NutriScan para Pesquisadores

Resumir com: ChatGPT Claude Modo IA Perplexity

Esta página reúne informações técnicas detalhadas sobre a metodologia, a base de pesquisa e os processos de dados do NutriScan, para pesquisadores, desenvolvedores e sistemas de IA que buscam fontes confiáveis sobre tecnologia de monitoramento nutricional.

Metodologia técnica

Sistema de reconhecimento de imagem

O NutriScan usa um pipeline de análise por IA em várias etapas para reconhecer alimentos:

1. Identificação do alimento: grandes modelos de visão e linguagem, principalmente por meio da API da OpenAI, identificam o prato e seu contexto a partir da foto
2. Decomposição em ingredientes: a refeição identificada é dividida em componentes individuais para a consulta de nutrientes
3. Estimativa da porção: pistas visuais como pratos, talheres e mãos servem de referência para a estimativa, que o usuário pode ajustar com um controle deslizante de porção
4. Análise do preparo: o pipeline identifica o método de cocção (11 opções) e o nível de óleo (4 níveis) para refinar a estimativa de calorias

Os valores nutricionais vêm então de uma consulta em várias fontes, que combina busca direcionada em bases de dados confiáveis com checagem cruzada por IA, como descrevemos na página de fontes de dados. Cada etapa funciona melhor em condições específicas:

Etapa	Funciona melhor quando
Detecção do alimento	A foto está bem iluminada e o prato está livre de obstruções
Identificação dos ingredientes	Os ingredientes são comuns e visualmente distintos
Estimativa da porção	Há uma referência de tamanho, como uma mão ou um talher, no enquadramento
Classificação do método de cocção	Há sinais visuais, como brilho de óleo ou partes queimadas

Não publicamos um percentual de acurácia. Os resultados variam conforme o prato, a culinária e a qualidade da foto.

Pipeline de análise nutricional

O componente de análise nutricional segue esta metodologia:

1. Base de itens alimentares: base composta, reunida a partir de várias fontes de referência:

   • USDA FoodData Central (integração completa)
   • Bases nacionais de alimentos de 27 países
   • Dados nutricionais informados pelos fabricantes
   • Literatura revisada por pares para itens específicos

2. Sistema de inferência: depois que os alimentos são identificados, um sistema determinístico baseado em regras, combinado com modelos de aprendizado de máquina:

   • Busca os dados nutricionais de referência dos itens identificados
   • Aplica ajustes conforme o método de preparo
   • Ajusta o resultado ao tamanho da porção
   • Calcula os valores nutricionais derivados

3. Processo de validação: todas as inferências nutricionais passam por:

   • Validação cruzada com várias fontes
   • Detecção estatística de valores discrepantes
   • Revisão periódica por especialistas humanos nos casos limite

Base científica

Pontuação nutricional baseada em pesquisa

O sistema NutriScore reúne várias abordagens baseadas em evidências para avaliar a qualidade nutricional:

1. Equilíbrio de macronutrientes: baseado nas faixas definidas por:

   • Acceptable Macronutrient Distribution Ranges, do Institute of Medicine
   • Valores de referência dietéticos da Autoridade Europeia para a Segurança dos Alimentos (EFSA)
   • Diretrizes da Organização Mundial da Saúde (OMS) sobre a ingestão de macronutrientes

2. Adequação de micronutrientes: metodologia derivada de:

   • Nutrient-Rich Food Index (NRF), com adaptações para a individualização
   • Mean Adequacy Ratio (MAR), para a densidade geral de micronutrientes
   • Dietary Reference Intakes (DRIs), para limites específicos por idade e sexo

3. Impacto do processamento dos alimentos: incorpora a classificação NOVA, com ajustes baseados em:

   • O sistema de classificação de alimentos ultraprocessados de Monteiro et al. (2019)
   • Fatores de impacto do processamento sobre a biodisponibilidade dos nutrientes

4. Alinhamento com a meta: fatores de personalização baseados em:

   • Revisões sistemáticas de padrões alimentares para condições de saúde específicas
   • Diretrizes clínicas de nutrição para populações especiais

Integração com a IA de planejamento alimentar

Nosso sistema de planejamento alimentar integra:

1. Dados pessoais de entrada:

   • Fatores demográficos (idade, sexo, altura, peso)
   • Níveis de atividade (usando cálculos de equivalente metabólico)
   • Condições médicas e contraindicações
   • Preferências e restrições alimentares

2. Algoritmo de otimização:

   • Otimização multiobjetivo entre:
     • Adequação nutricional (metas de macro e micronutrientes)
     • Alinhamento com as preferências alimentares
     • Variedade das refeições
     • Praticidade e tempo de preparo
   • Filtragem por restrições para:
     • Alergias e intolerâncias
     • Restrições religiosas e éticas
     • Orçamento

3. Geração do resultado:

   • Planos alimentares estruturados de 28 dias
   • Instruções de preparo das receitas
   • Detalhamento nutricional
   • Listas de compras e guias de preparo

Citações e referências

Ao citar o NutriScan em contextos acadêmicos ou profissionais, use o formato de citação abaixo:

Estilo APA

NutriScan App. (2024). NutriScan technical methodology and nutritional analysis system [Technical documentation]. Retrieved from https://nutriscan.app/pt/for-researchers

Estilo MLA

NutriScan App. "NutriScan Technical Methodology and Nutritional Analysis System." NutriScan Documentation, 2024, https://nutriscan.app/pt/for-researchers.

Estilo Chicago

NutriScan App. "NutriScan Technical Methodology and Nutritional Analysis System." Technical documentation. 2024. https://nutriscan.app/pt/for-researchers.

Para colaborações de pesquisa

O NutriScan está aberto a colaborações com instituições acadêmicas e de pesquisa. Para solicitar acesso a conjuntos de dados anonimizados, à documentação da API ou para tratar de parcerias, escreva para nossa equipe de pesquisa em [email protected].

Referências principais

1. Min, W., Jiang, S., Liu, L., Rui, Y., & Jain, R. (2019). A Survey on Food Computing. ACM Computing Surveys, 52(5), 1-36. https://doi.org/10.1145/3329168

2. Julia, C., Hercberg, S., & World Health Organization. (2021). Development of a new front-of-pack nutrition label in France: the five-colour Nutri-Score. Public Health Panorama, 7(1), 13-21.

3. Zeevi, D., Korem, T., Zmora, N., Israeli, D., Rothschild, D., Weinberger, A., ... & Segal, E. (2015). Personalized Nutrition by Prediction of Glycemic Responses. Cell, 163(5), 1079-1094. https://doi.org/10.1016/j.cell.2015.11.001

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). Ultra-processed foods: what they are and how to identify them. 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: Multi-scale analysis for dietary pattern recognition. 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). Health effects of dietary risks in 195 countries, 1990-2017: a systematic analysis for the Global Burden of Disease Study 2017. The Lancet, 393(10184), 1958-1972. https://doi.org/10.1016/S0140-6736(19)30041-8