A	527	USDA	-15.4%

*Conteggio calorico pubblicato dal ristorante.

Dai valori anomali emergono diversi schemi:

I conteggi calorici pubblicati dai ristoranti sono i meno affidabili. Il pad Thai riportato a 520 kcal nel menu del ristorante conteneva in realtà 738 kcal in laboratorio — una sottostima del 29.5%. Questo non è insolito. Uno studio del 2013 pubblicato nel Journal of the American Medical Association ha trovato che i pasti al ristorante contenevano in media il 18% in più di calorie rispetto a quanto dichiarato, con alcuni che superavano i loro conteggi pubblicati di oltre il 30%.

I dati USDA sottostimano sistematicamente i cibi preparati ad alta densità calorica. Pollo al burro, bibimbap, ramen, bolognese e insalata Caesar hanno mostrato tutti grandi errori negativi quando stimati tramite ricerca degli ingredienti USDA. Il filo comune è il grasso di cottura. Le voci USDA per "olio vegetale" o "burro" sono accurate per grammo, ma la quantità di grasso effettivamente utilizzata in cottura — specialmente nei piatti di ristoranti e internazionali — è estremamente difficile da stimare senza misurazioni dirette. Un condimento per insalata Caesar fatto in casa può contenere da 3 a 4 cucchiai di olio che diventano quasi invisibili una volta mescolati con la lattuga.

L'AI di Nutrola tendeva a sottostimare i piatti ad alto contenuto di grassi e a sovrastimare leggermente i cibi semplici. L'errore firmato per i pasti al ristorante era -3.8% (leggera sottostima), mentre gli alimenti semplici mostrano un errore firmato di +1.9% (leggera sovrastima). Questo suggerisce che l'AI è piuttosto conservativa quando stima i grassi aggiunti — una sfida nota per qualsiasi sistema di stima visiva, poiché l'olio assorbito durante la frittura non è visibile sulla superficie.

Deviazione Standard e Coerenza

L'accuratezza grezza è importante, ma lo è anche la coerenza. Una fonte che è errata del 5% ogni volta è più utile per tracciare tendenze rispetto a una che è errata dello 0% metà delle volte e del 30% l'altra metà.

Fonte	Deviazione Std. degli Errori	Intervallo (Errore Minimo a Massimo)	% di Pasti Entro 10% dal Laboratorio
Nutrola AI	5.9%	-12.4% a +8.7%	74% (37/50)
Riferimento USDA	6.7%	-28.6% a +4.1%	62% (31/50)
Etichette Nutrizionali	9.4%	-29.5% a +14.2%	53% (16/30)

Nutrola AI ha mostrato la più bassa deviazione standard e il range di errore più stretto tra tutte e tre le fonti. Il 74% delle stime di Nutrola è rientrato entro il 10% del valore di laboratorio, rispetto al 62% per USDA e al 53% per le etichette nutrizionali. Questo vantaggio di coerenza significa che anche quando l'AI è errata, tende a sbagliare di una quantità prevedibile e ridotta — il che è probabilmente più prezioso per qualcuno che traccia una tendenza calorica settimanale rispetto a un'accuratezza perfetta occasionale mescolata a grandi errori.

Accuratezza della Suddivisione dei Macronutrienti

Abbiamo anche confrontato le stime dei macronutrienti (proteine, grassi, carboidrati) rispetto ai valori di laboratorio per un sottoinsieme di 20 pasti. I risultati confermano le scoperte sulle calorie:

Macronutriente	Nutrola AI MAPE	USDA MAPE	Etichetta MAPE
Proteine	8.2%	6.1%	10.8%
Grassi	11.4%	12.7%	14.1%
Carboidrati	6.8%	5.9%	9.3%

La stima dei grassi è il punto più debole tra tutte le fonti. Questo è previsto: il contenuto di grassi è il macronutriente più difficile da valutare visivamente (per l'AI) e il più variabile nella preparazione (per i database). Un cucchiaio in più o in meno di olio da cucina aggiunge circa 14 grammi di grasso e 120 calorie, e né una fotocamera né una voce di database possono catturare completamente quella variabilità.

Risultati Chiave

1. Le Etichette Nutrizionali Usano Generosamente la Loro Tolleranza Regolamentare

Negli Stati Uniti, la FDA consente alle etichette nutrizionali di deviare fino al 20% dal valore dichiarato per le calorie, e l'etichetta è considerata conforme finché il valore reale non supera l'etichetta di oltre il 20%. L'Unione Europea applica un quadro di tolleranza simile. I nostri dati suggeriscono che i produttori sono ben consapevoli di questa tolleranza e la utilizzano strategicamente.

Tra i 20 alimenti confezionati e i pasti etichettati nel nostro studio, 14 (70%) hanno sottostimato le calorie rispetto al valore di laboratorio. La sottostima media è stata dell'8.9%. Solo 4 pasti (20%) hanno sovrastimato le calorie, e 2 erano entro il 2% del valore di laboratorio.

Questo bias direzionale non è accidentale. Sottostimare le calorie fa apparire un prodotto "più leggero" e più attraente per i consumatori attenti alla salute. Un pasto surgelato che dichiara 310 kcal ma ne contiene effettivamente 412 kcal (come abbiamo scoperto con una lasagna "leggera") può posizionarsi nel corridoio dietetico mentre fornisce sostanzialmente più energia di quanto pubblicizzato.

Per chi si affida alle etichette per mantenere un deficit calorico, questa sottostima sistematica è un problema serio. Se le tue etichette sono errate in media del -8.9%, e mangi tre pasti etichettati al giorno con un obiettivo di 1,800 kcal, potresti consumare circa 1,960 kcal — abbastanza per ridurre quasi a metà il tuo deficit calorico previsto di 500 calorie.

2. I Dati USDA Eccellono per Ingredienti Crudi, Faticano con Cibi Preparati

Il database USDA FoodData Central è una risorsa straordinaria. Per alimenti semplici e non lavorati — una banana, un petto di pollo, una tazza di riso — è estremamente accurato. I nostri dati hanno mostrato un MAPE di appena 3.2% per alimenti semplici, che è quasi buono quanto misurazioni di laboratorio ripetute.

Ma nel momento in cui inizia la cottura, l'accuratezza USDA degrada. Per i piatti fatti in casa, il MAPE è salito a 6.4%. Per i pasti al ristorante, è salito a 14.2%. Per i piatti internazionali, ha raggiunto il 15.7%.

Il problema non è il database stesso, ma il divario tra le voci del database e la preparazione reale. Una voce USDA per "verdure saltate" assume una quantità specifica di olio, un tempo di cottura specifico e un mix specifico di verdure. Il tuo saltato — o quello servito nel tuo ristorante tailandese locale — potrebbe utilizzare il doppio dell'olio, includere verdure più grasse e presentarsi in una porzione più grande. Il database non può tenere conto di queste variazioni; può solo descrivere una media.

Questo ha implicazioni per i tracker manuali che si vantano di un "log accurato" pesando gli ingredienti e cercandoli nei database. Questo approccio funziona bene per pasti semplici preparati a casa con ingredienti misurati. Si rompe per mangiare fuori, ordinare cibo o cucinare ricette in cui le quantità di grasso sono approssimative.

3. La Stima Fotografica AI È Più Accurata del Previsto — Soprattutto per Pasti del Mondo Reale

Prima di condurre questo studio, la nostra assunzione interna era che l'AI di Nutrola avrebbe performato bene per cibi semplici e male per pasti complessi. I dati hanno parzialmente supportato e parzialmente contraddetto questa idea.

Come previsto, la migliore performance dell'AI è stata su alimenti semplici (4.1% MAPE). Una banana sembra una banana, e i dati di addestramento dell'AI includono migliaia di immagini di banane con pesi e valori calorici noti.

Ciò che ci ha sorpreso è stata la performance relativa dell'AI su pasti al ristorante e piatti internazionali. Con un MAPE di 8.6% e 10.1% rispettivamente, Nutrola ha superato significativamente l'approccio basato su USDA (14.2% e 15.7%). L'AI sembra beneficiare di diversi vantaggi in queste categorie:

• Stima della dimensione delle porzioni da indizi visivi. L'AI utilizza il piatto, la ciotola e le posate come oggetti di riferimento per stimare il volume del cibo, catturando la porzione effettivamente servita piuttosto che una "porzione standard" assunta.
• Rilevamento di salse e condimenti. Il modello è addestrato per identificare salse visibili, glasse, formaggio fuso e altri condimenti ad alta densità calorica che una ricerca nel database potrebbe trascurare.
• Calibrazione specifica per cucina. I dati di addestramento di Nutrola includono decine di migliaia di immagini etichettate provenienti da ristoranti e cucine internazionali, consentendo al modello di apprendere schemi specifici per cucina (ad esempio, che una ciotola di ramen contiene tipicamente più grasso di quanto la sua apparenza di brodo suggerisca).

Detto ciò, l'AI non era perfetta. I suoi momenti più deboli si sono verificati con i grassi nascosti — olio assorbito nei cibi fritti, burro fuso nelle salse e panna mescolata nelle zuppe. Queste calorie sono fisicamente presenti ma visivamente indetectabili, e rappresentano un limite difficile per ciò che qualsiasi sistema basato su fotocamera può raggiungere senza input aggiuntivi da parte dell'utente.

4. I Colpevoli delle Calorie Nascoste

In tutti i 50 pasti, la singola fonte più grande di errore di stima — per ogni metodo, compresa l'AI — è stata il grasso di cottura aggiunto. Olio, burro, ghee, panna e altri grassi utilizzati durante la preparazione hanno rappresentato la maggior parte delle grandi deviazioni.

Considera l'insalata Caesar fatta in casa. Il nostro laboratorio ha misurato 486 kcal. La stima basata su USDA è stata di 347 kcal — una sottostima del 28.6%. Il divario era quasi interamente attribuibile al condimento: un condimento Caesar fatto in casa contenente olio d'oliva, tuorlo d'uovo, Parmigiano e pasta di acciuga. La stima USDA utilizzava una quantità di condimento "standard", ma la porzione effettiva era significativamente più generosa.

Allo stesso modo, il pollo al burro è risultato contenere 943 kcal in laboratorio rispetto a 716 kcal secondo USDA — una miss del 24.1% dovuta alla quantità di burro e panna nella ricetta del ristorante, che superava di gran lunga le quantità assunte nelle voci standard del database.

Queste scoperte riflettono un principio ben consolidato nella scienza della nutrizione: il grasso è il macronutriente più denso di calorie (9 kcal/g rispetto a 4 kcal/g per proteine e carboidrati) e il più difficile da stimare con precisione. Piccoli errori nella stima dei grassi producono grandi errori calorici. Un singolo cucchiaio di olio trascurato da qualsiasi metodo di stima aggiunge 119 calorie non contabilizzate.

Cosa Significa per i Tracker Quotidiani

Se stai tracciando le calorie per gestire il tuo peso, queste scoperte hanno diverse implicazioni pratiche:

Non assumere che la tua etichetta sia sacra. Le etichette nutrizionali sono punti di partenza utili, ma possono sottostimare il reale contenuto calorico del 10-20% o più, specialmente per pasti confezionati e conteggi pubblicati dai ristoranti. Se la tua perdita di peso si è bloccata e stai mangiando "esattamente" ciò che dicono le etichette, questo surplus nascosto potrebbe essere la spiegazione.

Le ricerche USDA sono le più affidabili per pasti semplici e preparati in casa. Se cucini a casa, pesi i tuoi ingredienti e utilizzi principalmente alimenti integrali, un approccio di tracciamento basato su USDA può essere altamente accurato. Più complessi e influenzati dai ristoranti diventano i tuoi pasti, meno affidabile diventa questo metodo.

Il tracciamento fotografico AI fornisce il miglior equilibrio per il cibo del mondo reale. Per le persone che mangiano un mix di pasti cucinati in casa, al ristorante e confezionati — che descrive la maggior parte degli adulti — un sistema basato su AI come Nutrola offre la massima accuratezza coerente tra le categorie. Non supererà un'attenta ricerca USDA per un semplice petto di pollo, ma supererà di gran lunga quel metodo per il pad Thai che hai ordinato venerdì sera.

Sii sempre sospettoso dei pasti ad alto contenuto di grassi. Indipendentemente dal tuo metodo di tracciamento, i piatti che coinvolgono frittura, salse pesanti, panna, burro o formaggio sono quelli più propensi a essere sottostimati. In caso di dubbio, aggiungi un piccolo margine (50-100 kcal) per i pasti che sembrano o sanno ricchi. In Nutrola, puoi anche regolare manualmente la stima dell'AI dopo averla esaminata, e il sistema impara dalle tue correzioni nel tempo.

La coerenza conta più della perfezione. I nostri dati hanno mostrato che il vantaggio più stretto di Nutrola non era nell'accuratezza media, ma nella coerenza — la più bassa deviazione standard e la più alta percentuale di stime entro il 10% dei valori di laboratorio. Per il tracciamento a lungo termine, un sistema che è costantemente errato del 5-7% è molto più utile di uno che è talvolta perfetto e talvolta errato del 25%. Un bias coerente può essere contabilizzato; un errore erratico non può.

Limitazioni

Vogliamo essere trasparenti riguardo alle limitazioni di questo studio:

• Dimensione del campione. Cinquanta pasti sono sufficienti per identificare schemi, ma non abbastanza per conclusioni statistiche definitive in ogni sottocategoria. Ogni categoria conteneva solo 10 pasti. Studi più ampi aumenterebbero la fiducia nei risultati a livello di categoria.
• Singola regione geografica. Tutti i pasti sono stati ottenuti in Irlanda. Le dimensioni delle porzioni nei ristoranti, le pratiche di cottura e l'approvvigionamento degli ingredienti variano da paese a paese e persino da città a città. I risultati potrebbero differire in altre regioni.
• Singolo sistema AI testato. Abbiamo testato solo l'AI di Nutrola. Altri tracker calorici basati su AI potrebbero avere prestazioni diverse. Incoraggiamo i prodotti concorrenti a condurre e pubblicare analisi simili.
• Condizioni fotografiche. Tutte le foto sono state scattate da membri del team che conoscono le migliori pratiche di fotografia alimentare. Un utente tipico che scatta una foto in fretta in condizioni di scarsa illuminazione potrebbe sperimentare un'accuratezza AI leggermente inferiore.
• La calorimetria a bomba misura l'energia lorda. Sebbene siano state applicate correzioni per l'energia metabolizzabile, le differenze individuali nella digestione e nell'assorbimento significano che le "vere" calorie che una persona estrae da un alimento possono differire dal valore di laboratorio di diversi punti percentuali.

Conclusione

Il numero di calorie nel tuo piatto è sempre un'approssimazione — ma non tutte le stime sono create uguali.

Le etichette nutrizionali, nonostante il loro aspetto ufficiale, sono la fonte meno accurata che abbiamo testato, con una tendenza sistematica a sottostimare le calorie. I dati USDA sono eccellenti per alimenti semplici, crudi e preparati in casa, ma faticano con la realtà disordinata della cucina nei ristoranti e della cucina internazionale. Il tracciamento fotografico basato su AI, come implementato in Nutrola, offre la performance più coerente attraverso l'intero spettro di alimenti che le persone realmente mangiano, con un'accuratezza complessiva di 7.4% di deviazione assoluta media dai valori di laboratorio.

Nessun metodo di tracciamento è perfetto. I cibi che ingannano l'AI ingannano anche i database e le etichette — piatti ricchi di salse, ricchi di olio e multi-componente rimangono i più difficili da stimare per qualsiasi sistema. Ma per il tracker quotidiano che desidera un modo affidabile e a bassa fatica per comprendere ciò che sta mangiando, i dati suggeriscono che un'AI ben addestrata che guarda il tuo piatto reale si avvicina di più alla verità rispetto a un'etichetta stampata in una fabbrica o a un'entry di database scritta per una ricetta idealizzata.

Nutrola è costruita sul principio che l'accuratezza non dovrebbe richiedere sforzo. Scatti una foto e l'AI fa il lavoro. Questo studio è stato il nostro modo di rendere conto di quella promessa — e di condividere i risultati, comprese le nostre debolezze, con le persone che si fidano di noi per i loro dati nutrizionali.

Se vuoi provare Nutrola per te stesso, i piani partono da 2,50 EUR al mese, senza pubblicità in nessun livello. Preferiamo guadagnare la tua fiducia con dati accurati piuttosto che vendere la tua attenzione agli inserzionisti.

Le tabelle di dati grezzi di questo studio sono disponibili su richiesta per ricercatori, giornalisti e dietisti che desiderano condurre la propria analisi. Contattaci all'indirizzo research@nutrola.com.