Os aplicativos capazes de estimar as calorias de uma refeição a partir de uma simples foto prometem um acompanhamento alimentar rápido. Uma avaliação realizada em quatro serviços populares mostra, no entanto, que eles frequentemente subestimam a energia e as gorduras presentes no prato.
Os pesquisadores testaram MyFitnessPal, Lose It!, Cal AI e Appediet com 102 refeições preparadas em uma cozinha metabólica dos National Institutes of Health. Cada ingrediente foi pesado com precisão de 0,1 g, fornecendo uma referência muito mais precisa do que uma estimativa visual comum.
Imagem de ilustração Pixabay
Para cada refeição, uma fotografia padronizada foi enviada aos quatro aplicativos. Seus resultados foram então comparados aos valores nutricionais reais. Em média, as estimativas apresentavam entre 250 e 345 calorias a menos por refeição, ou seja, uma redução de cerca de um terço.
Os erros diziam respeito especialmente às gorduras, subestimadas em cerca de 30 g por refeição. Os carboidratos eram geralmente mais bem reconhecidos. Os primeiros resultados indicam também que pratos pobres em carboidratos e ricos em lipídios, como algumas refeições cetogênicas, apresentam mais inconsistências.
Uma fotografia nem sempre revela a quantidade de óleo, manteiga, molho ou ingredientes escondidos em uma preparação. A inteligência artificial também precisa estimar os volumes a partir de uma imagem em duas dimensões, sem conhecer precisamente a receita nem a densidade dos alimentos.
Essas discrepâncias podem distorcer um diário alimentar usado para perder peso, ajustar um tratamento ou conversar com um profissional de saúde. Os autores recomendam, portanto, verificar as porções e complementar manualmente as informações quando a precisão nutricional for importante.
O estudo continua preliminar. Ele foi apresentado no congresso NUTRITION 2026 e compara quatro aplicativos em condições controladas, sem medir diretamente seus efeitos sobre os hábitos alimentares dos usuários.
Os pesquisadores deram continuidade à análise com mais de 200 refeições adicionais para identificar os tipos de pratos mais difíceis de interpretar. Esses trabalhos podem ajudar os desenvolvedores a melhorar a estimativa das porções, o reconhecimento das gorduras e a integração de informações fornecidas pelo usuário.