Published October 1, 2022 | Version v1
Publication Metadata-only

Relative validity of a mobile AI-technology–assisted dietary assessment in adolescent females in Vietnam

Creators

  • 1. International Food Policy Research Institute
  • 2. Thai Nguyen University
  • 3. Emory University
  • 4. National Institute of Nutrition
  • 5. Pennsylvania State University
  • 6. University of Ghana
  • 7. Tufts University
  • 8. Family Health International 360

Description

There is a gap in data on dietary intake of adolescents in low- and middle-income countries (LMICs). Traditional methods for dietary assessment are resource intensive and lack accuracy with regard to portion-size estimation. Technology-assisted dietary assessment tools have been proposed but few have been validated for feasibility of use in LMICs. We assessed the relative validity of FRANI (Food Recognition Assistance and Nudging Insights), a mobile artificial intelligence (AI) application for dietary assessment in adolescent females (n = 36) aged 12–18 y in Vietnam, against a weighed records (WR) standard and compared FRANI performance with a multi-pass 24-h recall (24HR). Dietary intake was assessed using 3 methods: FRANI, WR, and 24HRs undertaken on 3 nonconsecutive days. Equivalence of nutrient intakes was tested using mixed-effects models adjusting for repeated measures, using 10%, 15%, and 20% bounds. The concordance correlation coefficient (CCC) was used to assess the agreement between methods. Sources of errors were identified for memory and portion-size estimation bias. Equivalence between the FRANI app and WR was determined at the 10% bound for energy, protein, and fat and 4 nutrients (iron, riboflavin, vitamin B-6, and zinc), and at 15% and 20% bounds for carbohydrate, calcium, vitamin C, thiamin, niacin, and folate. Similar results were observed for differences between 24HRs and WR with a 20% equivalent bound for all nutrients except for vitamin A. The CCCs between FRANI and WR (0.60, 0.81) were slightly lower between 24HRs and WR (0.70, 0.89) for energy and most nutrients. Memory error (food omissions or intrusions) was ∼21%, with no clear pattern apparent on portion-size estimation bias for foods. AI-assisted dietary assessment and 24HRs accurately estimate nutrient intake in adolescent females when compared with WR. Errors could be reduced with further improvements in AI-assisted food recognition and portion estimation.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

هناك فجوة في البيانات حول المدخول الغذائي للمراهقين في البلدان منخفضة ومتوسطة الدخل (LMICs). الأساليب التقليدية للتقييم الغذائي كثيفة الاستخدام للموارد وتفتقر إلى الدقة فيما يتعلق بتقدير حجم الحصة. تم اقتراح أدوات تقييم غذائية مدعومة بالتكنولوجيا ولكن تم التحقق من صحة القليل منها لجدوى استخدامها في البلدان المنخفضة والمتوسطة الدخل. قمنا بتقييم الصلاحية النسبية لتطبيق FRANI (المساعدة في التعرف على الطعام ورؤى الدفع)، وهو تطبيق ذكاء اصطناعي متنقل (AI) للتقييم الغذائي لدى المراهقات (العدد = 36) اللواتي تتراوح أعمارهن بين 12 و 18 عامًا في فيتنام، مقابل معيار السجلات الموزونة (WR) ومقارنة أداء FRANI مع استدعاء متعدد الممرات على مدار 24 ساعة (24 ساعة). تم تقييم المدخول الغذائي باستخدام 3 طرق: FRANI وWR و24 ساعة تم إجراؤها على 3 أيام غير متتالية. تم اختبار تكافؤ مآخذ المغذيات باستخدام نماذج التأثيرات المختلطة التي تتكيف مع التدابير المتكررة، باستخدام حدود 10 ٪ و 15 ٪ و 20 ٪. تم استخدام معامل ارتباط التوافق (CCC) لتقييم الاتفاق بين الطرق. تم تحديد مصادر الأخطاء للذاكرة وتحيز تقدير حجم الجزء. تم تحديد التكافؤ بين تطبيق FRANI و WR عند نسبة 10 ٪ المرتبطة بالطاقة والبروتين والدهون و 4 عناصر غذائية (الحديد والريبوفلافين وفيتامين B -6 والزنك)، وعند حدود 15 ٪ و 20 ٪ للكربوهيدرات والكالسيوم وفيتامين C والثيامين والنياسين والفولات. ولوحظت نتائج مماثلة للاختلافات بين 24 HRs و WR مع ما يعادل 20 ٪ مرتبط بجميع العناصر الغذائية باستثناء فيتامين أ. كانت CCCs بين FRANI و WR (0.60، 0.81) أقل قليلاً بين 24HRs و WR (0.70، 0.89) للطاقة ومعظم العناصر الغذائية. كان خطأ الذاكرة (إغفال الطعام أو التدخلات) 21 ٪، مع عدم وجود نمط واضح على تحيز تقدير حجم الجزء للأطعمة. يقوم التقييم الغذائي بمساعدة الذكاء الاصطناعي و 24 ساعة بتقدير كمية المغذيات بدقة لدى المراهقات عند مقارنتها بـ WR. يمكن تقليل الأخطاء مع مزيد من التحسينات في التعرف على الطعام بمساعدة الذكاء الاصطناعي وتقدير الحصة.

Translated Description (French)

Il existe une lacune dans les données sur l'apport alimentaire des adolescents dans les pays à revenu faible et intermédiaire (PRFI). Les méthodes traditionnelles d'évaluation alimentaire nécessitent beaucoup de ressources et manquent de précision en ce qui concerne l'estimation de la taille des portions. Des outils d'évaluation diététique assistés par la technologie ont été proposés, mais peu ont été validés pour leur faisabilité d'utilisation dans les PRFI. Nous avons évalué la validité relative de FRANI (Food Recognition Assistance and Nudging Insights), une application mobile d'intelligence artificielle (IA) pour l'évaluation alimentaire chez les adolescentes (n = 36) âgées de 12 à 18 ans au Vietnam, par rapport à une norme d'enregistrements pondérés (WR) et comparé les performances de FRANI avec un rappel multi-passages de 24 HEURES (24H). L'apport alimentaire a été évalué à l'aide de 3 méthodes : FRANI, WR et 24HR sur 3 jours non consécutifs. L'équivalence des apports en nutriments a été testée à l'aide de modèles à effets mixtes ajustés en fonction de mesures répétées, en utilisant des limites de 10 %, 15 % et 20 %. Le coefficient de corrélation de concordance (CCC) a été utilisé pour évaluer la concordance entre les méthodes. Les sources d'erreurs ont été identifiées pour le biais d'estimation de la mémoire et de la taille des portions. L'équivalence entre l'app FRANI et WR a été déterminée à la limite de 10 % pour l'énergie, les protéines et les graisses et 4 nutriments (fer, riboflavine, vitamine B-6 et zinc), et à la limite de 15 % et 20 % pour les glucides, le calcium, la vitamine C, la thiamine, la niacine et le folate. Des résultats similaires ont été observés pour les différences entre 24HR et WR avec une limite équivalente à 20% pour tous les nutriments à l'exception de la vitamine A. Les CCC entre FRANI et WR (0,60, 0,81) étaient légèrement inférieurs entre 24HR et WR (0,70, 0,89) pour l'énergie et la plupart des nutriments. L'erreur de mémoire (omissions ou intrusions alimentaires) était d'environ21 %, sans motif clair apparent sur le biais d'estimation de la taille des portions pour les aliments. L'évaluation alimentaire assistée par IA et 24HR estiment avec précision l'apport nutritionnel chez les adolescentes par rapport à WR. Les erreurs pourraient être réduites grâce à de nouvelles améliorations de la reconnaissance des aliments assistée par IA et de l'estimation des portions.

Translated Description (Spanish)

Existe una brecha en los datos sobre la ingesta dietética de adolescentes en países de ingresos bajos y medios (PIBM). Los métodos tradicionales para la evaluación dietética requieren muchos recursos y carecen de precisión con respecto a la estimación del tamaño de las porciones. Se han propuesto herramientas de evaluación dietética asistidas por tecnología, pero se han validado pocas para la viabilidad de su uso en los PIBM. Evaluamos la validez relativa de FRANI (Food Recognition Assistance and Nudging Insights), una aplicación móvil de inteligencia artificial (IA) para la evaluación dietética en mujeres adolescentes (n = 36) de 12 a 18 años en Vietnam, frente a un estándar de registros ponderados (WR) y comparamos el rendimiento de FRANI con un recuerdo de 24 horas de múltiples pasadas (24 HORAS). La ingesta dietética se evaluó utilizando 3 métodos: FRANI, WR y 24HR realizados en 3 días no consecutivos. La equivalencia de las ingestas de nutrientes se probó utilizando modelos de efectos mixtos que ajustan las medidas repetidas, utilizando límites del 10%, 15% y 20%. El coeficiente de correlación de concordancia (CCC) se utilizó para evaluar la concordancia entre los métodos. Se identificaron fuentes de errores para la memoria y el sesgo de estimación del tamaño de las porciones. La equivalencia entre la aplicación FRANI y WR se determinó en el límite del 10% para energía, proteínas y grasas y 4 nutrientes (hierro, riboflavina, vitamina B-6 y zinc), y en los límites del 15% y 20% para carbohidratos, calcio, vitamina C, tiamina, niacina y folato. Se observaron resultados similares para las diferencias entre 24HR y WR con un límite equivalente del 20% para todos los nutrientes excepto para la vitamina A. Los CCC entre FRANI y WR (0.60, 0.81) fueron ligeramente más bajos entre 24HR y WR (0.70, 0.89) para la energía y la mayoría de los nutrientes. El error de memoria (omisiones o intrusiones de alimentos) fue de ~21%, sin un patrón claro aparente en el sesgo de estimación del tamaño de las porciones para los alimentos. La evaluación dietética asistida por IA y los 24HR estiman con precisión la ingesta de nutrientes en mujeres adolescentes en comparación con WR. Los errores podrían reducirse con mejoras adicionales en el reconocimiento de alimentos asistido por IA y la estimación de porciones.

Additional details

Additional titles

Translated title (Arabic)
الصلاحية النسبية للتقييم الغذائي المتنقل بمساعدة تكنولوجيا الذكاء الاصطناعي لدى المراهقات في فيتنام
Translated title (French)
Validité relative d'une évaluation alimentaire assistée par la technologie de l'IA mobile chez les adolescentes au Vietnam
Translated title (Spanish)
Validez relativa de una evaluación dietética móvil asistida por tecnología de IA en mujeres adolescentes en Vietnam

Identifiers

Other
https://openalex.org/W4292458201
DOI
10.1093/ajcn/nqac216

Is supplement to
https://openalex.org/W2965203988 (Other)
https://openalex.org/W2414492008 (Other)
https://openalex.org/W2401186232 (Other)
https://openalex.org/W2299896267 (Other)
https://openalex.org/W2058469564 (Other)
https://openalex.org/W2044013239 (Other)
https://openalex.org/W2027847287 (Other)
https://openalex.org/W1949638598 (Other)
https://openalex.org/W1891121146 (Other)
https://openalex.org/W1624246974 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Vietnam

References

  • https://openalex.org/W1513279392
  • https://openalex.org/W1970133336
  • https://openalex.org/W1992167600
  • https://openalex.org/W2156323397
  • https://openalex.org/W2156804146
  • https://openalex.org/W2159759971
  • https://openalex.org/W2160178741
  • https://openalex.org/W2170103961
  • https://openalex.org/W2179077788
  • https://openalex.org/W2282590854
  • https://openalex.org/W2313339984
  • https://openalex.org/W2578622375
  • https://openalex.org/W2597118008
  • https://openalex.org/W2734345264
  • https://openalex.org/W2777289083
  • https://openalex.org/W2795198366
  • https://openalex.org/W2801543996
  • https://openalex.org/W2928467655
  • https://openalex.org/W2995164493
  • https://openalex.org/W3018843778
  • https://openalex.org/W3081651606
  • https://openalex.org/W3160722946
  • https://openalex.org/W3215827159
  • https://openalex.org/W3217603436
  • https://openalex.org/W4205197561
  • https://openalex.org/W4210684285
  • https://openalex.org/W4213422775
  • https://openalex.org/W4226027044
  • https://openalex.org/W4226201263
  • https://openalex.org/W4286491089