Macronutriënten meten met de smartphone | Nauwkeuriger anamnese zorgt voor beter advies

8 februari 2022 Annemarie Barbier-Schenk

Een voedingsanamnese is de basis voor het advies van diëtist en voedingskundige. De bestaande methoden zijn echter arbeidsintensief of niet  betrouwbaar. Wageningen Food & Biobased Research onderzoekt  of sensoren in staat zijn de hoeveelheden macronutriënten in maaltijden te voorspellen. 

Het is 2027. Meneer Pieterse, een gepensioneerd leraar, brengt vanwege zijn diabetes een bezoek aan diëtiste Gerry. In het gesprek komen de eetgewoontes van Pieterse en de ervaringen met zijn ziekte uitgebreid aan bod. Gerry geeft hem een paar algemene adviezen over minder suiker en koolhydraten én hij krijgt huiswerk mee. Ze vraagt hem een week lang elke maaltijd en alle tussendoortjes te fotograferen met een speciale app op zijn smartphone. Aan de hand van de beelden en de daaraan gekoppelde modellen berekent de app de hoeveelheden ingrediënten en macronutriënten die meneer Pieterse heeft geconsumeerd. Op deze manier krijgt Gerry gemakkelijk een nauwkeurig inzicht in zijn eetgedrag. Met deze informatie kan ze bij het volgende consult een voedingsadvies geven dat goed aansluit bij de voorkeuren van haar cliënt.

De diëtiste denkt nog eens terug aan de manier waarop ze een jaar of vijf geleden werkte. Toen gaf ze haar adviezen op basis van het voedseldagboek dat haar cliënten invulden en die gegevens waren minder nauwkeurig. Dankzij de app weet ze veel preciezer wat haar cliënten daadwerkelijk eten. Bovendien heeft ze nu meer tijd om hen stap voor stap te begeleiden naar een beter eetgedrag.

Verschillende eetpatronen

De voedingsinname voorspellen via een app op een smartphone, lukt het dit ideaalbeeld binnen vijf jaar te realiseren? Meeke Ummels, onderzoeker Consumer, Nutrition & Health, Freek Daniëls, onderzoeker Computer & Vision, en Hajo Rijgersberg, onderzoeker Food Informatics, alle drie van Wageningen Food & Biobased Research, hopen het van harte. Maar zover is het nog niet. “We zijn een paar jaar geleden gestart met het testen van sensoren. En al zijn de eerste resultaten veelbelovend, er is nog veel werk te doen”, vertelt Ummels, projectleider van dit onderzoek.

Eerst terug naar het begin. Waarom is het zo belangrijk om de voedselinname te kennen? En wat zijn de nadelen van de huidige manieren van voedselanamnese? “Goede voeding draagt bij aan een goede gezondheid, zeker bij een aandoening als diabetes of voor een specifieke doelgroep, zoals ouderen”, aldus Ummels. “Aangezien mensen verschillende eetpatronen hebben, is een algemeen advies niet altijd passend. Des te beter diëtisten en voedingskundigen inzicht hebben in het eetpatroon van hun cliënten, des te specifieker hun voedingsadvies. Daaraan willen we bijdragen met de ontwikkeling van een goede, objectieve anamnesemethode met sensoren.”

VNU1-22 Macronutrienten meten - yoghurt

Meting van yoghurt met de nir-sensor.

Huidige anamnesemethoden

Er bestaan verschillende methoden voor voedselanamneses. Bij een aantal daarvan schrijft de cliënt zelf op wat hij eet, bijvoorbeeld zijn eethistorie van de afgelopen 24 uur of wat hij consumeert gedurende een aantal dagen (voedseldagboek en voedselfrequentievragenlijst). Al zijn deze methoden voor bepaalde situaties gevalideerd, toch krijgt de betrokken professional niet altijd nauwkeurig inzicht in wat een cliënt precies tot zich neemt. Er zit immers een behoorlijke variatie in een opscheplepel groente of de hoeveelheid boter op een boterham. Verder komt het voor dat cliënten sociaal wenselijke antwoorden geven of hun eetpatroon aanpassen gedurende de anamneseperiode. Naast de verschillende zelfrapportagemethoden bestaan ook de observatiebenadering, waarbij de cliënt eet in aanwezigheid van een professional die alles noteert, en de duplicaatmethode, waarbij iemand van alles twee porties klaarmaakt en de duplicaatportie wordt gebruikt voor verdere analyse. Deze methoden zijn zowel voor de diëtist als voor de cliënt intensief en worden daarom in de ambulante praktijk weinig toegepast.

Keuze sensoren

De Wageningse wetenschappers hebben op basis van voor de selectie van gevalideerde sensoren geselecteerd. Belangrijke criteria daarbij waren: geschikt voor de identificatie van voedingsmiddelen en het meten van macronutriënten, in staat tot het bepalen van hoeveelheden (in gram), niet-invasief bij de patiënt, gemakkelijk toepasbaar in thuissituatie en out-of-home en van toegevoegde waarde voor de advisering van de cliënt.

“We hebben uiteindelijk een kleuren-dieptecamera (RGBD-camera) en een nabij-infrarood (NIR)-sensor geselecteerd voor onze experimenten, die kunnen in de toekomst worden geïntegreerd in een smartphone. En deze combinatie is niet eerder toegepast”, aldus Daniëls. “De kleuren-dieptecamera kan kleurenbeelden maken waarop veel ingrediënten herkenbaar zijn met de huidige technieken voor kunstmatige intelligentie (KI) en in lastige gevallen kan de NIR-sensor de concentratie vet, eiwit, koolhydraten en kilocalorieën schatten. Vervolgens schat de dieptecamera de portiegrootte en zo kunnen we de totale hoeveelheden ingrediënten, macronutriënten en energie voorspellen.” De gekozen NIR-sensor is de Scio, een handzaam apparaat met een meetbereik van 700 tot 1050 nm, de RGBD-camera is de IntelRealSense.

Macaroni en yoghurt

In een experiment met 45 macaronimaaltijden, bestaande uit verschillende combinaties van macaroni (wit, volkoren of wit met extra vezels), drie soorten kant-en-klare tomatensaus en drie soorten diepvriesspinazie (naturel, à la crème of met kruidenroomkaas), is aangetoond dat met KI-modellen op kleurafbeeldingen de verschillende ingrediënten macaroni, groente en saus te herkennen zijn. “Dat is belangrijk, want diëtisten en voedingskundigen zijn natuurlijk niet alleen geïnteresseerd in macronutriënten, maar ook in de geconsumeerde voedingsmiddelen”, zegt Daniëls. “Voor het onderscheiden van ingrediënten is alleen de NIR-sensor minder geschikt gebleken.”

In een tweede experiment hebben de onderzoekers gekozen voor yoghurt, een homogeen product waarvan de vele varianten uiteenlopende vet-, eiwit- en suikergehaltes bevatten, terwijl ze optisch nauwelijks van elkaar te onderscheiden zijn. Daarmee vervalt kleur als onderscheidende component en worden de sensoren extra op de proef gesteld. De combinatie van NIR-sensor en dieptecamera blijkt bij de 77 onderzochte soorten goed in staat om de hoeveelheden vet, eiwit en kilocalorieën te voorspellen, waarbij de informatie op het etiket in combinatie met het gewicht als referentie is gebruikt. Voor koolhydraten waren de resultaten met de gebruikte NIR-sensor minder nauwkeurig, met een NIR-sensor die meet tot 2500 nm lukte dat wel.

Aanvullend op de sensormetingen hebben de experts een statistisch model, een zogenaamd Bayesiaans netwerk, ontwikkeld en onderzocht op toepasbaarheid. ”Het Bayesiaans netwerk is gebaseerd op een grote dataset met voedselinnamegegevens en kan op basis van kenmerken als geslacht, leeftijd, BMI, maaltijdmoment en dieethistorie een schatting van de voedselinname maken. De eerste resultaten zijn goed”, aldus Rijgersberg.

Toekomstmuziek

De onderzoekers verwachten op basis van hun positieve resultaten dat voor een groot deel van de maaltijden de ingrediënten en hun hoeveelheden voorspeld kunnen worden op basis van een kleuren- en een dieptebeeld. Daarnaast kan de combinatie NIR-sensor en dieptecamera de hoeveelheden macronutriënten en energie bepalen. Om deze methoden te valideren en de voorspellende KI-modellen te verbeteren en uit te breiden, zijn metingen met meer verschillende voedingsmiddelen nodig. Ook willen de onderzoekers de methode in de praktijk testen met diëtisten en hun cliënten. De integratie van de sensoren in smartphones ligt buiten het bereik van de Wageningse experts, maar een dieptecamera binnen vijf jaar lijkt hen mogelijk. Een geïntegreerde NIR-sensor verwachten ze nog niet, wel is de gebruikte sensor aan een smartphone te koppelen.

Een gemakkelijk toepasbare, nauwkeurige en objectieve anamnese met sensoren biedt niet alleen grote voordelen voor diëtisten, voedingskundigen en hun cliënten. “Bij mensen met eetstoornissen kan het vastleggen van eetgedrag gevoelig liggen, dus een laagdrempelige methode als een foto maken van een maaltijd is daar van toegevoegde waarde”, aldus Ummels. “En we zien ook mogelijkheden voor grootschalig gebruik voor gezondheidsbevordering en preventie. Als je met een app een foto kunt maken van je eten en je krijgt direct feedback, word je je bewuster van je eetgedrag.”

Kennis Basis Project Sensing Potential

Het onderzoek niet-invasieve sensormetingen van voedselinname en voedseleigenschappen is onderdeel van het KennisBasisonderzoek Sensing Potential, dat loopt van 2019 tot en met 2022. Binnen dit project wordt onderzocht hoe innovaties op het gebied van sensoren kunnen bijdragen aan het oplossen van problemen in de gehele voedselketen. Resultaten van het onderzoek niet-invasieve sensormetingen van voedselinname en voedseleigenschappen worden naar verwachting gepubliceerd in 2022.

Meer weten over de toepassing van sensoren bij voedselinname of het complete wetenschappelijke artikel ontvangen? Neem contact op met Meeke Ummels, 0317-480159 of stuur een e-mail naar: meeke.ummels@wur.nl. Voor algemene informatie over Wageningen Food & Biobased Research kijk op: www.wur.nl/wfbr.

Altijd op de hoogte blijven?