- Banyak studi yang mencari hubungan antara pola makan dan kesehatan bergantung pada asupan yang dilaporkan sendiri oleh orang-orang, tetapi studi dan koreksi terbaru di Nature Food kembali menyoroti keterbatasan keandalan data ini
- Para peneliti membuat rumus prediksi pengeluaran energi dari lebih dari 6.000 pengukuran DLW dan membandingkannya dengan asupan yang dilaporkan dalam survei nutrisi besar seperti NHANES dan NDNS
- Setelah koreksi, tingkat salah lapor di basis data utama turun menjadi sekitar 27%, tetapi seberapa baik survei pola makan mencerminkan asupan sebenarnya masih tetap diperdebatkan
- Para pengkritik menilai DLW tidak dapat menunjukkan asupan energi secara presisi, sementara para pendukung berpendapat metode ini bisa digunakan peneliti untuk memperkirakan besarnya salah lapor dalam dataset
- Buku harian makan berbasis foto, kamera wearable, sensor, dan biomarker urin sedang diuji, tetapi belum ada metode yang dapat diskalakan hingga mampu menggantikan survei berskala besar
Masalah keandalan data pola makan yang dilaporkan sendiri
- Penelitian yang mencoba memastikan apakah makanan seperti kopi, anggur, dan cokelat baik bagi kesehatan sering kali mencari hubungan antara apa yang dikatakan orang mereka makan dan minum dengan kondisi kesehatan mereka setelahnya
- Studi Nature Food menjadi contoh yang menunjukkan betapa rapuhnya pendekatan ini
- Riset epidemiologi gizi biasanya menanyakan asupan dengan cara berikut
- menulis buku harian makanan
- survei asupan selama 24 jam terakhir, 1 minggu terakhir, atau beberapa bulan terakhir
- Ahli biostatistika sudah lama memperingatkan bahwa orang bisa salah mengingat apa yang mereka konsumsi, atau enggan mengatakan apa yang benar-benar mereka makan
- Sebagian peneliti mengusulkan metode koreksi yang mengecualikan peserta yang melaporkan asupan lebih rendah dari kebutuhan minimum untuk bertahan hidup, tetapi peneliti lain menilai riset dan kebijakan pola makan seharusnya tidak bergantung pada laporan mandiri makanan
Cara mengukur pengeluaran energi dengan DLW
- Sebagai cara yang lebih ketat untuk mendeteksi salah lapor, digunakan doubly labeled water(DLW) technique
- Dalam metode DLW, peserta meminum air yang diberi isotop berat oksigen dan hidrogen, lalu unsur-unsur ini diukur dari sampel urin selama beberapa hari
- Saat tubuh membakar kalori dan menghasilkan karbon dioksida, oksigen digunakan tetapi hidrogen tidak, sehingga jumlah relatifnya dalam urin mencerminkan jumlah energi yang digunakan seseorang
- Studi yang menggunakan DLW bersama survei makanan menemukan bahwa orang cenderung mengeluarkan lebih banyak energi daripada asupan yang mereka laporkan
- Ini berarti peserta mungkin benar-benar makan lebih sedikit, atau yang lebih mungkin, melaporkan asupan lebih rendah dari kenyataannya
- Dalam analisis terhadap ratusan orang di National Diet and Nutrition Survey (NDNS) Inggris, selisih ini diperkirakan sekitar 30%
Studi Nature Food dan koreksi kesalahan satuan
- Tim peneliti Nature Food membuat rumus prediksi pengeluaran energi menggunakan lebih dari 6.000 nilai pengukuran DLW yang sudah ada, dari orang berusia 4 hingga 96 tahun
- Rumus prediksi tersebut memperkirakan pengeluaran energi individu berdasarkan karakteristik yang mudah diukur seperti jenis kelamin, usia, dan berat badan
- Para peneliti menerapkan rumus ini pada ribuan catatan dari NHANES dan NDNS untuk memeriksa apakah asupan energi yang dilaporkan sesuai dengan rentang prediksi
- Dalam hasil awal, lebih dari 50% catatan orang dewasa NHANES dan lebih dari 60% catatan NDNS berada di bawah rentang prediksi
- Pada orang yang melaporkan makan lebih banyak protein, selisih antara survei dan pengukuran DLW lebih besar
- Belakangan, pemberitahuan koreksi dari Nature Food menyatakan bahwa tim peneliti salah menggunakan satuan energi saat menerapkan rumus prediksi pengeluaran energi dan membandingkannya dengan asupan yang dilaporkan dalam survei pola makan
- Keluaran rumus menggunakan satuan megajoule, tetapi nilai total pengeluaran energi yang dimasukkan secara keliru menggunakan satuan kilojoule
- Kesalahan ini membuat besarnya pelaporan yang terlalu rendah dinilai terlalu besar
- Tingkat salah lapor yang telah dikoreksi adalah sekitar 27%
- Walter Willett mengatakan koreksi ini adalah “koreksi yang substansial dan penting”, dan hasil baru itu sejalan dengan apa yang sudah diketahui tentang pelaporan asupan energi yang terlalu rendah
Perbedaan pendapat dalam menafsirkan studi
- Salah satu penulis studi, John Speakman, menilai banyak riset epidemiologi gizi berusaha menghubungkan paparan pola makan dengan hasil penyakit, tetapi data dasarnya sangat meragukan
- Ia menduga masalah ini dapat membantu menjelaskan hasil riset gizi yang saling bertentangan, ketika makanan tertentu pada satu bulan dikaitkan dengan diabetes atau kanker, lalu pada bulan berikutnya dianggap tidak terkait
- Samantha Kleinberg menilai studi ini penting karena banyak riset bergantung pada data NHANES
- Peneliti lain juga bisa menggunakan rumus prediksi ini untuk memeriksa dataset mereka sendiri
- Namun, makalahnya sendiri juga menyatakan bahwa kinerjanya bisa buruk pada orang dengan kebutuhan energi yang tidak normal seperti atlet atau orang hamil, dan hanya mendeteksi salah lapor secara tidak langsung
- Walter Willett menilai studi ini “flawed”
- Pengukuran DLW tidak dapat menunjukkan asupan energi secara presisi
- Nilai DLW juga berubah dari waktu ke waktu bahkan pada individu yang sama, dan sensitif terhadap perubahan pola makan serta aktivitas fisik
- Ia menilai masalah salah lapor tidak cukup parah untuk mendistorsi hubungan antara pola makan dan penyakit dalam studi yang dilakukan dengan baik, atau sampai meruntuhkan kebijakan pangan
- Menurutnya, kebijakan pangan didasarkan pada berbagai bukti ilmiah
- U.S. National Center for Health Statistics, yang mengawasi NHANES, menyatakan bahwa pelaporan asupan yang terlalu rendah dalam survei pola makan adalah masalah yang sudah lama diketahui, tetapi data NHANES tetap “valuable and important”
- Lembaga ini mengambil langkah-langkah untuk memastikan data berkualitas tinggi, termasuk pelatihan intensif bagi pewawancara pola makan
- Lembaga ini menyediakan tutorial agar peneliti dapat mempelajari cara menganalisis data tersebut
- Lindsay Jaacks menilai survei pola makan masih merupakan data terbaik yang bisa digunakan
- DLW terbatas bagi epidemiolog karena tidak memberi tahu apa yang dihilangkan orang dari jawaban survei mereka
- Tidak diketahui apakah makanan dan minuman yang hilang itu berupa makanan ultra-proses, buah, daging olahan untuk makan siang, yogurt, atau kopi susu manis
- Apakah orang juga meremehkan porsi tiap makanan masih menjadi area yang memerlukan penelitian lanjutan
Metode pengukuran baru untuk melengkapi survei
- Banyak peneliti sedang mengembangkan cara untuk mengurangi ketergantungan epidemiologi gizi pada survei, atau setidaknya melengkapinya dengan pengukuran tambahan
- Tim Speakman menguji buku harian makan berbasis foto, di mana peserta memotret setiap kali makan dan peneliti atau program komputer memperkirakan isinya
- Metode ini tidak akurat dan juga bergantung pada kedisiplinan peserta
- Peneliti lain menguji kamera wearable untuk melacak asupan peserta
- Kleinberg dan rekan-rekannya mengeksplorasi penggunaan sensor gerak dan audio
- Kelompok seperti tim riset Gary Frost sedang mencari biomarker urin yang dapat mengungkap seberapa banyak seseorang mengonsumsi makanan tertentu
- Saat ini belum ada metode yang siap diterapkan pada skala yang dicapai oleh survei
- Frost menilai alat seperti rumus prediksi dalam studi ini dapat membantu peneliti memperkirakan besarnya salah lapor dan memasukkannya ke dalam makalah penelitian
1 komentar
Komentar Hacker News
Saya sudah lama meneliti bidang ini di Google AI dan SnapCalorie, dan menarik melihat seberapa percaya diri orang terhadap kemampuan mereka menebak porsi makan dengan perkiraan visual, serta seberapa melesetnya mereka dalam kenyataan
Menurut makalah yang kami presentasikan di CVPR, orang awam rata-rata meleset 53%, sementara pakar terlatih pun meleset sekitar 40%. Jika membutuhkan akurasi lebih tinggi, diperlukan timbangan makanan atau alat pengukur volume; manusia tidak pandai memperkirakan porsi hanya dari penglihatan
Orang sering mengkhawatirkan minyak, lemak untuk memasak, dan bahan tersembunyi, tetapi dalam kesalahan pelacakan yang sebenarnya, ukuran porsi jauh lebih berpengaruh daripada hal-hal tersebut. Untuk rincian dekomposisi kesalahan yang lebih detail, lihat makalah Nutrition5k yang kami publikasikan
Bagi penderita diabetes, makan di luar selalu seperti melempar dadu, dan umpan balik “menarik” berupa gula darah setelah makan selalu mengingatkan bahwa menilai isi piring dengan mata sama sekali tidak berguna
Rupanya, memberi orang selembar kertas dan meminta mereka menulis “sandwich keju panggang untuk makan siang” bukanlah cara yang skalabel dan andal untuk mengumpulkan data berkualitas riset
Kami juga membuat dataset catatan makanan bersama USDA: https://agdatacommons.nal.usda.gov/articles/dataset/SNAPMe_A...
Setelah itu, Anda akan jauh lebih punya gambaran berapa banyak kalori yang ada dalam makanan dan camilan sehari-hari
Kuncinya adalah memeriksa berat pada kemasan dan membagi wadah menjadi N bagian yang sama banyak. Dengan kata lain, tentukan dulu ukuran porsi target, lalu bagi sesuai itu
Jika tugasnya adalah “ukur 1 ons mentega”, secara realistis tidak akan meleset 40%. Sebab sebatang mentega berbentuk balok seberat 1 pon bisa dibagi dua berulang kali dengan sangat akurat. Untuk ayam juga, kita tahu berat total N potong berukuran mirip dalam kemasan yang dibeli, dan karena satu potong dimasak utuh, kita cukup tahu berapa banyak yang ada di piring
Jika di rumah Anda menimbang sebagian besar makanan, dan hanya memperkirakan porsi serta bahan saat sesekali makan di luar, Anda bisa memperkirakan rasio underestimation per individu lalu mengoreksinya
Startup kami, BODYSIM.com, juga sudah lama meneliti bidang ini. Para pendirinya semuanya mencatat makanan harian berbasis timbangan dapur selama lebih dari 16 bulan, lalu mencocokkannya dengan pengukuran harian timbangan BIA, kalori dari fitness tracker, tes darah dua mingguan, DEXA bulanan, pemindaian 3D, dan sebagainya
Kami juga memiliki model struktural berbasis sains untuk keseimbangan makronutrien dan hipertrofi otot, sehingga dapat memperkirakan TDEE, yaitu total pengeluaran energi harian dan komponen-komponennya, dengan sangat yakin, serta memprediksi perubahan harian massa lemak dan massa otot. Ini matematika dan sains sungguhan, sehingga bisa dijalankan secara terbalik juga; berkat “kendala simultanitas” ini, ada cukup banyak batasan untuk memperkirakan underestimation atau makan berlebih khusus pengguna saat makan di luar. Sebenarnya, pada hari seperti itu lebih baik tidak mencatat sama sekali, dan kami bisa mengisinya. Namun tampaknya ini tidak digunakan luas karena membutuhkan data self-tracking terkuantifikasi semacam ini secara bersamaan
Saya penasaran bagaimana orang yang bilang “melacak dan menimbang semuanya” menangani saus buatan sendiri, bahan yang waktu masaknya berbeda, nutrisi pada sisa makanan yang berkurang seiring waktu, jumlah makanan bersama yang diambil beberapa kali, serta perbedaan cara budidaya atau varietas
Saat tinggal sendiri dan terutama makan makanan kemasan serta sayuran mentah yang bentuknya seragam seperti hasil kloning, mungkin itu mudah. Namun setelah makan bersama orang lain, banyak memasak dari bahan mentah tanpa barcode, dan membumbui dengan perkiraan tanpa resep, rasanya jadi kurang cocok
1 ons minyak zaitun mengandung 250 kilokalori, tetapi 1 ons protein daging tanpa lemak biasanya 30–50 kilokalori, dan 1 ons sayuran hijau praktis hampir tidak berkalori
Jadi bahan yang kalorinya besar seperti minyak dan miso harus ditimbang dengan ketat, begitu juga sebagian besar protein dan karbohidrat. Biji-bijian dan saus tomat juga punya kepadatan kalori tertentu sehingga sebaiknya ditimbang, tetapi prioritasnya lebih rendah
Mustard, air lemon, sebagian besar bumbu tanpa gula, bawang bombai, mentimun, dan peterseli bisa dianggap “gratis” selama tidak dipakai dalam jumlah besar. Tidak ada orang yang gemuk karena mustard, lemon, bawang bombai, mentimun, atau peterseli
Mikronutrien seperti vitamin secara praktis sulit diukur di dapur rumah, dan kalau khawatir bisa memakai suplemen vitamin/mineral. Sebaliknya, makronutrien seperti protein, karbohidrat, dan lemak biasanya bisa diukur secara kasar, termasuk pada sisa makanan, dengan gelas takar, sendok, dan timbangan biasa
Jika ingin melacak makanan yang dimakan bersama beberapa orang secara ketat, lebih mudah membagi protein, karbohidrat, saus, dan lemak ke piring atau mangkuk masing-masing untuk dirakit, daripada memasak semuanya dalam satu panci besar
Bagi banyak orang, ini efektif untuk melampaui pikiran yang dipelajari, seperti satu porsi harus besar, rasa lapar harus segera diatasi, atau harus selalu dalam keadaan “kenyang”. Ini tidak sempurna dan tidak direkomendasikan bagi orang dengan riwayat gangguan makan, tetapi mencobanya satu atau dua bulan benar-benar mengubah cara memandang makan, terutama camilan
Saus buatan sendiri tidak dihitung. Buat saus sederhana dan gunakan sedikit, dan targetnya juga bukan kadar lemak tubuh di bawah 10%
Perbedaan waktu memasak dihitung berdasarkan bahan mentah, atau kalau ada di aplikasi pelacak, berdasarkan kondisi matang. Tidak perlu superpresisi
Penurunan nutrisi pada sisa makanan tidak saya pedulikan. Angka kalori sendiri toh perkiraan, dan ini lebih mirip permainan psikologis untuk mengendalikan asupan kalori secara kasar daripada sains
Untuk makanan yang dimakan bersama, jika saya yang membuatnya, saya menghitung totalnya lalu memperkirakan bagian saya. Jika teman yang membuatkannya, saya tidak memikirkannya sama sekali dan hanya berusaha makan dalam jumlah yang “wajar”
Perbedaan varietas mentimun atau cara budidaya juga kemungkinan besar tidak terlalu penting. Berdasarkan berat, mentimun ya mentimun; tujuannya bukan kesempurnaan, melainkan mendapat rasa kasar tentang kalori
Fokuslah pada skala bulanan, bukan harian, dan hitung kalori saat membeli, bukan saat makan. Misalnya satu pak roti tawar berisi 17 lembar dan tiap lembar 100 kalori, tambahkan 1700 ke total kalori bulan itu
Di akhir bulan, total kalori yang dibeli bulan itu bisa dibagi jumlah hari untuk mendapatkan perkiraan rata-rata kalori harian
Beberapa makanan tersisa hingga bulan berikutnya sehingga ada variasi, tetapi dalam jangka panjang akan saling mengimbangi. Untuk barang yang kalorinya besar, membaginya secara logis akan membuat angkanya lebih mulus
Misalnya jika satu botol mayones yang bertahan beberapa bulan berisi 8000 kalori, jangan masukkan seluruh 8000 pada bulan pembelian; bisa masukkan 2000 bulan itu dan masing-masing 2000 untuk 3 bulan berikutnya
Ini lebih penting saat fase penurunan berat badan, dan kurang penting saat fase pemeliharaan
Sebagian besar adalah permainan estimasi dan bergantung pada asumsi bahwa nanti rata-ratanya akan cocok. Bumbu bisa diabaikan. Bahkan menganggapnya 25 kalori per hari mungkin sudah berlebihan
Minyak harus ditimbang dengan teliti. 9 kalori per gram cepat sekali menumpuk
Namun jika tetap meleset 100 kalori per hari dan menurut catatan defisitnya 500 kalori, berat masih akan turun sekitar 0,8 pon per minggu. Jika konsisten, tinggal sesuaikan jumlahnya dan cocokkan dengan cara pencatatan sendiri
Intinya adalah mengakui bahwa informasi gizi itu bervariasi. Karena tidak bisa dibuat sempurna, cukup kompensasikan ketidaksempurnaannya
Sebagai gantinya, hitung jumlah konsumsi sayuran dan buah utuh, lalu coba maksimalkan. Justru dimaksimalkan untuk menurunkan berat badan
Melacak kategori makanan kecil ini jauh lebih mudah, dan meningkatkannya secara alami menimbulkan rasa kenyang sehingga makanan manis berkurang. Namun jika mengubah pola makan secara drastis dalam semalam, prosesnya bisa terasa tidak menyenangkan dan membuat menyerah, jadi harus pelan-pelan
Sebaiknya ubah pola makan kurang dari 10% per minggu, tetap makan makanan favorit yang terasa “bersalah”, tetapi tambahkan lebih banyak makanan sehat yang bisa dinikmati. Jika memungkinkan, makan itu terlebih dahulu sebelum makanan yang kurang sehat agar rasa kenyang sempat muncul
Jika makan pizza, bisa makan salad pendamping dulu atau memilih pizza sayur. Tidak perlu mencoba berhenti total makan pizza sampai perjalanan ini lebih jauh
Jangan stres; terus cari perubahan kecil seperti ini secara konsisten, maka dalam jangka panjang arahnya akan benar, dan selera juga akan perlahan beradaptasi untuk menikmati makanan yang sebelumnya tidak akrab
Banyak orang tampaknya memiliki hubungan yang murni emosional dengan sumber daya, sehingga logika sulit menembusnya. Makanan dan keuangan mirip
Selama bertahun-tahun saya mencoba membuat istri saya mematuhi anggaran belanja bahan makanan mingguan, tetapi setiap kali ia jauh melampauinya. Alasannya seperti “makanan ini memang dibutuhkan” atau “ini perlengkapan mandi, jadi tidak termasuk bahan makanan”, dan pada akhirnya kami tidak pernah berhasil mematuhi anggaran belanja bahan makanan. Solusinya akhirnya adalah berusaha pindah ke pekerjaan dengan gaji lebih tinggi
Penurunan berat badan juga sangat mirip dengan ini. Kalori masuk→kalori keluar secara konsep sangat sederhana, tetapi dalam praktiknya kebanyakan orang kesulitan. Bukan karena mereka tidak memahami konsepnya, melainkan karena terhambat dalam pelaksanaannya. Mereka menipu diri sendiri, membuat sofisme filosofis, dan biasanya menyerah pada keinginan. Mendapatkan makanan adalah salah satu dorongan paling dasar, jadi tidak mengherankan jika orang sulit mengendalikannya secara intelektual
Ada juga orang yang percaya CICO salah karena metabolisme berbeda atau karena tidak semua kalori sama. Keduanya benar, tetapi tidak membantah premisnya. Metabolisme apa pun, jenis kalori apa pun, kalori yang lebih sedikit tetap menghasilkan penurunan berat badan. Mungkin terasa tidak adil bahwa sebagian orang perlu berusaha lebih sedikit untuk hasil yang sama, tetapi sebenarnya semua bidang kehidupan memang begitu. Tentu saja meningkatkan kualitas kalori juga sangat penting dan tidak boleh diabaikan, tetapi itu pun tidak membantah premisnya
Barang-barang di rumah dan pantry punya siklus penggantian yang aneh dan berbeda-beda tergantung pemakaian serta perubahan kebiasaan, dan ritme bulanan juga membuat perencanaan di sekitar fluktuasi harga menjadi tidak efisien
Target yang bisa dicapai adalah mengurangi rata-rata pengeluaran bahan makanan bulanan, dan caranya adalah menentukan lebih dulu barang apa yang tidak akan lagi distok di rumah, barang apa yang akan diganti dengan alternatif lebih murah, dan barang apa yang akan dibeli di toko gudang/wholesale
Sulit menurunkan anggaran bensin kalau orang tidak mengurangi mengemudi. Jika istri hanya bertugas mengisi bensin, ia hanyalah perantara. Itu mungkin reaksi emosional, tetapi kita juga perlu mempertimbangkan kemungkinan bahwa tindakan “melenturkan aturan” adalah cara untuk membuat tuntutan yang mustahil menjadi entah bagaimana bisa dijalankan. Disadari atau tidak, barang-barang yang “tidak dimasukkan ke perhitungan” mungkin bukan barang yang diganti setiap bulan, dan pola biayanya juga naik-turun
Bahkan di luar masalah lapar, makanan memiliki segala macam makna yang tidak terkait nilai gizi, melainkan terkait nilai sosial-psikologis
Dalam hidup saya sendiri, saya rasa saya sangat meremehkan hal ini, atau salah memahami maknanya. Cara kerjanya sebenarnya jauh lebih luas dan lebih halus daripada yang orang kira. Bukan berarti itu salah, tetapi sulit ketika sesuatu yang memberi imbalan bermakna tiba-tiba dicabut, terutama ketika kita tidak menyadarinya secara sadar
Seolah ketika murid membicarakan kurang motivasi, latihan yang membosankan, sakit punggung, repetitive strain injury, atau perubahan metode latihan, jawabannya hanya “jumlah latihan adalah kemampuan”. Seakan-akan apa yang sulit dipahami?
Semua orang tahu bahwa untuk mahir memainkan alat musik, harus meluangkan waktu. Demikian pula, di antara orang yang ingin menurunkan berat badan, tidak banyak yang menyangkal konservasi energi yang mengalir melalui kelompok makanan
Kalau benar-benar ingin membantu secara rasional, gunakan metode yang efektif. Berhenti gula, berhenti daging, intermittent fasting, menghitung kalori—apa pun asal berhasil. Bukan dengan pemalu menunjukkan bahwa ia gagal latihan 10 jam minggu lalu tanpa menanyakan mengapa ia tidak bisa melakukannya
Orang yang hanya bicara masuk/keluar tampaknya kesulitan menerima konsep sederhana ini secara intelektual
Apa yang dimakan, bagaimana dimasak, dan kapan dimakan memengaruhi secara kompleks rasa lapar, energi untuk berolahraga, kemampuan menahan impuls, serta kondisi fisiologis akibat asupan nutrisi
CICO berguna untuk menjelaskan masalah manajemen berat badan secara retrospektif, tetapi kurang memadai untuk membuat rencana atau menjaga kualitas hidup saat bergerak menuju target manajemen berat badan
Model mental ini membantu memahami hal-hal seperti perilaku mencengkeram dan menimbun sumber daya meski jelas ada surplus di mana-mana
Menghitung kalori dengan MyFitnessPal benar-benar membutuhkan usaha luar biasa. Kalau makan di luar, pada dasarnya selesai sudah, dan paling banter hanya perkiraan
Jika saus dan minyak ikut dihitung, bahkan dalam kondisi terbaik pun sulit akurat dan merepotkan untuk terus dikelola. Pilihan terbaik mungkin menghindarinya agar tidak perlu menghitung
Dalam penelitian, rasanya hampir semua orang, meski dengan niat baik, pada suatu titik akan memasukkan data buruk
Tidak perlu diet tren khusus; tindakan mencatat semua yang dimakan itu sendiri membuat kita berhenti dan berpikir, “sepertinya saya tidak perlu makan ini”
Celtuce yang ditumis di rumah [1]? Marble goby yang dikukus di rumah [2]? Tidak ada caranya. Yang ada hanya informasi gizi mac and cheese kemasan
[1] https://en.wikipedia.org/wiki/Celtuce
[2] https://en.wikipedia.org/wiki/Oxyeleotris_marmorata
Jika selalu makan hal yang sama di restoran tertentu, pada awalnya perkirakan kalori makanan itu sebaik mungkin, lalu jika rata-rata berat badan tidak bergerak ke arah yang diinginkan, sesuaikan target kalori untuk mengoreksinya
Karena saya sangat tidak suka memperkirakan kalori masakan rumahan, dan tahu bahwa perkiraan itu toh akan tidak akurat
Kalau tidak tahu kalori pastinya, saya memperkirakannya sedikit lebih tinggi, kira-kira 1,2 kali lipat
Manusia memang buruk dalam melaporkan apa pun tentang dirinya sendiri. Olahraga, makanan, kehidupan seksual, perawatan diri—semuanya sama. Coba tanyakan kepada pengacara atau siapa pun yang harus menggali cerita dari orang lain
Ini seharusnya menjadi asumsi dasar bagi siapa pun yang menanyakan sesuatu kepada manusia. Jika para ilmuwan membayangkan ada kelompok subjek eksperimen yang melapor dengan akurat, itu adalah contoh keluguan para ilmuwan yang mencengangkan
Sebelumnya, kesaksian manusia hampir menjadi satu-satunya cara menyampaikan informasi tentang berbagai fenomena, dan keandalannya paling-paling terbatas karena fidelitas rendah, kepadatan informasi rendah, serta interpretasi dan reproduksi yang tidak stabil
Contoh bagusnya adalah cukil kayu badak karya Albrecht Dürer tahun 1515. Karena dibuat berdasarkan laporan tidak langsung dan sketsa, tampilannya tidak persis seperti kenyataan, tetapi ciri-ciri tertentu seperti segmentasi badan, cula, jari kaki, dan bentuk mata tercatat dengan sangat akurat. Referensi: <https://en.wikipedia.org/wiki/D%C3%BCrer%27s_Rhinoceros>
Catatan analog juga bisa dimanipulasi, tetapi biasanya butuh usaha dan keahlian agar terlihat mulus, dan penyuntingan serta perubahan bisa dideteksi dengan membandingkan catatan independen
Setelah Photoshop, manipulasi gambar digital muncul dan kekuatan foto sebagai “bukti” makin melemah; dengan penyebaran AI dan smartphone, hampir semua gambar diam dan video kini diproses sampai taraf tertentu. Dengan AI, gambar diam, video, audio, ucapan, bahkan suara latar dapat dibuat menjadi fiksi yang meyakinkan secara real time, sehingga membingungkan orang awam maupun pakar
Pada akhirnya, meskipun teknologi kita pernah menawarkan solusi untuk masalah ini, kini kita kembali ke ranah laporan rekaan dengan reliabilitas rendah, bahkan—dan terutama—ketika dimediasi oleh teknologi
Sistem pendidikan tidak bisa menyuntikkan akal sehat. Sebagian besar ilmuwan profesional biasa-biasa saja, atau sedang berusaha bertahan dalam sistem yang dimanipulasi
Atau mungkin para peneliti yang sudah lama bekerja di lapangan sudah mengetahui hal ini, dan masalahnya ada pada pihak yang menyederhanakan riset untuk publik
Untuk menjawab apakah kopi baik, atau bagaimana dengan wine atau cokelat, ada variabel perancu yang praktis tak terbatas: genetika, waktu makan, kebugaran, gaya hidup sedentari, dan sebagainya
Ini lebih mirip masalah 80/20; setelah menangani yang 80, lebih baik lupakan yang 20. Toh jawabannya tidak akan didapat
Jika seseorang terlihat tidak sehat dan juga merasa tidak enak, besar kemungkinan ia makan dengan buruk. Jika penampilan dan kondisinya baik, sesekali segelas wine atau sepotong kecil cokelat setelah makan malam mungkin tidak akan banyak berpengaruh
Namun dalam studi seperti ini ada beberapa kriteria seleksi yang tidak acak: ketertarikan pada studi, kepatuhan terhadap protokol studi, dan tindakan melapor kembali
Agar ilmu gizi menjadi serius, N-nya harus puluhan ribu, bukan puluhan orang. Itu mahal, tetapi untuk hal penting, memang harus begitu
Saya penasaran apakah ini benar-benar menimbulkan masalah pada sebagian besar studi
Jika studi membutuhkan jumlah asupan makanan absolut yang akurat, itu memang masalah, tetapi sebagian besar studi yang saya temui justru memakai ekspresi relatif karena alasan ini. Misalnya, orang yang melakukan X lebih banyak daripada teman sebaya menunjukkan korelasi dengan Y
Jika ingin melihat apakah konsumsi kopi pagi berkorelasi dengan umur panjang, bahkan jika kita percaya—seperti yang diisyaratkan artikel—bahwa semua orang melaporkan asupan makanan lebih rendah, tampaknya itu tidak terlalu relevan. Karena yang dibandingkan adalah relatif
Tentu saja hasil seperti ini dipelintir menjadi judul clickbait seperti “X adalah rahasia umur panjang!”, tetapi itu lebih merupakan masalah peliputan sains populer daripada masalah studi diet itu sendiri
Dalam kenyataan, orang bisa melaporkan lebih sedikit hal yang mereka anggap memalukan, dan justru melaporkan lebih banyak hal sebaliknya. Ini adalah cacat data yang jauh lebih sulit dikoreksi
Contoh “kopi pagi” itu pun bisa berarti apa saja, dari secangkir espresso murni sampai “kopi” Starbucks lebih dari 600 kalori, tetapi mesin meta-studi mencampurkan semuanya jadi satu
Ini mirip memasukkan seluruh komentar Reddit ke ChatGPT, menanyakan sesuatu, lalu mempertaruhkan kesehatan diri pada tingkat masyarakat dengan memercayai jawabannya
Artikel pada dasarnya mengatakan semua orang melaporkan lebih sedikit, bukan bahwa semua orang melaporkan lebih sedikit dalam jumlah yang sama. Dan ada banyak alasan mengapa tidak demikian
Jika penyebabnya rasa malu, orang yang lebih malu pada kebiasaan makannya akan lebih banyak underreport. Jika orang lebih mengingat makanan utama daripada camilan, orang yang banyak ngemil akan lebih banyak underreport dibanding yang jarang ngemil. Selain itu, jika porsi tambahan lebih mudah terlupakan daripada piring pertama, makanan yang mudah memicu makan berlebihan akan lebih banyak underreport dibanding makanan lain. Dengan begitu banyak distorsi sistematis seperti ini, justru mengherankan jika menganggap semua orang underreport secara merata
Namun hampir tidak pernah dilanjutkan ke pekerjaan sulit setelahnya. Karena itu ada banyak studi yang menunjukkan korelasi ke arah mana pun, dan banyak pula studi yang saling bertentangan. Namun tampaknya kita puas dengan keadaan ini. Kondisi riset gizi sungguh memprihatinkan
Karena itu mereka bisa melaporkan sayuran lebih banyak, dan tidak menyebut alkohol atau rokok, atau obat ilegal yang mungkin secara hukum harus dilaporkan oleh studi kepada polisi. Orang yang menyebut dirinya vegetarian mungkin tidak melaporkan daging yang ia makan, dan orang gemuk bisa melaporkan bahwa ia melewatkan hidangan penutup
Inilah alasan penelitian tidur dilakukan di klinik, bukan menyerahkannya pada laporan mandiri pasien
Jika ingin data yang akurat, harus melakukan penelitian sungguhan, dan penelitinya harus langsung membagi porsi makanan serta menyediakan jadwal
Semua makanan dan camilan disediakan untuk peserta, dan kadang mereka juga terus dipantau selama beberapa minggu hingga beberapa bulan
https://pubmed.ncbi.nlm.nih.gov/39134209/
Tentu saja penelitian seperti ini jauh lebih invasif dan mahal dibanding studi observasional klasik yang “mengisi kuesioner”, sehingga relatif jarang. Meski begitu, penelitian ini ada dan hasilnya sangat berguna
Salah satu alat survei gizi yang banyak dikutip adalah Nurses' Health Study, yang menjadi dasar bagi banyak sekali hasil clickbait gizi sekali pakai. Observasi berbasis survei ini pernah dipakai untuk membuktikan bahwa daging buruk bagi tubuh sekaligus baik bagi tubuh, dan bahwa pemanis buatan membuat kurus sekaligus membuat gemuk. Satu survei yang meminta orang “sesekali mengingat apa yang dimakan selama periode sebelumnya” adalah akar dari kebisingan besar dalam ilmu gizi
Menurut pengalaman saya, orang khususnya kurang memahami kalori dalam alkohol
Karbohidrat dan protein biasanya 4 kalori per gram, sedangkan alkohol 7 kalori per gram. Hanya lemak yang lebih padat energi, yaitu 9 kalori per gram
Pada era 2000-an ada tren besar makanan rendah karbohidrat, dan saya ingat Bacardi membuat iklan populer yang menonjolkan bahwa rum mereka tidak mengandung karbohidrat. Padahal semua minuman suling tanpa perisa memang tidak mengandung karbohidrat dan tetap sangat tinggi kalori, tetapi dipasarkan seolah-olah merupakan pilihan yang lebih cerdas bagi orang yang memperhatikan berat badan
Mirip seperti mengukur kalori kayu. Karena mudah terbakar, kalorinya tinggi, tetapi tidak dimetabolisme dengan baik. Sepotong kayu sekitar 400 kkal/100 g
Etanol memiliki energi 1325 kJ/mol. Namun jika reaksi berhenti di tengah jalur metabolisme, asam asetat dikeluarkan melalui urine setelah minum alkohol, sehingga energi yang bisa diperoleh dari alkohol jauh berkurang, hanya 215,1 kJ/mol
https://en.wikipedia.org/wiki/Pharmacology_of_ethanol#Metabo...
Saya kira sudah menjadi pengetahuan umum bahwa orang tidak bisa melaporkan dengan baik sebagian besar hal tentang diri mereka sendiri
Untuk melakukan penelitian yang benar-benar ketat, data harus objektif, jadi ini menjadi alasan kuat untuk mendukung wearable atau monitor pintar lainnya