In de context van klinisch en epidemiologisch onderzoek is voedselinname een bijzonder complexe blootstelling om te meten, gezien de enorme diversiteit aan voedingsmiddelen die wereldwijd worden geconsumeerd, met variaties in consumptiepatronen tussen maaltijden, dagen, seizoenen en de levenscyclus. Het beoordelen van de inname wordt bemoeilijkt door meetfouten die voortkomen uit verschillende bronnen, waaronder onvolkomen herinnering aan geconsumeerde voedingsmiddelen in retrospectieve beoordelingen (bijv. 24-uurs dieetregistraties en voedselfrequentievragenlijsten) en reactiviteit geassocieerd met realtime registratie in het geval van voedselregistraties. In analyse en interpretatie wordt verdere complexiteit geïntroduceerd door de diversiteit aan voedingscomponenten die vaak van belang zijn in een bepaald onderzoek, gerelateerd aan de groeiende erkenning van de noodzaak om rekening te houden met de multidimensionaliteit van de inname om de effecten van voedingspatronen op gezondheid en ziekterisico holistisch te karakteriseren en te vertalen. Deze uitdagingen, die resulteren in hiaten in de hoeveelheid en kwaliteit van de beschikbare voedselinnamegegevens voor populaties wereldwijd, evenals tekorten in tijdrelevante en op bewijs gebaseerde strategieën voor het verbeteren van voedingspatronen, blijven innovatieve benaderingen inspireren die proberen de uitdagingen te overwinnen waarmee conventionele methoden voor voedselbeoordeling worden geconfronteerd.
Per oktober 2022 bevat deze verzameling methoden zeven artikelen die de ontwikkeling, evaluatie en/of toepassing beschrijven van innovatieve methoden en hulpmiddelen voor voedselbeoordeling en -analyse die onderzoekers kunnen overwegen om in hun eigen werk toe te passen. Drie van de artikelen beschrijven een protocol voor het ontwikkelen van een methode om geïnteresseerde onderzoekers te helpen bij het creëren van vergelijkbare methoden die zijn afgestemd op specifieke omgevingen of populaties. De methoden bevatten aspecten van voeding, gedrag en computerwetenschap, gekoppeld aan mechanische, elektrische en software engineering, wat de belangrijkheid benadrukt van brede interdisciplinaire en integratieve perspectieven op innovatie op dit gebied.
Lasschuijt et al.1 hebben een apparaat ontworpen dat bestaat uit een gewichtsgevoelige eettafel en een gekoppeld camerasysteem om informatie over eetgedrag te extraheren, inclusief het aantal kauwen, de portiesgrootte en de eetsnelheid voor verschillende voedingsmiddelen tijdens een maaltijd, om feedback te geven over wat, hoeveel en hoe snel voedingsmiddelen worden gegeten. Dit apparaat biedt een potentieel minimaal belastende methode om wijzigbaar eetgedrag te beschrijven zonder te vertrouwen op zelfrapportage of zelfmonitoring.
Chung et al.2 presenteren een paar 3D-geprinte slimme brillen die in staat zijn om objectief patronen van activiteit in de temporalisspieren tijdens het eten en verschillende fysieke activiteiten te detecteren, met behulp van gespecialiseerde circuitborden op de linker- en rechter scharnieren. Het protocol beschrijft hoe de brillen en de circuitbouw te construeren en hoe de verzamelde gegevens in machine learning-software te uitvoeren om eetgedrag te onderscheiden van andere gedragingen, als een manier om interventies aan te passen om overmatige voedselconsumptie te verminderen.
Software-gebaseerde beoordelingsmethoden
Lucassen et al.3 hebben de TRAQQ mobiele app ontwikkeld, een gebruiksvriendelijke tool voor het verzamelen van voedselrecords en voedselinnameregistraties, inclusief gegevens over voedselsamenstelling, portiegroottes en aanpasbare recepten die rekening houden met kookrendement en voedingsstoffenretentie. De app-backend stelt onderzoekers in staat om deelnemers uit te nodigen en te herinneren om beoordelingen uit te voeren volgens aanpasbare bemonsteringsschema's en automatisch niet-respondenten opnieuw in te plannen. Het artikel bevat een protocol voor formatieve onderzoek, app-ontwerp en -evaluatie, studiemanagement en app-implementatie om gebruikers te helpen die geïnteresseerd zijn in het ontwikkelen en gebruiken van vergelijkbare hulpmiddelen.
Boronat et al.4 beschrijven de ontwikkeling van technologisch ondersteunde ecologische momentane beoordelingen (EMA's) die herhaalde real-time bemonstering van eetgedrag in natuurlijke omgevingen bieden, in dit geval om de naleving van het mediterrane voedingspatroon te meten door middel van dagelijkse en wekelijkse prompts. Het gebruik van het technologieondersteunde EMA-platform biedt deelnemers ook wekelijkse rapporten die gezonde en ongezonde aspecten van hun voeding samenvatten en gedragsverandering bevorderen.
Meroni et al.5 presenteren de Boden Food Plate, een methode om voedselinnamegegevens in te voeren die bestaat uit het identificeren van voedingsmiddelen in een ingebed voedselsamenstellingsdatabase en het plaatsen ervan op een visuele weergave van een bord voor elke maaltijd, waardoor schattingen van de voedingsstoffeninname worden geproduceerd. Dit biedt een aantrekkelijke interactieve methode voor het beoordelen van voedsel- en voedingsstoffeninname, met overeenkomsten met voedselgebaseerde voedingsrichtlijnen die een bordmodel gebruiken om geschikte verhoudingen van verschillende voedselgroepen aan te bevelen.
Software ontwikkeling
Mezgec en Seljak6 beschrijven de ontwikkeling van deep neural network-architectuur voor het verwerken van afbeeldingen van maaltijden door verschillende voedingsmiddelen en drankjes ("segmentatie") te onderscheiden en deze nauwkeurig te identificeren. Het protocol dient als een hulpmiddel om machine learning-experts te helpen bij het selecteren van deep learning-methoden en data-augmentatie stappen voor het uitvoeren van voedselsegmentatie