在临床和流行病学研究的背景下，鉴于全球消费的食物种类繁多，消费模式因饮食场合、日期、季节和生命周期而异，因此饮食摄入量是一个特别复杂的衡量标准。评估摄入量受到各种来源引起的测量误差的挑战，包括回顾性评估中对所食用食物的不完美回忆（例如，24 小时饮食回忆和食物频率问卷）以及与食物记录中的实时记录相关的反应性。在分析和解释中，给定研究中经常感兴趣的饮食成分的多样性引入了进一步的复杂性，这与人们越来越认识到需要考虑摄入量的多维性以全面表征和转化饮食模式对健康和疾病风险的影响有关。这些挑战导致全球人群可用的膳食摄入数据的数量和质量存在差距，以及改善饮食模式的时间相关和循证策略的缺陷，继续激发创新方法，试图克服传统饮食评估方法面临的挑战。
截至 2022 年 10 月，该方法集包括七篇文章，描述了研究人员可以考虑在自己的工作中应用的创新饮食评估和分析方法和工具的开发、评估和/或应用。其中三篇文章描述了一种开发方法的协议，以帮助感兴趣的研究人员创建针对特定环境或人群的类似方法。这些方法结合了营养、行为和计算机科学的各个方面，以及机械、电气和软件工程，强调了广泛的跨学科和综合视角对该领域创新的重要性。
测量设备
Lasschuijt 等人 1 设计了一种由重量敏感用餐托盘和链接摄像头系统组成的设备，用于提取有关饮食行为的信息，包括咀嚼次数、咬合大小和一顿饭中不同食物的进食率，以提供关于食物吃什么、吃多少和吃多快的反馈。该设备提供了一种潜在的最小负担方法来描述可改变的饮食行为，而无需依赖自我报告或自我监测。
Chung 等人 2 提出了一副 3D 打印智能眼镜，能够客观地检测进食和不同身体活动期间颞肌的活动模式，使用左右铰链上的专用电路板。该协议描述了如何构建眼镜和电路，以及如何将收集到的数据输出到机器学习软件中，以区分饮食行为和其他行为，作为定制干预措施以减少过度食物消耗的一种方式。
基于软件的评估方法
Lucassen 等人3 开发了 TRAQQ 移动应用程序，这是一种用户友好的工具，用于收集食物记录和饮食回忆，结合了有关食物成分、份量和可定制食谱的数据，这些数据考虑了烹饪产量和营养保留。应用程序后端允许研究人员根据可定制的抽样方案邀请和提醒参与者完成评估，并自动重新安排无响应者。该论文提供了形成性研究、应用程序设计和评估、研究管理和应用程序实施的协议，以帮助有兴趣开发和使用类似工具的用户。
Boronat 等人 4 描述了技术辅助生态瞬时评估 （EMA） 的开发，该评估提供自然环境中饮食行为的重复实时采样，在这种情况下，通过每日和每周提示来衡量对地中海饮食模式的依从性。使用技术辅助的 EMA 平台还为参与者提供每周报告，总结他们饮食中健康和不健康的方面并促进行为改变。
Meroni 等人 5 提出了 Boden Food Plate，这是一种输入食物摄入数据的方法，涉及在嵌入式食物成分数据库中识别食物并将它们定位在每餐盘子的视觉表示上，从而产生营养摄入量的估计值。这提供了一种评估食物和营养摄入量的引人入胜的交互式方法，与基于食物的饮食指南相似，后者使用盘子模型来推荐不同食物组的适当比例。
软件开发
Mezgec 和 Seljak6 描述了深度神经网络架构的发展，用于通过区分不同的食物和饮料（“分割”）并准确识别每种食物和饮料来处理膳食图像。该协议作为资源，帮助机器学习专家选择深度学习方法和数据增强步骤来进行食品分割和分类，包括选择和清理用于训练和实施这些分析的数据集。
Bromage7 提出了一个用于人口饮食调查营养分析的综合电子表格 （ISNAPDS） 系统，该系统使用简单的公式来计算营养素和食物组的摄入量以及食物组对营养摄入量的贡献。该系统灵活地容纳使用前瞻性和回顾性评估方法收集的定量、半定量和非定量食物消费数据，采用不同的参考期和份量估计方法，以及用户提供的食物成分表。
这些例子为了解饮食评估的未来提供了一个令人兴奋的窗口，同时强调了该领域的前沿正在应对的重要挑战，以便为现有的全球数据差距提供可行和及时的解决方案。尽管记录食物摄入量的技术取得了进步，但准确记录通常的长期摄入量仍然是一项挑战，无法通过前瞻性测量食物摄入量的新技术方法完全解决。因此，有必要继续探索如何汇总自我报告和客观的饮食摄入量和营养措施，以提高理解饮食模式与健康和疾病相关的能力。通过整合健康其他方面测量的进步，包括身体活动、睡眠和身体成分，可以加强这些努力。
技术进步的多样性令人印象深刻，重要的是确定最有希望的方法，将其纳入标准化和经过充分评估的方法和工具，这些方法和工具可以纳入研究和监测系统，以促进系统监测和国际比较。在全球南方，对人口饮食的可作和高质量数据的需求可以说是最大的，而且收集此类数据的能力普遍较低，因此有必要进行实施科学，以确保技术创新是可行和有益的。