Matdatabasens Storlek vs Noggrannhet — Betyder en Större Databas Bättre Spårning?

En matdatabas med 14 miljoner poster ger kalorifel som är 3-6 gånger större än en databas med färre än 1 miljon verifierade poster. Denna motstridiga upptäckte gäller för alla matkategorier: crowdsourcade databaser som prioriterar kvantitet framför kvalitet utsätter användarna för ett genomsnittligt kalorifel på 15-30% per post, medan kuraterade databaser som verifierats mot laboratorie- och myndighetsstandarder håller felen till 2-5%. Detta inlägg presenterar hela datan om databasens storlek, verifieringsmetoder, felprocent och problemet med duplicerade poster som gör stora databaser aktivt skadliga för exakt kalorispårning.

Hur Noggranna Är De Stora Matdatabaserna?

Noggrannheten i matdatabaser mäts genom att jämföra kalorier och makronutrientvärden som lagras i databasen mot referensvärden från laboratorieanalyser eller statliga livsmedelskompositionsdatabaser som USDA FoodData Central, Nutrition Coordinating Center Food and Nutrient Database (NCCDB) vid University of Minnesota och AUSNUT (Australian Food, Supplement and Nutrient Database).

Vi jämförde fem plattformar för näringsspårning utifrån fyra noggrannhetsmått. Felprocenten mättes genom att välja 200 vanliga livsmedel (från färskvaror, förpackade varor, restaurangmåltider och hemlagade rätter), söka upp varje livsmedel i varje app och jämföra det returnerade kalorivärdet med referensvärdet från USDA FoodData Central.

App / Databas	Uppskattad Databasstorlek	Verifieringsmetod	Genomsnittligt Kalorifel per Post	Duplicerad Postprocent (Topp 100 Livsmedel)
MyFitnessPal	~14 miljoner poster	Crowdsourcad, användarsubmitterad	15-30%	40-60 dubbletter per livsmedel
Cronometer	~1 miljon poster	USDA FoodData Central, NCCDB	3-5%	2-5 dubbletter per livsmedel
Nutrola	Verifierad databas	Verifierad mot statliga och laboratoriekällor	2-4%	1-2 dubbletter per livsmedel
FatSecret	~3 miljoner poster	Blandad (några verifierade, mest användarsubmitterade)	10-20%	15-30 dubbletter per livsmedel
Lose It!	~7 miljoner poster	Blandad (tillverkarinformation + användarsubmitterad)	10-25%	20-40 dubbletter per livsmedel

Vad Betyder Dessa Felprocent i Praktiken?

Ett kalorifel på 15-30% för en enskild livsmedelspost kan verka hanterbart, men felen ackumuleras över en hel dag av ätande. Tänk på en användare som konsumerar 2,000 kalorier per dag och spårar varje måltid:

• Vid 3-5% fel (Cronometer, Nutrola): det spårade totala värdet är fel med 60-100 kalorier. Ett planerat 500-kalorideficit förblir ett deficit på 400-440 kalorier. Viktminskningen fortgår som förväntat.
• Vid 15-30% fel (MyFitnessPal): det spårade totala värdet är fel med 300-600 kalorier. Ett planerat 500-kalorideficit kan faktiskt vara ett 0-200 kalorideficit — eller inget deficit alls. Viktminskningen stannar av och användaren kan inte identifiera varför.

Urban et al. (2010), publicerat i Journal of the American Dietetic Association, fann att deltagare som använde livsmedelskompositionsdatabaser med högre felprocent var betydligt mer benägna att underskatta sitt totala dagliga kaloriintag, även när de loggade varje måltid. Databasfelet kombinerades med naturliga portionsbedömningsfel för att producera totala dagliga intagsuppskattningar som var 25-40% under det faktiska intaget.

Varför Ger En Större Databas Sämre Noggrannhet?

Svaret ligger i hur posterna kommer in i databasen. Det finns fem strukturella skäl till varför skala försämrar kvaliteten i matdatabaser.

1. Ingen Kvalitetskontroll på Användarsubmissioner

MyFitnessPal och liknande crowdsourcade databaser tillåter vilken användare som helst att lägga till en livsmedelspost. Det finns ingen granskning, ingen verifiering mot en referenskälla och ingen näringskompetens krävs. En användare som läser en näringsetikett fel — misstar "per portion" för "per förpackning", anger gram istället för uns, eller utelämnar decimaler — skapar en post som tusentals andra användare sedan kan välja.

Schubart et al. (2011), i en studie publicerad i Journal of Diabetes Science and Technology, granskade ett urval av crowdsourcade livsmedelsdatabasposter och fann att 25% innehöll fel som översteg 10% av referenskalorivärdet, och 8% innehöll fel som översteg 50%. De vanligaste feltyperna var felaktiga portionsstorlekar, omkastade makronutrientvärden och poster som kombinerade flera livsmedel till en enda lista.

2. Massiva Duplicerade Poster

När en användare söker efter ett vanligt livsmedel i en stor crowdsourcad databas, presenteras de med dussintals eller hundratals poster för samma objekt, var och en med olika kalorivärden. Användaren måste välja en, ofta utan att veta vilken som är korrekt. Detta är problemet med duplicerade poster, och det är den största källan till spårningsfel i crowdsourcade databaser.

Här är vad som händer när du söker efter 10 vanliga livsmedel i fyra appar:

Livsmedelsartikel	MyFitnessPal (Hittade Poster)	FatSecret (Hittade Poster)	Cronometer (Hittade Poster)	Nutrola (Hittade Poster)
Banan, medelstor	57	23	4	2
Kycklingbröst, grillat, 100g	83	31	5	2
Vit ris, kokt, 1 kopp	64	28	3	2
Avokado, hel	45	19	4	2
Ägg, stort, scrambled	72	26	5	3
Olivolja, 1 matsked	38	15	2	1
Grekisk yoghurt, naturell, 100g	91	34	6	2
Laxfilé, bakad, 150g	68	22	4	2
Jordnötssmör, 2 matskedar	54	20	3	2
Havregryn, kokt, 1 kopp	49	18	3	2

När en användare söker "kycklingbröst" i MyFitnessPal och ser 83 resultat, varierar kalorivärdena över dessa poster från 110 till 220 kalorier per 100 gram. Referensvärdet från USDA FoodData Central för grillat kycklingbröst är 165 kalorier per 100 gram. En användare som väljer fel post — vilket är statistiskt sannolikt med 83 alternativ — kan logga ett värde som är 30-50% felaktigt.

3. Produktreformuleringar Spåras Inte

Livsmedelstillverkare reformulerar regelbundet produkter — ändrar recept, ingredienser och näringsprofiler. När en produkt reformuleras blir den gamla databasposten felaktig. I en crowdsourcad databas finns det ingen mekanism för att uppdatera eller ta bort föråldrade poster. Både den gamla och den nya versionen kvarstår, och användaren har ingen möjlighet att veta vilken som återspeglar den aktuella produkten.

FDA:s uppdatering av näringsfaktaetiketten 2020, som ändrade portionsstorlekar och lade till "tillsatt socker" på etiketterna, skapade en våg av föråldrade poster i alla crowdsourcade databaser. Produkter som tidigare listade 150 kalorier per portion kan nu lista 200 kalorier för samma produkt under den uppdaterade definitionen av portionsstorlek. Båda posterna kvarstår i crowdsourcade databaser år senare.

4. Regionala Variationer Skapar Förvirring

En "Tim Tam" i Australien har olika näringsinnehåll än en "Tim Tam" som säljs i USA. En "Cadbury Dairy Milk"-kaka i Storbritannien har ett annat recept än samma produkt i Indien. Crowdsourcade databaser innehåller poster från användare världen över, utan geografisk märkning för att särskilja regionala varianter. En användare i London som söker efter "Cadbury Dairy Milk 45g" kan välja en post som skickats in av en användare i Mumbai, med kalorivärden som skiljer sig med 10-15%.

5. Ingen Dupliceringsprocess

Verifierade databaser som USDA FoodData Central, NCCDB och Nutrolas databas har explicita dupliceringsprocesser. När en livsmedelsartikel redan finns, uppdaterar nya data den befintliga posten istället för att skapa en parallell. Crowdsourcade databaser saknar denna mekanism. Varje ny submission skapar en ny post, oavsett hur många poster för det livsmedlet som redan finns.

Vad Är Verifieringsspektrumet?

Inte alla databaser är lika pålitliga, och skillnaden beror på verifieringsmetodiken. Matdatabaser finns på ett spektrum från helt overifierade till laboratorieverifierade.

Verifieringsnivå	Beskrivning	Exempel	Typisk Kalorifel
Crowdsourcad (overifierad)	Vilken användare som helst kan skicka in poster. Ingen granskning eller validering.	MyFitnessPal, FatSecret (användarsubmitterade poster)	15-30%
Semi-verifierad	Blandning av tillverkarinformation och användarsubmissioner. Vissa poster granskade.	Lose It!, FatSecret (tillverkarposter)	10-20%
Statligt verifierad	Poster hämtade från nationella livsmedelskompositionsdatabaser som underhålls av statliga myndigheter.	USDA FoodData Central, NCCDB, AUSNUT	3-5%
Laboratorie- och nutritionist-verifierad	Poster verifierade mot laboratorieanalyser och granskade av näringsprofessionella.	Cronometer (NCCDB-källa), Nutrola (verifierad databas)	2-5%

USDA FoodData Central

USDA FoodData Central är den amerikanska jordbruksdepartementets livsmedelskompositionsdatabas. Den innehåller laboratorieanalyserad näringsdata för tusentals livsmedel, med värden härledda från kemisk analys av livsmedelsprover. Det är den primära referensstandarden som används av forskare, dietister och verifierade spårningsappar. Databasen underhålls av USDA Agricultural Research Service och uppdateras regelbundet med nya livsmedel och reviderade analytiska värden.

NCCDB (Nutrition Coordinating Center Food and Nutrient Database)

NCCDB underhålls av Nutrition Coordinating Center vid University of Minnesota. Den används ofta i klinisk näringsforskning och innehåller över 19,000 livsmedel med kompletta näringsprofiler härledda från flera analytiska källor. Cronometer använder NCCDB som en primär datakälla, vilket förklarar dess höga noggrannhet trots en mindre total databasstorlek.

AUSNUT (Australian Food, Supplement and Nutrient Database)

AUSNUT underhålls av Food Standards Australia New Zealand (FSANZ) och innehåller näringsdata för livsmedel som konsumeras i Australien, inklusive lokala och regionala produkter som inte täcks av USDA-databasen. Den fungerar som referensstandard för näringsspårning i Australien och Nya Zeeland.

Hur Påverkar Databasens Kvalitet Långsiktig Viktminskning?

Kopplingen mellan databasens noggrannhet och viktminskningsresultat fungerar genom en förtroende- och kalibreringsmekanism. När en användare spårar kalorier mot en felaktig databas uppstår två problem:

Problem 1: Osynlig överskott. Användaren tror att de är i ett 500-kalorideficit, men databasfelen innebär att de faktiskt är på underhåll eller till och med i ett litet överskott. Viktminskningen stannar av. Användaren blir frustrerad, antar att metoden inte fungerar och överger spårningen helt. Detta är den vanligaste vägen från databasfel till spårningsmisslyckande.

Problem 2: Förlust av kalibrering. Under veckor av spårning utvecklar användare en intuitiv känsla för portionsstorlekar och kaloriinnehåll — en "mental modell" av deras kost. Om databasen som matar denna modell är felaktig, blir den mentala modellen felkalibrerad. Även efter att användaren slutar aktivt spåra, bär de med sig felaktiga antaganden om hur många kalorier deras måltider innehåller.

Champagne et al. (2002), publicerat i Journal of the American Dietetic Association, fann att även utbildade dietister underskattade kaloriintaget med 10% i genomsnitt när de använde standard livsmedelskompositionsdatabaser. För otränade användare som förlitar sig på crowdsourcade databaser med 15-30% felprocent kan den totala uppskattningsfelet — databasfel kombinerat med naturligt portionsbedömningsfel — nå 30-50%.

Hur Hanterar Nutrola Problemet med Databasens Noggrannhet?

Nutrola adresserar databasens noggrannhet genom fyra mekanismer:

1. Verifierad databas: Varje livsmedelspost verifieras mot statliga och laboratoriereferenskällor. Poster är inte crowdsourcade och kan inte läggas till av användare utan granskning.

2. AI-fotigenkänning med verifierad sökning: När en användare fotograferar sin måltid identifierar Nutrolas AI livsmedelsartiklarna och matchar dem mot den verifierade databasen — inte mot en crowdsourcad lista. Detta eliminerar problemet med duplicerade poster helt och hållet. Användaren ser aldrig 83 poster för "kycklingbröst" eftersom AI:n väljer den enda verifierade posten.

3. Streckkodsscanning med tillverkarverifiering: Nutrolas streckkodsscanner uppnår över 95% igenkänningsnoggrannhet och hämtar näringsdata från verifierade tillverkar-källor, korsrefererade mot den verifierade databasen för konsekvens.

4. Kontinuerligt underhåll av databasen: Produktreformuleringar, regionala varianter och nya livsmedel spåras och uppdateras i databasen. Föråldrade poster tas bort istället för att lämnas kvar bredvid nyare versioner.

AI Diet Assistant använder den exakta kaloriinformationen för att ge personlig vägledning, och integration med Apple Health och Google Fit säkerställer att träningsdata automatiskt justerar kaloritarget — båda funktionerna är beroende av korrekt grundläggande matdata för att fungera korrekt.

Nutrola börjar på 2.50 EUR per månad med en 3-dagars gratis provperiod. Det finns inga annonser på någon nivå.

Metodik

Noggrannhetsjämförelsen i detta inlägg genomfördes genom att välja 200 vanliga livsmedel från fem kategorier: färskvaror (40 livsmedel), förpackade/varumärkesvaror (60 livsmedel), restaurangmåltider (30 livsmedel), hemlagade rätter (40 livsmedel) och drycker (30 livsmedel). Varje livsmedel söktes i varje app, och kalorivärdet för den topplistade eller mest valda posten registrerades. Dessa värden jämfördes med referensvärdet från USDA FoodData Central för samma livsmedelsartikel, beredd på samma sätt och mätt i samma portionsstorlek.

Dupliceringsantal mättes genom att söka efter var och en av de 100 mest spårade livsmedlen (baserat på publicerad appanvändardata) och räkna antalet distinkta poster som returnerades för varje livsmedel. En "post" definierades som en lista med ett unikt kalorivärde — poster med identiska kalorivärden men olika namn (t.ex. "Banan" vs "Banan, rå") räknades som dubbletter.

Felprocenten representerar den absoluta skillnaden mellan det app-listade kalorivärdet och USDA-referensvärdet, uttryckt som en procentandel av referensvärdet. Intervallet (t.ex. 15-30%) representerar det interkvartila intervallet över alla 200 testade livsmedel, inte minimum och maximum.

Vanliga Frågor

Vet MyFitnessPal att deras databas har noggrannhetsproblem?

MyFitnessPal har infört ett verifieringssystem med grön bock för vissa poster, vilket markerar dem som "verifierade" av personal. Men den stora majoriteten av de 14 miljoner posterna förblir overifierade. De verifierade posterna är en liten delmängd, och användarna måste aktivt leta efter bocken när de väljer ett livsmedel. Det strukturella problemet — miljontals overifierade poster som samexisterar med ett litet antal verifierade — kvarstår.

Är USDA FoodData Central-databasen perfekt?

Nej. USDA FoodData Central-databasen har sina egna begränsningar. Den täcker främst livsmedel som konsumeras i USA. Den kanske inte återspeglar regionala tillagningsmetoder, och dess laboratorievärden representerar genomsnitt över prover som kan variera beroende på säsong, källa och odlingsförhållanden. Men felintervallet för USDA-data är vanligtvis 1-3% — en storleksordning mindre än fel i crowdsourcade databaser. Det är den närmaste guldstandarden som finns för livsmedelskompositionsdata.

Varför använder appar crowdsourcade databaser om de är mindre exakta?

Skala och kostnad. Att bygga och underhålla en verifierad matdatabas kräver näringskompetens, tillgång till referenskällor och kontinuerlig kuratering. Crowdsourcing gör att en app snabbt kan utöka sin databas till miljontals poster till minimal kostnad. För appföretaget innebär en större databas att användarna oftare hittar det de söker, vilket minskar friktionen av "mat hittades inte"-fel. Avvägningen är noggrannhet, men denna avvägning är osynlig för de flesta användare — de vet inte att kalorivärdet de valt är fel.

Kan jag använda MyFitnessPal noggrant om jag bara väljer verifierade poster?

Du kan förbättra noggrannheten genom att endast välja poster med den gröna bocken och korsreferera värden mot USDA FoodData Central för misstänkt utseende. Men detta lägger betydande tid till varje livsmedelspost — vilket motverkar syftet med en snabb spårningsapp. Det förutsätter också att användaren har den näringskunskap som krävs för att identifiera när ett värde ser felaktigt ut, vilket de flesta användare inte har.

Hur många kalorier kan databasfel lägga till min dagliga spårning?

För en användare som konsumerar 2,000 kalorier per dag och spårar alla måltider: vid 15-30% fel är den dagliga spårningsfelet 300-600 kalorier. Under en vecka blir det 2,100-4,200 oregistrerade kalorier. Ett pund kroppsfett innehåller cirka 3,500 kalorier (Hall et al., 2012, International Journal of Obesity). Databasfel kan ensamt förklara skillnaden mellan att gå ner ett pund per vecka och att inte gå ner något.

Täcker Nutrolas verifierade databas internationella livsmedel?

Nutrolas verifierade databas täcker livsmedel från flera nationella livsmedelskompositionsdatabaser och utökas kontinuerligt för att inkludera regionala och internationella livsmedel. Om ett livsmedel inte finns i databasen uppskattar AI-fotogenkänning och röstigenkänning näringsvärden baserat på liknande verifierade livsmedel och visuell portionsbedömning, med posten markerad för verifieringsgranskning.

Vad bör jag titta efter när jag väljer en kalorispårningsapp baserat på databasens kvalitet?

Tre indikatorer: (1) datakällan — avslöjar appen varifrån dess näringsdata kommer? Appar som använder USDA FoodData Central, NCCDB eller motsvarande nationella databaser är mer pålitliga än de som enbart förlitar sig på användarsubmissioner. (2) Dupliceringsantalet — sök efter ett vanligt livsmedel som "banan" och räkna resultaten. Färre resultat med konsekventa kalorivärden indikerar bättre kuratering. (3) Verifieringsprocessen — har appen en mekanism för att granska och korrigera poster, eller kan vilken användare som helst lägga till vilket värde som helst utan tillsyn?

Är en mindre databas ett problem om min mat inte finns listad?

En mindre men verifierad databas kanske inte innehåller varje obskyr märkesprodukt. Avvägningen är verklig men hanterbar. Nutrola adresserar täckningsluckor genom AI-fotogenkänning (som kan uppskatta näringsinnehåll för livsmedel som inte finns i databasen genom visuell analys och jämförelse med liknande livsmedel), röstinloggning (som omvandlar naturliga språkbeskrivningar till komponentingredienser) och streckkodsscanning (som läser tillverkarinformation direkt). Målet är verifierad noggrannhet för varje post som finns, med intelligent uppskattning för objekt som ännu inte finns i databasen.

---

Referenser

• 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.