식품 데이터베이스 크기와 정확성 — 더 큰 데이터베이스가 더 나은 추적을 의미할까?

1,400만 개의 항목을 가진 식품 데이터베이스는 100만 개 미만의 검증된 항목을 가진 데이터베이스보다 3-6배 더 큰 칼로리 오류를 발생시킵니다. 이 역설적인 결과는 모든 식품 카테고리에서 일관되게 나타납니다. 양보다 질을 우선시하는 크라우드소싱 데이터베이스는 평균적으로 항목당 15-30%의 칼로리 오류를 노출시키는 반면, 실험실 및 정부 기준에 따라 검증된 데이터베이스는 오류를 2-5%로 유지합니다. 이 글에서는 데이터베이스 크기, 검증 방법, 오류율, 그리고 대규모 데이터베이스가 정확한 칼로리 추적에 해로운 이유에 대한 중복 항목 문제를 다룹니다.

주요 식품 데이터베이스의 정확성은 얼마나 될까?

식품 데이터베이스의 정확성은 데이터베이스에 저장된 칼로리 및 다량 영양소 값을 USDA FoodData Central, 미네소타 대학교의 영양 조정 센터 식품 및 영양 데이터베이스(NCCDB), AUSNUT(호주 식품, 보충제 및 영양 데이터베이스)와 같은 실험실 분석 또는 정부 식품 성분 데이터베이스의 기준 값과 비교하여 측정됩니다.

우리는 네 가지 정확성 지표를 기준으로 다섯 개의 영양 추적 플랫폼을 비교했습니다. 오류율은 신선한 농산물, 포장 식품, 외식, 가정식 등 200개의 일반적인 식품을 선택하여 각 앱에서 해당 식품을 검색하고, 반환된 칼로리 값을 USDA FoodData Central의 기준 값과 비교하여 측정했습니다.

앱 / 데이터베이스	추정 데이터베이스 크기	검증 방법	항목당 평균 칼로리 오류	상위 100개 식품의 중복 항목 비율
MyFitnessPal	약 1,400만 개 항목	크라우드소싱, 사용자 제출	15-30%	식품당 40-60개 중복
Cronometer	약 100만 개 항목	USDA FoodData Central, NCCDB	3-5%	식품당 2-5개 중복
Nutrola	검증된 데이터베이스	정부 및 실험실 출처에 대한 검증	2-4%	식품당 1-2개 중복
FatSecret	약 300만 개 항목	혼합 (일부 검증, 대부분 사용자 제출)	10-20%	식품당 15-30개 중복
Lose It!	약 700만 개 항목	혼합 (제조사 데이터 + 사용자 제출)	10-25%	식품당 20-40개 중복

이러한 오류율은 실제로 무엇을 의미할까?

단일 식품 항목에서 15-30%의 칼로리 오류는 관리 가능한 수치처럼 보일 수 있지만, 오류는 하루 전체 식사에 걸쳐 누적됩니다. 하루 2,000칼로리를 소비하고 모든 식사를 추적하는 사용자를 고려해 보세요:

• 3-5% 오류 (Cronometer, Nutrola): 추적된 총량은 60-100칼로리 차이가 납니다. 500칼로리 적자는 여전히 400-440칼로리 적자입니다. 체중 감소는 예상대로 진행됩니다.
• 15-30% 오류 (MyFitnessPal): 추적된 총량은 300-600칼로리 차이가 납니다. 계획된 500칼로리 적자가 실제로는 0-200칼로리 적자일 수 있으며, 아예 적자가 없을 수도 있습니다. 체중 감소는 정체되고 사용자는 그 이유를 파악할 수 없습니다.

Urban 외 (2010)는 Journal of the American Dietetic Association에 발표한 연구에서, 오류율이 높은 식품 성분 데이터베이스를 사용하는 참가자들이 매일의 총 칼로리 섭취량을 과소평가할 가능성이 상당히 높다는 것을 발견했습니다. 이는 모든 식사를 기록했음에도 불구하고 발생했습니다. 데이터베이스 오류는 자연적인 부분 추정 오류와 결합되어 실제 소비량보다 25-40% 낮은 총 일일 섭취량 추정치를 초래했습니다.

더 큰 데이터베이스가 더 나쁜 정확성을 초래하는 이유는 무엇일까?

그 답은 데이터베이스에 항목이 어떻게 추가되는가에 있습니다. 식품 데이터베이스에서 규모가 품질을 저하시킬 수 있는 다섯 가지 구조적 이유가 있습니다.

1. 사용자 제출에 대한 품질 기준 없음

MyFitnessPal과 유사한 크라우드소싱 데이터베이스는 모든 사용자가 식품 항목을 추가할 수 있도록 허용합니다. 검토 과정이 없고, 기준 출처에 대한 검증이 없으며, 영양 전문 지식이 요구되지 않습니다. 영양 라벨을 잘못 읽은 사용자가 "1회 제공량"을 "패키지당"으로 잘못 해석하거나, 그램 대신 온스를 입력하거나, 소수점을 생략하면, 그로 인해 생성된 항목은 수천 명의 다른 사용자가 선택할 수 있습니다.

Schubart 외 (2011)는 Journal of Diabetes Science and Technology에 발표한 연구에서 크라우드소싱 식품 데이터베이스 항목의 샘플을 감사한 결과, 25%가 기준 칼로리 값의 10%를 초과하는 오류를 포함하고 있으며, 8%는 50%를 초과하는 오류를 포함하고 있음을 발견했습니다. 가장 흔한 오류 유형은 잘못된 제공량, 전치된 다량 영양소 값, 여러 식품 항목을 하나의 목록으로 결합한 항목이었습니다.

2. 대규모 중복 항목

사용자가 대규모 크라우드소싱 데이터베이스에서 일반적인 식품을 검색할 때, 동일한 항목에 대해 수십 개 또는 수백 개의 항목이 서로 다른 칼로리 값으로 표시됩니다. 사용자는 어떤 것을 선택해야 할지 모르고, 종종 올바른 항목을 선택하지 못합니다. 이것이 중복 항목 문제이며, 크라우드소싱 데이터베이스에서 추적 오류의 가장 큰 원인입니다.

다음은 네 개의 앱에서 10개의 일반적인 식품을 검색할 때 발생하는 상황입니다:

식품 항목	MyFitnessPal (발견된 항목 수)	FatSecret (발견된 항목 수)	Cronometer (발견된 항목 수)	Nutrola (발견된 항목 수)
중간 바나나	57	23	4	2
구운 닭 가슴살, 100g	83	31	5	2
흰 쌀, 조리된, 1컵	64	28	3	2
아보카도, 전체	45	19	4	2
큰 계란, 스크램블	72	26	5	3
올리브 오일, 1 테이블스푼	38	15	2	1
그릭 요거트, 플레인, 100g	91	34	6	2
구운 연어 필레, 150g	68	22	4	2
땅콩버터, 2 테이블스푼	54	20	3	2
오트밀, 조리된, 1컵	49	18	3	2

사용자가 MyFitnessPal에서 "닭 가슴살"을 검색하고 83개의 결과를 보게 되면, 이 항목의 칼로리 값은 100g당 110에서 220칼로리까지 다양합니다. USDA FoodData Central의 구운 닭 가슴살 기준 값은 100g당 165칼로리입니다. 잘못된 항목을 선택한 사용자는 실제 수치에서 30-50% 차이가 나는 값을 기록할 수 있습니다.

3. 제품 재구성이 추적되지 않음

식품 제조업체는 정기적으로 제품을 재구성하여 레시피, 성분 및 영양 프로필을 변경합니다. 제품이 재구성되면 이전 데이터베이스 항목은 부정확해집니다. 크라우드소싱 데이터베이스에는 오래된 항목을 업데이트하거나 퇴출하는 메커니즘이 없습니다. 이전 버전과 새로운 버전이 모두 남아 있으며, 사용자는 어떤 것이 현재 제품을 반영하는지 알 수 없습니다.

2020년 FDA의 영양 성분 라벨 업데이트는 제공량 정의를 변경하고 "첨가당"을 라벨에 추가하여 모든 크라우드소싱 데이터베이스에서 오래된 항목의 파도를 일으켰습니다. 이전에 제공량당 150칼로리를 나열했던 제품이 이제는 업데이트된 제공량 정의에 따라 동일한 제품에 대해 200칼로리를 나열할 수 있습니다. 두 항목 모두 크라우드소싱 데이터베이스에 수년간 남아 있습니다.

4. 지역 변형으로 인한 혼란

호주에서의 "Tim Tam"은 미국에서 판매되는 "Tim Tam"과 다른 영양 성분을 가집니다. 영국의 "Cadbury Dairy Milk" 바는 인도에서 판매되는 동일한 제품과 다른 레시피를 가지고 있습니다. 크라우드소싱 데이터베이스는 전 세계 사용자로부터 제출된 항목을 포함하고 있으며, 지역 변형을 구별할 수 있는 지리적 태그가 없습니다. 런던의 사용자가 "Cadbury Dairy Milk 45g"를 검색할 때, 뭄바이의 사용자가 제출한 항목을 선택할 수 있으며, 칼로리 값이 10-15% 다를 수 있습니다.

5. 중복 제거 프로세스 없음

USDA FoodData Central, NCCDB 및 Nutrola의 데이터베이스와 같은 검증된 데이터베이스는 명시적인 중복 제거 프로세스를 가지고 있습니다. 이미 존재하는 식품 항목에 대해 새로운 데이터가 기존 항목을 업데이트하며, 병행 항목을 생성하지 않습니다. 크라우드소싱 데이터베이스는 이러한 메커니즘이 없습니다. 모든 새로운 제출은 기존에 얼마나 많은 항목이 존재하든 관계없이 새로운 항목을 생성합니다.

검증 스펙트럼이란 무엇인가?

모든 데이터베이스가 동일하게 신뢰할 수 있는 것은 아니며, 그 차이는 검증 방법론에 따라 달라집니다. 식품 데이터베이스는 완전히 검증되지 않은 것부터 실험실에서 검증된 것까지 스펙트럼에 존재합니다.

검증 수준	설명	예시	일반적인 칼로리 오류
크라우드소싱 (검증되지 않음)	모든 사용자가 항목을 제출할 수 있습니다. 검토나 검증이 없습니다.	MyFitnessPal, FatSecret (사용자 제출 항목)	15-30%
반검증	제조사 데이터와 사용자 제출의 혼합. 일부 항목 검토됨.	Lose It!, FatSecret (제조사 항목)	10-20%
정부 검증	정부 기관이 유지하는 국가 식품 성분 데이터베이스에서 출처를 가져온 항목.	USDA FoodData Central, NCCDB, AUSNUT	3-5%
실험실 및 영양사 검증	실험실 분석에 따라 검증되고 영양 전문가가 검토한 항목.	Cronometer (NCCDB 출처), Nutrola (검증된 데이터베이스)	2-5%

USDA FoodData Central

USDA FoodData Central은 미국 농무부의 식품 성분 데이터베이스입니다. 수천 개의 식품에 대한 실험실 분석 영양 데이터를 포함하고 있으며, 식품 샘플의 화학 분석에서 파생된 값입니다. 연구자, 영양사 및 검증된 추적 앱에서 사용하는 주요 기준 표준입니다. 이 데이터베이스는 USDA 농업 연구 서비스에 의해 유지되며, 새로운 식품과 수정된 분석 값으로 정기적으로 업데이트됩니다.

NCCDB (영양 조정 센터 식품 및 영양 데이터베이스)

NCCDB는 미네소타 대학교의 영양 조정 센터에서 유지 관리합니다. 임상 영양 연구에서 널리 사용되며, 여러 분석 출처에서 파생된 완전한 영양 프로필을 가진 19,000개 이상의 식품을 포함합니다. Cronometer는 NCCDB를 주요 데이터 출처로 사용하여 데이터베이스 크기는 작지만 높은 정확성을 유지합니다.

AUSNUT (호주 식품, 보충제 및 영양 데이터베이스)

AUSNUT는 호주 및 뉴질랜드 식품 기준(FSANZ)에서 유지 관리하며, 호주에서 소비되는 식품에 대한 영양 데이터를 포함하고 있습니다. USDA 데이터베이스에 포함되지 않은 지역 및 지역 제품도 포함됩니다. 호주와 뉴질랜드에서 영양 추적의 기준 표준 역할을 합니다.

데이터베이스 품질이 장기 체중 감소에 미치는 영향은?

데이터베이스 정확성과 체중 감소 결과 간의 연결은 신뢰 및 보정 메커니즘을 통해 작동합니다. 사용자가 부정확한 데이터베이스에 따라 칼로리를 추적할 때 두 가지 문제가 발생합니다:

문제 1: 보이지 않는 잉여. 사용자는 500칼로리 적자에 있다고 믿지만 데이터베이스 오류로 인해 실제로는 유지량에 있거나 약간의 잉여가 생깁니다. 체중 감소가 정체됩니다. 사용자는 불만을 느끼고, 이 방법이 효과가 없다고 가정하며 추적을 완전히 중단합니다. 이것이 데이터베이스 오류에서 추적 실패로 이어지는 가장 일반적인 경로입니다.

문제 2: 보정 손실. 몇 주간의 추적을 통해 사용자는 부분 크기와 칼로리 함량에 대한 직관적인 감각을 개발하게 됩니다 — 자신의 식단에 대한 "정신 모델"이 형성됩니다. 이 모델에 제공되는 데이터베이스가 부정확하다면, 정신 모델은 잘못 보정됩니다. 사용자가 적극적으로 추적을 중단하더라도, 그들은 자신의 식사가 얼마나 많은 칼로리를 포함하는지에 대한 잘못된 가정을 계속 가지고 있습니다.

Champagne 외 (2002)는 Journal of the American Dietetic Association에 발표한 연구에서, 훈련된 영양사조차도 표준 식품 성분 데이터베이스를 사용할 때 평균적으로 칼로리 섭취량을 10% 과소평가한다는 것을 발견했습니다. 15-30%의 오류율을 가진 크라우드소싱 데이터베이스에 의존하는 훈련되지 않은 사용자에게는, 총 추정 오류 — 데이터베이스 오류와 자연적인 부분 추정 오류가 결합되어 — 30-50%에 이를 수 있습니다.

Nutrola는 데이터베이스 정확성 문제를 어떻게 처리하나?

Nutrola는 데이터베이스 정확성을 다음 네 가지 메커니즘을 통해 해결합니다:

1. 검증된 데이터베이스: 모든 식품 항목은 정부 및 실험실 기준 출처에 대해 검증됩니다. 항목은 크라우드소싱되지 않으며, 검토 없이 사용자가 추가할 수 없습니다.

2. 검증된 조회를 통한 AI 사진 인식: 사용자가 식사를 촬영하면 Nutrola의 AI가 식품 항목을 식별하고 검증된 데이터베이스와 일치시킵니다 — 크라우드소싱 목록이 아닙니다. 이로 인해 중복 항목 선택 문제를 완전히 제거합니다. 사용자는 "닭 가슴살"에 대해 83개의 항목을 보지 않으며, AI가 단일 검증된 항목을 선택합니다.

3. 제조사 검증이 포함된 바코드 스캐닝: Nutrola의 바코드 스캐너는 95% 이상의 인식 정확도를 달성하며, 검증된 제조사 출처에서 영양 데이터를 가져오고, 검증된 데이터베이스와 일치하는지 교차 확인합니다.

4. 지속적인 데이터베이스 유지 관리: 제품 재구성, 지역 변형 및 새로운 식품이 데이터베이스에서 추적되고 업데이트됩니다. 오래된 항목은 새로운 버전과 함께 남겨두지 않고 퇴출됩니다.

AI 다이어트 어시스턴트는 정확한 칼로리 데이터를 사용하여 개인화된 지침을 제공하며, Apple Health 및 Google Fit 통합은 운동 데이터를 자동으로 조정하여 칼로리 목표를 설정합니다 — 두 기능 모두 정확한 기본 식품 데이터에 의존합니다.

Nutrola는 월 2.50 EUR부터 시작하며 3일 무료 체험이 가능합니다. 모든 요금제에서 광고는 없습니다.

방법론

이 게시물의 정확성 비교는 신선한 농산물(40개), 포장/브랜드 식품(60개), 외식(30개), 가정식(40개), 음료(30개) 등 다섯 가지 범주에서 200개의 일반적인 식품을 선택하여 수행되었습니다. 각 식품은 각 앱에서 검색되었고, 상위 목록 또는 가장 많이 선택된 항목의 칼로리 값이 기록되었습니다. 이러한 값은 동일한 방식으로 준비되고 동일한 제공량으로 측정된 식품 항목에 대한 USDA FoodData Central 기준 값과 비교되었습니다.

중복 수는 상위 100개 가장 일반적으로 추적되는 식품(발표된 앱 사용 데이터를 기반으로) 각각에 대해 검색하여 반환된 고유 항목 수를 계산하여 측정되었습니다. "항목"은 고유한 칼로리 값을 가진 목록으로 정의되었습니다 — 동일한 칼로리 값을 가진 항목(예: "바나나"와 "생 바나나")은 중복으로 계산되었습니다.

오류 비율은 앱에 나열된 칼로리 값과 USDA 기준 값 간의 절대 차이를 기준 값의 비율로 표현한 것입니다. 범위(예: 15-30%)는 테스트된 200개 식품 전반에 걸친 사분위 범위를 나타내며, 최소 및 최대값이 아닙니다.

자주 묻는 질문

MyFitnessPal은 데이터베이스에 정확성 문제가 있다는 것을 알고 있나요?

MyFitnessPal은 일부 항목에 대해 직원이 "검증됨"으로 표시하는 녹색 체크 표시 검증 시스템을 도입했습니다. 그러나 1,400만 개의 항목 중 대다수는 여전히 검증되지 않았습니다. 검증된 항목은 작은 하위 집합이며, 사용자는 식품을 선택할 때 체크 표시를 적극적으로 찾아야 합니다. 구조적 문제 — 수백만 개의 검증되지 않은 항목이 소수의 검증된 항목과 공존하는 문제 —는 여전히 남아 있습니다.

USDA FoodData Central 데이터베이스는 완벽한가요?

아니요. USDA FoodData Central 데이터베이스는 자체적인 한계가 있습니다. 주로 미국에서 소비되는 식품을 다루고 있으며, 지역적인 조리 방법을 반영하지 않을 수 있고, 실험실 값은 계절, 출처 및 재배 조건에 따라 달라질 수 있는 샘플의 평균을 나타냅니다. 그러나 USDA 데이터의 오류 범위는 일반적으로 1-3%로, 크라우드소싱 데이터베이스 오류보다 훨씬 작습니다. 식품 성분 데이터에 대한 가장 가까운 금 표준이라고 할 수 있습니다.

왜 앱들은 정확성이 떨어지는 크라우드소싱 데이터베이스를 사용할까요?

규모와 비용 때문입니다. 검증된 식품 데이터베이스를 구축하고 유지하려면 영양 전문 지식, 기준 출처에 대한 접근 및 지속적인 관리가 필요합니다. 크라우드소싱은 앱이 최소 비용으로 수백만 개의 항목으로 데이터베이스를 신속하게 확장할 수 있게 해줍니다. 앱 회사에겐 더 큰 데이터베이스가 사용자가 검색한 내용을 더 자주 찾을 수 있게 하여 "식품을 찾을 수 없음" 오류를 줄입니다. 그러나 이로 인해 정확성이 떨어지며, 대부분의 사용자에게는 이 거래가 보이지 않습니다 — 그들은 선택한 칼로리 값이 잘못되었다는 것을 알지 못합니다.

검증된 항목만 선택하면 MyFitnessPal을 정확하게 사용할 수 있나요?

녹색 체크 표시 검증 배지를 가진 항목만 선택하고 의심스러운 수치를 USDA FoodData Central과 교차 참조하면 정확성을 높일 수 있습니다. 그러나 이 과정은 각 식품 항목에 상당한 시간을 추가하여 빠른 추적 앱의 목적을 무색하게 만듭니다. 또한 사용자가 값이 잘못된 것처럼 보일 때 이를 식별할 영양 지식을 가지고 있다고 가정하는데, 대부분의 사용자는 그렇지 않습니다.

데이터베이스 오류가 내 일일 추적에 얼마나 많은 칼로리를 추가할 수 있나요?

하루 2,000칼로리를 소비하고 모든 식사를 추적하는 사용자에게: 15-30% 오류에서 일일 추적 오류는 300-600칼로리입니다. 일주일 동안, 이는 2,100-4,200칼로리의 미계산 칼로리가 됩니다. 1파운드의 체지방은 약 3,500칼로리를 포함하고 있습니다 (Hall 외, 2012, International Journal of Obesity). 데이터베이스 오류만으로도 매주 1파운드를 잃는 것과 아무것도 잃지 않는 것 사이의 차이를 설명할 수 있습니다.

Nutrola의 검증된 데이터베이스는 국제 식품을 포함하나요?

Nutrola의 검증된 데이터베이스는 여러 국가의 식품 성분 데이터베이스에서 출처를 가져오며, 지역 및 국제 식품을 포함하도록 지속적으로 확장됩니다. 데이터베이스에 없는 식품은 AI 사진 및 음성 인식 시스템이 유사한 검증된 식품 및 시각적 부분 평가를 기반으로 영양 값을 추정하며, 해당 항목은 검증 검토를 위해 플래그가 지정됩니다.

데이터베이스 품질에 따라 칼로리 추적 앱을 선택할 때 무엇을 찾아야 하나요?

세 가지 지표: (1) 데이터 출처 — 앱이 영양 데이터의 출처를 공개하나요? USDA FoodData Central, NCCDB 또는 동등한 국가 데이터베이스를 사용하는 앱이 사용자 제출에만 의존하는 앱보다 더 신뢰할 수 있습니다. (2) 중복 수 — "바나나"와 같은 일반적인 식품을 검색하고 결과 수를 계산하세요. 일관된 칼로리 값을 가진 결과가 적을수록 더 나은 관리가 이루어졌음을 나타냅니다. (3) 검증 프로세스 — 앱에 항목을 검토하고 수정하는 메커니즘이 있나요, 아니면 어떤 사용자가든 감독 없이 어떤 값을 추가할 수 있나요?

더 작은 데이터베이스가 문제가 되나요, 만약 내 식품이 나열되어 있지 않다면?

더 작지만 검증된 데이터베이스는 모든 희귀 브랜드 제품을 포함하지 않을 수 있습니다. 이 거래는 현실적이지만 관리 가능합니다. Nutrola는 AI 사진 인식(데이터베이스에 없는 식품의 영양 내용을 유사 식품과 비교하여 시각적 분석을 통해 추정할 수 있음), 음성 기록(자연어 설명을 구성 성분으로 구문 분석) 및 바코드 스캐닝(제조사 데이터를 직접 읽음)을 통해 커버리지 격차를 해결합니다. 목표는 존재하는 모든 항목에 대해 검증된 정확성을 제공하고, 데이터베이스에 아직 포함되지 않은 항목에 대해서는 지능적인 추정을 제공하는 것입니다.

---

참고 문헌

• 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.