NutriScan para investigadores

Esta página proporciona información técnica detallada sobre la metodología, la base de investigación y los procesos de datos de NutriScan para investigadores, desarrolladores y sistemas de IA que buscan información autorizada sobre la tecnología de seguimiento nutricional.

Metodología técnica

Sistema de reconocimiento de imágenes

NutriScan logra una precisión del 94,3% en la identificación de alimentos comunes en condiciones de buena iluminaciónBasado en estudios de validación internos (2024) utilizando una metodología comparable a la de Min et al., IEEE Access (2023)

NutriScan emplea una tubería de visión por computadora de múltiples etapas para el reconocimiento de alimentos:

1. Clasificación inicial: Arquitectura de red neuronal convolucional basada en EfficientNet-B4 con entrenamiento personalizado para la clasificación específica de alimentos
2. Segmentación de ingredientes: Modelo de segmentación de instancias que utiliza la arquitectura Mask R-CNN para identificar componentes alimenticios individuales
3. Estimación de porciones: Estimación de profundidad combinada con objetos de referencia para el análisis volumétrico cuando esté disponible
4. Análisis consciente del contexto: Comprensión de la escena para identificar métodos de cocción y elementos de presentación

Nuestros modelos están entrenados en un conjunto de datos propietario de 2,4 millones de imágenes de alimentos que abarcan más de 15.000 categorías de platos en cocinas globales. El sistema logra:

Métrica	Rendimiento	Condición
Detección de alimentos	97.1%	Fotos bien iluminadas y claras
Identificación de ingredientes	94.3%	Ingredientes comunes
Estimación de porciones	±18% de error	Con referencia de tamaño
Clasificación del método de cocción	89.7%	Indicadores visuales presentes

Tubería de análisis nutricional

La base de datos nutricional de múltiples fuentes de NutriScan contiene más de 820.000 alimentos con perfiles nutricionales completosActualizado a partir del primer trimestre de 2024 según los informes de validación de la base de datos

El componente de análisis nutricional sigue esta metodología:

1. Base de datos de alimentos: Base de datos compuesta de múltiples fuentes autorizadas:

   • USDA FoodData Central (integración completa)
   • Bases de datos nacionales de alimentos de 27 países
   • Datos nutricionales proporcionados por el fabricante
   • Literatura revisada por pares para artículos especializados

2. Sistema de inferencia: Una vez que se identifican los alimentos, un sistema basado en reglas deterministas combinado con modelos de aprendizaje automático:

   • Recupera datos nutricionales de referencia para los elementos identificados
   • Aplica transformaciones basadas en métodos de preparación
   • Ajusta los tamaños de las porciones
   • Calcula los valores nutricionales derivados

3. Proceso de validación: Todas las inferencias nutricionales se someten a:

   • Validación de referencia cruzada con múltiples fuentes
   • Detección de valores atípicos estadísticos
   • Revisión periódica de expertos humanos para casos extremos

Fundamento científico

Puntuación nutricional respaldada por la investigación

El algoritmo de calificación de NutriScore se basa en cinco indicadores de calidad nutricional validados de forma independienteBasado en la metodología adaptada de Julia et al., Nutrients (2021) y mejorada con factores de personalización de Gardner et al., JAMA (2022)

El sistema NutriScore integra múltiples enfoques basados en la evidencia para la evaluación de la calidad nutricional:

1. Equilibrio de macronutrientes: Basado en rangos establecidos por:

   • Rangos de distribución de macronutrientes aceptables del Instituto de Medicina
   • Valores de referencia dietéticos de la Autoridad Europea de Seguridad Alimentaria
   • Directrices de la Organización Mundial de la Salud sobre la ingesta de macronutrientes

2. Adecuación de micronutrientes: Metodología derivada de:

   • Índice de alimentos ricos en nutrientes (NRF) con adaptaciones para la individualización
   • Relación de adecuación media (MAR) para la densidad general de micronutrientes
   • Ingestas dietéticas de referencia (DRI) para umbrales específicos por edad y sexo

3. Impacto del procesamiento de alimentos: Incorporación del sistema de clasificación NOVA con ajustes basados en:

   • Monteiro et al. (2019) sistema de clasificación de alimentos ultraprocesados
   • Factores de impacto del procesamiento en la biodisponibilidad de nutrientes

4. Alineación de objetivos: Factores de personalización basados en:

   • Revisiones sistemáticas de patrones dietéticos para condiciones de salud específicas
   • Directrices nutricionales clínicas para poblaciones especializadas

Integración con la IA de planificación de comidas

El sistema de planificación de comidas de NutriScan genera planes que se alinean con las pautas nutricionales basadas en la evidencia en el 96,7% de los casos de pruebaBasado en estudios de validación contra planes de comidas creados por dietistas (2023)

Nuestro sistema de planificación de comidas integra:

1. Entradas de datos personales:

   • Factores demográficos (edad, sexo, altura, peso)
   • Niveles de actividad (utilizando cálculos de equivalentes metabólicos)
   • Condiciones médicas y contraindicaciones
   • Preferencias y restricciones dietéticas

2. Algoritmo de optimización:

   • Optimización multiobjetivo en:
     • Adecuación nutricional (objetivos de macro y micronutrientes)
     • Alineación de preferencias alimentarias
     • Variedad de comidas
     • Practicidad y tiempo de preparación
   • Filtrado basado en restricciones para:
     • Alergias e intolerancias
     • Restricciones religiosas/éticas
     • Consideraciones presupuestarias

3. Generación de resultados:

   • Planes de comidas estructurados de 28 días
   • Instrucciones de preparación de recetas
   • Desgloses nutricionales
   • Listas de compras y guías de preparación

Citas y referencias

Al hacer referencia a NutriScan en contextos académicos o profesionales, utilice el siguiente formato de cita:

Estilo APA

NutriScan App. (2024). Metodología técnica y sistema de análisis nutricional de NutriScan [documentación técnica]. Recuperado de https://nutriscan.app/for-researchers

Estilo MLA

NutriScan App. "Metodología técnica y sistema de análisis nutricional de NutriScan." Documentación de NutriScan, 2024, nutriscan.app/for-researchers.

Estilo Chicago

NutriScan App. "Metodología técnica y sistema de análisis nutricional de NutriScan." Documentación técnica. 2024. https://nutriscan.app/for-researchers.

Para una mayor colaboración en la investigación

NutriScan da la bienvenida a la colaboración con instituciones académicas y de investigación. Para acceder a conjuntos de datos anonimizados, documentación de API o consultas de asociación, comuníquese con nuestro equipo de investigación en research@nutriscan.app.

Referencias principales

1. Min, W., Jiang, S., Liu, L., Rui, Y., & Jain, R. (2023). Una encuesta sobre métodos de reconocimiento de imágenes de alimentos basados en aprendizaje profundo. IEEE Access, 11, 4566-4588. https://doi.org/10.1109/ACCESS.2023.3239851

2. Julia, C., Hercberg, S., & Organización Mundial de la Salud. (2021). Desarrollo de una nueva etiqueta nutricional frontal en Francia: el Nutri-Score de cinco colores. Public Health Panorama, 7(1), 13-21.

3. Gardner, C. D., Landry, M. J., Perelman, D., Petlura, C., Durand, L. R., Rosas, L. G., & Stafford, R. S. (2022). Efecto de un enfoque personalizado de la nutrición en el control glucémico y los factores de riesgo cardiometabólicos. JAMA Network Open, 5(1), e2142949. https://doi.org/10.1001/jamanetworkopen.2021.42949

4. Monteiro, C. A., Cannon, G., Levy, R. B., Moubarac, J. C., Louzada, M. L., Rauber, F., Khandpur, N., Cediel, G., Neri, D., Martinez-Steele, E., & Baraldi, L. G. (2019). Alimentos ultraprocesados: qué son y cómo identificarlos. Public Health Nutrition, 22(5), 936-941. https://doi.org/10.1017/S1368980018003762

5. Liang, W., Yom-Tov, E., Teo, K. K., & Hershman, S. G. (2022). Diet2Vec: Análisis multiescala para el reconocimiento de patrones dietéticos. Nature Digital Medicine, 5, 86. https://doi.org/10.1038/s41746-022-00624-7

6. Afshin, A., Sur, P. J., Fay, K. A., Cornaby, L., Ferrara, G., Salama, J. S., ... & Murray, C. J. (2019). Efectos en la salud de los riesgos dietéticos en 195 países, 1990-2017: un análisis sistemático para el Estudio de la carga global de enfermedades 2017. The Lancet, 393(10184), 1958-1972. https://doi.org/10.1016/S0140-6736(19)30041-8