- งานวิจัยจำนวนมากที่มองหาความสัมพันธ์ระหว่างอาหารกับสุขภาพพึ่งพา ปริมาณการบริโภคที่รายงานด้วยตนเอง ของผู้คน แต่งานวิจัยล่าสุดใน Nature Food และการแก้ไขเผยให้เห็นข้อจำกัดด้านความน่าเชื่อถือของข้อมูลนี้อีกครั้ง
- นักวิจัยสร้างสมการคาดการณ์การใช้พลังงานจาก การวัด DLW มากกว่า 6,000 รายการ และนำไปเปรียบเทียบกับปริมาณบริโภคที่รายงานในแบบสำรวจโภชนาการขนาดใหญ่ เช่น NHANES และ NDNS
- หลังการแก้ไข อัตราการรายงานคลาดเคลื่อนในฐานข้อมูลหลักลดลงเหลือ ประมาณ 27% แต่ยังคงมีข้อถกเถียงว่าแบบสอบถามด้านอาหารสะท้อนการบริโภคจริงได้ดีเพียงใด
- ฝ่ายวิจารณ์เห็นว่า DLW ไม่สามารถแสดงการบริโภคพลังงานได้อย่างแม่นยำ ขณะที่ฝ่ายสนับสนุนมองว่านักวิจัยสามารถใช้เพื่อประเมิน ขนาดของการรายงานคลาดเคลื่อน ในชุดข้อมูลได้
- มีการทดลองใช้บันทึกอาหารด้วยภาพถ่าย กล้องสวมใส่ เซนเซอร์ และไบโอมาร์กเกอร์ในปัสสาวะ แต่ยังไม่มี วิธีที่ขยายผลได้ มากพอจะทดแทนแบบสำรวจขนาดใหญ่
ปัญหาความน่าเชื่อถือของข้อมูลอาหารที่รายงานด้วยตนเอง
- งานวิจัยที่พยายามตรวจสอบว่าอาหารอย่างกาแฟ ไวน์ หรือช็อกโกแลตดีต่อสุขภาพหรือไม่ มักมองหาความเชื่อมโยงระหว่างสิ่งที่ผู้คนตอบว่ากินและดื่ม กับสถานะสุขภาพในเวลาต่อมา
- งานวิจัยใน Nature Food กลายเป็นตัวอย่างที่แสดงให้เห็นว่าแนวทางเช่นนี้อาจ ไม่มั่นคง ได้เพียงใด
- งานวิจัยระบาดวิทยาทางโภชนาการมักถามปริมาณการบริโภคด้วยวิธีต่อไปนี้
- เขียนบันทึกอาหาร
- ทำแบบสอบถามการบริโภคในช่วง 24 ชั่วโมงที่ผ่านมา 1 สัปดาห์ที่ผ่านมา หรือหลายเดือนที่ผ่านมา
- นักชีวสถิติเตือนมานานแล้วว่าผู้คนอาจจำการบริโภคผิด หรืออาจไม่เต็มใจบอกสิ่งที่ตนกินจริง ๆ
- นักวิจัยบางรายเสนอวิธีปรับแก้โดยตัดผู้เข้าร่วมที่รายงานต่ำกว่าปริมาณขั้นต่ำที่จำเป็นต่อการดำรงชีวิตออก แต่บางรายเห็นว่าไม่ควรพึ่งพา การรายงานอาหารด้วยตนเอง ในงานวิจัยและนโยบายด้านโภชนาการ
วิธีวัดการใช้พลังงานด้วย DLW
- วิธีตรวจจับการรายงานคลาดเคลื่อนอย่างเข้มงวดยิ่งขึ้นคือการใช้ เทคนิค doubly labeled water (DLW)
- วิธี DLW ให้ผู้เข้าร่วมดื่มน้ำที่ติดฉลากด้วยไอโซโทปหนักของออกซิเจนและไฮโดรเจน จากนั้นวัดธาตุเหล่านี้ในตัวอย่างปัสสาวะเป็นเวลาหลายวัน
- เมื่อร่างกายเผาผลาญแคลอรีและสร้างคาร์บอนไดออกไซด์ จะใช้ออกซิเจนแต่ไม่ใช้ไฮโดรเจน ดังนั้นปริมาณสัมพัทธ์ในปัสสาวะจึงสะท้อน ปริมาณพลังงาน ที่บุคคลนั้นใช้ไป
- งานวิจัยที่ใช้ DLW ร่วมกับแบบสอบถามอาหารพบว่าผู้คนมีแนวโน้มใช้พลังงานมากกว่าปริมาณบริโภคที่ตนรายงาน
- ซึ่งหมายความว่าผู้เข้าร่วมอาจกินน้อยจริง ๆ หรือมีความเป็นไปได้มากกว่าว่า รายงานปริมาณบริโภคต่ำกว่าจริง
- การวิเคราะห์ผู้คนหลายร้อยคนใน National Diet and Nutrition Survey (NDNS) ของสหราชอาณาจักรประเมินว่าช่องว่างนี้อยู่ที่ ประมาณ 30%
งานวิจัย Nature Food และการแก้ไขข้อผิดพลาดเรื่องหน่วย
- นักวิจัย Nature Food ใช้ค่าการวัด DLW เดิม มากกว่า 6,000 รายการ จากผู้คนอายุ 4 ถึง 96 ปี เพื่อสร้างสมการคาดการณ์การใช้พลังงาน
- สมการคาดการณ์นี้ประเมินการใช้พลังงานของแต่ละบุคคลจากลักษณะที่วัดได้ง่าย เช่น เพศ อายุ และน้ำหนักตัว
- นักวิจัยนำสมการนี้ไปใช้กับบันทึกหลายพันรายการจาก NHANES และ NDNS เพื่อตรวจสอบว่าปริมาณพลังงานที่รายงานสอดคล้องกับช่วงที่คาดการณ์หรือไม่
- ผลลัพธ์เดิมระบุว่ามากกว่า 50% ของบันทึกผู้ใหญ่ใน NHANES และมากกว่า 60% ของบันทึกใน NDNS ต่ำกว่าช่วงที่คาดการณ์
- ความแตกต่างระหว่างแบบสอบถามกับการวัด DLW ใหญ่กว่าในกลุ่มคนที่รายงานว่ากินโปรตีนมากกว่า
- ต่อมา ประกาศแก้ไขของ Nature Food ระบุว่านักวิจัยใช้ หน่วยพลังงาน ผิดในกระบวนการนำสมการคาดการณ์การใช้พลังงานไปใช้และเปรียบเทียบกับปริมาณบริโภคที่รายงานในแบบสำรวจอาหาร
- ผลลัพธ์ของสมการอยู่ในหน่วย megajoule แต่มีการนำค่าปริมาณการใช้พลังงานรวมที่ใช้หน่วย kilojoule ใส่เข้าไปอย่างผิดพลาด
- ข้อผิดพลาดนี้ทำให้ขนาดของการรายงานต่ำกว่าจริงถูกประเมินสูงเกินไป
- อัตราการรายงานคลาดเคลื่อนที่แก้ไขแล้วอยู่ที่ ประมาณ 27%
- Walter Willett กล่าวว่าการแก้ไขนี้เป็น “การแก้ไขที่มีนัยสำคัญและสำคัญ” และผลลัพธ์ใหม่สอดคล้องกับสิ่งที่ทราบอยู่แล้วเกี่ยวกับการรายงานการบริโภคพลังงานต่ำกว่าจริง
ความเห็นที่แตกต่างกันเกี่ยวกับการตีความงานวิจัย
- John Speakman ผู้ร่วมเขียนงานวิจัย เห็นว่างานวิจัยระบาดวิทยาทางโภชนาการจำนวนมากพยายามเชื่อมโยงการสัมผัสด้านอาหารกับผลลัพธ์ของโรค แต่ข้อมูลพื้นฐานน่าสงสัยอย่างยิ่ง
- เขาคาดว่าปัญหานี้อาจช่วยอธิบาย ผลการวิจัยด้านโภชนาการที่ขัดแย้งกัน ซึ่งอาหารบางอย่างถูกเชื่อมโยงกับเบาหวานหรือมะเร็งในเดือนหนึ่ง แต่เดือนถัดมากลับไม่เกี่ยวข้อง
- Samantha Kleinberg เห็นว่างานวิจัยนี้สำคัญ เพราะมีงานวิจัยจำนวนมากที่พึ่งพาข้อมูล NHANES
- นักวิจัยรายอื่นก็สามารถใช้สมการคาดการณ์นี้ตรวจสอบชุดข้อมูลของตนเองได้
- อย่างไรก็ตาม ตัวบทความเองก็ระบุว่าวิธีนี้อาจทำงานได้ไม่ดีสำหรับคนที่มีความต้องการพลังงานผิดปกติ เช่น นักกีฬา หรือผู้ตั้งครรภ์ และตรวจจับการรายงานคลาดเคลื่อนได้เพียงทางอ้อมเท่านั้น
- Walter Willett ประเมินว่างานวิจัยนี้ “flawed”
- การวัด DLW ไม่สามารถแสดงการบริโภคพลังงานได้อย่างแม่นยำ
- ค่า DLW เปลี่ยนแปลงตามเวลาได้แม้ในคนคนเดียวกัน และไวต่อการเปลี่ยนแปลงอาหารกับกิจกรรมทางกาย
- เขาเห็นว่าปัญหาการรายงานคลาดเคลื่อนไม่รุนแรงถึงขั้นบิดเบือนความเชื่อมโยงระหว่างอาหารกับโรคในงานวิจัยที่ดำเนินการอย่างดี หรือทำลายนโยบายอาหาร
- เขาเห็นว่านโยบายอาหารตั้งอยู่บนหลักฐานทางวิทยาศาสตร์หลายด้าน
- U.S. National Center for Health Statistics ซึ่งกำกับดูแล NHANES ระบุว่าการรายงานต่ำกว่าจริงในแบบสำรวจอาหารเป็นปัญหาที่ทราบกันดี แต่ข้อมูล NHANES ยัง “valuable and important”
- มีการดำเนินมาตรการเพื่อให้ได้ข้อมูลคุณภาพสูง เช่น การฝึกอบรมเข้มข้นสำหรับผู้สัมภาษณ์ด้านอาหาร
- มี บทช่วยสอน ให้ผู้วิจัยเรียนรู้วิธีวิเคราะห์ข้อมูล
- Lindsay Jaacks เห็นว่าแบบสำรวจอาหารยังคงเป็นข้อมูลที่ดีที่สุดเท่าที่ใช้ได้
- DLW มีข้อจำกัดสำหรับนักระบาดวิทยา เพราะไม่ได้บอกว่าผู้คนละเว้นอะไรในการตอบแบบสอบถาม
- ไม่สามารถรู้ได้ว่าอาหารและเครื่องดื่มที่ถูกละเว้นคืออาหารแปรรูปขั้นสูง ผลไม้ เนื้อแปรรูปสำหรับมื้อกลางวัน โยเกิร์ต หรือกาแฟใส่นมที่มีน้ำตาล
- การที่ผู้คนประเมินปริมาณอาหารแต่ละชนิดต่ำเกินไปหรือไม่ก็เป็นประเด็นที่ต้องวิจัยต่อไป
วิธีวัดใหม่เพื่อเสริมแบบสอบถาม
- นักวิจัยจำนวนมากกำลังพัฒนาวิธีที่จะทำให้ระบาดวิทยาทางโภชนาการพึ่งพาแบบสอบถามน้อยลง หรืออย่างน้อยก็เสริมด้วยการวัดเพิ่มเติม
- ทีมวิจัยของ Speakman ทดลองใช้ บันทึกอาหารด้วยภาพถ่าย ซึ่งให้ผู้เข้าร่วมถ่ายรูปอาหารทุกมื้อ แล้วให้นักวิจัยหรือโปรแกรมคอมพิวเตอร์ประเมินเนื้อหา
- วิธีนี้ไม่แม่นยำและยังขึ้นอยู่กับวินัยของผู้เข้าร่วมด้วย
- นักวิจัยรายอื่นทดลองใช้ กล้องสวมใส่ เพื่อติดตามการบริโภคของผู้เข้าร่วม
- Kleinberg และเพื่อนร่วมงานกำลังสำรวจการใช้ เซนเซอร์ตรวจจับการเคลื่อนไหวและเสียง
- กลุ่มอย่างทีมวิจัยของ Gary Frost กำลังค้นหา ไบโอมาร์กเกอร์ในปัสสาวะ ที่อาจบ่งชี้ได้ว่าคนคนหนึ่งกินอาหารบางชนิดไปมากแค่ไหน
- ปัจจุบันยังไม่มีวิธีใดพร้อมนำไปใช้ในระดับขนาดเดียวกับที่แบบสำรวจทำได้
- Frost เห็นว่าเครื่องมืออย่างสมการคาดการณ์ในงานวิจัยนี้อาจช่วยให้นักวิจัยประเมินขนาดของการรายงานคลาดเคลื่อนและรวมไว้ในบทความวิจัยได้
1 ความคิดเห็น
ความคิดเห็นบน Hacker News
ที่ Google AI และ SnapCalorie ผมทำวิจัยด้านนี้มานาน สิ่งที่น่าสนใจคือผู้คนมั่นใจแค่ไหนว่าตัวเอง กะปริมาณหนึ่งหน่วยบริโภคด้วยสายตาได้ถูกต้อง และในความเป็นจริงพลาดไปมากแค่ไหน
ตามบทความที่เรานำเสนอใน CVPR คนทั่วไปคลาดเคลื่อนเฉลี่ย 53% แม้แต่ผู้เชี่ยวชาญที่ผ่านการฝึกก็ยังคลาดเคลื่อนราว 40% ถ้าต้องการความแม่นยำสูงกว่านี้ก็ต้องใช้ตาชั่งอาหารหรืออุปกรณ์วัดปริมาตร มนุษย์ประเมินปริมาณหนึ่งหน่วยบริโภคจากการมองเห็นอย่างเดียวได้ไม่ดี
หลายคนมักกังวลเรื่องน้ำมัน ไขมันที่ใช้ปรุงอาหาร และวัตถุดิบแอบแฝง แต่ในข้อผิดพลาดของการติดตามจริง ๆ ปริมาณหนึ่งหน่วยบริโภคมีผลมากกว่าสิ่งเหล่านั้นมาก หากต้องการดูการแยกองค์ประกอบของข้อผิดพลาดอย่างละเอียด ดูได้จากบทความ Nutrition5k ที่เราเผยแพร่
สำหรับผู้ป่วยเบาหวาน การกินข้าวนอกบ้านเป็นเหมือนการทอยลูกเต๋าเสมอ และฟีดแบ็กที่ “สนุก” อย่างระดับน้ำตาลหลังอาหารก็คอยเตือนอยู่ตลอดว่าการกะปริมาณอาหารบนจานด้วยสายตานั้นไร้ประโยชน์โดยสิ้นเชิง
กลายเป็นว่าการแจกกระดาษให้คนแล้วให้เขียนว่า “แซนด์วิชชีสย่างสำหรับมื้อเที่ยง” ไม่ใช่วิธีเก็บ ข้อมูลคุณภาพระดับงานวิจัย ที่ขยายได้และเชื่อถือได้
เรายังทำชุดข้อมูลบันทึกอาหารร่วมกับ USDA ด้วย: https://agdatacommons.nal.usda.gov/articles/dataset/SNAPMe_A...
หลังจากนั้นคุณจะจับความรู้สึกได้ดีขึ้นมากว่าอาหารและของว่างที่กินตามปกติมีแคลอรีอยู่เท่าไร
เคล็ดลับคือดูน้ำหนักบนบรรจุภัณฑ์ แล้วแบ่งภาชนะออกเป็น N ส่วนที่มีปริมาณเท่ากัน กล่าวคือกำหนดขนาดหนึ่งหน่วยบริโภคเป้าหมายก่อน แล้วแบ่งให้สอดคล้องกัน
ถ้าโจทย์คือ “ชั่งเนย 1 ออนซ์” ในทางปฏิบัติคุณไม่ได้พลาดไปทีละ 40% หรอก เพราะการเอาเนยทรงสี่เหลี่ยม 1 ปอนด์มาแบ่งครึ่งซ้ำ ๆ ทำได้แม่นยำมาก ไก่ก็เช่นกัน ถ้าคุณรู้น้ำหนักรวมของไก่ N ชิ้นขนาดใกล้เคียงกันในแพ็กที่ซื้อมา และปรุงหนึ่งชิ้นทั้งชิ้น คุณก็จะรู้ปริมาณที่อยู่บนจานได้ค่อนข้างดี
ถ้าที่บ้านคุณชั่งอาหารส่วนใหญ่ และมีแค่บางครั้งที่กินข้าวนอกบ้านแล้วต้องประเมินปริมาณกับส่วนผสม ก็สามารถประมาณอัตราการประเมินต่ำกว่าจริงเฉพาะบุคคลแล้วปรับแก้ได้
สตาร์ทอัพของเรา BODYSIM.com ก็ศึกษาด้านนี้มานาน ผู้ก่อตั้งทุกคนบันทึกอาหารรายวันโดยใช้ตาชั่งครัวมานานกว่า 16 เดือน และนำไปเทียบกับการวัดประจำวันจากเครื่องชั่ง BIA, แคลอรีจากฟิตเนสแทร็กเกอร์, การตรวจเลือดทุกสองสัปดาห์, DEXA รายเดือน, การสแกน 3D ฯลฯ
นอกจากนี้เรายังมีโมเดลโครงสร้างตามหลักวิทยาศาสตร์สำหรับสมดุลของสารอาหารหลักและการเพิ่มขนาดกล้ามเนื้อ จึงประเมิน TDEE หรือการใช้พลังงานรวมต่อวันและองค์ประกอบของมันได้อย่างมั่นใจมาก และทำนายการเปลี่ยนแปลงรายวันของมวลไขมันกับมวลกล้ามเนื้อได้ นี่เป็นคณิตศาสตร์และวิทยาศาสตร์จริง ๆ จึงสามารถย้อนกลับได้ด้วย และด้วย “ข้อจำกัดด้านความพร้อมกัน” นี้ จึงมีข้อจำกัดเพียงพอที่จะประเมินการประเมินต่ำกว่าจริงหรือการกินเกินของผู้ใช้แต่ละคนเวลาไปกินข้าวนอกบ้านได้ อันที่จริงในวันแบบนั้นไม่ต้องบันทึกเลยยังดีกว่า แล้วเราเติมข้อมูลให้ได้ เพียงแต่ดูเหมือนว่ายังไม่ถูกใช้แพร่หลาย เพราะต้องมีข้อมูล self-tracking เชิงปริมาณแบบนี้พร้อมกันหลายอย่าง
คนที่บอกว่า “ติดตามและชั่งตวงทุกอย่าง” ทำให้สงสัยว่าพวกเขาจัดการกับซอสที่ทำเอง วัตถุดิบที่ใช้เวลาปรุงต่างกัน สารอาหารในอาหารเหลือที่ลดลงตามเวลา ปริมาณอาหารที่ตักแบ่งกินหลายครั้งจากจานที่กินร่วมกัน และความแตกต่างจากวิธีเพาะปลูกหรือสายพันธุ์กันอย่างไร
สมัยที่อยู่คนเดียวและกินอาหารบรรจุหีบห่อกับผักสดที่หน้าตาเหมือนทำสำเนากันมาเป็นหลัก มันอาจจะง่าย แต่หลังจากเริ่มแบ่งมื้ออาหารกัน ทำอาหารจากวัตถุดิบจำนวนมากที่ไม่มีบาร์โค้ด และปรุงรสแบบกะด้วยสายตาโดยไม่มีสูตร ก็รู้สึกว่ามันไม่ค่อยลงตัวแล้ว
น้ำมันมะกอก 1 ออนซ์มี 250 กิโลแคลอรี แต่โปรตีนเนื้อไม่ติดมัน 1 ออนซ์มักมี 30~50 กิโลแคลอรี และผักใบเขียว 1 ออนซ์แทบไม่มีแคลอรีเลย
ดังนั้นวัตถุดิบพลังงานสูงอย่างน้ำมันและมิโซะต้องชั่งตวงอย่างเคร่งครัด และโปรตีนกับคาร์โบไฮเดรตส่วนใหญ่ก็เช่นกัน เมล็ดพืชและซอสมะเขือเทศก็มีความหนาแน่นแคลอรีอยู่บ้าง จึงควรชั่งตวง แต่ลำดับความสำคัญต่ำกว่า
มัสตาร์ด น้ำเลมอน เครื่องเทศส่วนใหญ่ที่ไม่มีน้ำตาล หัวหอม แตงกวา พาร์สลีย์ ถ้าไม่ได้ใช้ในปริมาณมาก ก็ถือว่า “ฟรี” ได้ ไม่มีใครอ้วนเพราะมัสตาร์ด เลมอน หัวหอม แตงกวา หรือพาร์สลีย์
สารอาหารรองอย่างวิตามินวัดจริงในครัวบ้านได้ยาก และถ้ากังวลก็ใช้ผลิตภัณฑ์เสริมวิตามิน·แร่ธาตุได้ ในทางกลับกัน สารอาหารหลักอย่างโปรตีน·คาร์โบไฮเดรต·ไขมัน โดยทั่วไปแม้แต่อาหารเหลือก็พอชั่งตวงคร่าว ๆ ได้ด้วยถ้วย ช้อน และตาชั่ง
หากต้องการติดตามอาหารที่หลายคนแบ่งกันกินอย่างเคร่งครัด การแยกโปรตีน คาร์โบไฮเดรต ซอส และไขมันลงในจานหรือชามของแต่ละคนแล้วค่อยประกอบรวมกัน จะง่ายกว่าการต้มทุกอย่างในหม้อใหญ่ใบเดียว
สำหรับหลายคน วิธีนี้มีประสิทธิภาพในการก้าวข้ามความคิดที่ถูกเรียนรู้มา เช่น หนึ่งเสิร์ฟต้องใหญ่ ถ้าหิวต้องแก้ทันที หรือควรอยู่ในสภาพ “อิ่ม” ตลอดเวลา มันไม่สมบูรณ์แบบ และไม่แนะนำสำหรับคนที่มีประวัติความผิดปกติในการกิน แต่ถ้าลองสักหนึ่งหรือสองเดือน วิธีมองมื้ออาหาร โดยเฉพาะของว่าง จะเปลี่ยนไปจริง ๆ
ซอสที่ทำเองไม่ได้นับ ทำซอสให้ง่าย ใช้แค่นิดหน่อย และไม่ได้ตั้งเป้าให้เปอร์เซ็นต์ไขมันในร่างกายต่ำกว่า 10%
ความต่างของเวลาปรุงจะนับตามวัตถุดิบดิบ หรือถ้าในแอปติดตามมีข้อมูล ก็จะนับตามแบบปรุงสุกแล้ว ไม่จำเป็นต้องแม่นยำระดับสุดขีด
ไม่สนใจการลดลงของสารอาหารในอาหารเหลือ ตัวเลขแคลอรีเองก็เป็นค่าประมาณอยู่แล้ว และมันใกล้เคียงกับเกมทางจิตวิทยาในการควบคุมแคลอรีที่กินแบบคร่าว ๆ มากกว่าจะเป็นวิทยาศาสตร์
อาหารที่หลายคนกินร่วมกัน ถ้าฉันเป็นคนทำ ก็จะคำนวณทั้งจานแล้วประเมินส่วนของตัวเอง ถ้าเพื่อนทำให้ ก็ไม่สนใจเลยและพยายามกินในปริมาณที่ “พอเหมาะ”
ความต่างของพันธุ์แตงกวาหรือวิธีเพาะปลูกก็น่าจะไม่สำคัญมากนัก เมื่อดูตามน้ำหนัก แตงกวาก็คือแตงกวา และเป้าหมายคือการได้ความรู้สึกคร่าว ๆ เรื่องแคลอรี ไม่ใช่ความสมบูรณ์แบบ
ให้โฟกัสที่ ระดับรายเดือน ไม่ใช่รายวัน และนับแคลอรีตอนซื้อ ไม่ใช่ตอนกิน เช่น ถ้าขนมปังแถวหนึ่งมี 17 แผ่น แผ่นละ 100 แคลอรี ก็เพิ่ม 1700 เข้าไปในยอดแคลอรีรวมของเดือนนั้น
เมื่อสิ้นเดือน สามารถเอาปริมาณแคลอรีรวมของสิ่งที่ซื้อในเดือนนั้นหารด้วยจำนวนวัน เพื่อหาค่าแคลอรีเฉลี่ยต่อวันแบบคร่าว ๆ ได้
อาหารบางอย่างอาจเหลือไปถึงเดือนถัดไปจนเกิดความผันผวน แต่ในระยะยาวจะหักล้างกันเอง สินค้าที่แคลอรีสูง หากแบ่งตามตรรกะก็จะทำให้ตัวเลขลื่นไหลขึ้น
เช่น มายองเนสหนึ่งขวดที่กินได้หลายเดือนมี 8000 แคลอรี ก็ไม่ต้องใส่ 8000 ทั้งหมดในเดือนที่ซื้อ แต่ใส่ 2000 ในเดือนนั้น และอีก 2000 ในแต่ละเดือนต่อไปอีก 3 เดือนก็ได้
ในช่วงลดน้ำหนักจะสำคัญกว่า และในช่วงรักษาน้ำหนักจะสำคัญน้อยกว่า
ส่วนใหญ่เป็นเกมของการประมาณ และอาศัยสมมติฐานว่าในภายหลังค่าเฉลี่ยจะลงตัว เครื่องเทศมองข้ามได้ ต่อให้คิดไว้วันละ 25 แคลอรี ก็อาจถือว่าสูงเกินจริงแล้ว
น้ำมัน ต้องชั่งตวงอย่างจริงจัง 9 แคลอรีต่อกรัมสะสมขึ้นเร็วมาก
ถึงอย่างนั้น ถ้าพลาดไปวันละ 100 แคลอรี และตามบันทึกยังขาดดุล 500 แคลอรี ก็ยังน่าจะลดได้ราว 0.8 ปอนด์ต่อสัปดาห์ หากทำอย่างสม่ำเสมอ ก็ปรับปริมาณและทำให้เข้ากับวิธีบันทึกของตัวเองได้
ประเด็นสำคัญคือการยอมรับว่าข้อมูลโภชนาการมีความผันผวน เมื่อทำให้สมบูรณ์แบบไม่ได้ ก็ชดเชยความไม่สมบูรณ์นั้นแทน
แทนที่จะทำแบบนั้น แนะนำให้นับ จำนวนครั้งที่กินผักและผลไม้ทั้งชิ้น แล้วลองทำให้มากที่สุด เป็นการเพิ่มให้มากที่สุดเพื่อที่จะลดน้ำหนักนั่นเอง
การติดตามอาหารเพียงหมวดเล็ก ๆ นี้ง่ายกว่ามาก และเมื่อเพิ่มมันเข้าไป ความอิ่มจะเกิดขึ้นเองตามธรรมชาติ ทำให้กินของหวานน้อยลง แต่ถ้าเปลี่ยนอาหารอย่างรุนแรงในชั่วข้ามคืน ก็จะเกลียดกระบวนการและล้มเลิกไป จึงควรค่อย ๆ ทำ
ควรเปลี่ยนอาหารน้อยกว่า 10% ต่อสัปดาห์ และยังคงกินอาหารโปรดที่รู้สึกผิดได้ต่อไป แต่เพิ่มอาหารสุขภาพที่ตัวเองเพลิดเพลินเข้าไปด้วย ถ้าเป็นไปได้ ให้กินก่อนอาหารที่ดีต่อสุขภาพน้อยกว่า เพื่อให้มีเวลาที่ความอิ่มจะเกิดขึ้น
ถ้าจะกินพิซซ่า ก็อาจกินสลัดเครื่องเคียงก่อน หรือเลือกพิซซ่าหน้าผักได้ ไม่จำเป็นต้องพยายามเลิกพิซซ่าโดยสิ้นเชิงจนกว่าการเดินทางนี้จะไปได้ไกลกว่านี้
อย่าเครียด และถ้าคอยมองหาการเปลี่ยนแปลงเล็ก ๆ แบบนี้อย่างสม่ำเสมอ ระยะยาวก็จะไปในทิศทางที่ถูกต้อง และลิ้นรับรสก็จะค่อย ๆ ปรับตัวจนเพลิดเพลินกับอาหารที่เดิมไม่คุ้นเคย
หลายคนมีความสัมพันธ์กับทรัพยากรแบบ ใช้อารมณ์ล้วน ๆ จึงดูเหมือนว่าเหตุผลจะเจาะเข้าไปได้ยาก อาหารกับการเงินคล้ายกัน
ผมพยายามให้ภรรยารักษางบซื้อของกินของใช้ประจำสัปดาห์มาหลายปี แต่ทุกครั้งก็เกินไปมากเสมอ เช่น “อาหารนี้จำเป็น” หรือ “นี่เป็นของใช้ในห้องน้ำ ไม่นับรวมในของชำ” สุดท้ายก็ไม่เคยทำงบของชำให้สำเร็จ ทางออกสุดท้ายคือพยายามย้ายไปทำงานที่ได้เงินเดือนสูงขึ้น
การลดน้ำหนักก็คล้ายกับเรื่องนี้มาก แคลอรีที่กินเข้าไป→แคลอรีที่ใช้ไป เป็นแนวคิดที่เรียบง่ายมากในเชิงมโนทัศน์ แต่ในทางปฏิบัติคนส่วนใหญ่ทำได้ยาก ไม่ใช่เพราะไม่เข้าใจแนวคิด แต่ติดที่การลงมือทำ หลอกตัวเอง สร้างวาทกรรมเชิงปรัชญา และส่วนใหญ่ก็ยอมแพ้ต่อความอยาก การหาอาหารเป็นหนึ่งในแรงขับพื้นฐานที่สุด จึงไม่น่าแปลกที่ผู้คนจะควบคุมมันด้วยสติปัญญาได้ยาก
บางคนเชื่อว่า CICO ผิด เพราะเมตาบอลิซึมต่างกัน หรือเพราะแคลอรีไม่ได้เหมือนกันทั้งหมด ทั้งสองเรื่องเป็นความจริง แต่ไม่ได้หักล้างสมมติฐานตั้งต้น ไม่ว่าจะเป็นเมตาบอลิซึมแบบไหน หรือแคลอรีชนิดใด แคลอรีที่น้อยลงก็ยังทำให้น้ำหนักลดลงอยู่ดี อาจรู้สึกไม่ยุติธรรมที่บางคนต้องพยายามน้อยกว่าจึงได้ผลลัพธ์เดียวกัน แต่จริง ๆ แล้วทุกด้านของชีวิตก็เป็นแบบนั้น แน่นอนว่าการปรับปรุงคุณภาพของแคลอรีก็สำคัญมากและไม่ควรมองข้าม แต่สิ่งนั้นก็ไม่ได้หักล้างสมมติฐานนี้เช่นกัน
ของต่าง ๆ ในบ้านและในตู้กับข้าวมีรอบการซื้อทดแทนที่แปลกแตกต่างกันไปตามปริมาณการใช้และการเปลี่ยนนิสัย และจังหวะรายเดือนยังทำให้การวางแผนรอบความผันผวนของราคามีประสิทธิภาพต่ำด้วย
เป้าหมายที่ทำได้จริงคือการลดค่าใช้จ่ายของชำเฉลี่ยต่อเดือน และวิธีการคือกำหนดไว้ล่วงหน้าว่าอะไรจะไม่กักตุนไว้ที่บ้านอีก อะไรจะเปลี่ยนเป็นของทดแทนที่ถูกกว่า และอะไรจะไปซื้อที่ร้านแบบ warehouse club
ถ้าผู้คนไม่ขับรถน้อยลง ก็ยากที่จะลดงบน้ำมัน หากภรรยาเป็นเพียงคนรับหน้าที่เติมน้ำมัน เธอก็เป็นแค่ผู้ส่งสาร อาจเป็นปฏิกิริยาทางอารมณ์ก็ได้ แต่ก็ควรพิจารณาด้วยว่า พฤติกรรม “ดัดกฎ” อาจเป็นวิธีทำให้ข้อเรียกร้องที่เป็นไปไม่ได้พอจะทำได้จริงขึ้นมา ของที่ “ไม่นับรวมในการคำนวณ” ไม่ว่าจะรู้ตัวหรือไม่ มักไม่ได้ถูกซื้อทดแทนทุกเดือน และรูปแบบค่าใช้จ่ายก็จะขึ้น ๆ ลง ๆ ไม่สม่ำเสมอ
แม้จะไม่นับปัญหาความหิว อาหารก็ยังมีความหมายสารพัดที่ไม่เกี่ยวกับคุณค่าทางโภชนาการ แต่เกี่ยวข้องกับคุณค่าทางสังคมและจิตวิทยา
ในชีวิตผมเองก็ดูเหมือนเคยประเมินเรื่องนี้ต่ำไปมาก หรือเข้าใจความหมายนั้นผิดไป วิธีที่มันทำงานจริง ๆ กว้างขวางและละเอียดอ่อนกว่าที่คนคิดมาก ไม่ได้หมายความว่ามันผิด แต่การถูกพรากบางสิ่งที่ให้รางวัลอย่างมีความหมายไปกะทันหันนั้นยาก โดยเฉพาะเมื่อไม่รู้ตัวว่าสิ่งนั้นคืออะไร
เมื่อนักเรียนพูดถึงการขาดแรงจูงใจ การซ้อมที่น่าเบื่อ ปวดหลัง อาการบาดเจ็บจากการใช้งานซ้ำ ๆ หรือการเปลี่ยนวิธีซ้อม ก็เอาแต่ตอบว่า “ปริมาณการซ้อมก็คือฝีมือ” เหมือนกับว่ามีอะไรที่เข้าใจยากกัน
ทุกคนรู้ว่าถ้าอยากเล่นเครื่องดนตรีให้เก่งต้องลงเวลา เช่นเดียวกัน ในบรรดาคนที่อยากลดน้ำหนัก คงมีไม่มากนักที่ปฏิเสธกฎการอนุรักษ์พลังงานที่ไหลผ่านกลุ่มอาหารต่าง ๆ
ถ้าอยากช่วยอย่างมีเหตุผลจริง ๆ ก็ต้องใช้วิธีที่ได้ผล จะเป็นการเลิกน้ำตาล เลิกเนื้อสัตว์ ทำ intermittent fasting นับแคลอรี หรืออะไรก็ตาม ขอแค่ได้ผล ไม่ใช่ชี้อย่างขี้ขลาดว่าเขาล้มเหลวกับการซ้อม 10 ชั่วโมงเมื่อสัปดาห์ที่แล้ว โดยไม่ถามด้วยซ้ำว่าทำไมถึงทำไม่ได้
คนที่พูดแต่เรื่องแคลอรีเข้า/ออกดูเหมือนจะมีปัญหาในการยอมรับแนวคิดเรียบง่ายนี้ในเชิงปัญญา
สิ่งที่กิน วิธีปรุง และเวลาที่กิน ส่งผลซับซ้อนต่อความหิว พลังงานสำหรับออกกำลังกาย ความสามารถในการต้านแรงกระตุ้น และสภาวะทางสรีรวิทยาตามสารอาหารที่ได้รับ
CICO ช่วยอธิบายปัญหาการควบคุมน้ำหนักแบบย้อนหลังได้ แต่ยังไม่พอสำหรับการวางแผนหรือการรักษาคุณภาพชีวิตระหว่างมุ่งไปสู่เป้าหมายการควบคุมน้ำหนัก
โมเดลทางความคิดนี้ช่วยให้เข้าใจพฤติกรรมอย่างการยึดกุมและสะสมทรัพยากร ทั้งที่เห็นได้ชัดว่ามีส่วนเกินอยู่ทุกหนแห่ง
ถ้าลองนับแคลอรีด้วย MyFitnessPal จะพบว่าต้องใช้ความพยายามมหาศาลจริง ๆ ถ้าออกไปกินนอกบ้านก็แทบจบกัน อย่างมากก็ได้แค่ค่าประมาณ
พอรวมซอสกับน้ำมันเข้าไปด้วย แม้ในสถานการณ์ที่ดีที่สุดก็ยังยากจะแม่นยำ และยังน่ารำคาญที่ต้องคอยจัดการต่อเนื่อง ทางเลือกที่ดีที่สุดอาจเป็นการหลีกเลี่ยงเพื่อจะได้ไม่ต้องคำนวณ
ในงานวิจัย ผมคิดว่าแทบทุกคนแม้จะมีเจตนาดี ก็อาจป้อน ข้อมูลไม่ดี เข้าไปในบางจุด
ไม่จำเป็นต้องมีสูตรไดเอตตามกระแสอะไรเป็นพิเศษ การพยายามจดทุกอย่างที่กินเข้าไปเองก็ทำให้หยุดคิดได้ว่า “อันนี้ไม่จำเป็นต้องกินก็ได้”
Celtuce ผัดที่บ้าน [1]? Marble goby นึ่งที่บ้าน [2]? ไม่มีวิธีกรอกเลย มีแต่ข้อมูลโภชนาการของแม็กแอนด์ชีสแบบบรรจุห่อ
[1] https://en.wikipedia.org/wiki/Celtuce
[2] https://en.wikipedia.org/wiki/Oxyeleotris_marmorata
ถ้ากินเมนูเดิมที่ร้านเดิมเสมอ ตอนแรกก็ประเมินแคลอรีของมื้อนั้นให้ดีที่สุด แล้วถ้าน้ำหนักเฉลี่ยไม่เคลื่อนไปในทิศทางที่ต้องการ ก็ปรับเป้าหมายแคลอรีเพื่อชดเชยได้
เพราะผมเกลียดการประมาณแคลอรีของอาหารทำเองมาก และก็รู้อยู่แล้วว่ามันคงเป็นการประมาณที่ไม่แม่นยำอยู่ดี
ถ้าไม่รู้แคลอรีที่แน่ชัด ผมจะประเมินให้สูงขึ้นเล็กน้อย ประมาณ 1.2 เท่า
คนเรา รายงานอะไรด้วยตัวเอง ได้ไม่ดี ไม่ว่าจะเป็นการออกกำลังกาย อาหาร เพศสัมพันธ์ หรือการดูแลตัวเอง ลองถามทนายความหรือคนที่ต้องดึงเรื่องราวจากใครสักคนดูก็ได้
นี่ควรเป็นสมมติฐานพื้นฐานสำหรับทุกคนที่ถามอะไรจากมนุษย์ ถ้านักวิทยาศาสตร์จินตนาการว่ามีกลุ่มตัวอย่างทดลองที่รายงานได้อย่างถูกต้อง นั่นก็เป็นตัวอย่างที่แสดงให้เห็นความไร้เดียงสาอย่างน่าทึ่งของนักวิทยาศาสตร์
ก่อนหน้านั้น คำให้การของมนุษย์แทบจะเป็นวิธีเดียวในการถ่ายทอดข้อมูลเกี่ยวกับปรากฏการณ์ต่าง ๆ และความน่าเชื่อถือก็จำกัดอย่างมาก เพราะมีความเที่ยงตรงต่ำ ความหนาแน่นของข้อมูลต่ำ และการตีความกับการถ่ายทอดซ้ำที่ไม่เสถียร
ตัวอย่างที่ดีคือภาพพิมพ์แกะไม้แรดของ Albrecht Dürer ในปี 1515 เพราะสร้างจากรายงานและภาพร่างทางอ้อม จึงไม่ได้ดูเหมือนของจริงเป๊ะ ๆ แต่คุณลักษณะบางอย่าง เช่น การแบ่งเป็นปล้องของลำตัว เขา นิ้วเท้า และลักษณะดวงตา กลับถูกบันทึกไว้อย่างแม่นยำจนน่าทึ่ง ดู: <https://en.wikipedia.org/wiki/D%C3%BCrer%27s_Rhinoceros>
การบันทึกแบบแอนะล็อกก็ถูกดัดแปลงได้เช่นกัน แต่โดยทั่วไปถ้าจะทำให้แนบเนียนต้องใช้ความพยายามและความเชี่ยวชาญ และยังตรวจจับการตัดต่อกับการเปลี่ยนแปลงได้ด้วยการเปรียบเทียบบันทึกอิสระหลายแหล่ง
หลัง Photoshop การดัดแปลงภาพดิจิทัลเกิดขึ้น ทำให้คุณค่าของภาพถ่ายในฐานะ “หลักฐาน” อ่อนลงเรื่อย ๆ และเมื่อ AI กับสมาร์ตโฟนแพร่หลาย ภาพนิ่งและวิดีโอแทบทั้งหมดก็ถูกประมวลผลในระดับหนึ่ง AI สามารถสร้างเรื่องแต่งที่ดูน่าเชื่อแบบเรียลไทม์ได้ทั้งภาพนิ่ง วิดีโอ เสียง คำพูด และเสียงพื้นหลัง จนทำให้ทั้งคนทั่วไปและผู้เชี่ยวชาญสับสนได้
สุดท้าย แม้เทคโนโลยีของเราเคยให้ทางออกกับปัญหานี้ แต่ตอนนี้เรากำลังย้อนกลับไปสู่ขอบเขตของ รายงานที่แต่งขึ้นและมีความน่าเชื่อถือต่ำ แม้กระทั่ง—และโดยเฉพาะอย่างยิ่ง—เมื่อมีเทคโนโลยีเป็นตัวกลาง
ระบบการศึกษาไม่สามารถยัดสามัญสำนึกให้คนได้ นักวิทยาศาสตร์อาชีพส่วนใหญ่ก็เป็นคนธรรมดา หรือกำลังพยายามเอาตัวรอดในระบบที่ถูกบิดเบือน
หรือไม่อย่างนั้น นักวิจัยที่ทำงานภาคสนามมานานอาจรู้อยู่แล้ว และปัญหาอาจอยู่ที่ฝ่ายที่ทำให้งานวิจัยดูง่ายสำหรับสาธารณะ
ถ้าจะตอบว่ากาแฟดีไหม ไวน์หรือช็อกโกแลตเป็นอย่างไร ตัวแปรกวน อย่างพันธุกรรม เวลาในการกินอาหาร สมรรถภาพร่างกาย วิถีชีวิตแบบนั่งนาน ๆ ฯลฯ มีแทบจะไม่สิ้นสุด
มันใกล้เคียงกับปัญหา 80/20 และหลังจัดการ 80 แล้ว ก็ลืม 20 ไปจะดีกว่า เพราะอย่างไรก็คงไม่ได้คำตอบอยู่ดี
ถ้าดูแล้วสุขภาพไม่ดีและรู้สึกไม่ค่อยดี โดยมากก็มีโอกาสสูงว่ากำลังกินอาหารแย่มาก ถ้าดูดีและสภาพร่างกายดี ไวน์สักแก้วเป็นครั้งคราวหรือช็อกโกแลตคำหนึ่งหลังมื้อเย็นก็คงไม่ได้ส่งผลมากนัก
แต่งานวิจัยแบบนี้มีเกณฑ์การคัดเลือกที่ไม่ใช่การสุ่มอยู่หลายอย่าง ได้แก่ ความสนใจในงานวิจัย การปฏิบัติตามโปรโตคอลของงานวิจัย และการกลับมารายงานซ้ำ
ถ้าวิทยาศาสตร์โภชนาการจะเอาจริง N ต้องเป็นหลักหมื่น ไม่ใช่หลักสิบคน มันมีค่าใช้จ่าย แต่สำหรับเรื่องสำคัญ นั่นถูกต้องอย่างยิ่ง
สงสัยว่านี่ก่อปัญหาให้กับงานวิจัยส่วนใหญ่จริงหรือไม่
ถ้าเป็นงานวิจัยที่จำเป็นต้องมีปริมาณการบริโภคอาหารแบบสัมบูรณ์ที่แม่นยำ ก็คงเป็นปัญหา แต่งานวิจัยส่วนใหญ่ที่ผมเห็นใช้ถ้อยคำเชิงสัมพัทธ์ด้วยเหตุผลนี้พอดี เช่น คนที่ทำ X มากกว่าเพื่อนวัยเดียวกันมีความสัมพันธ์กับ Y
ถ้าจะดูว่าการดื่มกาแฟตอนเช้าสัมพันธ์กับอายุยืนหรือไม่ แม้จะเชื่อตามที่บทความบอกเป็นนัยว่าทุกคนรายงานการกินอาหารต่ำกว่าจริง ก็ดูไม่ค่อยเกี่ยว เพราะเป็นการเปรียบเทียบเชิงสัมพัทธ์
แน่นอน ผลลัพธ์แบบนี้ถูกบิดเป็นพาดหัวเรียกคลิกอย่าง “X คือเคล็ดลับอายุยืน!” แต่นั่นใกล้เคียงกับปัญหาของการรายงานวิทยาศาสตร์สำหรับสาธารณะ มากกว่าปัญหาของงานวิจัยด้านอาหารเอง
ในความเป็นจริง สิ่งที่ผู้คนอับอายมักจะถูกรายงานต่ำกว่าจริง ส่วนสิ่งที่ตรงกันข้ามอาจถูกรายงานสูงกว่าจริงด้วยซ้ำ นี่เป็น ข้อบกพร่องของข้อมูล ที่แก้ไขได้ยากกว่ามาก
“กาแฟตอนเช้า” ในตัวอย่างก็อาจเป็นอะไรก็ได้ตั้งแต่เอสเปรสโซบริสุทธิ์หนึ่งแก้ว ไปจนถึง “กาแฟ” ของ Starbucks ที่เกิน 600 แคลอรี แต่เครื่องจักรเมตางานวิจัยกลับจับทั้งหมดมารวมกัน
คล้ายกับการป้อนคอมเมนต์ Reddit ทั้งหมดเข้า ChatGPT ถามอะไรบางอย่าง แล้วเอาสุขภาพของตัวเองในระดับสังคมไปเดิมพันด้วยการเชื่อคำตอบนั้น
บทความบอกโดยหลักว่าทุกคนรายงานต่ำกว่าจริง ไม่ได้บอกว่าทุกคนรายงานต่ำกว่าจริงเท่ากัน และมีเหตุผลมากพอที่จะไม่เป็นเช่นนั้น
ถ้าความอับอายเป็นสาเหตุ คนที่อับอายกับนิสัยการกินของตัวเองมากกว่าจะรายงานต่ำกว่าจริงมากกว่า ถ้าคนจำมื้ออาหารได้ดีกว่าของว่าง คนที่กินของว่างมากกว่าจะรายงานต่ำกว่าจริงมากกว่าคนที่กินน้อยกว่า นอกจากนี้ หากปริมาณที่ตักเพิ่มมีแนวโน้มถูกลืมมากกว่าจานแรก อาหารที่ทำให้กินเกินได้ง่ายก็จะถูกรายงานต่ำกว่าจริงมากกว่าอาหารที่ไม่เป็นแบบนั้น เมื่อมีความบิดเบือนอย่างเป็นระบบมากขนาดนี้ การมองว่าทุกคนรายงานต่ำกว่าจริงอย่างเท่าเทียมกันต่างหากที่น่าประหลาดใจ
แต่แทบไม่เคยมีการต่อยอดไปสู่งานยากหลังจากนั้น ดังนั้นจึงมีงานวิจัยจำนวนมากที่แสดงความสัมพันธ์ไปได้ทุกทิศทาง และมีงานวิจัยจำนวนมากที่ขัดแย้งกันเอง แต่เรากลับดูเหมือนพอใจกับสภาพนี้ สถานะของงานวิจัยโภชนาการนั้นย่ำแย่จริง ๆ
ดังนั้นจึงอาจรายงานว่ากินผักมาก และไม่พูดถึงแอลกอฮอล์ บุหรี่ หรือยาเสพติดผิดกฎหมายที่งานวิจัยอาจต้องแจ้งตำรวจตามกฎหมาย คนที่บอกว่าตัวเองเป็นมังสวิรัติอาจไม่รายงานเนื้อสัตว์ที่กินเข้าไป และคนอ้วนอาจรายงานว่าข้ามของหวาน
นี่คือเหตุผลที่งานวิจัยด้านการนอนหลับทำในคลินิก แทนที่จะปล่อยให้ผู้ป่วยรายงานเอง
ถ้าต้องการข้อมูลที่แม่นยำ ก็ต้องทำ งานวิจัยจริงจัง และนักวิจัยต้องเป็นคนแบ่งปริมาณอาหารและจัดตารางให้โดยตรง
โดยจะจัดหาอาหารและของว่างทั้งหมดให้ผู้เข้าร่วม และบางครั้งก็เฝ้าติดตามต่อเนื่องตั้งแต่หลายสัปดาห์ไปจนถึงหลายเดือน
https://pubmed.ncbi.nlm.nih.gov/39134209/
แน่นอนว่างานวิจัยแบบนี้รุกล้ำชีวิตผู้เข้าร่วมมากกว่าและมีค่าใช้จ่ายสูงกว่างานวิจัยเชิงสังเกตแบบคลาสสิกที่ “กรอกแบบสอบถาม” มาก จึงพบไม่บ่อยนัก แต่ก็มีอยู่จริง และผลลัพธ์ก็มีประโยชน์มาก
เครื่องมือแบบสอบถามด้านโภชนาการที่ถูกอ้างอิงอย่างแพร่หลายอย่างหนึ่งคือ Nurses' Health Study ซึ่งกลายเป็นพื้นฐานของผลลัพธ์คลิกเบตด้านโภชนาการสิ้นเปลืองจำนวนมาก การสังเกตที่อิงแบบสอบถามแบบนี้ถูกใช้ทั้งเพื่อพิสูจน์ว่าเนื้อสัตว์ไม่ดีต่อร่างกาย และพิสูจน์ว่าเนื้อสัตว์ดีต่อร่างกาย ทั้งยังถูกใช้เพื่อพิสูจน์ว่าสารให้ความหวานแทน น้ำตาลทำให้ผอมลง และพิสูจน์ว่าทำให้อ้วนขึ้นด้วย แบบสอบถามเดียวที่ให้ “ลองนึกดูว่าช่วงก่อนหน้านี้กินอะไรไปบ้างเป็นครั้งคราว” คือรากของเสียงรบกวนมหาศาลในวิทยาศาสตร์โภชนาการ
จากประสบการณ์ของผม คนมักไม่ค่อยเข้าใจ แคลอรีจากแอลกอฮอล์ เป็นพิเศษ
คาร์โบไฮเดรตและโปรตีนโดยทั่วไปมี 4 แคลอรีต่อกรัม ส่วนแอลกอฮอล์มี 7 แคลอรีต่อกรัม มีเพียงไขมันที่มีความหนาแน่นพลังงานสูงกว่า คือ 9 แคลอรีต่อกรัม
ในยุค 2000 เคยมีกระแสอาหารคาร์บต่ำครั้งใหญ่ และผมยังจำโฆษณายอดนิยมของ Bacardi ที่ชูว่ารัมของบริษัทไม่มีคาร์โบไฮเดรตได้ อันที่จริงสุรากลั่นทุกชนิดที่ไม่แต่งกลิ่นก็ไม่มีคาร์โบไฮเดรต และยังมีแคลอรีสูงมากอยู่ดี แต่กลับถูกทำการตลาดเหมือนเป็นทางเลือกที่ฉลาดกว่าสำหรับคนที่ใส่ใจเรื่องน้ำหนัก
คล้ายกับการวัดแคลอรีของไม้ ไม้ติดไฟได้ดีจึงมีแคลอรีสูง แต่ไม่ได้ถูกเผาผลาญในร่างกายได้ดี ท่อนไม้มีประมาณ 400kcal/100g
เอทานอลมีพลังงาน 1325kJ/mol แต่ถ้าปฏิกิริยาหยุดกลางทางในเส้นทางเมตาบอลิซึม พลังงานที่ได้จากแอลกอฮอล์จะลดลงมากเหลือเพียง 215.1kJ/mol เพราะหลังดื่มแล้วกรดอะซิติกจะถูกขับออกทางปัสสาวะ
https://en.wikipedia.org/wiki/Pharmacology_of_ethanol#Metabo...
ผมคิดว่าเป็นเรื่องที่รู้กันทั่วไปว่าคนเรามักรายงานเรื่องส่วนใหญ่เกี่ยวกับตัวเองได้ไม่ดี
ถ้าจะทำงานวิจัยที่เข้มงวดจริง ๆ ก็ต้องเป็นเชิงวัตถุวิสัย นี่จึงเป็นเหตุผลสนับสนุนที่ดีสำหรับ อุปกรณ์สวมใส่ หรือมอนิเตอร์อัจฉริยะอื่น ๆ