Halaman 1

nutrisiUlasanEvaluasi Alat Berbasis Teknologi Baru untukPenilaian Asupan Diet — Diet Eropa dari
ILSIEvaluasi Satuan Tugas Intake dan ExposureAlison L. Eldridge 1, *, Carmen Piernas 2, Anne-Kathrin
Illner 3 , Michael J. Gibney 4,Mirjana A. Gurinovic 5 , Jeanne HM de Vries 6 dan Janet E. Cade 71Nestlé
Research, Vers-chez-les-Blanc, 1000 Lausanne 26, Swiss2Departemen Ilmu Kesehatan Perawatan Primer
Nuffield, Universitas Oxford, Oxford OX2 6GG, Inggris;carmen.piernas-sanchez@phc.ox.ac.uk3Sekolah
Tinggi Ilmu Kesehatan, Institut Politeknik UniLaSalle Beauvais, 60026 Beauvais, Prancis;Anne-
Kathrin.ILLNER@unilasalle.fr4Institut Pangan dan Kesehatan, University College Dublin, Dublin D04
V1W8, Irlandia; mike.gibney@ucd.ie5Pusat Keunggulan Penelitian dalam Nutrisi dan Metabolisme,
Institut Penelitian Medis,Universitas Beograd, Beograd 11000, Serbia;
mirjana.gurinovic@gmail.com6Divisi Nutrisi dan Kesehatan Manusia, Universitas Wageningen, 6708WE
Wageningen, Belanda;jeanne.devries@wur.nl7Sekolah Ilmu Pangan dan Gizi, Universitas Leeds, Leeds
LS2 9JT, Inggris; JECade@leeds.ac.uk*Korespondensi: alison.eldridge@rdls.nestle.com; Tel .: + 41-21-
785-8365Diterima: 27 November 2018; Diterima: 25 Desember 2018; Ditayangkan: 28 Desember
2018Abstrak: Latar Belakang: Alat penilaian diet berbasis teknologi baru, termasuk berbasis
webprogram, aplikasi seluler, dan perangkat yang dapat dikenakan, dapat meningkatkan akurasi dan
mengurangi biayapengumpulan dan pemrosesan data makanan. Institut Ilmu Kehidupan Internasional
(ILSI) EropaDietary Intake and Exposure Task Force meluncurkan proyek ini untuk mengevaluasi alat
baru untukmerekomendasikan standar kualitas umum untuk aplikasi di masa mendatang. Metode:
Literatur yang komprehensifmencari alat penilaian diet berbasis teknologi yang teridentifikasi, termasuk
yang diterbitkan dalam bahasa Inggrisdari 01/2011 hingga 09/2017, dan memberikan detail tentang
fitur, fungsi, dan penggunaan alat. Masing-masing43 alat diidentifikasi (33 untuk penelitian dan 10
dirancang untuk penggunaan konsumen) dinilai pada 25 atribut.Hasil: Sebagian besar alat yang
diidentifikasi (79%) mengandalkan asupan makanan yang dilaporkan sendiri. Sebagian besar (91%)
digunakanentri teks dan 33% menggunakan gambar digital untuk membantu mengidentifikasi makanan.
Hanya 65% yang memiliki database terintegrasimemperkirakan energi atau nutrisi. Kurang dari 50%
berisi fitur kustomisasi dan sekitarsetengah menghasilkan laporan otomatis. Sebagian besar alat
melaporkan kegunaan atau validitas yang dilaporkan dibandingkandengan metode penilaian lain (77%).
Serangkaian Pedoman Praktik Terbaik dikembangkan untuk pelaporanalat penilaian diet menggunakan
teknologi baru. Kesimpulan: Metode penilaian diet yang memanfaatkanteknologi menawarkan banyak
keuntungan untuk penelitian dan seringkali lebih disukai konsumen daripada lebihmetode tradisional.
Untuk memenuhi standar kualitas umum, perangkat teknologi baru memerlukan detailpublikasi yang
menjelaskan pengembangan alat, identifikasi dan kuantifikasi makanan, penyesuaian,keluaran, tabel
komposisi makanan yang digunakan, dan uji kegunaan / validitas.Kata kunci: penilaian diet; teknologi
seluler; Teknologi berbasis web1. PerkenalanPeluang yang disediakan oleh internet untuk
menghubungkan database makanan dan gizi skala besarpencatatan pola makan otomatis telah
menyebabkan pertumbuhan jumlah alat penilaian diet online [1].Teknologi baru untuk mengukur pola
makan dapat dikategorikan menurut jenis teknologi yang digunakan,Nutrisi 2019 , 11, 55; doi: 10.3390 /
nu11010055www.mdpi.com/journal/nutrients
Halaman 2

Nutrisi 2019 , 11, 552 dari 25seperti alat berbasis web atau online, sistem seluler (aplikasi), alat berbasis
kamera, dan pengembangan lainnyateknologi, seperti data pembelian konsumen dan sensor yang dapat
dikenakan. Metode tradisional diandalkanbanyak melaporkan sendiri makanan yang dikonsumsi baik
dengan menggunakan kuesioner frekuensi makanan (FFQ) ataudengan penarikan kembali atau buku
harian berbasis kertas. Akibatnya, semua metode tradisional kurang akuratmasalah termasuk
kemampuan mengingat makanan yang dikonsumsi, kesulitan dengan estimasi ukuran porsi atautabel
komposisi makanan terbatas [2]. Masukan manual dan waktu yang cukup banyak dibutuhkan untuk
pengkodeandan mengubah makanan yang direkam menjadi nutrisi. Ini berarti bahwa dalam studi kohort
skala besar tidak demikiansecara umum mungkin untuk mengumpulkan informasi asupan makanan yang
terperinci, dan studi mengandalkan frekuensi makanandata kuesioner, yang memiliki kesalahan
pengukuran yang lebih besar daripada ukuran laporan diri lainnya [3 , 4].Penggunaan alat
terkomputerisasi memfasilitasi pengkodean data, dan penggabungan beberapa jalur otomatismetode
(AMPM) pengumpulan data standar untuk survei nasional [5, 6]. Metode baru telah
memungkinkanuntuk perluasan dan potensi peningkatan pada metode tradisional. Penggunaan internet
membuatpengumpulan informasi pangan dan gizi skala besar secara praktis dengan biaya dan beban
yang lebih rendah untuk keduanyapeneliti dan peserta [7]. Peserta studi dapat diundang untuk
mengikuti penelitian secara elektronikmelalui email atau teks [8]. Pengguna alat teknologi baru dapat
lebih mudah mengidentifikasi makanan yang dikonsumsidatabase interaktif yang dapat dicari [9].
Mereka dapat memberikan hasil dan umpan balik secara real-time [ 1] dan dapattermasuk opsi yang
disempurnakan untuk deskripsi ukuran porsi, seperti menggunakan gambar digital [10], dan
lainnyadaftar relevan item makanan bermerek [9].Sebagai hasilnya, sering kali tidak jelas seberapa
relevan alat penilaian diet tertentu untuk penelitianinformasi terbatas yang diberikan pada proses
pengembangan dan kurangnya validasi. Evaluasiteknologi baru untuk menilai diet dapat membantu
memahami potensi mereka untuk menggantikan, meningkatkan,atau melengkapi metode tradisional.
Karena pesatnya perkembangan teknologi baru yang adaulasan daerah dengan cepat menjadi usang,
termasuk teknologi usang seperti pribadiasisten digital atau PDA [11]. Menyoroti fitur teknologi baru,
seperti yang ditemukan diPenarikan atau aplikasi berbasis web, dibandingkan dengan elemen alat yang
mencerminkan pendekatan tradisionalmembantu untuk mengidentifikasi teknik yang dapat
meningkatkan pengukuran diet [12]. Baru-baru ini, panduan yang jelas diistilah pilihan alat penilaian diet
dan pelaporan telah diterbitkan [2, 13]. Bagaimanapun, bimbinganpada pengembangan alat baru
dengan kriteria kualitas penilaiannya masih kurang.Pada tahun 2016, International Life Sciences Institute
(ILSI) Europe Dietary Intake and Exposure TaskAngkatan (http://ilsi.eu/task-forces/food-safety/dietary-
intake-and-exposure/) membentuk seorang ahlikelompok pada evaluasi metode baru untuk penilaian
asupan makanan. Tujuan dari kelompok itu adalah untukmeninjau teknologi baru untuk penilaian diet
dalam hal fitur, sumber dan kualitas data, dankeabsahan. Ulasan yang disajikan di sini akan membantu
untuk memahami manfaat relatif dari alat baru tertentudan aplikasi yang saat ini tersedia untuk
penilaian asupan makanan. Kami telah mengevaluasi alat secara kritis,termasuk sumber datanya,
penerapan untuk penelitian, kemudahan penggunaan oleh kelompok populasi yang berbeda,dan
kemampuan untuk menangani berbagai macam makanan dan minuman. Pada langkah kedua, kami juga
menyarankan pedomanuntuk standar kualitas untuk meningkatkan pelaporan alat penilaian asupan
makanan.Tujuan dari makalah ini adalah untuk: (i) melaporkan tinjauan komprehensif alat untuk
dietpenilaian menggunakan teknologi baru yang dapat diterapkan untuk digunakan dalam penelitian,
komersial, klinis dankonteks kesehatan masyarakat; (ii) untuk mengembangkan pedoman untuk kriteria
kualitas yang dibutuhkan untuk alat berkualitas baik; dan(iii) membuat rekomendasi untuk pelaporan
masa depan alat penilaian diet dengan menggunakan teknologi baru.2. Bahan-bahan dan metode-
metode2.1. Kriteria Inklusi dan Strategi PencarianPencarian literatur yang komprehensif dilakukan untuk
mengidentifikasi artikel yang berhubungan dengan baruteknologi untuk penilaian asupan makanan
menggunakan pencarian kata kunci dengan inklusi berikutkriteria: (1) publikasi dalam bahasa Inggris, (2)
artikel diterbitkan dari Januari 2011 hingga September2017, dan (3) informasi yang cukup tersedia untuk
mengevaluasi fitur, fungsi, dan penggunaan alat. Berbagaiistilah penelusuran digunakan terkait dengan
survei diet atau nutrisi, penilaian nutrisi, dan penggunaan

Halaman 3

Nutrisi 2019 , 11, 553 dari 25teknologi, termasuk aplikasi seluler, alat berbasis web, alat online atau
internet, dan perangkat lunak. PubMed,Database PLOS, BioMED, Science Direct, dan Ovid digunakan,
masing-masing dengan istilah penelusuran yang sedikit berbeda(Tabel Tambahan S1). Pencarian
terbatas pada artikel yang diterbitkan setelah 1 Januari 2011 karenabidang pengembangan teknologi
untuk penilaian asupan makanan berkembang pesat, dan alatdikembangkan sebelum 2011 telah
dievaluasi sebelumnya [12]. Alat penilaian diet diidentifikasi,rinciannya tersedia dalam satu atau lebih
publikasi.2.2. Kriteria Evaluasi dan Ekstraksi DataKelompok Pakar, yang terdiri dari penulis naskah ini,
mengidentifikasi 25 atribut terkaitentri data, identifikasi dan kuantifikasi makanan, penyesuaian,
keluaran, kegunaan dan validitas,yang digunakan untuk mengevaluasi setiap alat penilaian diet (Tabel
Tambahan S2). Di bawah judulDari Entri Data, kami menilai apakah alat tersebut mengandalkan entri
teks, gambar digital, dan / atau kode batangpemindai, dan apakah mereka juga mengumpulkan
informasi tentang karakteristik kesehatan atau aktivitas fisik.Untuk Identifikasi dan Kuantifikasi
Makanan, kami menilai apakah makanan atau minuman tersebutsecara otomatis diidentifikasi dari
gambar atau identifikasi manual yang diperlukan, sumber makanandata komposisi yang digunakan, dan
bagaimana jumlah asupan dihitung, baik menurut bobot atau rumah tanggamengukur, atau diperkirakan
dari gambar digital. Di bagian Kustomisasi, kami menilai apakahalat memungkinkan pengguna untuk
menambahkan makanan yang hilang, resep khusus atau suplemen makanan, dan apakahProgram
menggunakan pembelajaran mesin untuk menyesuaikan daftar makanan dengan preferensi pengguna.
Di bawah Output, kamimempertimbangkan apakah alat tersebut memberikan data tentang energi,
asupan nutrisi makro dan mikro, kelompok makananyang dikonsumsi, waktu asupan dan nama
makanan, dan apakah alat tersebut menghasilkan laporan otomatis. Akhirnya,kami menilai Kegunaan
dan Validitas dengan memeriksa apakah ada laporan umpan balik pengguna, waktuuntuk menyelesaikan
penilaian, dan apakah studi validasi telah dilakukan.Fitur dari setiap alat penilaian diet dinilai secara
independen oleh dua anggotaKelompok Pakar dari perincian yang diberikan dalam publikasi, dan setiap
ketidaksesuaian dibahas diTingkat Kelompok Pakar. Jika publikasi yang diidentifikasi dalam pencarian
tidak memberikan detail yang cukupmelengkapi penilaian, literatur tambahan, situs web, kontak dengan
penulis, atau penggunaan alat itu sendiridigunakan untuk mencoba mengisi celah.3. Hasil3.1. Hasil
PencarianDiagram PRISMA yang menunjukkan aliran pencarian dan inklusi / pengecualian studi muncul
diGambar 1. Sebanyak 4695 artikel awalnya diidentifikasi. Duplikat telah dihapus dan sisanyaartikel
disaring (judul dan abstrak) untuk menghilangkan artikel yang tidak relevan untuk memenuhi
proyektujuan, menghasilkan total 800 publikasi yang berkaitan dengan database asupan makanan,
aplikasi, danalat. Tujuan dari tinjauan ini adalah untuk mengidentifikasi alat berbasis teknologi yang unik
untuk asupan makananpenilaian, termasuk aplikasi ponsel cerdas, yang menangkap gambar digital
makanan danminuman untuk tujuan penilaian asupan makanan, dan alat penilaian makanan tersedia
dariWeb atau yang diakses dari komputer pribadi (PC). Dari 800 artikel yang disebutkanpenilaian diet
dalam judul atau abstrak, 151 terkait dengan teknologi baru untuk asupan makananpenilaian, dan dari
ini, 66 adalah referensi tambahan untuk alat yang telah diidentifikasi. Makalah menjelaskan85 alat
lainnya telah ditinjau secara rinci. 42 lainnya dikeluarkan setelah rincianulasan: 14 dianggap tidak
relevan karena berupa editorial (n = 1), makalah ulasan (n = 4),atau tidak menjelaskan alat baru untuk
penilaian asupan makanan (n = 9); 16 kehilangan detail yang cukup untuklakukan evaluasi kami; tujuh
alat dikembangkan dan dilaporkan sebelum 2011, sehingga rapatkriteria pengecualian kami; dan lima
dieliminasi karena publikasi mengacu pada alat yang dimilikikemudian diganti namanya. Dalam kasus
terakhir, nama alat yang diperbarui dipertahankan untuk evaluasi kami.Akibatnya, kami menyertakan 43
alat unik dalam evaluasi kami.

Halaman 4

Nutrisi 2019 , 11, 554 dari 25Artikel diidentifikasi dariPubMed, PLOS, BioMed,Science Direct( n =
2946)Indoentificationdari untukolsDicludedEligibilityIndoentificationartikelArtikel diidentifikasi
menggunakanOVID( n = 1615)Jumlah total artikelteridentifikasi( n = 4695)Alat teridentifikasi( n =
151)Referensi yang mengutipalat yang sama ( n = 66)Alat unik disaring( n = 85)Alat dikecualikan:
tidakrelevan ( n = 14), detailhilang ( n = 16), bertemukriteria pengecualian ( n = 7),atau alat diganti
namanya ( n = 5)( n = 42)Alat unik diidentifikasi dandievaluasi( n = 43)Artikel diidentifikasi
menggunakanpencarian OVID keduastrategi( n = 134)Tidak relevan dan duplikatartikel dihapus( n =
3895)Abstrak disaring untuk diidentifikasialat( n = 800)Gambar 1. Diagram PRISMA digunakan untuk
mengidentifikasi alat berbasis teknologi untuk penilaian asupan makanan.3.2. Karakteristik Studi
TermasukSecara total, dari 43 alat yang teridentifikasi, 33 alat untuk penelitian atau surveilans dan 10
alatdimaksudkan untuk digunakan konsumen langsung (Tabel 1), dan karena beberapa atribut berbeda
di antaraalat penelitian / pengawasan dan yang dirancang untuk konsumen, kami pisahkan. Dari 33
alatdigunakan untuk penelitian atau pengawasan, n = 21 (64%) berbasis web untuk digunakan di
komputer; n = 6 (18%)dioptimalkan untuk digunakan pada smartphone; n = 3 (9%) hanya untuk PC
(bukan berbasis Web); n = 2 (6%)perangkat yang dapat dipakai untuk pengumpulan data dan n = 1 (3%)
dirancang untuk digunakan pada tablet. Dari 10 alat tersebutdiidentifikasi untuk penggunaan konsumen,
n = 8 (80%) dioptimalkan untuk penggunaan smartphone dan n = 2 (20%)Berbasis web untuk digunakan
di komputer. Dari 33 alat yang dirancang untuk mengumpulkan data pola makan untuk penelitiantujuan,
n = 16 (48%) dirancang untuk orang dewasa secara eksklusif, n = 11 (33%) untuk semua usia, dan n =
6(18%) khusus untuk anak-anak dan / atau remaja. Dari 10 alat yang dirancang untuk digunakan
konsumen,n = 7 (70%) ditujukan untuk orang dewasa secara eksklusif, sedangkan n = 3 (30%) dirancang
untuk semua usia. Diantara semuanyaalat yang dirancang untuk tujuan penelitian, n = 17 (52%)
mengumpulkan asupan makanan selama 24 jam sebelumnyamenggunakan penarikan diet; n = 11 (33%)
catatan makanan yang dikumpulkan, sedangkan sisanya dikumpulkan melalui makananfrekuensi
kuesioner (n = 3; 9%) atau sistem pencitraan (n = 2; 6%). Dari 10 alat yang dirancang untuk

Halaman 5

Nutrisi 2019 , 11, 555 dari 25digunakan konsumen, sebagian besar mengumpulkan catatan makanan (n
= 8; 80%), sedangkan n = 2 (20%) mengumpulkan makanankuesioner frekuensi.Meskipun semua alat ini
menggunakan teknologi untuk pengumpulan data asupan makanan, tidak semua alatsecara otomatis
mengkodekan informasi asupan untuk menghasilkan energi dan nutrisi (Tabel 1). Alat-alatnyadinilai di
sini, 15 dari 43 (35%) digunakan hanya untuk pengambilan data dan membutuhkan ahli diet atau
pembuat kode untukmasukkan item dan porsi di alat lain nanti untuk memperkirakan asupan energi dan
nutrisi. Ini adalahdiidentifikasi sebagai "tidak terintegrasi ke dalam alat" pada Tabel 1. Perbedaan besar
lainnya dalam alat tersebut adalahsumber data komposisi pangan dan jumlah item yang tersedia. Alat
yang dirancang untuk menilai makananfrekuensi konsumsi (Evident II, Food4Me, GraFFS, IDQC, Oxford
WebQ, dan WebFFQ) disertakan135–200 item baris individu (makanan individu atau kategori makanan
gabungan). Yang dirancang untukanak-anak bervariasi, dengan SNAP dan WebCaaFE termasuk daftar
terbatas (49 dan 32 makanan dan minuman,masing-masing), sementara WebFR dan WebDASC
menyertakan daftar yang lebih luas dari 550 dan 1300 item,masing-masing. Alat yang mengandalkan
tabel komposisi pangan nasional berkisar dari sekitar 1000 item hinggalebih dari 45.000 jika makanan
bermerek juga disertakan (mis., myfood24), dan sebagian besar lengkapsehubungan dengan nutrisi.
Sumber komposisi makanan dilaporkan di semua kecuali satu kasus, kecualiJumlah makanan yang
termasuk dalam database hilang untuk enam alat. Waktu harian untuk menyelesaikannyasetiap alat
dilaporkan dalam 18 dari 43 studi. Waktu berkisar dari rata-rata terendah 14 menit hingga assebanyak
45–60 menit, tetapi sebagian besar alat diselesaikan dalam waktu 15–35 menit.Penggunaan gambar
juga sangat berbeda antar alat. TADA, Snap-N-Eat, dan DietCamsecara otomatis mengkodekan makanan
dan minuman dari gambar digital [14- 16], dan RFPM menggunakan semi-otomatispengkodean gambar
untuk memfasilitasi entri data. GoCARB secara otomatis mengkodekan kandungan karbohidrat
makanankategori yang diidentifikasi dari gambar. Kamera yang dikenakan di dada, seperti eButton atau
Microsoft SenseCam, tertangkap kameragambar digital sepanjang hari tetapi diperlukan pengkodean
selanjutnya oleh ahli gizi untuk asupan nutrisiperkiraan. Beberapa alat, CHAT, FoodNow, NANA, NuDAM,
dan TECH, menggunakan gambar digital untukmeningkatkan pelaporan asupan makanan, bersama
dengan teks atau rekaman suara. FoodLog menggunakan gambar sebagai filevisual diary asupan
makanan untuk pasien diabetes, dan Microsoft SenseCam menggunakan gambar sebagai filebantuan
memori untuk catatan makanan.

Halaman 6

Nutrisi 2019 , 11, 556 dari 25Tabel 1. Karakteristik desain dari alat berbasis teknologi yang digunakan
dalam penilaian asupan makanan.Nama perangkatNegaraTujuan utamadari AlatAudiens TargetPlatform
Utamauntuk AlatMetode DataKoleksi dan EntriKomposisi MakananSumberPerkiraanJumlah
ItemWaktunya untukLengkapReferensiAlat untuk Digunakan dalam Penelitian atau Pengawasan (n =
33)ASA24OtomatisPemerintahan Sendiri24 jam IngatAmerika Serikat, Kanada,AustraliaAsupan
makananDewasa dananak-anak dari 10 tahuntahunBerbasis webPenarikan 24 jam
berdasarkanotomatismetode multiple-pass(AMPM)FNDDS 4 USDA ,Makanan KanadaKomposisi
danMakanan Australiatabel10.000Rata-rata24 menit; palingdalam17–34 menitBaranowski dkk.2012 dan
2014;Kirkpatrick dkk.2014;Thompson dkk.2015 [17- 20]OBROLANMenghubungkanKesehatan
danTeknologi;makanan bergerakmerekamAustraliaKelompok makanandikonsumsiDewasa
danremajaAplikasi SmartphoneCatatan makanan berdasarkangambar-gambar; ahli dietmengidentifikasi
makanan dankelompok makananPanduan Australia untukMakan Sehat, tapitidak diintegrasikan
kealat2670Tidak ditentukanKerr et al. 2012dan 2016;Pollard dkk. 2016[ 21- 23 ]Compl-
EatBelandaAsupan makananDewasa danremaja dari16 tahunBerbasis webDengan bantuan
pewawancara atauswakelola 24-jammengingat berdasarkanMakanan
BelandaKomposisiDatabase2000Dekat dengan30 menitMeijboom dkk.2017 [24]Penilaian Diet DAPdan
RencanakanSerbia, BalkanwilayahDiet danfisikaktivitasSemua umurBerbasis web, PC24 jam penarikan,
makananfrekuensikuesioner (FFQ),kecenderungan makanan;ahli diet memasukkan dataSerbia dan
Balkanmakanan daerahkomposisidatabase1450 Serbia dan1600 makanan Balkandan resep 915–30
menitGurinovic dkk.2016 dan 2018;Zekovic dkk. 2017[ 25- 27 ]DES DietEvaluasiSistemKoreaAsupan
makananSemua umurBerbasis webDengan bantuan pewawancaraPenarikan 24 jammakanan Koreatabel
komposisi8100Rata-rata14 menitJung et al. 2014[28 ]eButtonAmerika SerikatAsupan
makanan,aktivitasSemua umurDapat dikenakanSistem pencitraan denganporsi otomatisperkiraan; ahli
dietmemasukkan dataFNDDS USDA, tapitidak diintegrasikan kealat8500Tidak ditentukanSun et al.
2010dan 2014; Jia dkk.2014 [29- 31]e-CA ElectronicCarnetAlimentaireSwissAsupan
makananDewasaBerbasis webCatatan makanan elektronik;ahli diet masuk untukpengkodeanPerangkat
lunak Prodi 6.3,tapi tidak terintegrasike dalam alat900Rata-rata19 menitBucher DellaTorre dkk.
2017[32 ]eDIA ElektronikAsupan MakananPenilaianAustraliaAsupan makananBerusia 19–24
tahunAplikasi smartphoneCatatan makananAUSNUT 5 20074500Tidak ditentukanRangan dkk. 2015dan
2016 [33 , 34]EPIC-Soft 1Orang eropaUnion (EU)Asupan makananSemua umurPC denganBerbasis
webpengelolaanperonDengan bantuan pewawancaraPenarikan atau ahli diet 24 jammemasukkan data
dari makanancatatanPerangkat lunak EPIC 6dari semua UEnegara10.000Tidak ditentukande Boer dkk.
2011;Huybrechts dkk.2011;Freisling dkk.2014; Park et al.2017 [35- 38]

Halaman 7

Nutrisi 2019 , 11, 557 dari 25Tabel 1. LanjutanNama perangkatNegaraTujuan utamadari AlatAudiens
TargetPlatform Utamauntuk AlatMetode DataKoleksi dan EntriKomposisi
MakananSumberPerkiraanJumlah ItemWaktunya untukLengkapReferensiFood4MeEU — 7Orang
eropakabupatenAsupan MakananDewasaBerbasis webFFQPerangkat lunak WISP 7 ;berdasarkan
McCancedan Widdowson157 item dikelompokkanmenjadi 11 kategoriTidak ditentukanFallaize
dkk.,2014; Forster et al.,2014;Celis-Morales dkk.2016 [39- 41]Buku Makanan 24IrlandiaAsupan
makananDewasaBerbasis webCatatan makanan, FFQ,pilihan makananOrang Dewasa Nasional
IrlandiaSurvei Gizikomposisi makanandatabase751Rata-rata15 menit 10Timon dkk. 2017adan 2017b
[42 , 43]FoodNowOrang AustraliaDiet danfisikaktivitasDewasa mudaPonsel cerdas;dpt dipakaiban
lengan untukenergipengeluaranCatatan makanan berdasarkangambar, teks atau suara;ahli diet
memasukkan data2011–2013Makanan Australia danDatabase Nutrisi5740Tidak ditentukanPendergast
dkk.2017 [44]Grafis GraFFSFrekuensi MakananSistemKAMIAsupan makananDewasaBerbasis
webFFQNDSR dan USDAFNDDS156Tidak ditentukanKristal dkk. 2014[45 ]ASUPAN24Selesai SendiriIngat
danAnalisis dariNutrisi 2UKAsupan MakananDewasa dananak-anak dari11 tahunBerbasis webPenarikan
24 jam berdasarkanAMPMMcCance danWiddowson2800Rata-rata13 menit denganantarmuka
datarFoster dkk. 2014;Bradley dkk.2016;Simpson dkk.2017 [46- 48]MicrosoftSenseCamIrlandia,
Inggris,Australia,orang lainAsupan makanan,aktivitasDiuji pada atletdan berbedakelompok dewasaDapat
dikenakanSistem pencitraan kemeningkatkan daya ingat 24 jamwawancaraWinDiets, tapi
tidakdiintegrasikan ke dalam alatWinDiets memiliki makanandatabase daribeberapa negaraTidak
ditentukanO'Loughlin dkk.2013;Gemming dkk.2013 dan 2015[ 49- 51 ]myfood24UKAsupan
MakananDewasa Muda,Dewasa, LansiaBerbasis webPenarikan 24 jam berdasarkanAMPM atau catatan
makananMakanan Inggriskomposisidatabase (bermerekdan makanan generik)45.000Rata-rata19
menit(+/- 7 mnt)Carter dkk. 2015;Albar dkk. 2016[52 , 53]NINA-DISH
BaruInteraktifNutrisiAsistenIndia:secara khususNew Delhi,Mumbai danTrivandrumAsupan
makananDewasa (35–69)PCDengan bantuan pewawancara24 jam ingat, dietsejarah, waktu makan
danpembuat makanandaftar pertanyaanFCT India 8ditambah dengandata dari Inggris,FNDDS,
Singapuradan Malaysia1000Tidak ditentukanDaniel et al. 2014[54 ]Novel NANAPenilaianNutrisi
danPenuaanInggris dan Amerika SerikatAsupan makanan,aktivitas,kognitiffungsiTuaLayar
sentuhkomputer denganrekaman audioCatatan makanan berdasarkangambar dan suara;ahli diet
memasukkan dataWindiets, tapi tidakdiintegrasikan ke dalam alat1200Tidak ditentukanAstell dkk.
2014;Timon dkk. 2015[55 , 56]

Halaman 8

Nutrisi 2019 , 11, 558 dari 25Tabel 1. LanjutanNama perangkatNegaraTujuan utamadari AlatAudiens
TargetPlatform Utamauntuk AlatMetode DataKoleksi dan EntriKomposisi
MakananSumberPerkiraanJumlah ItemWaktunya untukLengkapReferensiNuDAMDiet
NutricamPenilaianmetodeAustraliaAsupan makananDewasaSmartphone / kameraCatatan makanan
berdasarkangambar dan suaracatatan; ahli diet masukdataFoodWorks 5.1, tapitidak diintegrasikan
kealat13.000Tidak ditentukanRollo dkk. 2011dan 2015 [57 , 58]NutriNet SantéPerancisDiet
danfisikaktivitasDewasaBerbasis webPenarikan atau makanan 24 jamrekaman
berdasarkanAMPMmakanan Perancistabel komposisi2600Rata-rata31 소 29 menit;Median
25minTouvier et al. 2011[59 ]Oxford WebQUKDiet danfisikaktivitasDewasaBerbasis web, PCDaftar
periksa diet 24 jamMcCance danWiddowson200 item dalam 21kelompok makananRata-rata14
menit;Median12,5 menitLiu et al. 2011;Galante dkk. 2016[60 , 61]R24WPemerintahan SendiriPenarikan
berbasis webPerancisKanadaAsupan makananDewasa danremaja dari16 tahunBerbasis webPenarikan
24 jam berdasarkanAMPMNutrisi Kanadafile 2010 dan FoodsBiasanyaDikonsumsi
dalamKanada400027,6%dilaporkan<20 mnt, 31%20–30 menit,24,1%30-45 mnt,7% 45–60 menitJacques
dkk. 2016;Lafrenière dkk.2017 [62 , 63]RFPMMakanan Jarak JauhFotografimetodeAmerika
SerikatAsupan makananSemua umurSmartphone /kamera / kode batangpembacaPencitraan jarak
jauhsistem;makanan semi-otomatisidentifikasiFNDDS USDA, tapitidak diintegrasikan kealat8500Tidak
ditentukanMartin dkk. 2012dan 2014; Nicklasdkk. 2017 [64- 66]JEPRETDisinkronkanNutrisi danProgram
KegiatanUKDiet danfisikaktivitasAnak-anakBerbasis webCatatan makanan dikumpulkanselama
delapantitik waktu setiap hariMakanan Inggriskonsumsidatabase49 (40 makanan,
sembilanminuman)<25 mntMoore et al. 2013[67 ]SNAPADisinkronkanNutrisi danProgram Kegiatanuntuk
orang dewasaUKDiet danfisikaktivitasDewasaBerbasis webCatatan makanan dikumpulkanselama 4
periode waktusetiap hariMakanan Inggriskonsumsidatabase120 (102 makanandan 18 minuman)Tidak
ditentukanHillier, dkk. 2012[68 ]Teknologi TADADiet TerbantuPenilaian; selulercatatan makananAmerika
SerikatAsupan makananDewasa dananak-anak dari 3 tahuntahunAplikasi SmartphoneCatatan makanan
berdasarkansebelum dan sesudahgambar makanan danminuman; sistemmenghitung energi
dannutrisiMakanan USDA danDatabase Nutrisiuntuk Studi Diet(FNDDS)8500Tidak ditentukanDaugherty
dkk.2012; Ahmad dkk.2016;Boushey dkk.2015 dan 2017[ 69- 72 ]

Halaman 9

Nutrisi 2019 , 11, 559 dari 25Tabel 1. LanjutanNama perangkatNegaraTujuan utamadari AlatAudiens
TargetPlatform Utamauntuk AlatMetode DataKoleksi dan EntriKomposisi
MakananSumberPerkiraanJumlah ItemWaktunya untukLengkapReferensiTECHAlat untuk
EnergiSeimbangkanAnak-anakSwediaDiet danfisikaktivitas2–5 tahunAplikasi SmartphoneCatatan
makanan: Orang tuaambil gambar dansediakan pendekdeskripsi; ahli dietmemasukkan dataMakanan
SwediaDatabase, tapi initidak terintegrasimenjadi alatTidak dilaporkanTidak ditentukanDelisle dkk.
2015;Henriksson dkk.2015; DelisleNyström dkk.2016 [73- 75]VNPNutri Plus VirtualBrazilAsupan
makananPasienmenjalanibypass lambungpembedahanPCPenarikan atau makanan 24 jammerekam; ahli
dietmemasukkan dataMakanan BrasilBahan kimiaTabel Komposisi1711Tidak ditentukanda Silva
dkk.2014a dan 2014b[76 , 77]WebCAAFEAsupan Makanan danAktivitas fisikanak sekolahBrazilDiet
danfisikaktivitasAnak-anak6–12 tahunBerbasis webPenarikan 24 jamTidak ada; mengevaluasimakanan
dan minumanhanya32 item di masing-masing6 acara makanper hariTidak ditentukanDavies dkk.,
2015;Kupek dkk. 2016[78 , 79]WebDASCBerbasis WebDietPenilaianPerangkat lunak untukAnak-
anakDenmarkAsupan MakananAnak-anakBerbasis webPenarikan 24 jamNasional DenmarkSurvei Diet
danAktivitas fisik(DANSDA)1300Rata-rata15 menit (setelahhari pertama)Biltoft-Jensen dkk.2012 dan
2013;Andersen dkk.2015 [80- 82]Web-FFQQuebec,KanadaAsupan makananDewasaBerbasis
webFFQData NutrisiSistem Penelitiandan orang KanadaFile Nutrisi13645 menitLabonte dkk.2012
[83]WebFRMakanan berbasis webMerekamNorwayAsupan MakananAnak-anakBerbasis webPenarikan
24 jamNasional NorwegiaDatabase survei(NORKOST)550Tidak ditentukanMedin dkk. 2015,2016, dan
2017[ 84- 86 ]Zambia24 jam berbasis tabletingat AlatZambiaAsupan makananAnak-anakTabletDengan
bantuan pewawancaraPenarikan 24 jamHarvestPlus danMasakan Zambiatabel compTidak
ditentukanTidak ditentukanCaswell dkk. 2015[87 ]Alat untuk Penggunaan Konsumen (n = 10)Diary
penderita diabetes,dipasangkan denganKerikiljam pintarNorwayDiabetespengelolaanDiet
danfisikaktivitasDewasaAndroidSmartphone plusJam pintarLog makanan karbohidratTidak adaTidak
dilaporkanTidak ditentukanArsand dkk. 2015[88 ]

Halaman 10

Nutrisi 2019 , 11, 5510 dari 25Tabel 1. LanjutanNama perangkatNegaraTujuan utamadari AlatAudiens
TargetPlatform Utamauntuk AlatMetode DataKoleksi dan EntriKomposisi
MakananSumberPerkiraanJumlah ItemWaktunya untukLengkapReferensiDietCamAmerika
SerikatAsupan makananSemua usia untukkegemukanpencegahanAplikasi SmartphoneCatatan makanan
darigambar-gambar; sistemmenghitung energiUSDA NasionalDatabase Nutrisiuntuk
StandarReferensi8500Tidak ditentukanKong dan Tan,2011 dan 2012;Tesis Kong, 2012;Kong et al.
2015[16, 89- 91]DIMAAsupan MakananMonitoringAplikasiAmerika SerikatMedispengelolaandan
dietHemodialisispasienPDACatatan makanan dengansentuh, suara, kode batangpemindaiDatabase
duludibuat darinutrisi yang adadatabase dan UPCkodeTidak ditentukanTidak ditentukanConnelly
dkk.2012; Welch dkk.2013 [92 , 93]EVIDENT IISpanyolKepatuhan pada aDiet Med danlog untuk
langkahmelawanDewasaAplikasi SmartphoneFFQ dan Diet Meddaftar periksaFFQ Spanyol137-anTidak
ditentukanRecio-Rodriguezdkk. 2014 dan2016 [94 , 95]FoodLog untukdata makanankoleksi sebagai
bagiandari DialBeticsprogramJepang, KoreaDiabetespengelolaandan diet,fisikaktivitasDewasaAplikasi
SmartphoneCatatan makanan darigambar, teks; sistemmenghitung energi,nutrisi makromakanan
nasionaldatabase: MakananReferensi Asupan,Jepang (2010)2191Rata-rata35 menitAizawa K. dkk.2014;
Waki dkk.2012 dan 2015[ 96- 98 ]GoCARBEUDiabetespengelolaandan dietDewasaAplikasi
SmartphoneCatatan makanan berdasarkangambar makanan untukasupan karbohidratperkiraanNutrisi
USDADatabase untukReferensi Standar5.000~ 1 mnt pergambarRhyner dkk. 2016;Bally dkk. 2017[99 ,
100]IDQCBerbasis InternetDiet dan Gaya HidupDaftar pertanyaanCinaDiet danfisikaktivitasDewasa
danremajaBerbasis webFFQNutrisi PanganKalkulator (Beijing)13530–40 menitDu et al. 2015[101]My
Meal Mate(MMM)UKDiet, aktivitasdan tubuhbobotDewasa — Beratkerugian ataupemeliharaanAplikasi
SmartphoneCatatan makananKomposisi Inggris dariMakanan40.000Rata-rata22 menitCarter dkk.
2013a,2013b, 2013c[102- 104]Snap-n-EatseluleraplikasiAmerika SerikatAsupan makananDewasaAplikasi
SmartphoneCatatan makanan darigambar-gambar; sistemmenghitung energi dannutrisitidak
dilaporkantidak dilaporkanTidak ditentukanZhang et al. 2015[15 ]SuperTracker 3Amerika SerikatDiet
danfisikaktivitasSemua umurBerbasis webCatatan makanan,mengingat dietFNDDS USDA8500Tidak
ditentukanPost et al. 2012;Tsompanakis,2015 [105 , 106]1 Sekarang disebut Globo-Diet. 2 Sebelumnya
disebut SCRAN24, yang merupakan platform berbasis PC. 3 Sebelumnya disebut MyPyramid Tracker;
dihentikan pada Juli 2018. (Long et al., 2012 adalah untukMyPyramid Tracker, pendahulu SuperTracker).
4 FNDDS adalah Database Pangan dan Nutrisi untuk Studi Diet Departemen Pertanian AS; FNDDS
menyediakan nutrisinilai makanan dan minuman yang dilaporkan dalam komponen asupan makanan
dari Survei Pemeriksaan Kesehatan dan Gizi Nasional (NHANES). 5 Makanan Australia, Suplemen
danDatabase Nutrisi (AUSNUT). 6 Investigasi Calon Eropa ke Kanker dan Nutrisi (EPIC). 7 WISP (Tinuviel
Software) adalah perangkat lunak analisis nutrisi untuk Inggris dan
Irlandia(http://www.tinuvielsoftware.co.uk/wisp4.htm ) . 8 Tabel Komposisi Makanan (FCT). 9
Berdasarkan komunikasi pribadi dengan M. Gurinovic, Universitas Beograd, Serbia. 10
Berdasarkankomunikasi pribadi dengan S. Pigat, CremeGlobal, Dublin, Irlandia.

Halaman 11

Nutrisi 2019 , 11, 5511 dari 253.3. Perbandingan Alat yang Digunakan untuk Riset versus Alat untuk
Penggunaan KonsumenGambar 2 membandingkan 25 atribut yang dievaluasi menurut penggunaan
dalam penelitian (n = 33) vs. ituditujukan untuk penggunaan konsumen (n = 10). Perbedaan terbesar
dalam peringkat ringkasan terjadi dikategori 'Entri data', di mana separuh alat akses konsumen
menggunakan foto untuk entri data, dibandingkanhingga kurang dari sepertiga alat yang digunakan
dalam penelitian atau pengawasan. Selain itu, informasi tentang kesehatankarakteristik dan aktivitas
fisik lebih umum pada alat untuk akses konsumen (60%, enam alat),dibandingkan dengan masing-
masing hanya 36% (12 alat) dan 33% (11 alat) alat penelitian atau pengawasan.Kemungkinan untuk
menetapkan tujuan pribadi diidentifikasi sebagai fitur unik dalam alat untuk akses konsumen.
Diperbedaan kategori 'Deskripsi makanan' diamati untuk identifikasi otomatis makanan, dikhususnya,
dengan 50% (5) alat akses konsumen menawarkan fungsionalitas ini, dibandingkan dengan hanya 9% (3)
darialat penelitian dan pengawasan. Berkenaan dengan kategori 'Kustomisasi', penelitian dan
pengawasanalat memiliki lebih banyak opsi secara proporsional untuk menambahkan item yang hilang,
menyesuaikan resep, dan melaporkan penggunaansuplemen diet. Alat penelitian dan pengawasan lebih
sering memberikan informasi rincitentang asupan makanan dalam kategori 'Output', terutama untuk
fitur 'Kelompok makanan', 'Waktu asupan',dan 'Nama makanan', tetapi lebih sedikit alat penelitian yang
berisi database makanan terintegrasi, sehingga tidak memilikikemampuan untuk memperkirakan energi
atau asupan nutrisi secara otomatis. Sebaliknya, semua alat akses konsumen kamimengidentifikasi
menghasilkan laporan otomatis, tetapi hanya 39% (13 alat) alat penelitian dan pengawasan yang
melakukannya.Dalam kategori 'Usability and validity', proporsi yang lebih tinggi dalam alat yang
digunakan untuk penelitian atau pengawasan(91%; 30 alat) telah melakukan studi validasi, dibandingkan
dengan 30% (n = 3) alat akses konsumen.Gambar 2. Peringkat ringkasan fitur dari alat penilaian diet
yang dirancang untuk penelitian ataupengawasan ( A ) dan untuk penggunaan konsumen ( B ).3.4. Studi
ValidasiBeberapa jenis studi validasi diterbitkan untuk 33 dari 43 alat berbasis teknologi barudievaluasi
dalam ulasan ini. Tujuh alat membandingkan asupan energi dengan Pengeluaran Energi Total(TEE) dari
air berlabel ganda (DLW) atau akselerometer (Tabel Tambahan S3). Di DLW

Halaman 12

Nutrisi 2019 , 11, 5512 dari 25studi, perkiraan asupan energi dari alat teknologi baru secara signifikan
lebih rendah daripada TEEdalam studi menggunakan Microsoft SenseCam [51], NuDAM [ 58], RFPM
[ 64], dan TADA [ 72] (perbedaanberkisar dari 750 hingga 3745 kJ / hari (179–895 kkal), sedangkan studi
yang berbeda dengan RFPM berada dalam636 kJ (152 kkal) [64], dan dua penelitian pada anak-anak
yang menggunakan alat TECH berada dalam jarak 220–330 kJ(53–79 kkal) dari TEE [74, 75]. Dua studi
validasi membandingkan teknologi baru dengan estimasi TEEdari data akselerometer, menunjukkan
bahwa WebFR meremehkan intake dengan rata-rata 1.840 kJ(440 kkal) pada anak-anak 8-14 tahun [86],
dan FoodNow meremehkan energi sebesar 826 kJ (200 kkal) indewasa muda [44].Metode standar
penilaian diet, termasuk penarikan kembali 24 jam, catatan makanan atau porsi yang
ditimbang,digunakan dalam studi validasi untuk 19 alat teknologi baru (mewakili 25 validasi
individuperbandingan), dan dalam studi ini, ada kesepakatan yang lebih dekat (Gambar 3). Faktanya, 18
dari 25perbandingan individual berada dalam jarak 250 kJ (sekitar 60 kkal) satu sama lain saat
membandingkan alat danmetode tradisional. Enam dari perbandingan berada dalam rentang 400–900 kJ
(95–215 kkal), dan hanya satu yang memilikiperbedaan lebih besar dari 1000 kJ (240 kkal) dibandingkan
dengan metode tradisional. Alat NuDAM,RFPM, dan TECH dinilai menggunakan DLW dan dibandingkan
dengan metode diet standarpenilaian, misalnya, penarikan kembali 24 jam, makanan yang ditimbang,
atau buku harian.Perbandingan asupan makronutrien tersedia untuk 22 dari 25 perbandingan
validasi(Tabel Tambahan S2). Perkiraan asupan protein paling mendekati antara tradisional dan barualat
teknologi, dengan 18 perbandingan dalam 5 g dari referensi (rata-rata 2,1 g). Tiga dari
proteinperbandingan antara 5–9 g berbeda dari referensi dan hanya satu yang> 10 g. Persetujuankurang
akurat untuk lemak dengan 13 perbandingan dalam 5 g referensi, empat perbandingan antara 5–9 g,
dantiga perbandingan> perbedaan 10 g. Perkiraan karbohidrat menunjukkan variasi terluas, dengan
delapanperbandingan dalam 5 g, enam antara 5–9 g, dan delapan> 10 g.10 alat yang tersisa divalidasi
menggunakan beberapa metode lain. Misalnya saja porsinyadiperkirakan dari eButton dibandingkan
dengan volume sebenarnya yang diukur dengan perpindahan benih [31].WebDASC [80] dan Epic-Soft
[ 35] dibandingkan dengan data biomarker. SNAP [ 67], SNAPA [ 68], danWebCAAFE [78]
membandingkan makanan dan minuman yang dilaporkan dengan pengamatan. Hasil dari sebuah
penelitianmenggunakan DES dibandingkan dengan hasil dari survei nasional pada populasi yang sama
[28], dan DAPmembandingkan FFQ dengan penarikan kembali 24 jam yang dikumpulkan menggunakan
alat yang sama [26]. VNP dievaluasi dengan membandingkanpengkodean penarikan kembali 24 jam
dengan DietPro 5i, perangkat lunak pengkodean asupan makanan yang berbeda [77]. Akhirnya,GoCARB
dibandingkan dengan perkiraan sendiri karbohidrat dan asupan karbohidrat yang dihitungdari sampel
makanan yang ditimbang [100].

Halaman 13

Nutrisi 2019 , 11, 5513 dari 25Gambar 3. Estimasi energi dari alat digital vs. metode tradisional dari
penilaian asupan makanan.Gambar 3. Estimasi energi dari alat digital vs. metode tradisional dari
penilaian asupan makanan.4. DiskusiGugus Tugas Intake dan Paparan Diet ILSI memulai evaluasi ini
karena cepatmunculnya teknologi yang tersedia untuk penilaian asupan makanan ditambah dengan
kekhawatiran tentang akurangnya standar kualitas untuk perkembangan mereka. Review kami
didasarkan pada review sebelumnya danevaluasi teknologi inovatif untuk epidemiologi nutrisi, yang
menilai publikasi dari

Halaman 14

Nutrisi 2019 , 11, 5514 dari 251995–2011 [12]. Sejak ulasan itu diterbitkan, asisten digital pribadi (PDA)
tidak lagi aktifpasar, tape recorder tidak lagi dibutuhkan untuk merekam suara data makanan, dan
kameraterintegrasi ke dalam telepon pintar, membuat pengambilan gambar digital makanan menjadi
lebih sederhana. Kami memfokuskan kamimeninjau alat yang diidentifikasi dari publikasi pada tahun
2011-2017, dan hanya empat alat (ASA24, Nutrinet Santé,Oxford WebQ, dan RFPM) dimasukkan dalam
penilaian ini dan sebelumnya dari Illner.Ada tekanan yang meningkat di bidang penilaian asupan
makanan untuk meningkatkan akurasi danmengurangi biaya pengumpulan dan pemrosesan data [107].
Alat teknologi baru menggunakan berbagai masukan untukpenilaian diet, termasuk teks, suara, gambar
digital, dan pemindai kode batang. Berbagai tekniktelah diterapkan untuk meningkatkan akurasi
pelaporan ukuran porsi, termasuk estimasi otomatisdari gambar digital dan visualisasi berbagai ukuran
porsi di piring, serta kemampuan untuklaporkan jumlah menurut berat atau ukuran rumah tangga biasa.
Banyak alat teknologi baru, khususnyayang dirancang untuk digunakan konsumen, memberikan umpan
balik otomatis tentang asupan nutrisi individuatau pola diet, yang dapat meningkatkan hasil diet dan
mendorong perubahan perilaku [108, 109].Orang-orang sekarang sudah terbiasa menggunakan alat-alat
teknologi, seperti smartphone, tablet, dan komputer, sebagaibagian dari kehidupan sehari-hari mereka,
dan studi kegunaan menunjukkan bahwa banyak yang lebih memilih alat teknologi untuk dietpenilaian
asupan atas metode tradisional [20, 42, 71, 104].Sementara itu, sejumlah ulasan lain telah diterbitkan.
Sedangkan sengaja kami pilihuntuk fokus pada teknologi baru yang diidentifikasi dari literatur akademis
yang diterbitkan, ulasan lain milikimenggunakan unduhan toko aplikasi sebagai kriteria pemilihan [110,
111]. Beberapa alat toko aplikasi (4%)memberikan rincian tentang sumber data komposisi pangan, dan
hanya 14% yang menyediakan mikronutrienperkiraan [111]. Sebaliknya, setengah dari aplikasi
konsumen dalam ulasan kami menggunakan makanan yang komprehensiftabel komposisi, dan 40%
melaporkan asupan mikronutrien. Jelas dari dua pendekatan ituaplikasi dengan publikasi lebih
cenderung menyertakan database komposisi makanan yang komprehensif dan,oleh karena itu, dapat
melaporkan nutrisi lengkap, dibandingkan dengan aplikasi konsumen paling populer.Pengambilan
gambar dapat meningkatkan akurasi dan memudahkan pelaporan makanan dan minuman yang
dikonsumsi [14, 50].Gambar digunakan untuk pengambilan data di 13 alat yang kami evaluasi (sembilan
penelitian dan empatalat berbasis konsumen), baik dengan secara otomatis mengkodekan asupan
makanan, secara pasif menangkap asupan makanansepanjang hari, sebagai metode merekam asupan,
atau sebagai prompt memori. Gambar digitaljuga digunakan untuk memfasilitasi estimasi ukuran porsi di
lebih dari setengah alat yang kami evaluasi (53%;19 alat penelitian dan empat alat konsumen).
Penggunaannya berkisar dari estimasi otomatis volume makanandari gambar digital [14- 16, 30] ke
visualisasi berbagai ukuran porsi untuk meningkatkan ukuran porsipelaporan [20, 26, 40, 42, 45, 46, 52,
59, 81, 83, 84, 87].Studi validasi jauh lebih umum dilaporkan untuk alat penilaian diet dipengaturan
penelitian daripada yang ditargetkan untuk konsumen. Ada kesepakatan yang sangat bagus di antara
banyak orangalat-alat ini dan metode referensi mereka, sebuah kesimpulan juga diambil dalam tinjauan
sebelumnya [112].Kami menemukan bahwa 30 (dari 33) alat penelitian dan tiga (dari 10) alat konsumen
dilakukanstudi validasi, meskipun sebagian besar metode perbandingan yang digunakan dalam validasi
adalah metode laintindakan laporan diri dan, oleh karena itu, tunduk pada kesalahan serupa. Dalam 72%
dari perbandingan (18 dari25), teknologi baru berada dalam jarak 60 kkal dari metode tradisional
penilaian asupan makanan.Perbedaannya agak lebih luas untuk studi dengan DLW, tetapi perbedaan ini
mungkin terjadiuntuk berbagai alasan, termasuk memperkirakan kesalahan dari pembuat kode yang
mengkodekan secara manual dari gambar, atau karenaacara makan tidak dilaporkan. Seperti disebutkan
sebelumnya, teknologi baru tidak akan menyelesaikan semuatantangan penilaian diet [1], tetapi juga
meyakinkan bahwa, dalam banyak kasus, hasilnya mendekatihingga penarikan kembali yang dilaporkan
sendiri atau berdasarkan memori tradisional, yang telah menerima kritik baru-baru ini untuk
merekaakurasi [113]. Biomarker obyektif dari asupan makanan, seperti DLW, nitrogen urin atau
kalium,atau kadar vitamin plasma, masih kurang untuk sebagian besar alat [1, 112], dan penafsiran
harus dilakukan dengan hati-hativalidasi dengan cara lain, seperti entri data langsung ke dua alat
pembanding, atau perbandinganhasil survei nasional, misalnya.Alat teknologi yang kami ulas
dikembangkan untuk digunakan di berbagai wilayah geografis,termasuk negara berpenghasilan tinggi
dan rendah. Dua alat secara khusus dikembangkan untuk memfasilitasi

Halaman 15

Nutrisi 2019 , 11, 5515 dari 25pengumpulan data yang dibantu pewawancara di negara-negara
berpenghasilan menengah ke bawah [54, 87], menggambarkan kegunaanalat teknologi, bahkan di
negara di mana individu mungkin tidak memiliki akses ke smartphone, pribadikomputer, atau teknologi
lain untuk pemantauan pribadi. Namun, alat teknologi akan terbatasdigunakan untuk swa-monitor di
negara-negara di mana ponsel cerdas atau komputer pribadi tidak tersedia secara luas.Evaluasi kami
memiliki beberapa kekuatan penting. Karena alat dan teknologi baru selalu adaberubah, kami telah
memperbarui ulasan sebelumnya dengan alat baru yang diidentifikasi dari literatur dan
ditambahkanevaluasi fitur yang komprehensif. Kami juga telah membandingkan fitur alat berbasis
penelitiandengan yang dirancang terutama untuk konsumen, menyoroti perbedaan di semua penilaian
kamitopik. Namun, kami juga harus mengakui batasan dalam tinjauan kami. Review selesaipada bulan
September 2017, dan ada kemungkinan bahwa publikasi yang lebih baru belum disertakan dalam
kamiulasan. Misalnya, validasi mendalam tentang myfood24 termasuk biomarker diterbitkan
setelahnyapenilaian kami selesai [114], dan orang lain mungkin juga terlewat. Hasil dari validasistudi
yang membandingkan alat teknologi baru dengan TEE atau dengan estimasi energi harian dari
konvensionalmetode studi disajikan, tetapi penilaian lebih lanjut dari kualitas studi tersebut tidak
dinilai.Kami juga fokus pada penilaian diet, dan belum memasukkan metode baru lainnya untuk
menilaiintake, seperti penghitung gigitan, alat yang mengukur mengunyah dan menelan, atau alat
pelacak pergelangan tangan itumengukur makan [115]. Mungkin juga ada atribut lain yang juga
penting,tetapi tidak tercakup dalam ulasan ini, seperti masalah etika atau privasi saat perangkat digital
disertakanfitur pengenal lainnya [111]. Dampak teknologi baru pada biaya akan tergantung pada
spesifikasinyadesain studi dan alat yang digunakan, dan ini jarang dibahas dalam publikasi manapun.
Terakhir, filestrategi pencarian mungkin melewatkan beberapa aplikasi jika pencarian kata kunci tidak
mengambil studi, namun,kami menggunakan beberapa mesin pencari dan pencarian kata kunci yang
berbeda untuk meminimalkan risiko ini.Kualitas alat tidak dapat dinilai jika informasi ini dianggap
sebagai hak milik, ataudihilangkan dari publikasi ilmiah. Penilaian kami mencakup 25 atribut di bidang
dataentri, deskripsi makanan, penyesuaian, keluaran, dan kegunaan / validitas. Berdasarkan evaluasi
kami barualat berbasis teknologi untuk penilaian asupan makanan yang telah kami kembangkan
pedoman praktik terbaiknyamelaporkan teknologi baru untuk penilaian diet (Gambar 4), yang
menambah STROBE-nut yang sudah adapedoman (mengacu pada Penguatan Pelaporan Studi
Observasional dalam Epidemiologi, untukepidemiologi nutrisi) [13].

Halaman 16

Nutrisi 2019 , 11, 5516 dari 25Langkah 1. Laporkan tujuan spesifiknya- Apakah alat untuk penelitian atau
pengawasan, atau untukpenggunaan konsumen langsung?- Bagaimana karakteristik populasinya
(umur,jenis kelamin, status kesehatan, pendidikan, melek huruf, budayakeragaman, motivasi,) dan
kerangka waktubunga?- Tingkat akurasi dan presisi apa yang dibutuhkan?Langkah 2. Laporkan tindakan
tersebut- Apakah diberikan informasi tentang makanan, kelompok makanannutrisi, komponen makanan
lainnya (misalnya bioaktifkomponen), dan / atau perilaku diet tertentu danitem apa yang menjadi minat
utama?- Apakah perkiraan asupan absolut atau relatif ditampilkan, padadata individu atau tingkat
kelompok?- Apakah kebiasaan asupan makanan total atau asupan temporalperubahan dikumpulkan?-
Apakah informasi tambahan tentang aktivitas fisik,karakteristik kesehatan atau suplemen makanan
dikumpulkan?Langkah 3. Laporkan platform / teknologi yang sesuai untuk alat tersebut- Jenis platform
atau teknologi apa yang sesuai dengan tujuan dantindakan yang diperlukan, mis., komputer, tablet,
aplikasi seluler, perangkat yang dapat dikenakan, banyak sistem?- Apa sajakah sumber daya yang
tersedia termasuk uang, kondisi logistik dankendala, staf, dan data komposisi makanan yang tersedia
untuk pengembangannya?Langkah 4 Laporkan fitur penyesuaian alat- Apakah entri data manual atau
entri data yang dibantu digunakan, misalnya dengan pengambilan gambar, pemindaian
barcode,dengan / tanpa sistem belajar / beradaptasi?- Berapa presisi yang diperlukan untuk
mengidentifikasi jenis makanan atau porsi yang dikonsumsi?- Jenis metode estimasi ukuran porsi mana
yang digunakan, misalnya porsi standar, ukuran rumah tangga,nilai absolut, perkiraan otomatis volume
makanan?- Apakah ada fitur untuk menambahkan item yang hilang atau ke resep khusus?- Apakah data
diekspor ke perangkat lain?- Apakah alat memberikan umpan balik atau memungkinkan pengguna
menetapkan tujuan untuk swa-monitor?- Jenis informasi makanan apa yang termasuk dalam file
keluaran, misalnya, energi total, makro / mikronutrien(dan yang mana), kelompok makanan yang
dikonsumsi, waktu makan, waktu asupan?Langkah 5 Laporkan desain, pretest, dan validasi alat-
Bagaimana penilaian kemudahan penggunaan atau keramahan pengguna?- Bagaimana umpan balik /
penerimaan pengguna dinilai?- Berapa lama waktu yang dibutuhkan untuk menyelesaikan penilaian
(rata-rata dan kisaran)?- Bagaimana alat tersebut divalidasi, dan terhadap metode apa? Apakah
emasmetode standar yang digunakan untuk melaporkan besarnya kesalahan pengukuran?Gambar 4.
Pedoman praktik terbaik untuk melaporkan teknologi baru untuk penilaian diet.4.1. Panduan Praktik
Terbaik untuk Pelaporan tentang Teknologi Baru untuk Penilaian Makanan4.1.1. Langkah 1: Laporkan
Tujuan KhususTujuan dari langkah pertama adalah melaporkan tujuan alat penilaian diet. Ini
tergantungterutama pada konteks di mana alat tersebut digunakan. Masalah yang terkait dengan
penilaian dietdata yang diperlukan untuk tujuan penelitian atau pengawasan mungkin berbeda dari yang
diperlukan untuk akses konsumenpengaturan. Laporkan apa yang ingin Anda ukur, dalam populasi apa,
dan selama periode waktu apa.Selain itu, definisi tujuan spesifik dari suatu alat menyiratkan identifikasi
populasi

Halaman 17

Nutrisi 2019 , 11, 5517 dari 25karakteristik, misalnya usia, jenis kelamin, status kesehatan, tingkat
pendidikan. Penting juga untuk menginformasikan tentang apatingkat akurasi dan presisi sangat
dibutuhkan. Misalnya, jika diperlukan tingkat presisi yang lebih tinggi, itumungkin perlu dilakukan
pengukuran berulang.4.1.2. Langkah 2: Laporkan TindakanTujuan dari langkah kedua adalah untuk
menginformasikan tentang fitur pengukuran utama dari alat yang diberikan.Ini terkait dengan informasi
tentang makanan individu (misalnya, makanan generik atau produk bermerek), makanansistem
pengkodean (misalnya, LanguaL) dan / atau sistem klasifikasi dan deskripsi pangan standar
(misalnya,Food EX2), nutrisi atau komponen makanan lain yang dilaporkan, jumlah item makanan yang
terkandung di dalamalat (mis., daftar makanan lengkap atau makanan tertentu yang kaya nutrisi atau
komponen bioaktif tertentu),dan ciri-ciri bagian tanggapan (misalnya, apakah waktu atau waktu makan
dicatat, jika kelompok makanansudah termasuk). Kami merekomendasikan untuk melaporkan tidak
hanya sumber data komposisi makanan, tetapi juga kepadalaporkan jumlah nutrisi yang dikandungnya,
cakupannya, dan bagaimana alat tersebut telah disesuaikan sebaik mungkinmemenuhi kebutuhan
khusus populasi.Sebaiknya tentukan konteks alat dan laporan jika (1) alat yang ditargetkan memberikan
relatifatau perkiraan asupan absolut dan (2) apakah Anda memperkirakan asupan harian, pola makan
total kebiasaanasupan, atau perubahan asupan temporal. Penting juga untuk melaporkan jika alat
tertentu menanyakannyainformasi tambahan tentang aktivitas fisik, karakteristik kesehatan, atau
penggunaan suplemen makanan.4.1.3. Langkah 3: Laporkan tentang Platform / Teknologi yang Sesuai
untuk AlatTujuan dari langkah ketiga adalah melaporkan pemilihan platform atau teknologi yang
sesuaialat. Pilihan untuk atau melawan jenis teknologi tertentu (misalnya, tablet, komputer,
smartphone,perangkat yang dapat dikenakan atau beberapa sistem) sangat bergantung pada tujuan dan
kebutuhan pengukuran. Faktoryang mempengaruhi langkah ini adalah sumber daya yang tersedia
(misalnya, kondisi keuangan, logistik dan staf). Levelnyaliterasi teknologi dari populasi sasaran perlu
dipertimbangkan dengan cermat. Lainpertimbangan mencakup kebutuhan berbagi data (yaitu,
bagaimana data peserta / pengguna diekspor dan kesiapa), struktur dan akses penyimpanan data,
analisis statistik, bahasa pemrograman yang digunakan untuk pembuatan skripalat, bagaimana individu
akan mengakses alat, dan bagaimana privasi mereka akan dipertahankan.4.1.4. Langkah 4: Laporkan
Fitur Kustomisasi AlatLangkah keempat adalah melaporkan penyesuaian fitur alat. Fitur-fitur ini,
sepertisebagai jenis entri data (mis., teks, suara, pengambilan gambar, pemindaian barcode), daftar
makanan dan sumberdata komposisi makanan, jenis estimasi ukuran porsi (mis., porsi standar, rumah
tanggaukuran atau bobot, gambar, perkiraan volume makanan otomatis), perlu dievaluasi dengan
hormatterhadap kecukupan mereka untuk menangkap kebutuhan khusus tujuan dan ukuran dari alat
yang diberikan. Satu evaluasiPendekatannya adalah menilai secara khusus kelengkapan dan kecukupan
makanan / resep yang termasuk dalamalat untuk mengevaluasi apakah atau bagaimana item yang hilang
dapat ditambahkan atau resep dapat disesuaikan.Selanjutnya, relevansi informasi makanan dalam
output perlu dievaluasi jugakebutuhan untuk memberikan umpan balik atau untuk menetapkan tujuan
pemantauan diri. Secara keseluruhan, detil fitur yang bisadikustomisasi harus dilaporkan, dan jika ada,
protokol kustomisasi individu harusdikembangkan dan diikuti.4.1.5. Langkah 5: Laporkan Desain,
Pretest, dan Validasi AlatLangkah kelima adalah melaporkan desain dan pra-tes alat. Antarmuka
pengguna, format alat, susunan katadan urutan pertanyaan (sebagaimana mestinya) serta browser dan
penyimpanan baterai kemungkinan besar akan terpengaruhfitur desain platform dan alat teknologi. Saat
mempelajari populasi yang beragam secara budaya,aspek-aspek ini menjadi lebih penting (misalnya,
apakah kata-katanya memiliki arti yang sama dalam hal yang berbedabahasa). Seperti halnya metode
penilaian diet lainnya, alat teknologi harus sudah diuji sebelumnya, idealnya aktifsampel mata pelajaran
yang serupa dengan mereka yang pada akhirnya akan dipelajari. Tujuannya adalah untuk
melaporkankemudahan penggunaan atau keramahan pengguna dan untuk mengidentifikasi pertanyaan
yang kurang dipahami, ambigu, atau

Halaman 18

Nutrisi 2019 , 11, 5518 dari 25menimbulkan tanggapan yang tidak masuk akal atau tidak diinginkan
lainnya. Kami merekomendasikan untuk melaporkan waktu penyelesaiandan penerimaan untuk
menerapkan alat tersebut. Selain itu, laporkan bagaimana alat telah divalidasi danterhadap standar
apa.5. KesimpulanMetode penilaian diet yang memanfaatkan teknologi memberikan umpan balik yang
cepat kepada pengguna dan penawaranpotensi penghematan biaya bagi peneliti. Metode penilaian diet
yang memanfaatkan teknologi baru mungkinlebih menarik dan menarik daripada metode berbasis
kertas, terutama untuk anak-anak dan dewasa muda.Metode online dapat diterapkan ke grup besar
dengan sumber daya minimal dibandingkan dengan metodemembutuhkan peneliti lapangan. Selain itu,
banyak dari alat ini memberikan umpan balik yang cepat kepada pesertayang dapat meningkatkan
kepatuhan terhadap rencana diet atau penelitian. Konektivitas memungkinkan cepat dan jauhinteraksi
dengan peserta dan ahli gizi atau peneliti. Metode kombinasidapat meningkatkan akurasi pelaporan
asupan makanan (seperti penggunaan gambar digital untuk meningkatkanmemori dan perkiraan ukuran
porsi).Banyak alat teknologi baru yang dinilai di sini menunjukkan kesesuaian yang erat dengan metode
tradisionalasupan makanan, tetapi kesenjangannya lebih lebar jika dibandingkan dengan ukuran yang
lebih obyektif, seperti TEE dariair berlabel ganda, meskipun penelitian yang menggunakan metode ini
jumlahnya terbatas. Kami mendorongpengembang dan peneliti untuk mempublikasikan detail tentang
alat penilaian diet mereka, termasuk itudirancang untuk digunakan konsumen, dan meminta komunitas
riset untuk mengevaluasi validitas alatmereka membuat dan menggunakan. Meskipun kami dapat
mengekstrak detail tentang banyak fitur dari alat yang dievaluasi,seringkali diperlukan lebih dari satu
publikasi untuk menemukan informasi yang diperlukan. Kami merekomendasikan itudeskripsi
pengembangan alat dan fitur harus ditulis dengan jelas dalam publikasi, yang mencakup semua
aspekpengembangan alat, termasuk entri data, deskripsi makanan, fitur penyesuaian, karakteristik
keluaran,sumber data komposisi pangan, dan hasil studi kegunaan dan validitas, mengikuti
pedomandisediakan di sini.Bahan Pelengkap: Berikut ini tersedia secara online di
http://www.mdpi.com/2072-6643/11/1/55/s1,Tabel S1. Strategi pencarian yang digunakan untuk
mengidentifikasi alat berbasis teknologi untuk penilaian asupan makanan; Tabel S2. Detailekstraksi data
dan kriteria evaluasi yang digunakan untuk mengevaluasi alat teknologi baru untuk penilaian asupan
makanan;Tabel S3. Metode validasi untuk total energi dan makronutrien untuk alat berbasis teknologi
yang digunakan dalam dietpenilaian asupan.Kontribusi Penulis: Semua penulis terlibat dalam desain dan
diskusi tentang pendekatan studi dankriteria evaluasi yang akan digunakan. A.-KI menyelesaikan
pencarian literatur menggunakan PubMed, PLOS, BioMED, danScience Direct. ALE menyelesaikan
pencarian literatur dari OVID. Semua penulis terlibat dalam data awalekstraksi dan pengkodean. ALE
ekstraksi data duplikat untuk semua alat. Semua penulis berkontribusi untuk interpretasihasil. JEC, CP,
AK-I., Dan ALE menulis draf naskah pertama, dan semuanya meninjau dan berkontribusinaskah
terakhir.Pendanaan: Penelitian ini didanai oleh Intake Diet Eropa International Life Sciences Institute
(ILSI)dan Gugus Tugas Eksposur. Waktu CP dalam proyek ini didukung oleh National Institute for Health
ResearchKolaborasi untuk Riset Kesehatan Terapan (CLAHRC). Pandangan yang diungkapkan adalah dari
penulis dan bukanharus mereka yang dari NHS, NIHR, atau Departemen Kesehatan dan Perawatan
Sosial.Ucapan Terima Kasih: Penulis, anggota Kelompok Pakar ILSI yang terlibat dalam penelitian ini,
mengucapkan terima kasihJonathon M. Taberner (Universitas Leeds) atas bantuannya dalam pencarian
literatur awal, menyiapkan spreadsheetuntuk ekstraksi data, dan berkontribusi pada penilaian 24 alat
pertama. Kami juga mengucapkan terima kasih kepada Mariah L. Tabar,siswa internasional di UniLaSalle
pada tahun 2016, untuk pencarian literatur tambahannya. Selain itu, kami berterima kasih kepadaILSI
Europe Dietary Intake and Exposure Task Force, serta manajer satuan tugas Nevena Hristozova,
untukdukungan mereka.Konflik Kepentingan: Pemberi dana tidak memiliki peran dalam desain
penelitian; dalam koleksi, analisis, atauinterpretasi data; dalam penulisan naskah; atau dalam keputusan
untuk mempublikasikan hasil. ALE adalah Kursidari Diet Intake and Exposure Task Force ILSI dan
kelompok ahli yang bertanggung jawab untuk penelitian ini. CP danAKI menyatakan tidak ada konflik
kepentingan. MJG memimpin Konsorsium Food4Me yang bertanggung jawab atas pengembangan,jalur
penelitian, dan validasi Food4Me. MAG terlibat sebagai pembuktian peneliti nutrisinasihat profesional
untuk TI dalam pembuatan dan pengujian Penilaian dan Rencana Diet (DAP). JHMV terlibatdalam
pengembangan dan validasi Compl-Eat. JEC adalah direktur spin-out swasta Universitas
Leedsperusahaan, Dietary Assessment Ltd., mendukung pengembangan myfood24. Dia juga memimpin
proyek itumengembangkan MyMealMate.

Halaman 19

Nutrisi 2019 , 11, 5519 dari 25Referensi1.Cade, JE Mengukur pola makan di abad ke-21: Penggunaan
teknologi baru. Proc. Nutr. Soc. 2017 , 76, 276–282.[CrossRef] [ PubMed]2.Cade, JE; Warthon-Medina, M
.; Albar, S .; Alwan, NA; Ness, A .; Roe, M .; Wark, PA; Greathead, K .;Burley, VJ; Finglas, P .; dkk. DIET @
NET: Pedoman praktik terbaik untuk penilaian diet dalam penelitian kesehatan.BMC Med. 2017 , 15,
202. [CrossRef] [ PubMed]3.Freedman, LS; Potischman, N .; Kipnis, V .; Midthune, D .; Schatzkin, A .;
Thompson, FE; Troiano, RP;Prentice, R .; Patterson, R .; Carroll, R .; dkk. Perbandingan dua instrumen
diet untuk mengevaluasihubungan lemak-payudara kanker. Int. J. Epidemiol. 2006 , 35, 1011–1021.
[CrossRef] [ PubMed]4.Freedman, LS; Schatzkin, A .; Midthune, D .; Kipnis, V. Berurusan dengan
kesalahan pengukuran pola makan dalam giziBelajar kelompok. J. Natl. Kanker Inst. 2011 , 103, 1086–
1092. [CrossRef] [ PubMed]5.Blanton, CA; Moshfegh, AJ; Baer, DJ; Kretsch, MJ Metode Multiple-Pass
Otomatis USDAsecara akurat memperkirakan total energi dan asupan nutrisi kelompok. J. Nutr. 2006 ,
136, 2594–2599. [CrossRef][PubMed]6.Grandjean, Pengumpulan data asupan makanan AC: Tantangan
dan keterbatasan. Nutr. Rev. 2012 , 70 (Suppl. 2),S101 – S104. [CrossRef] [ PubMed]7.Burrows, TL; Rollo,
AKU; Williams, R .; Kayu, LG; Garg, ML; Jensen, M .; Collins, CE A sistematistinjauan studi validasi
penilaian asupan makanan berbasis teknologi yang mencakup biomarker karotenoid.Nutrisi 2017 , 9,
140. [CrossRef] [ PubMed]8.Karlsen, MC; Lichtenstein, AH; Economos, CD; Folta, SC; Rogers, G .; Jacques,
PF; Livingston, KA;Rancano, KM; McKeown, perekrutan berbasis web NM dan metodologi survei untuk
memaksimalkan responstarif dari pengikut diet populer: The Adhering to Dietary Approaches for
Personal Taste (ADAPT)survei kelayakan. Curr. Dev. Nutr. 2018 , 2, nzy012. [CrossRef]
[ PubMed]9.Carter, MC; Hancock, N .; Albar, SA; Brown, H .; Greenwood, DC; Hardie, LJ; Frost, GS; Wark,
PA;Cade, JE Pengembangan database komposisi makanan Inggris bermerek baru untuk penilaian diet
onlinealat. Nutrisi 2016 , 8, 480. [CrossRef]10. Subar, AF; Kerajinan, J .; Zimmerman, TP; Wilson, M .;
Mittl, B .; Islam, NG; McNutt, S .; Potischman, N .;Buday, R .; Hull, SG; dkk. Penilaian ketepatan laporan
ukuran porsi dengan menggunakan makanan berbasis komputerfoto membantu dalam pengembangan
penarikan kembali 24 jam otomatis. Selai. Asosiasi Diet. 2010 ,110, 55–64. [CrossRef]11. Ngo, J .;
Engelen, A .; Molag, M .; Roesle, J .; Garcia-Segovia, P .; Serra-Majem, L. Tinjauan tentang
penggunaanteknologi informasi dan komunikasi untuk penilaian diet. Br. J. Nutr. 2009 , 101 (Suppl.
2),S102 – S112. [CrossRef]12. Illner, AK; Freisling, H .; Boeing, H .; Huybrechts, I .; Crispim, SP; Slimani, N.
Review dan evaluasiteknologi inovatif untuk mengukur diet dalam epidemiologi nutrisi. Int. J. Epidemiol.
2012 , 41, 1187–1203.[CrossRef] [ PubMed]13. Lachat, C .; Hawwash, D .; Ocke, MC; Berg, C .; Forsum,
E .; Hornell, A .; Larsson, C .; Sonestedt, E .; Wirfalt, E .;Akesson, A .; dkk. Memperkuat pelaporan studi
observasional dalam epidemiologi-nutrisiepidemiologi (STROBE-nut): Perpanjangan dari pernyataan
strobe. PLoS Med. 2016 , 13, e1002036. [CrossRef][PubMed]14. Boushey, CJ; Spoden, M .; Zhu, FM;
Delp, EJ; Kerr, DA Metode seluler baru untuk penilaian diet:Review metode penilaian diet dengan
bantuan gambar dan berbasis gambar. Proc. Nutr. Soc. 2017 , 76, 283–294.[CrossRef] [ PubMed]15.
Zhang, W .; Yu, Q .; Siddiquie, B .; Divakaran, A .; Sawhney, H. "Snap-n-eat": Pengenalan makanan dan
nutrisiestimasi pada smartphone. J. Diabetes Sci. Technol. 2015 , 9, 525–533. [CrossRef] [ PubMed]16.
Kong, F .; Dia, H .; Raynor, HA; Tan, J. Dietcam: Pengenalan makanan bentuk biasa multi-tampilan
dengan kameratelepon. Mob yang meresap. Comput. 2015 , 19, 108–121. [CrossRef]17. Baranowski, T .;
Islam, N .; Baranowski, J .; Martin, S .; Beltran, A .; Dadabhoy, H .; Adame, SH; Watson, KB;Thompson,
D .; Cullen, KW; dkk. Perbandingan ingatan diet berbasis web versus tradisional di antara anak-anak.J.
Acad. Nutr. Diet. 2012 , 112, 527–532. [CrossRef]

Halaman 20

Nutrisi 2019 , 11, 5520 dari 2518. Baranowski, T .; Islam, N .; Douglass, D .; Dadabhoy, H .; Beltran, A .;
Baranowski, J .; Thompson, D .;Cullen, KW; Subar, Sistem Perangkat Lunak Perekaman Pemasukan
Makanan AF, versi 4 (FIRSSt4): LengkapIngat diet 24 jam untuk anak-anak. J. Hum. Nutr. Diet. 2014 , 27
(Suppl. 1), 66–71. [CrossRef]19. Kirkpatrick, SI; Subar, AF; Douglass, D .; Zimmerman, TP; Thompson, FE;
Kahle, LL; George, SM;Dodd, KW; Potischman, N. Kinerja penarikan 24 jam yang dikelola sendiri secara
otomatis relatif terhadap amengukur asupan yang benar dan penarikan kembali 24 jam yang dilakukan
pewawancara. Saya. J. Clin. Nutr. 2014 , 100, 233–240.[CrossRef]20. Thompson, FE; Dixit-Joshi, S .;
Potischman, N .; Dodd, KW; Kirkpatrick, SI; Kushi, LH; Alexander, GL;Coleman, LA; Zimmerman, TP;
Sundaram, ME; dkk. Perbandingan antara pewawancara danpenarikan makanan 24 jam swakelola
otomatis dalam 3 sistem kesehatan terintegrasi yang beragam. Saya. J. Epidemiol.2015 , 181, 970–978.
[CrossRef]21. Kerr, DA; Harray, AJ; Pollard, CM; Dhaliwal, SS; Delp, EJ; Howat, PA; Pickering, MR; Ahmad,
Z .;Meng, X .; Pratt, IS; dkk. Studi kesehatan dan teknologi yang menghubungkan: Terkontrol secara acak
selama 6 bulanuji coba untuk meningkatkan perilaku gizi menggunakan catatan makanan seluler dan
dukungan pesan teks di usia mudaorang dewasa. Int. J. Behav. Nutr. Phys. Bertindak. 2016 , 13, 52.
[CrossRef] [ PubMed]22. Kerr, DA; Pollard, CM; Howat, P .; Delp, EJ; Pickering, M .; Kerr, KR; Dhaliwal, SS;
Pratt, IS;Wright, J .; Boushey, CJ Connecting Health and Technology (CHAT): Protokol terkontrol secara
acakuji coba untuk meningkatkan perilaku nutrisi menggunakan perangkat seluler dan pesan teks yang
disesuaikan pada dewasa muda.BMC Public Health 2012 , 12, 477. [CrossRef] [ PubMed]23. Pollard, CM;
Howat, PA; Pratt, IS; Boushey, CJ; Delp, EJ; Kerr, DA Teks nutrisi yang disukaipesan untuk dewasa muda:
Pengujian kelompok fokus. JMIR mHealth uHealth 2016 , 4, e1. [CrossRef] [ PubMed]24. Meijboom, S .;
van Houts-Streppel, MT; Perenboom, C .; Siebelink, E .; van de Wiel, AM; Geelen, A .;Feskens, EJM; de
Vries, JHM Evaluasi asupan makanan yang dinilai oleh pemerintah Belanda sendiri24-jam diet berbasis
web alat ingat (Compl-Eat) terhadap pewawancara berbasis telepon 24-jam dikelolaingat. J. Nutr. Sci.
2017 , 6, e49. [CrossRef] [ PubMed]25. Gurinovic, M .; Milesevic, J .; Kadvan, A .; Djekic-Ivankovic, M .;
Debeljak-Martacic, J .; Takic, M .; Nikolic, M .;Rankovic, S .; Finglas, P .; Glibetic, M. Pendirian dan
kemajuan dalam data makanan dan resep Serbia onlinedasar diselaraskan dengan standar EuroFIR.
Kimia Makanan. 2016 , 193, 30–38. [CrossRef] [ PubMed]26. Gurinovic, M .; Milesevic, J .; Kadvan, A .;
Nikolic, M .; Zekovic, M .; Djekic-Ivankovic, M .; Dupouy, E .;Finglas, P .; Glibetic, M.Pengembangan, fitur
dan aplikasi perangkat lunak Penilaian & Rencana Diet (DAP) dimendukung penelitian nutrisi kesehatan
masyarakat di negara-negara Eropa Timur Tengah (CEEC). Kimia Makanan. 2018 ,238, 186–194.
[PubMed]27. Zekovic, M .; Djekic-Ivankovic, M .; Nikolic, M .; Gurinovic, M .; Krajnovic, D .; Glibetic, M.
Validitas darikuesioner frekuensi makanan yang menilai asupan folat pada wanita usia subur yang
tinggal di suatu negaratanpa fortifikasi makanan: Penerapan metode triad. Nutrisi 2017 , 9, 128.
[CrossRef]28. Jung, HJ; Lee, SE; Kim, D .; Noh, H .; Song, S .; Kang, M .; Lagu, YJ; Paik, HY Peningkatan
dikelayakan teknologi dari sistem survei diet berbasis web di pengaturan lokal. Asia Pac. J. Clin. Nutr.
2015 ,24, 308–315.29. Matahari, M .; Fernstrom, JD; Jia, W .; Hackworth, SA; Yao, N .; Li, Y .; Li, C .;
Fernstrom, MH; Sclabassi, RJ Asistem elektronik yang dapat dikenakan untuk penilaian diet yang
obyektif. Selai. Diet. Assoc. 2010 , 110, 45–47. [CrossRef]30. Matahari, M .; Burke, LE; Mao, ZH; Chen, Y .;
Chen, HC; Bai, Y .; Li, Y .; Li, C .; Jia, W. Ebutton: Dapat dikenakankomputer untuk pemantauan kesehatan
dan bantuan pribadi. Proc. Des. Autom. Conf. 2014 , 2014, 1–6. [CrossRef]31. Jia, W .; Chen, HC; Yue, Y .;
Li, Z .; Fernstrom, J .; Bai, Y .; Li, C .; Sun, M. Akurasi ukuran porsi makananperkiraan dari gambar digital
yang diperoleh dengan kamera yang dikenakan di dada. Nutr Kesehatan Masyarakat. 2014 , 17, 1671–
1681.[CrossRef] [ PubMed]32. Bucher Della Torre, S .; Carrard, I .; Farina, E .; Danuser, B .; Kruseman, M.
Pengembangan dan evaluasie-ca, catatan makanan berbasis seluler elektronik. Nutrisi 2017 , 9, 76.
[CrossRef] [ PubMed]33. Rangan, AM; O'Connor, S .; Giannelli, V .; Yap, ML; Tang, LM; Roy, R .; Louie, JC;
Hebden, L .; Kay, J .;Allman-Farinelli, M.Elektronik Dietary Intake Assessment (e-DIA): Perbandingan
ponsel digitalaplikasi entri untuk pengumpulan data makanan dengan penarikan makanan 24 jam. JMIR
mHealth uHealth 2015 , 3, e98. [CrossRef][PubMed]

Halaman 21

Nutrisi 2019 , 11, 5521 dari 2534. Rangan, AM; Tieleman, L .; Louie, JC; Tang, LM; Hebden, L .; Roy, R .;
Kay, J .; Allman-Farinelli, M.Electronic Dietary Intake Assessment (e-DIA): Validitas relatif dari aplikasi
ponsel untuk diukurasupan kelompok makanan. Br. J. Nutr. 2016 , 115, 2219–2226. [CrossRef]
[ PubMed]35. de Boer, EJ; Slimani, N .; van't Veer, P .; Boeing, H .; Feinberg, M .; Leclercq, C .; Trolle, E .;
Amiano, P .;Andersen, LF; Freisling, H .; dkk. Alasan dan metode validasi konsumsi makanan
Eropa(EFCOVAL) proyek. Eur. J. Clin. Nutr. 2011 , 65 (Suppl. 1), S1 – S4. [CrossRef]36. Huybrechts, I .;
Geelen, A .; de Vries, JH; Casagrande, C .; Nicolas, G .; De Keyzer, W .; Lillegaard, TI;Ruprich, J .; Lafay, L .;
Wilson-van den Hooven, EC; dkk. Evaluasi responden terhadap ingatan diet 24 jammetode (EPIC-Soft)
dalam proyek EFCOVAL. Eur. J. Clin. Nutr. 2011 , 65 (Suppl. 1), S29 – S37. [CrossRef]37. Freisling, H .;
Ocke, MC; Casagrande, C .; Nicolas, G .; Crispim, SP; Niekerk, M .; van der Laan, J .; de Boer,
E .;Vandevijvere, S .; de Maeyer, M .; dkk. Perbandingan dua metode penilaian diet berbasis catatan
makananuntuk survei konsumsi makanan pan-Eropa di antara bayi, balita, dan anak-anak menggunakan
kualitas dataindikator. Eur. J. Nutr. 2015 , 54, 437–445. [CrossRef]38. Park, MK; Freisling, H .; Huseinovic,
E .; Winkvist, A .; Huybrechts, I .; Crispim, SP; de Vries, JH; Geelen, A .;Niekerk, M .; van Rossum, C .; dkk.
Perbandingan pola makan di lima negara Eropa yang menggunakandata penarikan 24 jam standar
(GloboDiet) dari proyek EFCOVAL. Eur. J. Nutr. 2017 , 57, 1045–1057.[CrossRef]39. Fallaize, R .; Forster,
H .; Macready, AL; Walsh, MC; Ayah, JC; Brennan, L .; Gibney, UGD; Gibney, MJ;Lovegrove, estimasi
asupan makanan JA Online: Reprodusibilitas dan validitas makanan Food4Mekuesioner frekuensi
terhadap catatan makanan yang ditimbang selama 4 hari. J Med Internet Res 2014 , 16, e190.
[CrossRef]40. Forster, H .; Fallaize, R .; Gallagher, C .; O'Donovan, CB; Woolhead, C .; Walsh, MC;
Macready, AL;Lovegrove, JA; Ayah, JC; Gibney, MJ; dkk. Perkiraan asupan makanan online: Makanan
Food4Mekuesioner frekuensi. J. Med. Res internet. 2014 , 16, e150. [CrossRef]41. Celis-Morales, C .;
Livingstone, KM; Marsaux, CF; Macready, AL; Fallaize, R .; O'Donovan, CB;Woolhead, C .; Forster, H .;
Walsh, MC; Navas-Carretero, S .; dkk. Pengaruh nutrisi yang dipersonalisasi padaperubahan perilaku
terkait kesehatan: Bukti dari uji coba terkontrol acak Food4me Eropa.Int. J. Epidemiol. 2017 , 46, 578–
588. [CrossRef] [ PubMed]42. Timon, CM; Blain, RJ; McNulty, B .; Kehoe, L .; Evans, K .; Walton, J .; Flynn,
A .; Gibney, ERpengembangan, validasi, dan evaluasi pengguna Foodbook24: Alat penilaian diet berbasis
webdikembangkan untuk populasi orang dewasa Irlandia. J. Med. Res internet. 2017 , 19, e158.
[CrossRef] [ PubMed]43. Timon, CM; Evans, K .; Kehoe, L .; Blain, RJ; Flynn, A .; Gibney, UGD; Walton, J.
Perbandingan berbasis webAlat penarikan makanan 24 jam (Foodbook24) untuk penarikan makanan 24
jam yang dipimpin pewawancara. Nutrisi 2017 , 9, 425.[CrossRef] [ PubMed]44. Pendergast, FJ; Ridgers,
ND; Worsley, A .; McNaughton, SA Evaluasi dari buku harian makanan smartphoneaplikasi menggunakan
pengeluaran energi yang diukur secara obyektif. Int. J. Behav. Nutr. Phys. Bertindak. 2017 , 14, 30.
[CrossRef] [ PubMed]45. Kristal, AR; Kolar, AS; Fisher, JL; Plascak, JJ; Stumbo, PJ; Weiss, R .; Paskett,
Evaluasi ED dariKuesioner frekuensi makanan grafis yang dikelola sendiri dan berbasis web. J. Acad.
Nutr. Diet. 2014 , 114, 613–621.[CrossRef] [ PubMed]46. Foster, E .; Hawkins, A .; Delve, J .; Adamson, AJ
Mengurangi biaya penilaian diet: Selesai sendiriingat dan analisis nutrisi untuk digunakan dengan anak-
anak (SCRAN24). J. Hum. Nutr. Diet. 2014 , 27 (Suppl. 1),26–35. [CrossRef]47. Bradley, J .; Simpson, E .;
Poliakov, I .; Matthews, JN; Olivier, P .; Adamson, AJ; Foster, E. PerbandinganINTAKE24 (alat recall diet
24 jam online) dengan recall 24 jam yang dipimpin pewawancara pada anak usia 11-24 tahun.
Nutrisi2016 , 8, 358. [CrossRef]48. Simpson, E .; Bradley, J .; Poliakov, I .; Jackson, D .; Olivier, P .;
Adamson, AJ; Foster, E. Pengembangan berulangdari alat penarikan makanan online: INTAKE24. Nutrisi
2017 , 9, 118. [CrossRef]49. O'Loughlin, G .; Cullen, SJ; McGoldrick, A .; O'Connor, S .; Blain, R .; O'Malley,
S .; Warrington, GD Menggunakankamera yang dapat dikenakan untuk meningkatkan akurasi analisis
makanan. Saya. J. Sebelumnya. Med. 2013 , 44, 297–301. [CrossRef]50. Gemming, L .; Doherty, A .; Kelly,
P .; Ucapkan, J .; Ni Mhurchu, C. Kelayakan penarikan 24 jam yang dibantu sensecamkurangi pelaporan
asupan energi yang kurang. Eur. J. Clin. Nutr. 2013 , 67, 1095–1099. [CrossRef]

Halaman 22

Nutrisi 2019 , 11, 5522 dari 2551. Gemming, L .; Rush, E .; Maddison, R .; Doherty, A .; Gant, N .;
Ucapkan, J .; Ni Mhurchu, C. Kamera yang dapat dikenakan bisamengurangi diet yang tidak dilaporkan:
Validasi air berlabel ganda dari penarikan 24 jam yang dibantu kamera. Br. J. Nutr.2015 , 113, 284–291.
[CrossRef] [ PubMed]52. Carter, MC; Albar, SA; Morris, MA; Mulla, UZ; Hancock, N .; Evans, CE; Alwan,
NA; Greenwood, DC;Hardie, LJ; Frost, GS; dkk. Pengembangan alat penilaian diet 24 jam online Inggris:
Myfood24. Nutrisi2015 , 7, 4016–4032. [CrossRef] [ PubMed]53. Albar, SA; Alwan, NA; Evans, CE;
Greenwood, DC; Cade, JE Agreement antara diet onlinealat penilaian (Myfood24) dan ingatan diet 24
jam yang dikelola pewawancara pada remaja Inggris11-18 tahun. Br. J. Nutr. 2016 , 115, 1678–1686.
[CrossRef] [ PubMed]54. Daniel, CR; Kapur, K .; McAdams, MJ; Dixit-Joshi, S .; Devasenapathy, N .; Shetty,
H .; Hariharan, S .;George, PS; Mathew, A .; Sinha, R. Pengembangan alat penilaian makanan otomatis
ramah lapangan dandatabase nutrisi untuk India. Br. J. Nutr. 2014 , 111, 160–171. [CrossRef]
[ PubMed]55. Astell, AJ; Hwang, F .; Coklat, LJ; Timon, C .; Maclean, LM; Smith, T .; Adlam, T .; Khadra,
H .; Williams, EAValidasi sistem layar sentuh NANA (Novel Assessment of Nutrition and Aging) untuk
digunakan di rumaholeh orang dewasa yang lebih tua. Exp. Gerontol. 2014 , 60, 100–107. [CrossRef]
[ PubMed]56. Timon, CM; Astell, AJ; Hwang, F .; Adlam, TD; Smith, T .; Maclean, L .; Spurr, D .; Forster,
SE; Williams, EAValidasi catatan makanan berbasis komputer untuk orang dewasa yang lebih tua: The
Novel Assessment of Nutrition danMetode Penuaan (NANA). Br. J. Nutr. 2015 , 113, 654–664. [CrossRef]
[ PubMed]57. Rollo, AKU; Ash, S .; Lyons-Wall, P .; Russell, A. Percobaan metode ponsel untuk mencatat
asupan makananpada orang dewasa dengan diabetes tipe 2: Evaluasi dan implikasi untuk aplikasi di
masa mendatang. J. Telemed. Telecare 2011 ,17, 318–323. [CrossRef] [ PubMed]58. Rollo, AKU; Ash, S .;
Lyons-Wall, P .; Russell, AW Evaluasi pola makan berbasis gambar ponselmetode penilaian pada orang
dewasa dengan diabetes tipe 2. Nutrients 2015 , 7, 4897–4910. [CrossRef] [ PubMed]59. Touvier, M .;
Kesse-Guyot, E .; Mejean, C .; Pollet, C .; Malon, A .; Castetbon, K .; Hercberg, S. Perbandinganantara
catatan diet 24 jam interaktif berbasis web dan wawancara oleh ahli diet untukstudi epidemiologi skala
besar. Br. J. Nutr. 2011 , 105, 1055–1064. [CrossRef]60. Liu, B .; Muda, H .; Crowe, FL; Benson, VS;
Spencer, EA; Kunci, TJ; Appleby, PN; Beral, V. Pengembangandan evaluasi Oxford WebQ, metode
berbasis web berbiaya rendah untuk menilai pola makan 24 jam sebelumnyaasupan dalam studi
prospektif skala besar. Nutr Kesehatan Masyarakat. 2011 , 14, 1998–2005. [CrossRef]61. Galante, J .;
Adamska, L .; Muda, A .; Muda, H .; Littlejohns, TJ; Gallacher, J .; Allen, N. Penerimaanulangi penilaian
diet hibrida berbasis internet dari asupan makanan 24 jam sebelumnya: Administrasi OxfordWebQ di
Inggris Biobank. Br. J. Nutr. 2016 , 115, 681–686. [CrossRef] [ PubMed]62. Jacques, S .; Lemieux, S .;
Lamarche, B .; Laramee, C .; Corneau, L .; Lapointe, A .; Tessier-Grenier, M .; Robitaille, J.Pengembangan
penarikan makanan 24 jam berbasis web untuk populasi Prancis-Kanada. Nutrisi 2016 , 8, 724.[CrossRef]
[ PubMed]63. Lafrenière, J .; Benoît Lamarche, B .; Catherine Laramée, C .; Julie Robitaille, J .; Lemieux, S.
Validasi aPengingat diet 24 jam berbasis web yang baru secara otomatis menggunakan studi pemberian
makan yang dikontrol sepenuhnya. BMC Nutr. 2017 , 3, 34.[CrossRef]64. Martin, CK; Correa, JB; Han, H .;
Allen, HR; Rood, JC; Sampanye, CM; Gunturk, BK; Bray, GAValiditas Metode Fotografi Makanan Jarak
Jauh (RFPM) untuk memperkirakan asupan energi dan nutrisi di sekitarwaktu sebenarnya. Obesitas 2012
, 20, 891–899. [CrossRef] [ PubMed]65. Martin, CK; Nicklas, T .; Gunturk, B .; Correa, JB; Allen, HR;
Sampanye, C. Mengukur asupan makanan denganfotografi Digital. J. Hum. Nutr. Diet. 2014 , 27 (Suppl.
1), 72–81. [CrossRef] [ PubMed]66. Nicklas, T .; Saab, R .; Islam, NG; Wong, W .; Butte, N .; Schulin, R .;
Liu, Y .; Apolzan, JW; Myers, CA;Martin, CK Validitas Metode Fotografi Makanan Jarak Jauh terhadap air
berlabel ganda di antaraanak-anak prasekolah minoritas. Obesitas 2017 , 25, 1633–1638. [CrossRef]
[ PubMed]67. Moore, HJ; Hillier, FC; Batterham, AM; Ells, LJ; Summerbell, penilaian diet berbasis
Teknologi CD:Pengembangan Program Gizi dan Aktivitas Tersinkronisasi (SNAP). J. Hum. Nutr. Diet.
2014 , 27(Suppl. 1), 36–42. [CrossRef]68. Hillier, FC; Batterham, AM; Penjahat, S .; Moore, HJ;
Summerbell, CD Pengembangan dan evaluasiprogram komputer baru berbasis internet untuk menilai
perilaku diet dan aktivitas fisik hari sebelumnyapada orang dewasa: Program Gizi dan Aktivitas
Tersinkronisasi untuk orang dewasa (SNAPA). Br. J. Nutr. 2012 , 107,1221–1231. [CrossRef]

Halaman 23

Nutrisi 2019 , 11, 5523 dari 2569. Daugherty, BL; Schap, TE; Ettienne-Gittens, R .; Zhu, FM; Bosch, M .;
Delp, EJ; Ebert, DS; Kerr, DA;Boushey, CJ Teknologi baru untuk menilai asupan makanan: Mengevaluasi
kegunaan telepon selulercatatan makanan di kalangan orang dewasa dan remaja. J. Med. Res internet.
2012 , 14, e58. [CrossRef]70. Ahmad, Z .; Kerr, DA; Bosch, M .; Boushey, CJ; Delp, EJ; Khanna, N .; Zhu, F.
Rekor makanan bergerak untukpenilaian diet terintegrasi. MADiMa16 (2016) 2016 , 2016, 53–62.71.
Boushey, CJ; Harray, AJ; Kerr, DA; Schap, TE; Paterson, S .; Aflague, T .; Bosch Ruiz, M .; Ahmad, Z .;Delp,
EJ Seberapa rela remaja mencatat asupan makanannya? Catatan makanan seluler.JMIR mHealth uHealth
2015 , 3, e47. [CrossRef] [ PubMed]72. Boushey, CJ; Spoden, M .; Delp, EJ; Zhu, F .; Bosch, M .; Ahmad,
Z .; Shvetsov, YB; DeLany, JP; Kerr, DAKeakuratan asupan energi yang dilaporkan dibandingkan dengan
air berlabel ganda dan kegunaan catatan makanan bergerakdi antara komunitas dewasa yang tinggal.
Nutrisi 2017 , 9, 312. [CrossRef] [ PubMed]73. Delisle, C .; Sandin, S .; Forsum, E .; Henriksson, H .; Trolle-
Lagerros, Y .; Larsson, C .; Maddison, R .; Ortega, FB;Ruiz, JR; Silfvernagel, K .; dkk. Intervensi berbasis
web dan ponsel untuk mencegah obesitas di4 tahun (MINISTOP): Uji coba terkontrol secara acak
berbasis populasi. BMC Public Health 2015 , 15, 95.[CrossRef] [ PubMed]74. Henriksson, H .; Bonn, SE;
Bergstrom, A .; Balter, K .; Balter, O .; Delisle, C .; Forsum, E .; Lof, M. A barualat berbasis ponsel untuk
menilai asupan energi dan makanan tertentu pada anak kecil: Sebuah studi validasi.JMIR mHealth
uHealth 2015 , 3, e38. [CrossRef] [ PubMed]75. Delisle Nystrom, C .; Forsum, E .; Henriksson, H .; Trolle-
Lagerros, Y .; Larsson, C .; Maddison, R .; Timpka, T .;Lof, M. Metode berbasis ponsel untuk menilai
asupan energi dan makanan pada anak kecil: Validasistudi terhadap metode air berlabel ganda dan
penarikan diet 24 jam. Nutrisi 2016 , 8, 50. [CrossRef][PubMed]76. da Silva, MM; Sala, PC; Torrinhas, RS;
Waitzberg, DL Efisiensi instrumen penarikan makanan 24 jamuntuk menilai asupan nutrisi sebelum dan
sesudah bypass lambung Roux-en-Y. Nutr. Hosp. 2014 , 30, 1240–1247.[PubMed]77. da Silva, MM; Sala,
PC; Cardinelli, CS; Torrinhas, RS; Waitzberg, Perbandingan DL Virtual Nutri Plus ®dan sistem perangkat
lunak Dietpro 5i ® untuk penilaian asupan nutrisi sebelum dan sesudah lambung Roux-en-Yjalan pintas.
Clinics (Sao Paulo) 2014 , 69, 714–722. [CrossRef]78. Davies, VF; Kupek, E .; de Assis, MA; Natal, S .; Di
Pietro, PF; Baranowski, T. Validasi berbasis webkuesioner untuk menilai asupan makanan anak-anak
brazilian berusia 7-10 tahun. J. Hum. Nutr. Diet. 2015 , 28(Suppl. 1), 93–102. [CrossRef]79. Kupek, E .; de
Assis, MA Penggunaan metode imputasi ganda untuk validasi penarikan makanan 24 jam olehobservasi
paruh waktu asupan makanan di sekolah. Br. J. Nutr. 2016 , 116, 904–912. [CrossRef]80. Biltoft-Jensen, A
.; Bysted, A .; Trolle, E .; Christensen, T .; Knuthsen, P .; Damsgaard, CT; Andersen, LF;Brockhoff, P .;
Tetens, I. Evaluasi perangkat lunak penilaian diet berbasis web untuk anak-anak:
Membandingkanmelaporkan asupan buah, jus, dan sayuran dengan konsentrasi karotenoid plasma dan
makan siang sekolahobservasi. Br. J. Nutr. 2013 , 110, 186–195. [CrossRef]81. Biltoft-Jensen, A .; Trolle, E
.; Christensen, T .; Islam, N .; Andersen, LF; Egenfeldt-Nielsen, S .; Tetens, I.Webdasc: Perangkat lunak
penilaian diet berbasis web untuk anak-anak Denmark berusia 8-11 tahun. J. Hum. Nutr. Diet.2012 , 27
(Suppl. 1), 43–53. [CrossRef]82. Andersen, R .; Biltoft-Jensen, A .; Christensen, T .; Andersen, EW; Ege,
M .; Kemudian, AV; Knudsen, VK;Damsgaard, CT; Sorensen, LB; Petersen, RA; dkk. Apa yang dimakan
anak-anak Denmark, dan apakah dietnya memenuhirekomendasinya? Data dasar dari Opus School Meal
Study. J. Nutr. Sci. 2015 , 4, e29. [CrossRef][PubMed]83. Labonte, ME; Cyr, A .; Baril-Gravel, L .; Royer,
MM; Lamarche, B. Validitas dan reproduktifitas aKuesioner frekuensi makanan yang dikelola sendiri
berbasis web. Eur. J. Clin. Nutr. 2012 , 66, 166–173. [CrossRef][PubMed]84. Medin, AC; Astrup, H .;
Kasin, BM; Andersen, Evaluasi LF dari catatan makanan berbasis web untuk anak-anakmenggunakan
observasi makan siang langsung yang tidak mengganggu: Sebuah studi validasi. J. Med. Res internet.
2015 , 17, e273.[CrossRef] [ PubMed]85. Medin, AC; Carlsen, MH; Andersen, LF Associations antara
asupan makanan kaya karotenoid yang dilaporkandan konsentrasi karotenoid dalam plasma: Sebuah
studi validasi dari food recall berbasis web untuk anak-anak danremaja. Nutr Kesehatan Masyarakat.
2016 , 19, 3265–3275. [CrossRef] [ PubMed]
Halaman 24

Nutrisi 2019 , 11, 5524 dari 2586. Medin, AC; Hansen, BH; Astrup, H .; Ekelund, U .; Frost Andersen, L.
Validasi asupan energi dari afood recall berbasis web untuk anak-anak dan remaja. PLoS ONE 2017 , 12,
e0178921. [CrossRef] [ PubMed]87. Caswell, BL; Talegawkar, SA; Dyer, B .; Siamusantu, W .; Klemm, RD;
Palmer, AC Menilai gizi anakasupan menggunakan alat penarikan 24 jam berbasis tablet di pedesaan
Zambia. Nutrisi Pangan. Banteng. 2015 , 36, 467–480. [CrossRef]88. Arsand, E .; Muzny, M .; Bradway,
M .; Muzik, J .; Hartvigsen, G. Kinerja jam tangan pintar gabungan pertamadan studi aplikasi buku harian
diabetes smartphone. J. Diabetes Sci. Technol. 2015 , 9, 556–563. [CrossRef]89. Kong, F .; Tan, J.
Dietcam: Pengenalan makanan bentuk biasa dengan telepon kamera. Dalam Prosiding 2011Konferensi
Internasional tentang Jaringan Sensor Tubuh, Dallas, TX, AS, 23–25 Mei 2011; hlm. 127–132.90. Kong, F.
Penilaian Asupan Makanan Otomatis Menggunakan Ponsel Kamera. Tesis Master, Teknologi
MichiganUniversitas, Houghton, MI, AS, 2012.91. Kong, F .; Tan, J. Dietcam: Penilaian diet secara
sutomatis dengan ponsel kamera ponsel. Mob yang meresap. Comput.2012 , 8, 147–163. [CrossRef]92.
Connelly, K .; Siek, KA; Chaudry, B .; Jones, J .; Astroth, K .; Welch, JL Pemantauan nutrisi seluler
offlineintervensi untuk berbagai pasien melek huruf yang menerima hemodialisis: Sebuah studi
percontohan memeriksa penggunaan dankegunaan. Selai. Med. Memberitahu. Assoc. 2012 , 19, 705–
712. [CrossRef]93. Welch, JL; Astroth, KS; Perkins, SM; Johnson, CS; Connelly, K .; Siek, KA; Jones, J .;
Scott, LLMenggunakan aplikasi seluler untuk memonitor sendiri diet dan asupan cairan di antara orang
dewasa yang menerima hemodialisis.Res. Nurs. Kesehatan 2013 , 36, 284–298. [CrossRef] [ PubMed]94.
Recio-Rodriguez, JI; Martin-Cantera, C .; Gonzalez-Viejo, N .; Gomez-Arranz, A .; Arietaleanizbeascoa,
MS;Schmolling-Guinovart, Y .; Maderuelo-Fernandez, JA; Perez-Arechaederra, D .; Rodriguez-Sanchez,
E .;Gomez-Marcos, MA; dkk. Efektivitas aplikasi smartphone untuk meningkatkan gaya hidup sehat,uji
klinis acak (BUKTI II): Protokol studi. BMC Public Health 2014 , 14, 254. [CrossRef][PubMed]95. Recio-
Rodriguez, JI; Agudo-Conde, C .; Martin-Cantera, C .; Gonzalez-Viejo, MN; Fernandez-Alonso,
MD;Arietaleanizbeaskoa, MS; Schmolling-Guinovart, Y .; Maderuelo-Fernandez, JA; Rodriguez-Sanchez, E
.;Gomez-Marcos, MA; dkk. Efektivitas jangka pendek aplikasi ponsel untuk meningkatkan aktivitas
fisikdan kepatuhan terhadap diet Mediterania dalam perawatan primer: Sebuah uji coba terkontrol
secara acak (studi BUKTI Ii).J. Med. Res internet. 2016 , 18, e331. [CrossRef]96. Aizawa, K .; Maeda, K .;
Ogawa, M .; Sato, Y .; Kasamatsu, M .; Waki, K .; Takimoto, H. Studi Bandingkegunaan harian rutin
FoodLog: Alat perekam makanan berbasis ponsel pintar yang dibantu oleh pengambilan gambar.J
Diabetes Sci. Technol. 2014 , 8, 203–208. [CrossRef] [ PubMed]97. Waki, K .; Fujita, H .; Uchimura, Y .;
Aramaki, E .; Omae, K .; Kadowaki, T .; Ohe, K.Dialbetics:Manajemen mandiri berbasis ponsel cerdas
untuk pasien diabetes tipe 2. J. Diabetes Sci. Technol. 2012 , 6, 983–985.[CrossRef] [ PubMed]98. Waki, K
.; Aizawa, K .; Kato, S .; Fujita, H .; Lee, H .; Kobayashi, H .; Ogawa, M .; Mouri, K .; Kadowaki, T .; Ohe,
K.Dialbetika dengan alat perekam makanan multimedia, FoodLog: Manajemen mandiri berbasis
smartphone untuk tipe 2diabetes. J. Diabetes Sci. Technol. 2015 , 9, 534–540. [CrossRef] [ PubMed]99.
Bally, L .; Dehais, J .; Nakas, CT; Anthimopoulos, M .; Laimer, M .; Rhyner, D .; Rosenberg, G .; Zueger,
T .;Diem, P .; Mougiakakou, S .; dkk. Estimasi karbohidrat didukung oleh sistem GoCARB pada
individudengan diabetes tipe 1: Sebuah studi percontohan prospektif acak. Perawatan Diabetes 2017 ,
40, e6 – e7. [CrossRef]100. Rhyner, D .; Loher, H .; Dehais, J .; Anthimopoulos, M .; Shevchik, S .; Botwey,
RH; Duke, D .; Stettler, C .;Diem, P .; Mougiakakou, S. Estimasi karbohidrat oleh sistem berbasis ponsel
versus estimasi diriindividu dengan diabetes mellitus tipe 1: Sebuah studi banding. J. Med. Res internet.
2016 , 18, e101.[CrossRef]101. Du, SS; Jiang, YS; Chen, Y .; Li, Z .; Zhang, YF; Sun, CH; Feng,
Pengembangan RN dan penerapankuesioner diet dan gaya hidup berbasis internet untuk mahasiswa di
Cina: Sebuah studi cross-sectional.Medicine (Baltimore) 2015 , 94, e2130. [CrossRef]102. Carter, MC;
Burley, VJ; Cade, JE Development of 'My Meal Mate' — Intervensi smartphone untuk berat
badankerugian. Nutr. Banteng. 2013 , 38, 80–84. [CrossRef]103. Carter, MC; Burley, VJ; Nykjaer, C .;
Cade, JE 'My Meal Mate' (MMM): Validasi ukuran dietditangkap pada aplikasi smartphone untuk
memfasilitasi penurunan berat badan. Br. J. Nutr. 2013 , 109, 539–546. [CrossRef][PubMed]

Halaman 25

Nutrisi 2019 , 11, 5525 dari 25104. Carter, MC; Burley, VJ; Nykjaer, C .; Cade, JE Kepatuhan pada aplikasi
smartphone untuk menurunkan berat badandibandingkan dengan situs web dan buku harian: Uji coba
terkontrol secara acak. J. Med. Res internet. 2013 , 15, e32.[CrossRef] [ PubMed]105. Pos, RC; Herrup, M
.; Chang, S .; Leone, A. Mendapatkan piring dalam bentuk menggunakan Supertracker. J. Acad. Nutr.
Diet.2012 , 112, 354–358. [CrossRef] [ PubMed]106. Tsompanakis, S. Supertracker. J. Consum. Health
Internet 2015 , 19, 132–142. [CrossRef]107. Thompson, FE; Subar, AF; Loria, CM; Reedy, JL; Baranowski,
T. Perlunya inovasi teknologi dipenilaian diet. Selai. Diet. Assoc. 2010 , 110, 48–51. [CrossRef]
[ PubMed]108. Forster, H .; Walsh, MC; Gibney, MJ; Brennan, L .; Gibney, ER Nutrisi pribadi: Peran
barumetode penilaian diet. Proc. Nutr. Soc. 2016 , 75, 96–105. [CrossRef] [ PubMed]109. Afshin, A .;
Babalola, D .; McLean, M .; Yu, Z .; Ma, W .; Chen, CY; Arabi, M .; Mozaffarian, D. Informasiteknologi dan
gaya hidup: Evaluasi sistematis dari internet dan intervensi seluler untuk meningkatkan pola
makan,aktivitas fisik, obesitas, tembakau, dan penggunaan alkohol. Selai. Asosiasi Jantung. 2016 , 5,
e003058. [CrossRef]110. Franco, RZ; Fallaize, R .; Lovegrove, JA; Hwang, F. Aplikasi seluler populer
terkait nutrisi: Sebuah fiturpenilaian. JMIR mHealth uHealth 2016 , 4, e85. [CrossRef]111. Maringer, M .;
Van't Veer, P .; Klepacz, N .; Verain, MCD; Normann, A .; Ekman, S .; Timotijevic, L .;Raats, MM; Geelen,
A. Data konsumsi makanan yang didokumentasikan pengguna dari aplikasi yang tersedia untuk umum:
Analisispeluang dan tantangan untuk penelitian nutrisi. Nutr. J. 2018 , 17, 59. [CrossRef]112. Timon, CM;
van den Barg, R .; Blain, RJ; Kehoe, L .; Evans, K .; Walton, J .; Flynn, A .; Gibney, ER A reviewdesain dan
validasi alat penarikan makanan 24 jam berbasis web dan komputer. Nutr. Res. Rev. 2016 , 29,268–280.
[CrossRef]113. Subar, AF; Freedman, LS; Tooze, JA; Kirkpatrick, SI; Boushey, C .; Neuhouser, ML;
Thompson, FE;Potischman, N .; Guenther, PM; Tarasuk, V .; dkk. Mengatasi kritik saat ini tentang
nilaidata makanan yang dilaporkan sendiri. J. Nutr. 2015 , 145, 2639–2645. [CrossRef] [ PubMed]114.
Wark, PA; Hardie, LJ; Frost, GS; Alwan, NA; Carter, M .; Elliott, P .; Ford, DIA; Hancock, N .; Morris,
MA;Mulla, UZ; dkk. Validitas alat penarikan 24 jam online (Myfood24) untuk penilaian diet dalam
populasistudi: Perbandingan dengan biomarker dan wawancara standar. BMC Med. 2018 , 16, 136.
[CrossRef][PubMed]115. Archundia Herrera, MC; Chan, CB Narrative review dari metode baru untuk
menilai makanan dan asupan energi.Nutrisi 2018 , 10, 1064. [CrossRef] [ PubMed]© 2018 oleh penulis.
Pemegang Lisensi MDPI, Basel, Swiss. Artikel ini adalah akses terbukaartikel yang didistribusikan di
bawah syarat dan ketentuan Creative Commons Attribution(CC BY) lisensi
(http://creativecommons.org/licenses/by/4.0/) .