Näringsberäkningar med Artificiell Intelligens

Abstract

Syfte: Syftet med studien var att undersöka hur väl ChatGPT näringsberäknar livsmedel och måltider baserat på fotograferade bilder tagna med mobiltelefon, jämfört med vägda och näringsberäknade måltider och livsmedel (Referens). Metod: Studien genomfördes som en kvantitativ valideringsstudie. Metoden baseras på att jämföra näringsberäkningar genererade med hjälp av en referensmetod (DietistNet mm) samt näringsberäkningar gjorda med bildanalys som utförts av ChatGPT 4. Under tre dagar fotograferades tolv olika maträtter i olika storlekar. Nio av dessa tillagades från grunden och tre av dem var färdigrätter. Dessutom fotograferades samtliga komponenter som rätterna (exklusive färdigrätter) bestod av var för sig. Totalt analyserades 16 olika livsmedel (komponenter); n=3 stärkelserika livsmedel (pasta, ris, potatis), n=9 proteinrika livsmedel och n=4 portioner av olika grönsaker. Det totala antalet bilder uppkom till 52 stycken. De tagna bilderna matades in i ChatGPT var för sig tillsammans med en prompt där AI ombads att beräkna vikt, energi samt näringsinnehåll i maten. Samtliga rätter näringsberäknades även i kostberäkningsprogrammet DietistNet (Referens). För att kartlägga överensstämmelser och avvikelser mellan mätmetoderna jämfördes ChatGPTs beräkning och den manuella beräkningen med hjälp av fyra statistiska test. Resultat: Det upptäcktes ett signifikant (p<0,001) måttligt till starkt samband mellan ChatGPT och Referens vad gäller beräkning av vikt (g), energi- (kcal), kolhydrat- (g), protein- (g) och fettinnehåll (g). Vidare upptäcktes inga signifikanta (p<0,05) genomsnittliga skillnader mellan metoderna gällande tidigare nämnda variabler. Avvikelsen för genomsnittlig absolut procentuell avvikelse var högst för proteininnehåll (87%) och lägst för vikt (51%). Dessa höga värden påvisar förekomsten av större mätfel på enskilda bilder. Gällande differensen i vikt (g), energi (kcal), kolhydrater (g), protein (g) och fett (g) mellan Referens och ChatGPT, indikerar resultatet att mindre portioner överskattas och större portioner underskattas. Något som i sin tur indikerar ett konstant systematiskt fel. Slutsats: Det mest betydelsefulla fyndet i denna studie är att bildanalys med hjälp av ChatGPT 4, kan estimerade vikt samt innehåll av energi, kolhydrat, protein och fett i jämförelse med vägda och näringsberäknade livsmedel och sammansatta måltider (Referens). Två aspekter som är viktiga att tillägga är att ChatGPT 4 besitter tydliga brister vad gäller noggrannhet i beräkningarna och att mätfelet kan variera stort mellan enskilda bilder.