Hoe nauwkeurig zijn calorie-apps met AI? De NIH-studie van 2026

Een foto van je bord maken en binnen een paar seconden het aantal calorieën zien, voelt een beetje als magie. Het maakt bijhouden ook een stuk minder saai, want elk ingrediënt intypen gaat snel vervelen. Maar gemak helpt alleen als het getal ergens in de buurt zit.

In juli 2026 deelden onderzoekers van de National Institutes of Health (NIH), het Amerikaanse instituut voor gezondheidsonderzoek, wat zij de eerste directe, kwalitatief sterke vergelijking in zijn soort noemden. Kort gezegd: op zichzelf vielen de fotoschattingen te laag uit, vooral door vet. Het langere verhaal is nuttiger, want de grootste fouten zijn ook het makkelijkst door jou te verhelpen.

Wat de NIH-studie testte

De studie komt van wetenschappers van het National Institute of Diabetes and Digestive and Kidney Diseases (NIDDK) en werd gepresenteerd op NUTRITION 2026, de jaarlijkse bijeenkomst van de American Society for Nutrition, volgens de aankondiging van de vereniging.

De testmaaltijden kwamen uit een grotere studie van het NIH Clinical Center die een koolhydraatarm ketogeen dieet vergeleek met een standaarddieet. Ze werden bereid in een metabole keuken, waar ingrediënten tot op 0,1 gram nauwkeurig worden gewogen, zodat de onderzoekers precies wisten wat er op elk bord lag. Ze haalden gestandaardiseerde foto’s van 102 van die maaltijden door de fotofuncties van vier apps: MyFitnessPal, Lose It!, Cal AI en Appediet.

Eén belangrijke kanttekening: het ging om een congresabstract. De organisatoren wijzen erop dat zulke bevindingen nog niet de volledige peerreview hebben doorlopen die nodig is voor publicatie in een vakblad, en dat ze als voorlopig moeten worden gezien.

Wat de onderzoekers vonden

Alle vier de apps onderschatten de calorieën, met gemiddeld zo’n 250 tot 345 calorieën per maaltijd, ongeveer een derde. Healio meldde het gemiddelde per app:

Een paar andere bevindingen springen eruit:

• Vet was de grote misser. Alle vier de apps onderschatten vet met zo’n 30 gram per maaltijd.
• Koolhydraten waren stabieler. De schattingen voor koolhydraten waren consistenter dan die voor andere macronutriënten, al onderschatten Lose It! en Cal AI de koolhydraten nog steeds met zo’n 14 gram.
• Bij sommige apps maakte de grootte van de maaltijd uit. MyFitnessPal en Lose It! schatten calorierijkere maaltijden nauwkeuriger in dan caloriearmere.
• Vette maaltijden leken het lastigst. In een vervolg met meer dan 200 extra maaltijden wezen de eerste resultaten erop dat de apps meer moeite hadden met ketogene maaltijden, waarschijnlijk omdat hun hogere vetgehalte steeds werd onderschat.

Apps krijgen vaak updates, dus deze resultaten gaan over de versies die voor deze studie zijn getest, niet per se over hoe elke app het nu doet. Calorix deed niet mee aan de studie, en we gaan er niet van uit dat een schatting op basis van alleen een foto, van welke app dan ook, de onze inbegrepen, aan dezelfde problemen zou ontsnappen.

Het advies van de hoofdonderzoeker was duidelijk: wie een app met fotoherkenning gebruikt ‘zonder de porties aan te passen of de hoeveelheden in te voeren, moet de resultaten met een korreltje zout nemen’.

Dit is niet alleen een AI-probleem

Het helpt om de apps te vergelijken met het gebruikelijke alternatief: mensen die zelf schatten. De onderzoekers merkten op dat een onderschatting van een derde vergelijkbaar is met wat is gemeld bij zelfgerapporteerde voeding.

Dat past bij tientallen jaren onderzoek. In de OPEN-studie, die de zelfrapportages van 484 volwassenen vergeleek met objectieve biomarkers, gaven 24-uursvoedingsnavragen een energie-inname die zo’n 12 tot 20 procent te laag was, en voedselfrequentievragenlijsten ongeveer een derde te laag. Een systematische review uit 2019 van 59 studies met dubbel gelabeld water vond dat de meeste een significante onderrapportage lieten zien, ook studies naar technologische methodes.

Foto’s lossen dat niet vanzelf op. Een meta-analyse uit 2020 vond dat ook voedingsonderzoek op basis van beelden de energie-inname vaak te laag weergaf, en concludeerde dat het net als traditionele methodes flinke meetfouten heeft. Een systematische review uit 2023 van volledig geautomatiseerde AI-methodes vond gemiddelde caloriefouten die per studie uiteenliepen van minder dan 1 procent tot zo’n 38 procent, met kleinere fouten bij foto’s van losse, eenvoudige producten.

Er is wel een hoopvol detail. Bij de remote food photography method, waarbij onderzoekers de inname schatten op basis van foto’s van elke maaltijd en de restjes, zaten de schattingen binnen zo’n 5 tot 7 procent van de gewogen inname (nog steeds iets te laag). Foto’s kunnen goed werken als iemand ze zorgvuldig nakijkt, en precies die controle ontbrak in de NIH-test.

Het commentaar bij het artikel van Healio maakte nog een punt dat het onthouden waard is: een consequente onderschatting weegt zwaarder dan een willekeurige fout. Willekeurige fouten vallen over een week deels tegen elkaar weg; een afwijking in één richting blijft zich opstapelen.

Waarom fotoschattingen missen

Verborgen vetten

Olie trekt in rijst en groente. Boter smelt in sauzen. Dressing bedekt elk blaadje. Een camera ziet daar niets van, en vet zit vol calorieën: USDA FoodData Central, de voedingsdatabank van het Amerikaanse ministerie van Landbouw, geeft voor een eetlepel olijfolie 13,5 gram vet en 119 calorieën. Het verschil van zo’n 30 gram vet in de NIH-studie is iets meer dan het vet in twee eetlepels olie.

Hoogte van de portie

Een foto is plat. Recht van boven kunnen een dun laagje pasta en een diepe kom pasta er bijna hetzelfde uitzien. In een studie uit 2025 onderschatten volwassenen die echte porties rijst aan foto’s moesten koppelen die porties vaak op foto’s van bovenaf, omdat de hoogte van rijst in een kom van boven moeilijk te zien is. Foto’s onder een hoek van 45 graden werkten het best voor vast voedsel.

Samengestelde gerechten

Curry’s, ovenschotels, burrito’s en sandwiches verbergen ingrediënten in of onder elkaar. De AI moet niet alleen de hoeveelheid raden, maar ook het recept. Niet toevallig vond de review uit 2023 kleinere fouten bij foto’s van losse, eenvoudige producten.

Licht en hoek

Beeldonderzoekers wijzen erop dat veranderingen in belichting en kijkhoek bepalen hoe eten eruitziet, waardoor het moeilijker te herkennen wordt. Gedimd restaurantlicht, harde schaduwen en ongebruikelijke hoeken zorgen allemaal voor meer onzekerheid.

Zo krijg je betere schattingen

Je hoeft niet alles te wegen om het veel beter te doen dan een kale fotoschatting. Deze gewoontes pakken de fouten hierboven aan:

• Voeg een notitie toe als je scant. Vertel de app wat hij niet kan zien: ‘in boter gebakken’, ‘extra dressing’, ‘halve portie’.
• Controleer de porties, niet alleen het totaal. Bekijk de grammen per ingrediënt en corrigeer wat niet klopt, te beginnen met de calorierijke onderdelen.
• Noteer vetten als aparte regel. Voeg de olie, boter, mayonaise of dressing toe als apart ingrediënt, zodat die niet in het gerecht verdwijnt.
• Gebruik barcodes en etiketten voor verpakte producten. Het etiket geeft je de cijfers van de fabrikant, dus er valt niets te raden op basis van een foto.
• Weeg af en toe. Een week lang je gebruikelijke schep rijst, kom ontbijtgranen of scheut olie wegen, ijkt je oog opnieuw. Niet voor niets waren nauwkeurig gewogen maaltijden het referentiepunt van de NIH-onderzoekers.
• Maak een betere foto. Goed licht, het hele bord in beeld en een hoek van 45 graden helpen allemaal. Onze gids over porties schatten met een foto gaat hier uitgebreid op in.
• Reken op meer vet als iemand anders kookt. Dat is meestal de grootste onbekende in een restaurantmaaltijd. Lees hoe je restaurantmaaltijden bijhoudt.

Hoe Calorix rond dit probleem is ontworpen

We bouwden de AI-scanner van Calorix vanuit de gedachte dat elke fotoschatting een eerste versie is. In plaats van één getal opent een scan een controlekaart met elk ingrediënt, de portie, het aantal grammen, de calorieën en een label voor de zekerheid van de schatting, zodat je ziet waar de AI het minst zeker van is.

Vanaf daar kun je:

• namen, porties en grammen aanpassen, of ingrediënten toevoegen en verwijderen
• de portieschuif (½, 1, 1½ of 2) gebruiken als je meer of minder hebt gegeten dan de foto laat zien
• op ‘Corrigeren met AI’ tikken en een correctie typen of inspreken, zoals ‘geen rijst, 2 eieren erbij’, en de voorgestelde wijzigingen bekijken voordat je ze accepteert
• een notitie toevoegen zoals ‘in boter gebakken’ en de bewaarde foto opnieuw laten analyseren
• elke waarde met de hand overschrijven, waarbij de oorspronkelijke waarde van de AI bewaard blijft, zodat je die kunt terugzetten

Totalen worden altijd opnieuw berekend op basis van de ingrediënten, dus een correctie aan één onderdeel werkt meteen door in je calorieën en macro’s van de dag. Bij verpakte producten maakt het scannen van de barcode of de voedingswaardetabel het giswerk overbodig.

Voor alle duidelijkheid over wat we niet beweren: we hebben niet aangetoond dat Calorix nauwkeuriger is dan de apps in deze studie. Wat het ontwerp wel doet, is de schatting transparant en snel te corrigeren maken, en dat is precies de stap waar de NIH-onderzoekers op wezen.

Waar het op neerkomt

Eten bijhouden met een AI-foto is een snelle manier om een redelijke eerste versie te krijgen, maar op zichzelf valt die vaak te laag uit, vooral bij gerechten met olie, boter of veel verschillende ingrediënten. Zie elke fotoschatting als startpunt: controleer de porties, voeg de vetten toe waarvan je weet dat ze erin zitten, en gebruik barcodes voor alles met een etiket.

Kleine correcties tellen op. Eet je een paar honderd calorieën meer dan je dagboek zegt, dan klopt je plan niet met de werkelijkheid, en dan geef je jezelf al snel de schuld in plaats van de schatting. Een realistisch dagboek, samen met een realistisch doel uit onze caloriebehoefte-calculator (TDEE), geeft je getallen waar je echt mee verder kunt.