Gyldighet av et AI-basert program for å identifisere matvarer og estimere matporsjonsstørrelse (PortionSizeAI)

• Trening og bruk av Openfit
• Bruke appen til å estimere matinntak fra simulerte måltider i et laboratorium ved PBRC eller LSU (deltakerne vil ikke spise mat under måltidene)
• Vurder brukervennligheten og tilfredsheten til appen

Avtale rundt identifikasjon av levert mat og drikke sammenlignet med kjent identifikasjon, på varenivå, og på tvers av alle varer der identifisering er bestemt av: 1) Ernærings-AI uten korreksjon (automatisert), 2) Ernærings-AI med brukerkorreksjon (halvautomatisert)

For at en matvare identifisert gjennom Nutrition AI skal betraktes som en eksakt matmatch, må navnet på maten som identifiseres samsvare med eller samsvare med maten som serveres. For eksempel er en fruktcocktail identifisert som en fruktsalat en akseptabel match. Proporsjoner vil bli brukt for å vurdere om prosentandelen av matvarer som er utplatet som ble korrekt identifisert av Nutrition AI, er forskjellig fra prosentandelen av matvarer som er korrekt identifisert med en kriteriemetode (human rater). Beskrivende data vil også bli brukt for å beskrive hvor ofte maten ble korrekt identifisert for alle matvarer på tvers av alle deltakerne. Totalt ble det testet 255 matvarer på tvers av alle deltakerne.

Feil mellom gjennomsnittsestimater av mat platet (kcal) og kjent mat plated (kcal), bestemt av: 1) Nutrition AI uten brukerkorreksjon (automatisert), 2) Nutrition AI med brukerkorreksjon (halvautomatisert)

Gjennomsnittsfeil og Bland-Altman-analyse vil bli utført for å bestemme feil i estimering av mat utslett fra Nutrition AI sammenlignet med estimeringer fra kriteriemålet (veid mat).

Etter å ha fullført vurdering av tallerken mat, vil deltakerne fullføre en brukertilfredshetsundersøkelse (USS). USS ble tilpasset fra en tidligere versjon som ble brukt til å vurdere brukervennligheten til en mobilapplikasjon for kostholdsvurdering. USS inkluderer fem kvantitative spørsmål og tre åpne svarspørsmål. De kvantitative spørsmålene vil hver bli skåret ved hjelp av en 6-punkts Likert-skala, der 1 er laveste og dårligste poengsum, og 6 er høyeste og beste poengsum.

Data for hver av de fem kvantitative svarene i USS vil beregnes i gjennomsnitt på tvers av deltakerne og presenteres separat som gjennomsnitt (SD). Åpne svar vil bli evaluert ved hjelp av kvalitative metoder for å identifisere vanlige temaer.

Avtale rundt identifikasjon av plateavfall sammenlignet med kjent identifikasjon, på varenivå, og på tvers av alle varer, hvor identifisering bestemmes av: 1) Ernærings-AI uten brukerkorreksjon (automatisert), 2) Ernærings-AI med brukerkorreksjon (halvautomatisert)

For at en matvare identifisert gjennom Nutrition AI skal betraktes som en eksakt matmatch, må navnet på maten som identifiseres samsvare med eller samsvare med maten som serveres. For eksempel er en fruktcocktail identifisert som en fruktsalat en akseptabel match. Proporsjoner vil bli brukt for å vurdere om prosentandelen av matvarer som ble korrekt identifisert av Nutrition AI, er forskjellig fra prosentandelen matvarer som er korrekt identifisert ved en kriteriemetode (human rater). Beskrivende data vil også bli brukt for å beskrive hvor ofte plateavfallet ble korrekt identifisert.

Feil mellom gjennomsnittsestimater av porsjonsvekter (gramvekt) og kjente porsjonsvekter (gramvekt), der estimater for tallerkenavfall bestemmes av: 1) Ernærings-AI uten brukerkorreksjon (automatisert), 2) Ernærings-AI med brukerkorreksjon (semi- automatisert)

Gjennomsnittsfeil og Bland-Altman-analyse vil bli utført for å bestemme feil i estimering av tallerkenavfall fra Nutrition AI sammenlignet med estimeringer fra kriteriemålet (veid mat).

Feil mellom gjennomsnittsestimat av porsjonsstørrelse (kcal) og kjent porsjonsstørrelse (kcal), der estimater for tallerkenavfall bestemmes av: 1) Ernærings-AI uten brukerkorreksjon (automatisert), 2) Ernærings-AI med brukerkorreksjon (halvautomatisert)

Gjennomsnittsfeil og Bland-Altman-analyse vil bli utført for å bestemme feil i estimering av tallerkenavfall fra Nutrition AI sammenlignet med estimeringer fra kriteriemålet (veid mat).

Etter gjennomført vurdering av plateavfall vil deltakerne gjennomføre en brukertilfredshetsundersøkelse. Etterforskerne tilpasset en 10-spørsmåls brukertilfredshetsundersøkelse som har blitt administrert i tidligere studier for å kvantifisere tilfredshet, brukervennlighet og tilstrekkelig opplæring for mobilapper.

Svar på spørreskjemaet om brukertilfredshet vil bli vurdert ved å bruke frekvenser og prosenter for Likert-skaladata. Åpne svar vil bli evaluert ved hjelp av kvalitative metoder for å identifisere vanlige temaer.

Feil mellom gjennomsnittsestimater av porsjonsvekter (gramvekt) og kjente porsjonsvekter (gramvekt), hvor estimater for matinntak (matplate - tallerkenavfall) bestemmes av: 1) Nutrition AI uten brukerkorreksjon (automatisert), 2) Nutrition AI med brukerkorreksjon (halvautomatisk)

Gjennomsnittsfeil og Bland-Altman-analyse vil bli utført for å bestemme feil i estimering av matinntak fra Nutrition AI sammenlignet med estimeringer fra kriteriemålet (veid mat).

Feil mellom gjennomsnittsestimat av matinntak (kcal) og kjent matinntak (kcal), hvor estimater for matinntak (matplate - tallerkenavfall) bestemmes av: 1) Ernæring AI uten brukerkorreksjon (automatisert), 2) Ernæring AI med brukerkorreksjon (halvautomatisk)

Gjennomsnittsfeil og Bland-Altman-analyse vil bli utført for å bestemme feil i estimering av matinntak fra Nutrition AI sammenlignet med estimeringer fra kriteriemålet (veid mat).