Gıda Veritabanı Boyutu ve Doğruluk — Daha Büyük Bir Veritabanı Daha İyi Takip Mi Sağlar?

14 milyon kayıttan oluşan bir gıda veritabanı, 1 milyon onaylı kayıttan oluşan bir veritabanına göre 3-6 kat daha fazla kalori hatası üretiyor. Bu çelişkili bulgu, her gıda kategorisinde geçerlidir: miktarı kaliteye tercih eden topluluk destekli veritabanları, kullanıcıları her kayıt başına ortalama %15-30 kalori hatası ile karşı karşıya bırakırken, laboratuvar ve hükümet standartlarına göre doğrulanan küratörlü veritabanları hataları %2-5 ile sınırlı tutmaktadır. Bu yazıda veritabanı boyutu, doğrulama yöntemleri, hata oranları ve büyük veritabanlarının doğru kalori takibini nasıl olumsuz etkilediği hakkında kapsamlı veriler sunulmaktadır.

Ana Gıda Veritabanları Ne Kadar Doğru?

Gıda veritabanı doğruluğu, veritabanındaki kalori ve makro besin değerlerinin laboratuvar analizleri veya USDA FoodData Central, Minnesota Üniversitesi'ndeki Nutrition Coordinating Center Gıda ve Besin Veritabanı (NCCDB) ve AUSNUT (Avustralya Gıda, Takviye ve Besin Veritabanı) gibi hükümet gıda bileşimi veritabanlarındaki referans değerlerle karşılaştırılmasıyla ölçülmektedir.

Beş beslenme takip platformunu dört doğruluk metriği açısından karşılaştırdık. Hata oranları, 200 yaygın gıda (taze ürünler, paketlenmiş ürünler, restoran yemekleri ve ev yapımı yemekler dahil) seçilerek, her gıda için her uygulamada arama yapılarak ve dönen kalori değeri USDA FoodData Central referans değeriyle karşılaştırılarak ölçüldü.

Uygulama / Veritabanı	Tahmini Veritabanı Boyutu	Doğrulama Yöntemi	Kayıt Başına Ortalama Kalori Hatası	İlk 100 Gıda İçin Tekrar Eden Kayıt Oranı
MyFitnessPal	~14 milyon kayıt	Topluluk destekli, kullanıcı tarafından gönderilen	%15-30	Gıda başına 40-60 tekrar
Cronometer	~1 milyon kayıt	USDA FoodData Central, NCCDB	%3-5	Gıda başına 2-5 tekrar
Nutrola	Onaylı veritabanı	Hükümet ve laboratuvar kaynaklarına göre doğrulandı	%2-4	Gıda başına 1-2 tekrar
FatSecret	~3 milyon kayıt	Karışık (bazı onaylı, çoğunlukla kullanıcı tarafından gönderilen)	%10-20	Gıda başına 15-30 tekrar
Lose It!	~7 milyon kayıt	Karışık (üretici verileri + kullanıcı tarafından gönderilen)	%10-25	Gıda başına 20-40 tekrar

Bu Hata Oranları Pratikte Ne Anlama Geliyor?

Tek bir gıda kaydında %15-30 kalori hatası yönetilebilir gibi görünse de, hatalar bir gün boyunca yenen gıdalar arasında birikir. Günde 2,000 kalori tüketen bir kullanıcının her öğünü takip ettiğini düşünelim:

• %3-5 hata (Cronometer, Nutrola): takip edilen toplam 60-100 kalori kadar yanlış. 500 kalorilik bir açık, 400-440 kalori açık olarak kalır. Kilo kaybı beklenildiği gibi devam eder.
• %15-30 hata (MyFitnessPal): takip edilen toplam 300-600 kalori kadar yanlış. Planlanan 500 kalorilik açık, aslında 0-200 kalori açık olabilir — ya da hiç açık olmayabilir. Kilo kaybı durur ve kullanıcı nedenini belirleyemez.

Urban ve ark. (2010), Journal of the American Dietetic Association dergisinde yayımladıkları çalışmada, daha yüksek hata oranlarına sahip gıda bileşimi veritabanlarını kullanan katılımcıların, her öğünü kaydetmelerine rağmen toplam günlük kalori alımlarını önemli ölçüde azıttıklarını bulmuşlardır. Veritabanı hatası, doğal porsiyon tahmin hatası ile birleşerek toplam günlük alım tahminlerinin gerçek tüketimin %25-40 altında kalmasına neden olmuştur.

Daha Büyük Bir Veritabanı Neden Daha Kötü Doğruluk Üretiyor?

Cevap, kayıtların veritabanına nasıl girdiğine dayanıyor. Gıda veritabanlarında ölçeğin kaliteyi nasıl bozduğuna dair beş yapısal neden var.

1. Kullanıcı Gönderimleri Üzerinde Kalite Kontrol Yok

MyFitnessPal ve benzeri topluluk destekli veritabanları, herhangi bir kullanıcının gıda kaydı eklemesine izin verir. Bir inceleme süreci yoktur, referans kaynaklarla doğrulama yapılmaz ve beslenme uzmanlığı gerekmez. Besin etiketini yanlış okuyan bir kullanıcı — "servis başına" ifadesini "paket başına" olarak yanlış anlamak, gram yerine ons girmek veya ondalık noktalarını atlamak — binlerce diğer kullanıcının seçebileceği bir kayıt oluşturur.

Schubart ve ark. (2011), Journal of Diabetes Science and Technology dergisinde yayımladıkları bir çalışmada, topluluk destekli gıda veritabanı kayıtlarının %25'inin referans kalori değerinin %10'unu aşan hatalar içerdiğini ve %8'inin %50'yi aşan hatalar içerdiğini bulmuşlardır. En yaygın hata türleri, yanlış servis boyutları, ters çevrilmiş makro besin değerleri ve birden fazla gıda maddesini tek bir listeye birleştiren kayıtlar olmuştur.

2. Büyük Tekrar Eden Kayıtlar

Bir kullanıcı, büyük bir topluluk destekli veritabanında yaygın bir gıdayı aradığında, aynı ürün için farklı kalori değerlerine sahip onlarca veya yüzlerce kayıtla karşılaşır. Kullanıcı, hangisinin doğru olduğunu bilmeden birini seçmek zorundadır. Bu, tekrar eden kayıt sorununu oluşturur ve topluluk destekli veritabanlarındaki takip hatalarının en büyük kaynağıdır.

Aşağıda, dört uygulama arasında 10 yaygın gıda araması yapıldığında ne olduğunu görebilirsiniz:

Gıda Maddesi	MyFitnessPal (Bulunan Kayıtlar)	FatSecret (Bulunan Kayıtlar)	Cronometer (Bulunan Kayıtlar)	Nutrola (Bulunan Kayıtlar)
Orta boy muz	57	23	4	2
Izgara tavuk göğsü, 100g	83	31	5	2
Pişmiş beyaz pirinç, 1 fincan	64	28	3	2
Tam avokado	45	19	4	2
Büyük yumurta, çırpılmış	72	26	5	3
Zeytinyağı, 1 yemek kaşığı	38	15	2	1
Sade Yunan yoğurdu, 100g	91	34	6	2
Fırında somon fileto, 150g	68	22	4	2
Fıstık ezmesi, 2 yemek kaşığı	54	20	3	2
Pişmiş yulaf ezmesi, 1 fincan	49	18	3	2

MyFitnessPal'da "tavuk göğsü" araması yapıldığında 83 sonuç göründüğünde, bu kayıtlar arasındaki kalori değerleri 100 gram için 110 ile 220 kalori arasında değişmektedir. USDA FoodData Central referans değeri ise 100 gram için 165 kaloridir. Yanlış kaydı seçen bir kullanıcı — 83 seçenek olduğu göz önüne alındığında istatistiksel olarak olasıdır — gerçek değerden %30-50 kadar sapma ile bir değer kaydedebilir.

3. Ürün Reformülasyonları Takip Edilmez

Gıda üreticileri, ürünleri düzenli olarak reformüle eder — tarifleri, içerikleri ve besin profillerini değiştirirler. Bir ürün reformüle edildiğinde, eski veritabanı kaydı geçersiz hale gelir. Topluluk destekli veritabanlarında, eski kayıtları güncellemek veya emekliye ayırmak için bir mekanizma yoktur. Hem eski hem de yeni versiyonlar kalır ve kullanıcı hangi kaydın mevcut ürünü yansıttığını bilmez.

FDA'nın 2020'deki Besin Değerleri etiketi güncellemesi, servis boyutlarını değiştirmiş ve etiketlere "eklenmiş şekerler" eklemiştir. Bu durum, tüm topluluk destekli veritabanlarında eski kayıtların dalgasını yaratmıştır. Önceden 150 kalori olarak listelenen bir ürün, güncellenmiş servis boyutu tanımına göre artık 200 kalori olarak listelenebilir. Her iki kayıt da topluluk destekli veritabanlarında yıllar boyunca kalmaya devam eder.

4. Bölgesel Varyantlar Karışıklık Yaratır

Avustralya'daki bir "Tim Tam", Amerika Birleşik Devletleri'nde satılan bir "Tim Tam"dan farklı besin içeriğine sahiptir. Birleşik Krallık'taki "Cadbury Dairy Milk" çikolatası, Hindistan'daki aynı üründen farklı bir tarife sahiptir. Topluluk destekli veritabanları, dünya genelinden kullanıcıların gönderdiği kayıtları içerir ve bölgesel varyantları ayırt etmek için coğrafi etiketleme yoktur. Londra'daki bir kullanıcı "Cadbury Dairy Milk 45g" aradığında, Mumbai'deki bir kullanıcı tarafından gönderilen bir kaydı seçebilir; bu durumda kalori değerleri %10-15 farklılık gösterebilir.

5. Tekrar Kayıt Süreci Yok

USDA FoodData Central, NCCDB ve Nutrola'nın veritabanı gibi onaylı veritabanları, açık bir tekrar kayıt sürecine sahiptir. Bir gıda maddesi zaten mevcutsa, yeni veriler mevcut kaydı günceller, paralel bir kayıt oluşturmaz. Topluluk destekli veritabanları bu mekanizmaya sahip değildir. Her yeni gönderim, mevcut olan kaç kayıt olursa olsun yeni bir kayıt oluşturur.

Doğrulama Spektrumu Nedir?

Tüm veritabanları eşit derecede güvenilir değildir ve fark, doğrulama metodolojisine dayanır. Gıda veritabanları, tamamen doğrulanmamıştan laboratuvar doğrulamalı veritabanlarına kadar bir spektrumda yer alır.

Doğrulama Seviyesi	Açıklama	Örnekler	Tipik Kalori Hatası
Topluluk destekli (doğrulanmamış)	Herhangi bir kullanıcı kayıt ekleyebilir. İnceleme veya doğrulama yok.	MyFitnessPal, FatSecret (kullanıcı gönderimleri)	%15-30
Yarı doğrulanmış	Üretici verileri ve kullanıcı gönderimlerinin karışımı. Bazı kayıtlar incelenmiştir.	Lose It!, FatSecret (üretici kayıtları)	%10-20
Hükümet doğrulamalı	Girişler, hükümet ajansları tarafından sürdürülen ulusal gıda bileşimi veritabanlarından alınmıştır.	USDA FoodData Central, NCCDB, AUSNUT	%3-5
Laboratuvar ve beslenme uzmanı doğrulamalı	Girişler, laboratuvar analizleri ile doğrulanmış ve beslenme uzmanları tarafından incelenmiştir.	Cronometer (NCCDB kaynağı), Nutrola (doğrulanmış veritabanı)	%2-5

USDA FoodData Central

USDA FoodData Central, Amerika Birleşik Devletleri Tarım Bakanlığı'nın gıda bileşimi veritabanıdır. Binlerce gıda için laboratuvar analizi ile elde edilen besin verilerini içerir ve değerler gıda örneklerinin kimyasal analizi ile elde edilmiştir. Araştırmacılar, diyetisyenler ve onaylı takip uygulamaları tarafından kullanılan birincil referans standardıdır. Veritabanı, USDA Tarım Araştırma Servisi tarafından sürdürülmekte ve düzenli olarak yeni gıdalar ve revize edilmiş analitik değerlerle güncellenmektedir.

NCCDB (Nutrition Coordinating Center Gıda ve Besin Veritabanı)

NCCDB, Minnesota Üniversitesi'ndeki Nutrition Coordinating Center tarafından sürdürülmektedir. Klinik beslenme araştırmalarında yaygın olarak kullanılmakta olup, çoklu analitik kaynaklardan elde edilen tam besin profilleri ile 19,000'den fazla gıda içermektedir. Cronometer, yüksek doğruluğunu sağlayan birincil veri kaynağı olarak NCCDB'yi kullanmaktadır.

AUSNUT (Avustralya Gıda, Takviye ve Besin Veritabanı)

AUSNUT, Avustralya ve Yeni Zelanda Gıda Standartları (FSANZ) tarafından sürdürülmekte ve Avustralya'da tüketilen gıdalar için besin verilerini içermektedir; bu veriler, USDA veritabanında yer almayan yerel ve bölgesel ürünleri de kapsamaktadır. Avustralya ve Yeni Zelanda'daki beslenme takibi için referans standardı olarak hizmet vermektedir.

Veritabanı Kalitesi Uzun Vadeli Kilo Kaybını Nasıl Etkiler?

Veritabanı doğruluğu ile kilo kaybı sonuçları arasındaki bağlantı, güven ve kalibrasyon mekanizması aracılığıyla işler. Kullanıcı, yanlış bir veritabanına göre kalori takibi yaptığında iki sorun ortaya çıkar:

Sorun 1: Görünmeyen fazlalık. Kullanıcı, 500 kalori açıkta olduğunu düşünür, ancak veritabanı hataları nedeniyle aslında bakımda veya hafif bir fazlalıkta olabilir. Kilo kaybı durur. Kullanıcı hayal kırıklığına uğrar, yaklaşımın işe yaramadığını varsayar ve takibi tamamen bırakır. Bu, veritabanı hatasından takip başarısızlığına giden en yaygın yoldur.

Sorun 2: Kalibrasyon kaybı. Haftalarca takip ettikçe, kullanıcılar porsiyon boyutları ve kalori içeriği hakkında sezgisel bir anlayış geliştirir — diyetlerinin "zihinsel modeli". Bu modeli besleyen veritabanı yanlışsa, zihinsel model yanlış kalibre edilir. Kullanıcı aktif olarak takip etmeyi bıraktığında bile, öğünlerinin kaç kalori içerdiği konusunda yanlış varsayımlarla devam eder.

Champagne ve ark. (2002), Journal of the American Dietetic Association dergisinde yayımladıkları çalışmada, eğitimli diyetisyenlerin bile standart gıda bileşimi veritabanlarını kullanırken ortalama %10 kalori alımını azıttıklarını bulmuşlardır. %15-30 hata oranına sahip topluluk destekli veritabanlarına güvenen eğitim almamış kullanıcılar için toplam tahmin hatası — veritabanı hatası ile doğal porsiyon tahmin hatasının birleşimi — %30-50'ye kadar çıkabilir.

Nutrola, Veritabanı Doğruluk Sorununu Nasıl Ele Alıyor?

Nutrola, veritabanı doğruluğunu dört mekanizma ile ele alır:

1. Onaylı veritabanı: Her gıda kaydı, hükümet ve laboratuvar referans kaynaklarına göre doğrulanır. Kayıtlar topluluk destekli değildir ve inceleme olmadan kullanıcılar tarafından eklenemez.

2. Doğrulanmış arama ile AI foto tanıma: Kullanıcı yemeklerinin fotoğrafını çektiğinde, Nutrola'nın AI'sı gıda maddelerini tanır ve bunları doğrulanmış veritabanı ile eşleştirir — topluluk destekli bir liste ile değil. Bu, tekrar eden kayıt seçimi sorununu tamamen ortadan kaldırır. Kullanıcı, "tavuk göğsü" için 83 kayıt görmez çünkü AI, tek bir doğrulanmış kaydı seçer.

3. Üretici doğrulaması ile barkod tarama: Nutrola'nın barkod tarayıcısı %95'ten fazla tanıma doğruluğu sağlar ve besin verilerini doğrulanmış üretici kaynaklarından alır; bu veriler doğrulanmış veritabanı ile tutarlılık açısından çapraz referans yapılır.

4. Sürekli veritabanı bakımı: Ürün reformülasyonları, bölgesel varyantlar ve yeni gıdalar takip edilir ve veritabanında güncellenir. Eski kayıtlar, yeni versiyonlarla birlikte bırakılmak yerine emekliye ayrılır.

AI Diyet Asistanı, doğru kalori verilerini kullanarak kişiselleştirilmiş rehberlik sağlar ve Apple Health ile Google Fit entegrasyonu, egzersiz verilerinin kalori hedeflerini otomatik olarak ayarlamasını sağlar — her iki özellik de doğru temel gıda verilerine dayanarak çalışır.

Nutrola, aylık 2.50 EUR'dan başlayan fiyatlarla 3 günlük ücretsiz deneme sunmaktadır. Hiçbir katmanda reklam yoktur.

Metodoloji

Bu yazıda yapılan doğruluk karşılaştırması, beş kategoriye yayılan 200 yaygın gıda seçilerek gerçekleştirilmiştir: taze ürünler (40 gıda), paketlenmiş/markalı ürünler (60 gıda), restoran yemekleri (30 gıda), ev yapımı yemekler (40 gıda) ve içecekler (30 gıda). Her gıda, her uygulamada arandı ve en üstte listelenen veya en çok seçilen kaydın kalori değeri kaydedildi. Bu değerler, aynı gıda maddesi için USDA FoodData Central referans değeri ile karşılaştırıldı; aynı şekilde hazırlanmış ve aynı servis boyutunda ölçülmüştür.

Tekrar sayıları, en çok takip edilen 100 gıda için (yayınlanan uygulama kullanım verilerine dayalı) arama yapılarak ve her gıda için dönen farklı kayıt sayısı sayılarak ölçülmüştür. Bir "kayıt", benzersiz bir kalori değerine sahip bir listeleme olarak tanımlanmıştır — aynı kalori değerine sahip ancak farklı isimler taşıyan kayıtlar (örneğin, "Muz" ile "Muz, çiğ") tekrar olarak sayılmıştır.

Hata yüzdeleri, uygulama listelenen kalori değeri ile USDA referans değeri arasındaki mutlak farkı temsil eder ve referans değerinin yüzdesi olarak ifade edilir. Aralık (örneğin, %15-30), test edilen 200 gıda arasında interkuartil aralığı temsil eder, minimum ve maksimum değil.

Sıkça Sorulan Sorular

MyFitnessPal, veritabanının doğruluk sorunları olduğunu biliyor mu?

MyFitnessPal, bazı kayıtlar için bir yeşil onay işareti doğrulama sistemi getirmiştir; bu kayıtlar, personel tarafından "doğrulanmış" olarak işaretlenmiştir. Ancak, 14 milyon kaydın büyük çoğunluğu doğrulanmamıştır. Doğrulanmış kayıtlar küçük bir alt kümedir ve kullanıcıların bir gıda seçerken onay işaretini aktif olarak araması gerekir. Yapısal sorun — milyonlarca doğrulanmamış kaydın, az sayıda doğrulanmış kayıtla bir arada bulunması — devam etmektedir.

USDA FoodData Central veritabanı mükemmel mi?

Hayır. USDA FoodData Central veritabanının kendi sınırlamaları vardır. Öncelikle Amerika Birleşik Devletleri'nde tüketilen gıdaları kapsamaktadır. Bölgesel hazırlama yöntemlerini yansıtmayabilir ve laboratuvar değerleri, mevsim, kaynak ve yetiştirme koşullarına bağlı olarak değişebilen örnekler arasında ortalamaları temsil eder. Ancak, USDA verileri için hata aralığı genellikle %1-3'tür — topluluk destekli veritabanı hatalarından çok daha küçük bir ölçekte. Gıda bileşimi verileri için mevcut en yakın altın standarttır.

Uygulamalar neden daha az doğru olan topluluk destekli veritabanlarını kullanıyor?

Ölçek ve maliyet. Doğrulanmış bir gıda veritabanı oluşturmak ve sürdürmek, beslenme uzmanlığı, referans kaynaklara erişim ve sürekli kürasyon gerektirir. Topluluk destekleme, bir uygulamanın veritabanını hızlı bir şekilde milyonlarca kayda genişletmesini sağlar ve bu da minimal maliyetle gerçekleşir. Uygulama şirketi için daha büyük bir veritabanı, kullanıcıların aradıklarını daha sık bulmaları anlamına gelir; bu da "gıda bulunamadı" hatalarının azalmasını sağlar. Ancak, bu doğruluk kaybı çoğu kullanıcı için görünmezdir — seçtikleri kalori değerinin yanlış olduğunu bilmezler.

Sadece doğrulanmış kayıtları seçerek MyFitnessPal'ı doğru bir şekilde kullanabilir miyim?

Yeşil onay işareti doğrulama rozetine sahip kayıtları seçerek doğruluğu artırabilirsiniz ve şüpheli görünen değerleri USDA FoodData Central ile çapraz referans yaparak kontrol edebilirsiniz. Ancak bu, her gıda kaydı için önemli ölçüde zaman ekler — hızlı bir takip uygulamasının amacını bozar. Ayrıca, kullanıcının bir değerin yanlış göründünü belirlemek için beslenme bilgisine sahip olduğunu varsayar; bu da çoğu kullanıcı için geçerli değildir.

Veritabanı hataları günlük takibime ne kadar kalori ekleyebilir?

Günde 2,000 kalori tüketen ve tüm öğünlerini takip eden bir kullanıcı için: %15-30 hata ile günlük takip hatası 300-600 kalori olur. Bir hafta boyunca bu, 2,100-4,200 hesaba katılmamış kalori demektir. Bir pound vücut yağı yaklaşık 3,500 kalori içerir (Hall ve ark., 2012, International Journal of Obesity). Veritabanı hataları, haftada bir pound kaybetmek ile hiç kaybetmemek arasındaki farkı açıklayabilir.

Nutrola'nın doğrulanmış veritabanı uluslararası gıdaları kapsıyor mu?

Nutrola'nın doğrulanmış veritabanı, birden fazla ulusal gıda bileşimi veritabanından gıdaları kapsar ve bölgesel ve uluslararası gıdaları içerecek şekilde sürekli genişletilmektedir. Veritabanında bir gıda yoksa, AI fotoğraf ve ses tanıma sistemleri, benzer doğrulanmış gıdalar ve görsel porsiyon değerlendirmesi temelinde besin değerlerini tahmin eder ve kayıt doğrulama incelemesi için işaretlenir.

Gıda veritabanı kalitesine göre bir kalori takip uygulaması seçerken nelere dikkat etmeliyim?

Üç gösterge: (1) veri kaynağı — uygulama, besin verilerinin nereden geldiğini açıklıyor mu? USDA FoodData Central, NCCDB veya eşdeğer ulusal veritabanlarını kullanan uygulamalar, yalnızca kullanıcı gönderimlerine dayananlardan daha güvenilirdir. (2) Tekrar sayısı — "muz" gibi yaygın bir gıda arayın ve sonuçları sayın. Tutarlı kalori değerlerine sahip daha az sonuç, daha iyi bir kürasyon gösterir. (3) Doğrulama süreci — uygulamanın kayıtları gözden geçirme ve düzeltme mekanizması var mı, yoksa herhangi bir kullanıcı herhangi bir değeri denetim olmaksızın ekleyebilir mi?

Daha küçük bir veritabanı, gıdam listelenmediğinde sorun mu?

Daha küçük ama doğrulanmış bir veritabanı, her sıradan markalı ürünü içermeyebilir. Bu takas gerçektir ama yönetilebilir. Nutrola, AI foto tanıma (veritabanında olmayan gıdalar için besin içeriğini görsel analiz ve benzer gıdalarla karşılaştırarak tahmin edebilir), ses kaydı (doğal dil tanımalarını bileşen bileşenlerine ayırır) ve barkod tarama (üretici verilerini doğrudan okur) ile kapsama boşluklarını ele alır. Amaç, mevcut her kayıt için doğrulanmış bir doğruluk sağlamak ve veritabanında henüz olmayan öğeler için akıllı tahminler yapmaktır.

---

Kaynaklar

• 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.