Inteligența Artificială în Nutriția anului 2025: Aplicații, Instrumente și Perspective

Data publicării: 25 Aprilie 2025

Rezumat

În ultimul deceniu, inteligența artificială (IA) a devenit un vector major de transformare în nutriție și dietetică, cu o accelerare semnificativă după 2020. Acest articol prezintă o sinteză narativă a literaturii recente (2020–2025) privind utilizarea IA în evaluarea dietei, nutriția personalizată, managementul bolilor cronice, educația nutrițională și suportul decizional pentru dieteticieni. Sunt descrise aplicațiile emergente – de la sisteme de recunoaștere a imaginilor alimentare și senzori purtabili (wearable), la chatboturi, modele de limbaj de mari dimensiuni (LLM) și platforme integrate de îngrijire nutrițională – precum și impactul lor asupra Procesului de Îngrijire Nutrițională. Un accent particular este acordat contextului românesc și platformei „Nutrition ARTS”, dezvoltată pentru dieteticienii din România, inclusiv utilizarea sa ca reper pentru evaluarea soluțiilor IA. Sunt discutate beneficiile, limitările, implicațiile etice și direcțiile viitoare de cercetare și practică, cu concluzia că IA trebuie integrată ca instrument de augmentare, nu de înlocuire, a expertizei dieteticianului.

Cuvinte cheie: inteligență artificială; nutriție; dietetică; evaluarea dietei; nutriție personalizată; platforme digitale; dieteticieni

Abstract

Over the last decade, artificial intelligence (AI) has become a major driver of transformation in nutrition and dietetics, with rapid acceleration after 2020. This narrative review synthesizes recent literature (2020–2025) on AI applications in dietary assessment, personalized nutrition, chronic disease management, nutrition education and clinical decision support for dietitians. Emerging tools are described, including food image recognition systems, wearable sensors, chatbots, large language models and integrated nutrition care platforms, and their impact on the Nutrition Care Process. Particular emphasis is placed on the Romanian context and the “Nutrition ARTS” platform, developed for Romanian dietitians and subsequently used as a reference system in studies evaluating AI-based tools. Benefits, limitations, ethical implications and future directions for research and practice are discussed. The overall conclusion is that AI should be integrated as an augmentative tool that enhances, rather than replaces, dietitians’ professional expertise.

Keywords: artificial intelligence; nutrition; dietetics; dietary assessment; personalized nutrition; digital platforms; dietitians

Introducere

Progresele recente în inteligență artificială (IA) – în special în învățarea automată, învățarea profundă (deep learning) și modelele de limbaj de mari dimensiuni (LLM) – modifică rapid modul în care sunt concepute, livrate și monitorizate intervențiile nutriționale. Revizuiri sistematice publicate în 2025 arată că IA este deja utilizată în șase mari domenii ale nutriției: evaluarea dietei, nutriția personalizată și managementul bolilor cronice, agenți conversanționali, nutriție de sănătate publică, știința senzorială și inovația alimentară, precum și aspecte etice și profesionale (1,2).​

În paralel, în practica dietetică primară, IA este integrată treptat în toate etapele Procesului de Îngrijire Nutrițională (Nutrition Care Process, NCP) – de la evaluare și diagnostic nutrițional, până la intervenție și monitorizare (3). Aceste tehnologii promit:​

• automatizarea evaluărilor de rutină și a monitorizării aportului alimentar;

• generarea de recomandări dietetice personalizate, bazate pe date complexe (clinice, comportamentale și, emergent, „omics”);

• extinderea accesului la servicii de nutriție prin telemedicină și aplicații mobile;

• susținerea deciziilor dieteticienilor prin sisteme de suport decizional clinic.

În România, digitalizarea dieteticii a fost impulsionată de dezvoltarea unor platforme specializate, precum Nutrition ARTS, concepută pentru a facilita procesul de îngrijire nutrițională și a răspunde nevoilor specifice ale dieteticienilor români (4). Ulterior, această platformă a fost utilizată ca referință în studii care au evaluat acuratețea modelelor IA (GPT‑4) în analiza imaginilor cu alimente (5) și în cercetări privind intervențiile dietetice asistate digital (6).​

Scopul prezentului articol este de a:

• sintetiza aplicațiile actuale ale IA în nutriția anului 2025;

• descrie instrumentele software și platformele utilizate în practica dietetică;

• discuta beneficiile, limitările și implicațiile etice;

• contura perspectivele viitoare pentru integrarea responsabilă a IA în nutriție, cu accent pe rolul dieteticianului.

Material și metodă

Articolul prezent reprezintă o revizuire narativă extinsă a literaturii, cu integrarea selectivă a unor date din scoping review‑uri și revizuiri sistematice recente.

Strategia de căutare:

Au fost consultate bazele de date PubMed/MEDLINE, Web of Science, Scopus, IEEE Xplore, ACM Digital Library și platforme editoriale majore (MDPI, Frontiers, BMJ, Elsevier/Wiley, Nature) pentru perioada ianuarie 2020 – noiembrie 2025. Termenii de căutare au inclus combinații de cuvinte cheie în limba engleză, precum: “artificial intelligence”, “machine learning”, “deep learning”, “large language models”, asociate cu “nutrition”, “dietetics”, “dietary assessment”, “personalized nutrition”, “nutrition care process”, “dietitian”, “nutrition app”, “decision support” (1–3).​

Pentru contextul românesc au fost căutate articole în The Romanian Journal of Nutrition / Dietetician.ro și Health, Sports & Rehabilitation Medicine, folosind termeni precum „platformă nutrițională”, „Nutrition ARTS”, „inteligență artificială”, „dieteticieni” (4–6,7–9).​

Criterii de incluziune:

• articole științifice originale, studii observaționale, intervenționale, RCT‑uri, scoping review‑uri și revizuiri narative;

• lucrări axate pe aplicații IA în nutriție și dietetică, inclusiv evaluarea dietei, intervenții personalizate, suport decizional și educație;

• articole despre platforme de îngrijire nutrițională utilizate de dieteticieni (cu sau fără IA explicită), relevante pentru infrastructura digitală;

• articole în limba engleză sau română, cu text integral disponibil online în reviste sau conferințe științifice.

Selecția și sinteza:

Literatura identificată a fost analizată calitativ, grupând rezultatele în teme majore:

• IA în evaluarea dietei și monitorizarea aportului alimentar.

• IA în nutriția personalizată și managementul bolilor cronice.

• Agenți conversanționali și modele de limbaj în educația și practica dietetică.

• Platforme și software de îngrijire nutrițională pentru dieteticieni.

• Beneficii, riscuri, provocări etice și perspective viitoare.

Nu s‑a realizat meta-analiză cantitativă, având în vedere heterogenitatea marcantă a intervențiilor și indicatorilor raportați (1–3).​

Rezultate

1. Aplicațiile actuale ale IA în evaluarea dietei

1.1. Sisteme de recunoaștere a imaginilor alimentare

Unul dintre cele mai dezvoltate domenii este evaluarea dietei asistată de IA, prin recunoașterea imaginilor alimentare. Revizuiri recente arată că numeroase aplicații utilizează rețele neuronale convoluționale pentru a identifica alimentele, a estima porțiile și a calcula conținutul energetic și nutrițional (1,3).​

Scoping review‑uri publicate în 2025 au arătat că:

• aplicațiile bazate pe input de imagini pot estima aportul de energie și macronutrienți cu erori medii acceptabile în raport cu metode de referință (de ex. dubla marcare izotopică sau jurnale ponderate), de regulă în intervale de 10–20% (3);​

• performanța este mai bună pentru alimente simple și porții clar delimitate, iar erorile cresc la preparate mixte, porții suprapuse sau condiții de iluminare neuniformă (1,3).​

În context românesc, un studiu experimental a analizat acuratețea modelului GPT‑4 în identificarea alimentelor și estimarea valorilor nutriționale din imagini simple, comparând rezultatele cu platforma Nutrition ARTS, care utilizează baza de date USDA (5). Modelul GPT‑4:​

• a identificat corect toate alimentele din imagini;

• a estimat valorile calorice cu o diferență medie de aproximativ ±5 kcal față de referință;

• a avut abateri moderate pentru proteine (±4,4 g), carbohidrați (±1,3 g) și lipide (±0,7 g), dar diferențe mai mari pentru micronutrienți (5).​

Aceste rezultate confirmă potențialul IA în analiza imaginilor cu alimente, dar sugerează necesitatea folosirii sale, în prezent, ca instrument complementar, nu ca înlocuitor al evaluării de specialitate.

1.2. Senzori purtabili (wearable) și monitorizare pasivă

O altă linie de dezvoltare o reprezintă dispozitivele purtabile ce integrează senzori (accelerometre, microfoane, camere miniaturale) și algoritmi IA pentru detectarea evenimentelor alimentare – mișcări ale încheieturii, sunete de masticație, deglutiție etc. (3).​

Revizuirile arată că aceste dispozitive:

• pot identifica cu o acuratețe de 80–90% momentele de ingestie și numărul de „mușcături”, oferind astfel date detaliate privind frecvența și ritmul mesei (3);​

• reduc dependența de auto-raportarea subiectivă, frecvent afectată de subraportarea gustărilor și a alimentelor „percepute ca nesănătoase”;

• sunt încă limitate de cost, confort, autonomie a bateriei și probleme de confidențialitate (imagini continue ale mediului).

În ansamblu, IA permite trecerea de la evaluarea retrospectivă, pe bază de rememorare, la monitorizarea aproape în timp real a comportamentului alimentar, cu potențiale beneficii majore pentru cercetare și clinică (1,3).​

2. IA în nutriția personalizată și managementul bolilor cronice

2.1. Nutriție personalizată și modele de predicție metabolică

Modele IA sunt utilizate tot mai frecvent pentru a integra date clinice, antropometrice, comportamentale și, în unele studii, date omics (microbiom, genom, metabolom), cu scopul de a prezice răspunsul metabolic individual la diferite alimente și tipare alimentare (1).​

Revizuiri recente evidențiază:

• utilizarea algoritmilor de învățare automată pentru a individualiza recomandările dietetice la pacienți cu diabet zaharat tip 2, obezitate și risc cardiovascular, îmbunătățind controlul glicemic și aderența (1,2);​

• studii pilot în care diete generate de IA (de ex. diete cu țintire postprandială) au fost asociate cu îmbunătățiri ale microbiotei intestinale și ale markerilor cardiometabolici (2).

  ​

Aceste abordări deschid calea către nutriția de precizie, dar ridică probleme de transparență a modelului, de calitate și reprezentativitate a datelor de antrenare, precum și de integrare în fluxul clinic.

2.2. Intervenții digitale și coaching virtual

O parte importantă a literaturii se referă la aplicații mobile și platforme digitale ce combină monitorizarea IA a dietei cu intervenții de tip coaching virtual. Scoping review‑uri axate pe practica dietetică în asistența primară au identificat (3):​

• chatboți și asistenți virtuali care oferă recomandări dietetice personalizate, feedback instant și mesaje motivaționale;

• sisteme de recomandare care ajustează planurile alimentare în funcție de progresul pacientului, preferințe și parametri clinici;

• aplicații ce integrează monitorizarea activității fizice și a altor comportamente de stil de viață.

Rezultatele, deși heterogene, sugerează:

• îmbunătățiri ale comportamentelor alimentare (de ex. creșterea consumului de fructe și legume, reducerea băuturilor zaharoase) în unele RCT‑uri pe termen scurt (2);​

• eficiență crescută a practicii dietetice, prin reducerea timpului necesar pentru colectarea și analizarea datelor și prin extinderea accesului la consiliere în mediul ambulator (3).​

În România, un studiu publicat în 2025 a analizat impactul unei intervenții dietetice asistate digital, utilizând o platformă online de îngrijire nutrițională folosită de dieteticieni (6). S‑a observat:​

• scădere semnificativă a greutății corporale la peste 90% dintre pacienți;

• reducere semnificativă a masei grase și creștere a apei corporale;

• scădere concomitentă a masei musculare, sugerând nevoia ajustării strategiilor nutriționale și de activitate fizică pentru a preveni pierderea masei slabe (6).​

Deși platforma nu integra explicit IA, studiul ilustrează eficiența intervențiilor digital asistate și fundamentează integrarea ulterioară a modulelor IA (de ex. monitorizare automată, alertare, personalizare dinamică).

3. Agenți conversanționali, modele de limbaj și practica dietetică

3.1. Chatboți și modele de limbaj în educația nutrițională

Emergența modelelor de limbaj de mari dimensiuni (LLM), precum GPT‑4, a generat un interes deosebit pentru utilizarea acestora în educație nutrițională și suport pentru pacienți. Revizuiri recente arată că astfel de modele:

• pot oferi răspunsuri coerente, în timp real, la întrebările utilizatorilor, rezumând ghiduri și studii științifice într-un limbaj accesibil (1,2);​

• pot fi integrate în programe de formare pentru studenți în nutriție și dietetică, ca instrumente de simulare a dialogului cu pacientul și de exersare a abilităților de comunicare (1).​

Totuși, evaluări comparative ale mai multor chatboți (ChatGPT, Bard, Bing Chat etc.) au evidențiat:

• diferențe între răspunsuri și variabilitate a acurateții datelor nutriționale;

• dificultăți în abordarea cazurilor clinice complexe și lipsa de citare robustă a surselor;

• riscul de „halucinații” (informații plauzibile, dar incorecte), cu potențial impact asupra siguranței pacientului (1,2).​

În literatura românească, un articol publicat în 2023 a analizat beneficiile, neajunsurile și provocările IA în practica dieteticienilor, subliniind că IA poate ajuta la personalizarea recomandărilor, generarea rapidă a planurilor alimentare și economisirea de timp, dar nu trebuie să înlocuiască consultațiile față în față (7).​

3.2. Integrarea agenților conversanționali în NCP

Scoping review‑ul dedicat utilizării IA în practica dietetică de asistență primară a identificat trei categorii majore de sisteme IA relevante pentru NCP:

• sisteme de recunoaștere a imaginilor sau sunetelor (pentru evaluare și monitorizare);

• chatboți (pentru educație, motivație și suport continuu);

• sisteme de recomandare (pentru intervenție și ajustarea planurilor) (3).​

Studiile arată că:

• chatboții pot crește implicarea și interesul pacienților, în special atunci când limbajul este empatic și conținutul personalizat (3);​

• implicarea dieteticienilor în dezvoltarea și supervizarea conținutului este esențială pentru siguranță și adecvare clinică;

IA este percepută optim în modele de „task shifting”, în care preia sarcini repetitive (educație de bază, memento-uri, triere), eliberând timp pentru activități cu nivel înalt de complexitate, controlate de dietetician (1–3).​

4. Platforme și instrumente software utilizate de dieteticieni

4.1. Nutrition ARTS – o platformă românească de îngrijire nutrițională

Un studiu recent a descris dezvoltarea și evaluarea platformei Nutrition ARTS, concepută pentru a sprijini dieteticienii români în procesul de intervenție nutrițională (4). Principalele caracteristici:​

• utilizarea unei baze de date nutriționale extinse (Food and Nutrient Database for Dietary Studies 2017–2018, tradusă în limba română);

• calcul automat al necesarului energetic (ecuația Harris–Benedict), al indicelui de masă corporală și interpretarea compoziției corporale;

• fișe medicale și nutriționale detaliate, cu istoricul pacientului, obiceiuri alimentare, stil de viață și patologii asociate;

• planificator de mese cu urmărirea aportului de macro- și micronutrienți conform Dietary Reference Intakes, adaptate vârstei și sexului;

• module pentru analiza meniurilor instituționale (de ex. grădinițe), conform legislației privind aportul de energie și nutrienți (4).​

În studiul efectuat, 58 de studenți la nutriție și dietetică au utilizat platforma, din care 48 au completat chestionare de evaluare. Rezultatele au arătat:

• nivel înalt de acceptabilitate și confort în utilizarea platformei;

• aprecierea deosebită a modulelor de fișe de pacient și planificator de mese;

• percepția unor avantaje clare: reducerea timpului de elaborare a planurilor alimentare și creșterea preciziei calculelor (4).​

Ulterior, Nutrition ARTS a fost utilizată ca platformă de referință în evaluarea acurateții IA în analiza imaginilor alimentare (compararea GPT‑4 cu baza de date și calculele Nutrition ARTS) (5), confirmând rolul platformei ca infrastructură digitală robustă pentru practica dietetică românească.​

4.2. Alte platforme și instrumente digitale relevante

Literatura descrie o paletă largă de instrumente:

• software de evaluare nutrițională la nivel de populație, precum DIET ASSESS & PLAN (DAP), utilizat în Europa Centrală și de Est pentru analizarea datelor de consum alimentar și planificarea meniurilor în instituții publice (8);​

• aplicații de monitorizare dietetică validate, de ex. Eat and Track (EaT), utilizată pentru colectarea datelor privind densitatea nutrițională în studii de cohortă la adulți tineri (9);​

• instrumente online de urmărire a micronutrienților, precum CRON‑O‑Meter, utilizate în studii privind adecvarea micronutrienților în diverse tipuri de diete comerciale (10);​

• aplicații comerciale pentru managementul greutății și contorizarea caloriilor (MyFitnessPal, FatSecret, etc.), utilizate în cercetare, dar cu variații mari în calitatea conținutului și acuratețea bazelor de date (11,12).​

Aceste instrumente, chiar dacă nu sunt toate evaluate riguros în studii clinice, indică direcția de evoluție către ecosisteme digitale integrate, în care IA, bazele de date nutriționale și gestionarea relației cu pacientul se combină într-o singură platformă.

5. Beneficii, limitări și provocări etice

5.1. Beneficii pentru dieteticieni și pacienți

Convergența rezultatelor din multiple revizuiri indică un consens emergent: IA este cea mai utilă atunci când este integrată ca instrument de augmentare a practicii dietetice (1–3). Principalele beneficii raportate fiind:​

• creșterea eficienței – automatizarea calculului de nutrienți, a rapoartelor și a monitorizării dietelor permite dieteticienilor să aloce mai mult timp analizei clinice și consilierii;

• îmbunătățirea acurateții evaluărilor dietei, în special prin instrumente bazate pe imagini, în comparație cu jurnalele alimentare tradiționale, puternic dependente de memorie (1,3);​

• accesibilitate extinsă – aplicațiile mobile și tele-nutriția ajută la depășirea barierelor geografice și de timp, inclusiv pentru pacienți din mediul rural sau cu mobilitate redusă (2,3);​

• implicare și aderență crescute – funcționalitățile de tip gamificare, feedback instant și mesaje personalizate pot susține schimbarea comportamentală și menținerea motivației (9,12).​

5.2. Limite tehnice și metodologice

În ciuda progreselor, există limitări notabile:

• generalizabilitate redusă – multe modele IA sunt antrenate pe populații și tipare alimentare occidentale, ceea ce reduce acuratețea în diete și culturi alimentare diferite (1,3);​

• validare incompletă – numeroase aplicații rămân la stadiul de studii pilot, cu eșantioane mici și perioade scurte de urmărire; puține instrumente au fost evaluate în studii multicentrice, pe termen lung (1,2);​

• estimarea porțiilor și a micronutrienților rămâne dificilă, în special în cazul preparatelor complexe și al datelor incomplete din baze de date alimentare (3);​

• dependența de echipamente (smartphone-uri performante, senzori, conexiune stabilă la internet) poate limita utilizarea în medii cu resurse reduse (2,3).​

5.3. Considerații etice și profesionale

Utilizarea IA în nutriție ridică o serie de probleme etice și profesionale (1,2):​

• confidențialitatea și securitatea datelor – aplicațiile colectează date sensibile (istoric alimentar, patologii, parametri clinici), necesitând conformitate cu reglementări precum GDPR și implementarea de soluții robuste de criptare și anonimizare;

• bias algoritmic – datele de antrenare pot subreprezenta anumite grupuri (etnice, socioeconomice), generând recomandări mai puțin adecvate sau inechitabile;

• transparență și explicabilitate – modelele „cutie neagră” sunt greu de integrat în practica clinică, unde dieteticianul trebuie să poată justifica recomandările;

• responsabilitatea profesională – în absența unui cadru clar de răspundere, este esențial ca deciziile clinice finale să rămână sub controlul dieteticianului, iar IA să fie utilizată ca suport, nu ca autoritate autonomă;

• competențe digitale – integrarea IA în dietetică impune actualizarea curriculumului universitar și a formării continue, pentru a dezvolta alfabetizare digitală și capacitatea de evaluare critică a instrumentelor IA (2,3).​

În literatura românească, se subliniază explicit că IA trebuie privită ca instrument suplimentar, iar consultațiile față în față și relația terapeutică rămân esențiale (7).​

6. Perspective viitoare ale IA în nutriția anului 2025

Pe baza literaturii analizate, pot fi conturate mai multe direcții de evoluție:

Integrarea IA în platforme existente de îngrijire nutrițională

Platforme precum Nutrition ARTS, deja utilizate ca suport pentru dieteticieni, reprezintă candidate naturale pentru integrarea de module IA (de ex. recomandări inteligente de alimente, detecția automată a erorilor în planurile alimentare, prognoza riscului nutrițional) (4–6).​

Nutriție de precizie la scară largă

Combinarea datelor omics, a monitorizării continue (de ex. senzori de glucoză, dispozitive purtabile) și a IA ar putea conduce la intervenții extrem de personalizate în obezitate, diabet și boli cardiovasculare, însă sunt necesare studii clinice multicentrice și cadre etice solide (1).​

Suport decizional clinic integrat în dosarele electronice de sănătate

Sisteme IA capabile să integreze date nutriționale cu istoricul medical, tratamentele și biomarkerii, furnizând alerte și sugestii de intervenție, ar putea spori rolul dieteticianului în echipa multidisciplinară (2,3).​

Extinderea către sănătatea publică și medii cu resurse reduse

Modele IA antrenate pe date globale, adaptate cultural, pot sprijini screeningul subnutriției, planificarea programelor de fortificare și evaluarea impactului intervențiilor nutriționale la scară populațională (1).​

Reglementare și standardizare

Vor fi necesare standarde specifice pentru raportarea și validarea instrumentelor IA în nutriție (adaptări CONSORT‑AI, raportare MINIMAR), precum și ghiduri profesionale pentru utilizarea lor în practica dietetică (1,2).​

Concluzii

IA a devenit, în ultimii ani, un pilon emergent al nutriției clinice și de sănătate publică, cu aplicații mature în evaluarea dietei bazată pe imagini, intervenții digitale pentru controlul greutății și diabetului și agenți conversanționali pentru educație nutrițională (1–3).​

Pentru dieteticieni, IA oferă oportunități substanțiale de eficientizare și extindere a impactului profesional, în special prin automatizarea sarcinilor repetitive, îmbunătățirea monitorizării pacienților și facilitarea accesului la intervenții personalizate.

Platformele de îngrijire nutrițională, precum Nutrition ARTS, reprezintă infrastructura esențială pentru integrarea IA, oferind baze de date solide, fluxuri de lucru standardizate și un cadru adaptat practicii naționale (4–6).​

Riscurile și limitările: bias algoritmic, lipsă de transparență, probleme de confidențialitate și validare insuficientă. Acestea impun o implementare prudentă, cu menținerea dieteticianului în centrul procesului decizional și cu dezvoltarea de competențe digitale specifice (1,2,7).​

Viitorul nutriției asistate de IA trebuie să fie centrat pe colaborare om-computer, în care IA amplifică capacitatea dieteticianului de a analiza date complexe și de a personaliza intervențiile, fără a substitui judecata clinică, relația terapeutică și responsabilitatea profesională.

Bibliografie

1. Panayotova G. Artificial Intelligence in Nutrition and Dietetics: A Comprehensive Review of Current Research. Healthcare (Basel). 2025;13(20):2579.

2. Ngo K, Mekhail S, Chan V, Li X, Yin A, Choi HY, Allman-Farinelli M, Chen J. The Use of Artificial Intelligence (AI) to Support Dietetic Practice Across Primary Care: A Scoping Review of the Literature. Nutrients. 2025;17(22):3515.

3. Phalle A, Gokhale D. Navigating next-gen nutrition care using artificial intelligence-assisted dietary assessment tools: a scoping review of potential applications. Front Nutr. 2025;12:1518466.

4. Vrapcea G, Tarcea M. The importance of nutrition care platforms for Romanian dietitians’ practice. Health, Sports & Rehabilitation Medicine. 2022;23(3):114–119.

5. Acurateţea inteligenţei artificiale în analiza imaginilor cu alimente. The Romanian Journal of Nutrition. 2024;2(2):art. 9766.

6. Impactul intervenţiei dietetice asistate digital: analiza datelor dintr-o platformă online de îngrijire nutriţională. The Romanian Journal of Nutrition. 2025;5(1):art. Diet.5.1.2025.

7. Vrapcea G. Utilizarea Inteligenţei Artificiale în practica dieteticienilor: beneficii, neajunsuri şi provocări. Dietetician.ro / The Romanian Journal of Nutrition. 2023;1(1):8020.

8. Gurinović M, Milešević J, Kadvan A, et al. Development, features and application of DIET ASSESS & PLAN (DAP) software in supporting public health nutrition research in Central Eastern European Countries (CEEC). Food Chem. 2018;238:186–194.

9. Wellard-Cole L, Chen J, Davies A, et al. Relative Validity of the Eat and Track (EaT) Smartphone App for Collection of Dietary Intake Data in 18- to 30-Year-Olds. Nutrients. 2019;11(3):621.

10. Engel G, Kern J, Brenna JT, et al. Micronutrient Gaps in Three Commercial Weight-Loss Diet Plans. Nutrients. 2018;10(1):108.

11. König LM, Attig C, Franke T, Renner B, et al. Barriers to and Facilitators for Using Nutrition Apps: Systematic Review and Conceptual Framework. JMIR Mhealth Uhealth. 2021;9(6):e20037.

12. West JH, Belvedere LM, Andreasen R, et al. Controlling Your “App”etite: How Diet and Nutrition-Related Mobile Apps Lead to Behavior Change. JMIR Mhealth Uhealth. 2017;5(7):e95.

13. Garcia MB, Mangaba JB, Tanchoco CC. Acceptability, Usability, and Quality of a Personalized Daily Meal Plan Recommender System: The Case of Virtual Dietitian. In: 2021 IEEE 13th International Conference on Humanoid, Nanotechnology, Information Technology, Communication and Control, Environment, and Management (HNICEM). 2021:1–6.

14. Wellard-Cole L, Chen J, Davies A, et al. Relative Validity of the Eat and Track (EaT) Smartphone App for Collection of Dietary Intake Data in 18-to-30-Year Olds. Nutrients. 2019;11(3):621.

Acest articol este publicat sub licența Creative Commons Attribution (CC BY 4.0 International).