Food Label Evidence

Medición

Por qué no puedes estimar una porción

El error de estimación de porciones es lo suficientemente grande como para anular la mayoría de los cambios que las personas intentan hacer en su dieta. Este es el problema que las aplicaciones de escaneo de alimentos existen para resolver.

Actualizado 3 min de lectura 17 citas Fortaleza de la evidencia 4/5

El tamaño del problema

La revisión sistemática de la estimación del tamaño de porción [3] y de los errores de recuerdo [2] encuentra errores que rutinariamente alcanzan decenas de porcentajes. Crucialmente, el error es sesgado, no aleatorio: las personas subestiman, y subestiman más cuando la ingesta es mayor y cuando el alimento es uno por el que se sienten juzgadas.

La validación contra agua doblemente marcada — el método de referencia, cubierto en nuestro sitio de metabolismo — cuantifica esto directamente. Es por eso que un diario de alimentos que muestra 1.600 kcal junto a ningún cambio de peso suele ser un problema de medición en lugar de uno metabólico.

Error de estimación de porciones

Por qué es difícil

  • La percepción del volumen es no lineal. Duplicar el diámetro de un tazón más que duplica su contenido, y las personas juzgan por el ancho.
  • El aceite de cocina es invisible. Una cucharada tiene más de 100 kcal y no aparece en la memoria de una comida.
  • El embalaje define las porciones. Una "porción" es lo que contiene el envase.
  • Los objetos de referencia fallan. "Del tamaño de una palma" varía con la palma.
  • La memoria reconstruye. Las personas recuerdan lo que suelen comer, no lo que comieron.

La formación ayuda, y una revisión sistemática de los efectos de la formación [4] muestra que la mejora se desvanece sin refuerzo — el hallazgo habitual para una habilidad perceptual.

¿Puede la tecnología solucionarlo?

Aquí es donde entra la evaluación dietética basada en imágenes: fotografiar la comida, dejar que un modelo identifique los alimentos y estime el volumen. Existen estudios de validación contra métodos de referencia, y la realidad aumentada ha sido revisada como una ayuda para la estimación [1].

Resumen honesto: los métodos basados en imágenes son imperfectos y mejores que el recuerdo. Eliminan el paso de la memoria, que es la mayor fuente de error, y heredan nuevos errores en torno a la estimación de profundidad y los ingredientes ocultos. Contra un diario de alimentos escrito de memoria antes de dormir, eso es una mejora clara. Contra una balanza de cocina, no lo es.

Lo que esto significa para el seguimiento

Usa las calorías registradas como una señal relativa, no absoluta. Si tu ingesta registrada es consistente de semana a semana y tu peso no se mueve, el movimiento útil es cambiar algo y observar la tendencia — no confiar en el número entero. La consistencia del método importa mucho más que la precisión del método, porque un sesgo consistente se cancela cuando te comparas contigo mismo.

Preguntas comunes

¿Qué tan erróneo es mi diario de alimentos?
Sistemáticamente subestimado, a menudo por decenas de porcentajes, y más en ingestas más altas [2][3].
¿Son precisas las aplicaciones basadas en fotos?
Mejor que el recuerdo, peor que pesar. Eliminan el error de memoria y añaden error de estimación.
¿Debería pesar todo?
Durante unas semanas, es genuinamente educativo. Indefinidamente, la mayoría de las personas se detienen — y un método que abandonas tiene una precisión de cero.
¿Por qué mi aplicación dice que comí 1.500 kcal y no estoy perdiendo?
Casi siempre es subestimación en lugar de metabolismo. Consulta nuestro sitio de metabolismo.

Referencias

Cada cita a continuación enlaza con el registro original revisado por pares en PubMed o a través de DOI. Nada aquí sustituye el consejo médico.

  1. Application of Augmented Reality Technology as a Dietary Monitoring and Control Measure Among Adults: A Systematic Review Gonzalez GV, Mao B, Wang R, et al. · Nutrients · 2025 · Systematic review DOIPubMed 41470837Full text
  2. A systematic review of recall errors associated with portion size estimation aids in children de Vlieger NM, Weltert M, Molenaar A, et al. · Appetite · 2020 · Systematic review DOIPubMed 31751634
  3. Validity of image-based dietary assessment methods: A systematic review and meta-analysis Ho DKN, Tseng SH, Wu MC, et al. · Clinical nutrition (Edinburgh, Scotland) · 2020 · Meta-analysis DOIPubMed 32839035
  4. Portion size estimation in dietary assessment: a systematic review of existing tools, their strengths and limitations Amoutzopoulos B, Page P, Roberts C, et al. · Nutrition reviews · 2020 · Systematic review DOIPubMed 31999347
  5. The Role of Various Forms of Training on Improved Accuracy of Food-Portion Estimation Skills: A Systematic Review of the Literature Hooper A, McMahon A, Probst Y · Advances in nutrition (Bethesda, Md.) · 2019 · Systematic review DOIPubMed 30629097Full text
  6. Dietary assessment in minority ethnic groups: a systematic review of instruments for portion-size estimation in the United Kingdom Almiron-Roig E, Aitken A, Galloway C, et al. · Nutrition reviews · 2017 · Systematic review DOIPubMed 28340101Full text
  7. Immersive Virtual Reality Dietitian Improves Portion Control Self-Efficacy and Portion Size Estimation Accuracy Braga BC, Long J, Maksi S, et al. · Journal of nutrition education and behavior · 2025 · Randomised controlled trial DOIPubMed 40019425
  8. An automated image-based dietary assessment application: a pilot study Lee L, Bishop R, Stanley J · Journal of nutritional science · 2025 · Randomised controlled trial DOIPubMed 41321681Full text
  9. Validity and Usability of a Smartphone Image-Based Dietary Assessment App Compared to 3-Day Food Diaries in Assessing Dietary Intake Among Canadian Adults: Randomized Controlled Trial Ji Y, Plourde H, Bouzo V, et al. · JMIR mHealth and uHealth · 2020 · Randomised controlled trial DOIPubMed 32902389Full text
  10. The international food unit: a new measurement aid that can improve portion size estimation Bucher T, Weltert M, Rollo ME, et al. · The international journal of behavioral nutrition and physical activity · 2017 · Randomised controlled trial DOIPubMed 28899402Full text
  11. Portion-size estimation training in second- and third-grade American Indian children Weber JL, Cunningham-Sabo L, Skipper B, et al. · The American journal of clinical nutrition · 1999 · Randomised controlled trial DOIPubMed 10195603
  12. New mobile methods for dietary assessment: review of image-assisted and image-based dietary assessment methods Boushey CJ, Spoden M, Zhu FM, et al. · The Proceedings of the Nutrition Society · 2017 · Review DOIPubMed 27938425
  13. Merging dietary assessment with the adolescent lifestyle Schap TE, Zhu F, Delp EJ, et al. · Journal of human nutrition and dietetics : the official journal of the British Dietetic Association · 2014 · Review DOIPubMed 23489518Full text
  14. Development and validation of a smartphone image-based app for dietary intake assessment among Palestinian undergraduates Hattab S, Badrasawi M, Anabtawi O, et al. · Scientific reports · 2022 · Journal article DOIPubMed 36104377Full text
  15. Development and evaluation of image-series for portion size estimation in dietary assessment among adults Salvesen L, Engeset D, Øverby NC, et al. · Journal of nutritional science · 2021 · Journal article DOIPubMed 33889386Full text
  16. The accuracy of portion size estimation using food images and textual descriptions of portion sizes: an evaluation study Lucassen DA, Willemsen RF, Geelen A, et al. · Journal of human nutrition and dietetics : the official journal of the British Dietetic Association · 2021 · Journal article DOIPubMed 33761165Full text
  17. Validation of a Smartphone Image-Based Dietary Assessment Method for Pregnant Women Ashman AM, Collins CE, Brown LJ, et al. · Nutrients · 2017 · Journal article DOIPubMed 28106758Full text

Esta página fue traducida automáticamente del inglés. Las citas y los números no han cambiado. Lee el original en inglés si algo suena extraño. Lee el original en inglés