Gyldighed af et AI-baseret program til at identificere fødevarer og estimere fødevareportionsstørrelse (PortionSizeAI)

• Træning og brug af Openfit
• Brug af appen til at estimere madindtagelse fra simulerede måltider i et laboratorium på PBRC eller LSU (deltagere vil ikke spise mad under måltiderne)
• Bedømme appens anvendelighed og tilfredshed

Aftale omkring identifikation af leveret mad og drikkevarer sammenlignet med kendt identifikation, på vareniveau og på tværs af alle varer, hvor identifikation er bestemt af: 1) Ernærings-AI uden korrektion (automatiseret), 2) Ernærings-AI med brugerkorrektion (semi-automatiseret)

For at en fødevare, der er identificeret gennem Nutrition AI, kan betragtes som en nøjagtig fødevarematch, skal navnet på den identificerede fødevare matche eller være tæt på den mad, der serveres. For eksempel er en frugtcocktail identificeret som en frugtsalat et acceptabelt match. Proportioner vil blive brugt til at vurdere, om procentdelen af ​​udpladede fødevarer, der blev korrekt identificeret af Nutrition AI, er forskellig fra procentdelen af ​​fødevarer, der er korrekt identificeret ved en kriteriemetode (human rater). Beskrivende data vil også blive brugt til at beskrive den hyppighed, ved hvilken mad udpladet blev korrekt identificeret for alle fødevarer på tværs af alle deltagere. I alt blev der testet 255 fødevarer på tværs af alle deltagere.

Fejl mellem gennemsnitsestimater af udpladet mad (kcal) og kendt mad udpladet (kcal), bestemt af: 1) Ernærings-AI uden brugerkorrektion (automatiseret), 2) Nutrition-AI med brugerkorrektion (semi-automatiseret)

Gennemsnitsfejl og Bland-Altman-analyse vil blive udført for at bestemme fejl i estimering af mad udpladet fra Nutrition AI sammenlignet med estimeringer fra kriteriemålet (vejet mad).

Efter at have afsluttet vurderingen af ​​maden, vil deltagerne gennemføre en brugertilfredshedsundersøgelse (USS). USS blev tilpasset fra en tidligere version, der blev brugt til at vurdere anvendeligheden af ​​en mobilapplikation til kostvurdering. USS omfatter fem kvantitative spørgsmål og tre åbne svar-spørgsmål. De kvantitative spørgsmål vil hver blive bedømt ved hjælp af en 6-punkts Likert-skala, hvor 1 er den laveste og dårligste score, og 6 er den højeste og bedste score.

Data for hver af de fem kvantitative svar i USS vil blive beregnet som gennemsnit på tværs af deltagere og præsenteret separat som middelværdi (SD). Åbne svar vil blive evalueret ved hjælp af kvalitative metoder til at identificere fælles temaer.

Aftale omkring identifikation af pladeaffald sammenlignet med kendt identifikation, på vareniveau og på tværs af alle varer, hvor identifikation er bestemt af: 1) Ernærings-AI uden brugerkorrektion (automatiseret), 2) Ernærings-AI med brugerkorrektion (halvautomatisk)

For at en fødevare, der er identificeret gennem Nutrition AI, kan betragtes som et nøjagtigt fødevarematch, skal navnet på den identificerede fødevare matche eller være tæt på den mad, der serveres. For eksempel er en frugtcocktail identificeret som en frugtsalat et acceptabelt match. Proportioner vil blive brugt til at vurdere, om procentdelen af ​​fødevarer, der blev korrekt identificeret af Nutrition AI, er forskellig fra procentdelen af ​​fødevarer, der er korrekt identificeret ved en kriteriemetode (human rater). Beskrivende data vil også blive brugt til at beskrive den hyppighed, hvor pladeaffald blev korrekt identificeret.

Fejl mellem gennemsnitsestimater af portionsvægte (gramvægt) og kendte portionsvægte (gramvægt), hvor estimater for pladespild er bestemt af: 1) Ernærings-AI uden brugerkorrektion (automatiseret), 2) Ernærings-AI med brugerkorrektion (semi- automatiseret)

Gennemsnitsfejl og Bland-Altman-analyse vil blive udført for at bestemme fejl i estimering af pladeaffald fra Nutrition AI sammenlignet med estimeringer fra kriteriemålet (vejet mad).

Fejl mellem gennemsnitsestimater af portionsstørrelse (kcal) og kendte portionsstørrelser (kcal), hvor estimater for tallerkenspild er bestemt af: 1) Ernærings-AI uden brugerkorrektion (automatiseret), 2) Ernærings-AI med brugerkorrektion (halvautomatisk)

Gennemsnitsfejl og Bland-Altman-analyse vil blive udført for at bestemme fejl i estimering af pladeaffald fra Nutrition AI sammenlignet med estimeringer fra kriteriemålet (vejet mad).

Efter endt vurdering af pladeaffald vil deltagerne gennemføre en brugertilfredshedsundersøgelse. Efterforskerne tilpassede en 10-spørgsmåls brugertilfredshedsundersøgelse, som er blevet administreret i tidligere undersøgelser for at kvantificere tilfredshed, brugervenlighed og tilstrækkeligheden af ​​træning til mobilapps.

Svar på brugertilfredshedsspørgeskemaet vil blive vurderet ved hjælp af frekvenser og procenter for Likert-skaladata. Åbne svar vil blive evalueret ved hjælp af kvalitative metoder til at identificere fælles temaer.

Fejl mellem gennemsnitsestimater af portionsvægte (gramvægt) og kendte portionsvægte (gramvægt), hvor estimater af madindtag (madplader - tallerkenspild) bestemmes af: 1) Ernæring AI uden brugerkorrektion (automatiseret), 2) Ernæring AI med brugerkorrektion (halvautomatisk)

Gennemsnitsfejl og Bland-Altman-analyse vil blive udført for at bestemme fejl i estimering af fødeindtagelse fra Nutrition AI sammenlignet med estimeringer fra kriteriemålet (vejet mad).

Fejl mellem gennemsnitsestimat af fødeindtagelse (kcal) og kendt fødeindtag (kcal), hvor estimater for madindtag (madplader - tallerkenspild) bestemmes af: 1) Ernærings-AI uden brugerkorrektion (automatiseret), 2) Ernærings-AI med brugerkorrektion (halvautomatisk)

Gennemsnitsfejl og Bland-Altman-analyse vil blive udført for at bestemme fejl i estimering af fødeindtagelse fra Nutrition AI sammenlignet med estimeringer fra kriteriemålet (vejet mad).