Visione del Cibo · La foto in due secondi
Validità e accuratezza dei metodi AI per la valutazione dell'intake alimentare: revisione sistematica (Cofre 2025)
Fotografare il proprio piatto per contare le calorie non è più fantascienza: è già in fase di test clinico. Questa revisione è la prima a raccogliere tutta la letteratura scientifica sulla validità degli strumenti di dietetica basati sull'intelligenza artificiale.
Il verdetto è di ottimismo moderato: per energie totali e i tre macronutrienti principali — proteine, grassi, carboidrati — circa la metà delle app esaminate concorda bene con il metodo di riferimento (dietista con bilancia da cucina calibrata). Per vitamine e minerali, però, il quadro è più confuso: le app AI sono buone solo quanto i database di composizione degli alimenti su cui si appoggiano, e quelli variano molto da paese a paese.
La buona notizia è che la tecnologia è prevalentemente mobile e a basso costo, il che potrebbe rendere il monitoraggio nutrizionale personalizzato accessibile a chi non può permettersi visite continue dalla dietista.
Cosa dice, in breve
- Prima revisione sistematica PRISMA sui metodi di valutazione dell'intake alimentare basati su intelligenza artificiale (AI-DIA), che sintetizza 13 studi pubblicati dal 2017 al 2024 su una base iniziale di 1.679 record.
- Distribuzione geografica degli studi: 4 in Nord America, 5 in Asia, 3 in Europa, 1 in Africa; il 61,5% in contesti preclinici; picco di pubblicazioni nel 2022 (n=7).
- Tecniche AI identificate: deep learning nel 46,2% degli studi (prevalentemente reti neurali convoluzionali, CNN), machine learning nel 15,3%, algoritmo AI generico non specificato nel 38,5%.
- Validità per le calorie: 6 studi su 13 riportano coefficienti di correlazione (CC) > 0,7 (range 0,20–0,97); per i macronutrienti 6 studi CC > 0,7 (range 0,38–0,98); per i micronutrienti 4 studi CC > 0,7 (range 0,30–0,84).
- Accuratezza modellistica (7 studi): dal 61,8% (riconoscimento immagini pasto) al 99% (riso brodoso); AUC 0,91–0,995 per la classificazione delle differenze caloriche.
- Rischio di bias: 61,5% degli studi a rischio moderato, 25% a basso rischio; i bias dominanti sono il confondimento e la selezione dei partecipanti.
- Conclusione: gli AI-DIA sono affidabili e validi per energia e macronutrienti; la validità per i micronutrienti è limitata dall'eterogeneità dei database di composizione degli alimenti; ricerche future devono prevedere RCT, campioni più ampi e validazione transculturale.
Provenienza
- Fonte
- Validity and accuracy of artificial intelligence-based dietary intake assessment methods: a systematic review— Cofre 2025
- Licenza
- CC BY 4.0
- Nel Kosmos
- 2 voci · 92 fatti atomici · tier MAIOR
↯ Questa è una voce vera del nostro Knowledge Graph, ancorata alla sua fonte — non un testo generato da un modello. Il colore riflette il tipo reale di studio, mai gonfiato.