Joan edukira
LifeSugar

Zenbat asmatzen du AAk karbohidratoak argazki batekin zenbatzean?

8 min-ko irakurketaLifeSugar taldea

Platerraren argazkia ateratzen duzu eta aplikazioak esaten dizu zenbat karbohidrato dituen. Ondo dirudi. Galdera da fidatu zaitezkeen. LifeSugar-en Google-ren Gemini erabiltzen dugu horretarako, eta gutako batek razioak zenbatzen ditu otordu guztietan. Beraz, 2026ko urrira arte argitaratutako ikerketak irakurri ditugu. Zer diotena kontatuko dizugu, baita gu ongi uzten ez gaituena ere, eta aplikazioa nola diseinatzera eraman gaituzten.

Laburbilduz

  • Argazki bakarrarekin, AAk 10 eta 28 g karbohidrato artean huts egin ohi du otordu bakoitzeko 1, 9, 13. Hau da, razio bat eta hiru artean.
  • Pertsonok ere huts egiten dugu: 15 g inguru otordu bakoitzeko batez beste, 1 motako helduetan 15.
  • Gehien laguntzen diona zenbat dagoen esatea da. Osagaiekin eta haien gramoekin, edo deskribapen zehatz batekin, errorea 2–6 g-ra jaisten da 2, 9. Benetako pisuarekin ere asko jaisten da 10.
  • Sagar batekin ondo moldatzen da. Gehiago kostatzen zaio eltzekari batekin edo plater handi batekin 3, 7.
  • Ikerketa batek ere ez du esaten segurua denik bolusa kalkulatzea argazki batek estimatzen duenarekin.

Zenbat huts egiten du AAk karbohidratoak argazki batekin zenbatzean?

Argazkiarekin bakarrik, 10 eta 28 g karbohidrato artean otordu bakoitzeko batez beste, ikerketaren eta ereduaren arabera: razio bat eta hiru artean 1, 9, 13. Aipatzen ditugun ikerketen artean onena, 6,6 g, Gemini-3 Pro-rena da, ikerketa txiki batean 2.

Hauek dira AA benetako norbaitekin, edo janariaren benetako pisuarekin, alderatzen duten ikerketak. «Batez besteko errorea» estimazioa benetako karbohidratoetatik zenbat aldentzen den da, batez beste, otordu bakoitzean.

Argazkiarekin bakarrik, AAk razio bat baino gehiago huts egin ohi du. Kopurua esaten badiozu, gutxiago

Batez besteko errorea otordu bakoitzeko, karbohidrato-gramotan. Zenbat eta lerroa laburragoa, hobe.

  • Pertsonak
  • AA
  • Razio baten barruan

Goncalves, 2026 130 otordu argazkitan, 6 dietistaren aldean

  • Dietistak
  • ChatGPT
  • Claude
  • Gemini

Soyer, 2026 218 otordu eta 4 mokadu, 1 motako 14 heldu oso trebaturen aldean

  • 1 motako helduak
  • Gemini-3 Pro, argazkia bakarrik
  • Gemini-3 Pro, argazkia eta deskribapena

Rodríguez-Jiménez, 2025 9195 plater, AAri gero eta testuinguru gehiago emanez

  • ChatGPT-5, argazkia bakarrik
  • ChatGPT-5, osagaiekin eta kopuruekin
Bloke bakoitza ikerketa desberdin bat da, bere otorduekin, bere metodoarekin eta bere ereduaren bertsioarekin: alderatu bloke barruan, ez blokeen artean.
Ikusi datuak taula batean
Batez besteko errorea otordu bakoitzeko, karbohidrato-gramotan. Zenbat eta lerroa laburragoa, hobe.
IkerketaNorBatez besteko erroreaRazioetan
Goncalves, 2026Dietistak13 g1,3
Goncalves, 2026ChatGPT20 g2
Goncalves, 2026Claude23 g2,3
Goncalves, 2026Gemini28 g2,8
Soyer, 20261 motako helduak8,3 g0,8
Soyer, 2026Gemini-3 Pro, argazkia bakarrik6,6 g0,7
Soyer, 2026Gemini-3 Pro, argazkia eta deskribapena2,1 g0,2
Rodríguez-Jiménez, 2025ChatGPT-5, argazkia bakarrik11,7 g1,2
Rodríguez-Jiménez, 2025ChatGPT-5, osagaiekin eta kopuruekin6,2 g0,6

Lehen ikerketako datu bat asko axola zaigu. Geminik 20 g edo gehiago gehiegi estimatu zituen otorduen %38an. Dietistek, %3an 1. Gehiegi estimatzeak dakar intsulina soberan jartzea.

Zenbaketarako aplikazio espezifikoen aldean, emaitza antzekoa da: ospitaleko 246 otordutan, aplikazioek 13 eta 21 g artean huts egin zuten eta ChatGPT-5ek 18 g 4. Ikerketa horretan ez dago argi ChatGPT-ri argazkia ala deskribapena eman zitzaion.

Bigarren ikerketa da AA hoberen uzten duena, baina bere egileek kontuz ibiltzeko eskatzen dute: 14 pertsona dira, oso trebatuak 2. Eta hau guztia oso berria da. Irudien bidezko janari-estimazioari buruzko azken berrikuspen sistematikoa 2023koa da eta ez du eredu hauekin egindako ikerketa bakar bat ere barne hartzen 14.

Zenbateko errorea da onargarria karbohidratoak zenbatzean?

10 g inguru, razio bat. Intsulina intentsiboa duten haur eta nerabeetan, 10 g-tan huts egiteak ez zuen otordu ondoko glizemia aldatu; 20 g-tan huts egiteak, bai 18, 19.

Hamar gramo karbohidrato razio bat dira. Artikulu osoan erabiltzen dugun neurria da.

Intsulina intentsiboa duten haur eta nerabeetan, 10 g-tan huts egiteak ez zuen otordu ondoko glizemia aldatu 18. 20 g-tan huts egiteak, bai: 20 g gehiegi zenbatu zirenean, hiru otordutik batek hipoglizemiarekin amaitu zuen 19.

Beraz, ez dugu gramora asmatzen duen AA bat bilatzen. Zenbat aldiz geratzen den razio horren marjinaren barruan jakin nahi dugu.

AAk karbohidratoak diabetesa duen pertsona batek baino hobeto zenbatzen al ditu?

Ikerketaren araberakoa da, eta ebidentzia mistoa da. Diabetesa duten pertsonek ere huts egiten dute: 15 g inguru otordu bakoitzeko batez beste, 1 motako helduetan 15.

Karbohidratoak zenbatzen badituzu, badakizu: zaila da.

1 motako 50 helduetan, batez besteko errorea 15,4 g otordu bakoitzeko izan zen. Eta gehien huts egiten zuenak glizemia aldakorragoa zuen 15. Beste ikerketa batean, intsulina erabiltzen duten 61 heldurekin, batez besteko nota %59 izan zen eta %82k gehiegi zenbatu zuen 16. Haurretan eta haien familietan, estimazioen %73 10–15 g-ren barruan geratu zen 20.

Dietisten aldean, AAk gehiago huts egin zuen Frantziako ikerketan 1. Oso trebatutako 14 pazienteren aldean, Gemini-3 Pro-k zertxobait gutxiago huts egin zuen 2. Beraz, ezin da esan AAk zuk baino hobeto zenbatzen duenik. Bai esan daiteke inor ez dela errore-zerotik abiatzen.

AAk zein plateratan huts egiten du gehien?

Osagai askoko plateretan, razio handietan eta argazkiak angelua aldatzen duenean 3, 5, 7.

Ikerketek hiru lekutan datoz bat:

Arrozeko lerro urdina AAk kalkulatzen duena da; pila, dagoena. Kono urdina, mugikorrak ikusten duena.

  1. Gauza askoko platerak. Fruta eta barazkiekin, ChatGPT-4o-k 10 g-ren barruan geratu zen kasuen %93an. Plater konposatuekin, %47an 3. Arroza, pasta, patata eta purea dira zailenak, baita dietistentzat ere 17.
  2. Razio handiak. Zenbat eta plater betetzeago, orduan eta motzago geratzen da 7, 8. Zer dagoen ondo ezagutzen du (Irlandako ikerketa batean janarien %93 asmatu zuen), baina ez zenbat 8.
  3. Argazki bera, beste zifra. Angelua aldatzen baduzu, edo argazki bera errepikatzen baduzu, zenbakia aldatzen da. Eta eredu berriago bat ez da egonkorragoa: GPT-5.1 GPT-4o baino gehiago aldatu zen 5. Ereduek ere ez dute elkarren artean bat egiten 6.

Nola hobetu daiteke AAren zehaztasuna karbohidratoak zenbatzean?

Kopurua emanez. Osagaiekin eta haien gramoekin, edo platerraren deskribapen zehatz batekin, errorea 2–6 g-ra jaisten da otordu bakoitzeko 2, 9. Benetako pisuarekin ere asko jaisten da 10.

Platerean zer dagoen jakitea ez da arazoa. Arazoa zenbat dagoen da.

AAri benetako pisua ematen zaionean, Gemini 2.5 Flash-en errorea %57tik %20ra jaisten da 10. Osagaien zerrendarekin eta haien kopuruekin, ChatGPT-5 11,7 g-tik 6,2 g-ra pasatzen da 9. Platerraren izena edo non jaten ari zaren esateak ere zertxobait laguntzen du 12, 13.

Frogatu ez dena da txartel bat edo sardexka bat alboan jartzeak eskala emateko balio duenik. Plater konposatuetan ez zuen ezer hobetu 3.

Zein AAk zenbatzen ditu hobeto karbohidratoak: ChatGPT, Gemini ala Claude?

Bertsioaren araberakoa da, ez markaren arabera. Gemini ikerketa batzuetan gehien huts egiten dutenen artean ageri da eta beste batzuetan gutxien egiten dutenen artean 1, 2, 13.

LifeSugar-ek Gemini erabiltzen du, beraz hemen argi hitz egin behar da.

Suediako ikerketa batean, Gemini 1.5 Pro-k batez beste %66ko desbideratzea izan zuen karbohidratoekin; ChatGPT-4o-k, %48koa 7. Gemini, bertsiorik adierazi gabe, izan zen gehien huts egin zuena Frantziako ikerketan 1. Japoniako ospitaleko menuetan, Gemini 1.5 Pro-k %10eko marjinaren barruan asmatu zuen kasuen %47an; dietistek, %73an 11.

Aldiz, Gemini-3 Pro izan zen hoberen egin zuena Turkiako ikerketan 2, eta Gemini 2.5 Pro karbohidratoekin onena 806 argazkiko proba batean 13.

Inork ez du oraindik LifeSugar zehazki ikertu. Zifra hauetako batek ere ez da gure aplikazioarena.

Intsulina-bolusa argazki batekin kalkula daiteke?

Ikerketa batek ere ez du babesten. Diabetesa duten pertsonekin egin diren guztiek AA laguntza gisa ikusten dute, ez ordezko gisa, eta ez dugu aurkitu argazki batek estimatzen duenarekin intsulina dosifikatzen saiatzen denik 1, 2, 3, 4.

Horregatik LifeSugar-ek ez ditu bolusak kalkulatzen. Karbohidratoak eta razioak ematen dizkizu, eta dosia zuk erabakitzen duzu zure osasun-taldearekin. LifeSugar ez da gailu medikoa.

Zein ikerketatan oinarritzen da LifeSugar?

Artikulu honetakoetan. Aplikazioaren erabaki bakoitzak argitaratutako emaitza bati erantzuten dio: gorde aurretik zuzentzea, kopurua esateko aukera, bolusa ez kalkulatzea eta janaria glizemiaren ondoan ikustea.

Hau guztia irakurtzeak aplikazioa honela diseinatzera eraman gintuen:

  • Dena zuzendu daiteke gorde aurretik: pisua, karbohidratoak eta gainerako balioak.

    Zergatik
    Otordu berak zifra desberdinak ematen ditu argazkiaren arabera, eta razio handiak motz geratzen dira.
    Iturria
    5, 7, 8

  • Glucyri esan diezaiokezu zenbat zerbitzatu duzun eta kontua berregiten du.

    Zergatik
    Kopurua ematea da AAren errorea gehien murrizten duena.
    Iturria
    2, 9, 10

  • Gramoak eta razioak ematen dizkizu, ez dosi bat.

    Zergatik
    Glizemia aldatzen ez duen marjina 10 g ingurukoa da, razio bat, eta ikerketa batek ere ez du babesten argazki batekin dosifikatzea.
    Iturria
    18, 19

  • Otordu bakoitza gordetzen du aurreko eta ondorengo glizemiaren ondoan, eta zure medikuarekin parteka dezakezu.

    Zergatik
    Zenbaketan gehiago huts egitea glizemia aldakorragoarekin lotzen da: elkarrekin ikusteak zure osasun-taldearekin berrikusten laguntzen du.
    Iturria
    15

Gure ondorioa: argazki batek ez du zure irizpidea ordezkatzen. Abiapuntu bat ematen dizu balantza atera gabe, eta azken hitza zurea izaten jarraitzen du.

Nola zenbatzen ditu karbohidratoak LifeSugar-ekNor dago LifeSugar-en atzean

Erreferentziak

  1. 1.Chat, Gemini and Claude at the dinner table: assessing general-purpose AI tools for carbohydrate counting in the context of type 1 diabetes. Goncalves S, Coelho C, Pretre L, et al. Diabetes Res Clin Pract. 2026;231:113031. doi.org/10.1016/j.diabres.2025.113031
  2. 2.Evaluation of large language models for carbohydrate counting in type 1 diabetes mellitus: a comparative study with patient estimations. Soyer AK, Akarsu GÇ, Yelli BD, et al. Diabetes Res Clin Pract. 2026;236:113279. doi.org/10.1016/j.diabres.2026.113279
  3. 3.Evaluating Accuracy of ChatGPT-4o in Automated Carbohydrate Estimation From Images as a Self-Management Tool for Adolescents With Type 1 Diabetes. Johansen AR, Laursen IK, Jacobsen V, et al. J Diabetes Sci Technol. 2026. doi.org/10.1177/19322968261424270
  4. 4.Comparative accuracy of smartphone apps and a generative AI tool for carbohydrate counting: An independent bicentric study. Joubert M, Dreves B, Arnould T, et al. Diabetes Obes Metab. 2026;28(3):2105-2112. doi.org/10.1111/dom.70396
  5. 5.Toward Robust AI-Assisted Dietary Assessment for Diabetes Self-Management: Quantifying and Decomposing Large Language Model Prediction Variability From Meal Images. Wang Z, Lane D, Waki K. JMIR Diabetes. 2026;11:e102715. doi.org/10.2196/102715
  6. 6.Carbohydrate counting in traditional Turkish fast foods for individuals with type 1 diabetes: Can artificial intelligence models replace dietitians?. Özkaya V, Eren E, Özgen Özkaya Ş, Özkaya G. Nutrition. 2026;142:112986. doi.org/10.1016/j.nut.2025.112986
  7. 7.Performance Evaluation of 3 Large Language Models for Nutritional Content Estimation from Food Images. Fridolfsson J, Sjöberg E, Thiwång M, Pettersson S. Curr Dev Nutr. 2025;9(10):107556. doi.org/10.1016/j.cdnut.2025.107556
  8. 8.An Evaluation of ChatGPT for Nutrient Content Estimation from Meal Photographs. O'Hara C, Kent G, Flynn AC, Gibney ER, Timon CM. Nutrients. 2025;17(4):607. doi.org/10.3390/nu17040607
  9. 9.Image-Based Dietary Energy and Macronutrients Estimation with ChatGPT-5: Cross-Source Evaluation Across Escalating Context Scenarios. Rodríguez-Jiménez M, Martín-Del-Campo-Becerra GD, Sumalla-Cano S, et al. Nutrients. 2025;17(22):3613. doi.org/10.3390/nu17223613
  10. 10.Benchmarking and Improving Foundation Model Dietary Estimates from Meal Images. Mu Y, Sun J, He J. ACM-BCB 2025. doi.org/10.1145/3765612.3767255
  11. 11.Accuracy of AI-Based Nutrient Estimation from Standardized Hospital Meal Images: A Comparison with Registered Dietitians. Isobe T, Zhang LW, Murakami H, et al. Nutrients. 2026;18(6):966. doi.org/10.3390/nu18060966
  12. 12.Customized multimodal Diabot-GPT-4o enhances accuracy of image-based dietary assessments in dietetic trainees in Taiwan: validation against weighed food records. Chen YJ, Chang CC, Hoang YN, et al. Am J Clin Nutr. 2025;122(6):1836-1849. doi.org/10.1016/j.ajcnut.2025.10.013
  13. 13.Comprehensive Evaluation of Large Multimodal Models for Nutrition Analysis: A New Benchmark Enriched with Contextual Metadata. Coburn B, He J, Rollo ME, et al. arXiv:2507.07048, 2025 (preprint). arxiv.org/abs/2507.07048
  14. 14.AI-based digital image dietary assessment methods compared to humans and ground truth: a systematic review. Shonkoff E, Cara KC, Pei XA, et al. Ann Med. 2023;55(2):2273497. doi.org/10.1080/07853890.2023.2273497
  15. 15.Carbohydrate counting accuracy and blood glucose variability in adults with type 1 diabetes. Brazeau AS, Mircescu H, Desjardins K, et al. Diabetes Res Clin Pract. 2013;99(1):19-23. doi.org/10.1016/j.diabres.2012.10.024
  16. 16.Accuracy of Carbohydrate Counting in Adults. Meade LT, Rushton WE. Clin Diabetes. 2016;34(3):142-147. doi.org/10.2337/diaclin.34.3.142
  17. 17.A Comparative Study on Carbohydrate Estimation: GoCARB vs. Dietitians. Vasiloglou MF, Mougiakakou S, Aubry E, et al. Nutrients. 2018;10(6):741. doi.org/10.3390/nu10060741
  18. 18.Children and adolescents on intensive insulin therapy maintain postprandial glycaemic control without precise carbohydrate counting. Smart CE, Ross K, Edge JA, et al. Diabet Med. 2009;26(3):279-285. doi.org/10.1111/j.1464-5491.2009.02669.x
  19. 19.In children using intensive insulin therapy, a 20-g variation in carbohydrate amount significantly impacts on postprandial glycaemia. Smart CE, King BR, McElduff P, Collins CE. Diabet Med. 2012;29(7):e21-4. doi.org/10.1111/j.1464-5491.2012.03595.x
  20. 20.Can children with Type 1 diabetes and their caregivers estimate the carbohydrate content of meals and snacks?. Smart CE, Ross K, Edge JA, et al. Diabet Med. 2010;27(3):348-353. doi.org/10.1111/j.1464-5491.2010.02945.x