डाइट रिसर्च में समस्या पैदा करती भोजन की गलत रिपोर्टिंग
(science.org)- डाइट और स्वास्थ्य के संबंधों को खोजने वाली कई studies लोगों की self-reported intake पर निर्भर करती हैं, लेकिन हालिया Nature Food study और correction ने इस डेटा की भरोसेमंदता की सीमाओं को फिर उजागर किया
- शोधकर्ताओं ने DLW measurements के 6000 से अधिक मामलों से energy expenditure prediction equations बनाए और उनकी तुलना NHANES·NDNS जैसे बड़े nutrition surveys में reported intake से की
- correction के बाद प्रमुख databases में misreporting rate घटकर लगभग 27% रह गया, लेकिन diet questionnaires वास्तविक intake को कितना सही दर्शाते हैं, यह अब भी विवादित है
- आलोचकों का मानना है कि DLW energy intake को सटीक रूप से नहीं दिखा सकता, जबकि समर्थक इसे researchers द्वारा dataset में misreporting के पैमाने का अनुमान लगाने के लिए उपयोगी मानते हैं
- photo food diaries, wearable cameras, sensors और urine biomarkers पर प्रयोग हो रहे हैं, लेकिन बड़े पैमाने के surveys को बदल सकने वाली scalable method अभी नहीं है
self-reported diet data की विश्वसनीयता की समस्या
- coffee, wine, chocolate जैसे foods स्वास्थ्य के लिए अच्छे हैं या नहीं, यह जानने वाली research अक्सर इस बात और बाद की health status के बीच संबंध खोजती है कि लोगों ने क्या खाने-पीने की बात कही
- Nature Food study इस बात का उदाहरण बनी कि ऐसा approach कितना unstable हो सकता है
- nutritional epidemiology studies आम तौर पर intake के बारे में इस तरह पूछती हैं
- food diary भरना
- पिछले 24 घंटे, 1 सप्ताह, या कई महीनों की intake questionnaire
- biostatisticians लंबे समय से चेतावनी देते रहे हैं कि लोग अपनी intake गलत याद रख सकते हैं, या जो सच में खाया उसे बताने में हिचक सकते हैं
- कुछ researchers उन participants को हटाने वाली adjustment method सुझाते हैं जिन्होंने survival के लिए जरूरी न्यूनतम intake से भी कम रिपोर्ट किया हो, लेकिन दूसरे researchers मानते हैं कि diet research और policy में food self-reporting पर निर्भर नहीं करना चाहिए
DLW से energy expenditure मापने का तरीका
- misreporting को अधिक सख्ती से detect करने के तरीके के रूप में doubly labeled water(DLW) technique इस्तेमाल होती है
- DLW method में participant oxygen और hydrogen के भारी isotopes से labeled पानी पीता है, फिर कई दिनों तक urine samples में इन elements को मापा जाता है
- जब शरीर calories burn करके carbon dioxide बनाता है, तो oxygen इस्तेमाल होता है लेकिन hydrogen नहीं, इसलिए urine में उनकी relative quantities व्यक्ति द्वारा इस्तेमाल की गई energy amount को दर्शाती हैं
- DLW और food questionnaires को साथ इस्तेमाल करने वाली studies ने पाया कि लोग reported intake से ज्यादा energy खर्च करते हैं
- इसका मतलब है कि participants ने सच में कम खाया, या अधिक संभावना है कि उन्होंने intake को underreport किया
- UK National Diet and Nutrition Survey(NDNS) के सैकड़ों लोगों के analysis में यह अंतर लगभग 30% आँका गया
Nature Food study और unit error correction
- Nature Food researchers ने 4 से 96 वर्ष तक के लोगों से मिले मौजूदा DLW measurements के 6000 से अधिक मामलों का उपयोग करके energy expenditure prediction equations बनाए
- prediction equations sex, age, weight जैसे आसानी से मापे जा सकने वाले characteristics के आधार पर किसी व्यक्ति की energy expenditure का अनुमान लगाते हैं
- researchers ने इस equation को NHANES और NDNS के हजारों records पर लागू किया, ताकि देखा जा सके कि reported energy intake predicted range से मेल खाती है या नहीं
- original results में NHANES adult records के 50% से अधिक और NDNS records के 60% से अधिक predicted range से नीचे निकले
- जिन लोगों ने अधिक protein खाने की report की, उनमें questionnaire और DLW measurements के बीच gap अधिक था
- बाद में Nature Food के correction notice ने बताया कि researchers ने energy expenditure prediction equation लागू करने और diet survey की reported intake से तुलना करने की प्रक्रिया में energy units गलत इस्तेमाल किए
- equation का output megajoule unit में था, लेकिन total energy expenditure value में kilojoule unit वाली value गलत तरीके से डाली गई
- इस error से underreporting का scale अधिक आँका गया
- corrected misreporting rate लगभग 27% है
- Walter Willett ने कहा कि यह correction “काफी बड़ा और महत्वपूर्ण correction” है, और नए results energy intake underreporting के बारे में पहले से ज्ञात बातों से मेल खाते हैं
study interpretation को लेकर मतभेद
- study co-author John Speakman मानते हैं कि कई nutritional epidemiology studies diet exposure और disease outcomes को जोड़ने की कोशिश करती हैं, लेकिन underlying data बहुत संदिग्ध है
- उनका अनुमान है कि यह समस्या उन contradictory nutrition study results को समझाने में मदद कर सकती है, जिनमें कोई खास food एक महीने diabetes या cancer से जुड़ा दिखता है और अगले महीने असंबंधित
- Samantha Kleinberg इस study को महत्वपूर्ण मानती हैं क्योंकि कई studies NHANES data पर निर्भर करती हैं
- दूसरे researchers भी इस prediction equation से अपने datasets की जांच कर सकते हैं
- हालांकि paper खुद भी कहता है कि athletes या pregnant people जैसे असामान्य energy requirements वाले लोगों पर इसका performance खराब हो सकता है, और यह misreporting को केवल indirectly detect करता है
- Walter Willett ने study को “flawed” बताया
- DLW measurements energy intake को precise तरीके से नहीं दिखाते
- DLW values एक ही व्यक्ति में समय के साथ बदलती हैं, और diet changes तथा physical activity के प्रति sensitive होती हैं
- वे मानते हैं कि अच्छी तरह की गई studies में diet और disease के connections को distort करने या food policy को undermine करने जितनी गंभीर misreporting समस्या नहीं है
- उनके अनुसार food policy कई scientific evidences पर आधारित होती है
- NHANES की देखरेख करने वाले U.S. National Center for Health Statistics ने कहा कि diet surveys में underreporting एक अच्छी तरह ज्ञात समस्या है, लेकिन NHANES data अभी भी “valuable and important” है
- high-quality data सुनिश्चित करने के लिए diet interviewers की intensive training जैसे कदम उठाए जाते हैं
- researchers को data analyze करने का तरीका सीखने के लिए tutorial उपलब्ध कराया जाता है
- Lindsay Jaacks मानती हैं कि diet surveys अब भी सबसे अच्छा उपलब्ध data हैं
- DLW epidemiologists के लिए limited है, क्योंकि यह नहीं बताता कि लोगों ने questionnaire responses में क्या छोड़ दिया
- यह नहीं पता चल सकता कि छूटे हुए foods और drinks ultra-processed foods, fruits, lunch meat, yogurt, या sugar वाली milk coffee थे
- लोगों ने प्रत्येक food की quantity कम आँकी या नहीं, यह भी future research का क्षेत्र है
surveys को supplement करने के नए measurement methods
- कई researchers nutritional epidemiology को survey-dependence से दूर ले जाने, या कम से कम additional measurements से supplement करने के तरीके develop कर रहे हैं
- Speakman की research team ने photo food diary का प्रयोग किया, जिसमें participants हर meal की photo लेते हैं और researchers या computer program content का अनुमान लगाते हैं
- यह तरीका inaccurate है और participant की discipline पर भी निर्भर करता है
- अन्य researchers participants की intake track करने के लिए wearable cameras test कर रहे हैं
- Kleinberg और colleagues motion and audio sensors के उपयोग की खोज कर रहे हैं
- Gary Frost की research team जैसे groups ऐसे urine biomarkers खोज रहे हैं जो बता सकें कि किसी ने किसी खास food को कितना खाया
- फिलहाल कोई भी method उस scale पर deploy होने के लिए तैयार नहीं है जो surveys हासिल करते हैं
- Frost का मानना है कि इस prediction equation जैसे tools researchers को misreporting के पैमाने का अनुमान लगाने और उसे research papers में शामिल करने में मदद कर सकते हैं
1 टिप्पणियां
Hacker News की राय
Google AI और SnapCalorie में इस क्षेत्र पर लंबे समय तक काम किया है, और यह दिलचस्प है कि लोग आंखों से देखकर एक serving की मात्रा का अंदाज़ा लगाने की अपनी क्षमता को लेकर कितने आश्वस्त होते हैं, जबकि असल में वे कितने गलत होते हैं
CVPR में प्रकाशित पेपर के मुताबिक, आम लोग औसतन 53%, और प्रशिक्षित विशेषज्ञ भी करीब 40% तक चूक जाते हैं। अगर ज्यादा accuracy चाहिए तो food scale या volume measuring tools की जरूरत होती है; सिर्फ देखने भर से लोग serving size का अच्छा अनुमान नहीं लगा पाते
लोग अक्सर तेल, cooking fat और छिपी हुई ingredients को लेकर चिंता करते हैं, लेकिन वास्तविक tracking error में इनसे कहीं ज्यादा असर serving size का होता है। विस्तृत error breakdown के लिए हमारा प्रकाशित Nutrition5k पेपर देख सकते हैं
Diabetes वाले व्यक्ति के लिए बाहर खाना हमेशा पासा फेंकने जैसा होता है, और खाने के बाद blood sugar का “मजेदार” feedback बार-बार याद दिलाता है कि plate को आंखों से देखकर अंदाज़ा लगाना पूरी तरह बेकार है
पता चला कि लोगों को कागज देकर उनसे “lunch में grilled cheese sandwich” लिखवाना research-quality data को scalable और भरोसेमंद तरीके से जुटाने का तरीका नहीं था
USDA के साथ हमने food records dataset भी बनाया: https://agdatacommons.nal.usda.gov/articles/dataset/SNAPMe_A...
उसके बाद आपको अपने रोजमर्रा के meals और snacks में कितनी calories होती हैं, इसका कहीं बेहतर अंदाज़ा हो जाएगा
तरकीब यह है कि package weight देखें और container को N बराबर हिस्सों में बांटें। यानी पहले target serving size तय करें, फिर उसी के हिसाब से बांटें
अगर task हो “1 ounce butter मापो”, तो realistically 40% की गलती नहीं होगी। क्योंकि 1 pound के rectangular butter block को बार-बार आधा करना बहुत सटीकता से किया जा सकता है। Chicken के मामले में भी, खरीदे गए package में लगभग समान आकार के N pieces का total weight पता होता है, और उनमें से एक piece पूरा पकाया है, इसलिए plate में आई मात्रा का काफी अच्छा अंदाज़ा होता है
अगर घर पर ज्यादातर खाना तौला जाए और केवल कभी-कभार बाहर खाने पर portion और ingredients का अनुमान लगाया जाए, तो व्यक्ति-विशेष के underestimation ratio का अनुमान लगाकर correction किया जा सकता है
हमारा startup BODYSIM.com भी इस क्षेत्र पर लंबे समय से काम कर रहा है। founders सभी 16 महीने से ज्यादा समय से kitchen scale-आधारित daily food logging कर रहे हैं, और उसे daily BIA scale measurements, fitness tracker calories, हर दो हफ्ते blood tests, monthly DEXA, 3D scans वगैरह से मिलाते रहे हैं
साथ ही macronutrient balance और hypertrophy पर आधारित science-based structural model है, जिससे TDEE, यानी total daily energy expenditure और उसके components का बहुत भरोसे के साथ अनुमान लगाया जा सकता है, और fat mass व muscle mass में रोजाना बदलाव predict किए जा सकते हैं। यह असली math और science है, इसलिए इसे reverse direction में भी चलाया जा सकता है, और इस “simultaneity constraint” की वजह से बाहर खाने पर user-specific underestimation या overeating का अनुमान लगाने के लिए पर्याप्त constraints मिल जाते हैं। दरअसल ऐसे दिनों को log न करना ही बेहतर है; हम उन्हें fill in कर सकते हैं। हालांकि ऐसे quantified self-tracking data की एक साथ जरूरत होती है, इसलिए लगता है कि यह व्यापक रूप से इस्तेमाल नहीं होता
जो लोग कहते हैं कि वे “हर चीज़ को ट्रैक और तौलते हैं”, उनके बारे में मुझे जिज्ञासा होती है कि वे घर में बने सॉस, अलग-अलग पकाने के समय वाली सामग्री, समय के साथ बचे हुए खाने में घटते पोषक तत्व, साथ में खाए जाने वाले खाने में से कई बार निकाली गई मात्रा, और खेती के तरीके या किस्म के अंतर को कैसे संभालते हैं
जब मैं अकेला रहता था और ज़्यादातर पैक्ड फूड और लगभग एक जैसे दिखने वाली कच्ची सब्ज़ियां खाता था, तब यह आसान रहा होगा, लेकिन अब जब खाना शेयर करता हूं, बिना barcode वाली कच्ची सामग्री से ज़्यादा cooking करता हूं, और recipe के बिना अंदाज़े से seasoning करता हूं, तो यह उतना फिट बैठता नहीं लगता
1 ounce olive oil में 250 kilocalorie होती हैं, लेकिन 1 ounce lean protein में आम तौर पर 30–50 kilocalorie होती हैं, और 1 ounce हरी सब्ज़ियों में लगभग calories होती ही नहीं
इसलिए तेल और miso जैसी ज़्यादा ऊर्जा वाली सामग्री को सख्ती से तौलना चाहिए, और ज़्यादातर protein और carbohydrates के साथ भी यही बात लागू होती है। Seeds और tomato sauce में भी कुछ calorie density होती है, इसलिए उन्हें तौलना बेहतर है, लेकिन priority कम है
Mustard, lemon juice, बिना sugar वाले ज़्यादातर मसाले, onion, cucumber, parsley को तब तक “free” माना जा सकता है जब तक इन्हें बहुत बड़ी मात्रा में इस्तेमाल न किया जाए। Mustard, lemon, onion, cucumber, parsley की वजह से कोई मोटा नहीं हुआ है
Vitamins जैसे micronutrients को घर की kitchen में व्यवहारिक रूप से मापना मुश्किल है, और अगर चिंता हो तो vitamin-mineral supplements लिए जा सकते हैं। दूसरी ओर protein, carbohydrates, fat जैसे macronutrients को बचे हुए खाने तक में भी आम तौर पर cup, spoon और scale से मोटे तौर पर मापा जा सकता है
कई लोगों के साथ शेयर किए जाने वाले खाने को सख्ती से track करना हो, तो एक बड़े pot में सब कुछ पकाने के बजाय protein, carbohydrates, sauce और fat को अलग-अलग plates या bowls में बांटकर combine करना आसान होता है
बहुत से लोगों के लिए यह इस सीखी हुई सोच से आगे निकलने में मददगार है कि एक serving बड़ी होनी चाहिए, भूख लगे तो तुरंत उसे हल करना चाहिए, या हमेशा “पेट भरा” महसूस होना चाहिए। यह perfect नहीं है और जिन लोगों का eating disorder का इतिहास रहा है, उनके लिए recommend नहीं करूंगा, लेकिन एक-दो महीने करने पर भोजन और खासकर snacks को देखने का तरीका सच में बदल जाता है
घर में बने sauce को नहीं गिनता। Sauce को simple बनाता हूं और थोड़ा ही इस्तेमाल करता हूं, और मेरा लक्ष्य body fat 10% से नीचे लाना भी नहीं है
Cooking time के फर्क को raw ingredients के आधार पर गिनता हूं, या tracking app में हो तो cooked basis पर गिनता हूं। ultra-precise होने की ज़रूरत नहीं है
बचे हुए खाने में nutrients घटने की चिंता नहीं करता। Calories की संख्या खुद भी वैसे अनुमान ही होती है, और यह science से ज़्यादा मोटे तौर पर calorie intake को control करने वाला psychological game है
कई लोगों के साथ खाए जाने वाले भोजन को, अगर मैंने बनाया है, तो पहले पूरे का हिसाब लगाकर अपना हिस्सा estimate करता हूं। अगर किसी दोस्त ने बनाया है तो बिल्कुल चिंता नहीं करता और बस “reasonable” मात्रा खाने की कोशिश करता हूं
Cucumber की किस्म या खेती के तरीके का फर्क भी शायद बहुत मायने नहीं रखता। Weight के हिसाब से cucumber बस cucumber है, और मकसद perfect होना नहीं बल्कि calories का rough sense पाना है
दिन के बजाय महीने के स्तर पर focus करें, और खाते समय नहीं बल्कि खरीदते समय calories गिनें। उदाहरण के लिए, bread की एक loaf में अगर एक slice 100 calories का है और 17 slices हैं, तो उस महीने की calorie total में 1700 जोड़ दें
महीने के अंत में उस महीने खरीदी गई कुल calories को दिनों की संख्या से divide करके average daily calories का मोटा अंदाज़ा निकाला जा सकता है
कुछ food items अगले महीने तक बचे रहेंगे और variation पैदा करेंगे, लेकिन लंबी अवधि में यह balance हो जाता है। ज़्यादा calories वाले items को logical तरीके से बांट दें तो calculation और smooth हो जाती है
उदाहरण के लिए, mayonnaise की एक bottle जो कई महीनों तक चलती है और 8000 calories की है, तो खरीदने वाले महीने में पूरी 8000 न जोड़ें; उस महीने 2000 और अगले 3 महीनों में 2000-2000 जोड़ सकते हैं
Weight loss phase में यह ज़्यादा महत्वपूर्ण है, maintenance phase में कम
ज़्यादातर यह estimation game है और इस धारणा पर निर्भर है कि बाद में average में चीज़ें roughly match हो जाएंगी। Spices को ignore किया जा सकता है। उन्हें 25 calories per day मानना भी शायद ज़्यादा ही होगा
तेल को ईमानदारी से तौलना चाहिए। 9 calories per g बहुत जल्दी जमा हो जाती हैं
फिर भी अगर आप रोज़ 100 calories miss कर रहे हैं और record में 500 calories deficit है, तो भी हफ्ते में लगभग 0.8 pound weight कम होगा। अगर consistency है, तो मात्रा adjust कर सकते हैं और अपने tracking method के हिसाब से calibrate कर सकते हैं
मुख्य बात यह मानना है कि nutrition information variable होती है। Perfect match नहीं कर सकते, इसलिए imperfection को compensate करना होता है
इसके बजाय whole vegetables और fruits खाने की frequency गिनें, और इसे maximize करने की कोशिश करें। वजन घटाने के लिए उल्टा इसे maximize करना है
इस छोटे food category को track करना कहीं आसान है, और इसे बढ़ाने से naturally fullness आती है और मीठी चीज़ें कम खाने का मन होता है। लेकिन अगर overnight diet में dramatic बदलाव कर देंगे, तो process नापसंद लगने लगेगी और आप छोड़ देंगे, इसलिए धीरे-धीरे करना चाहिए
Diet में प्रति हफ्ता 10% से कम बदलाव करें, और जो guilty-pleasure foods पसंद हैं उन्हें खाते रहें, लेकिन ऐसे healthy foods और जोड़ें जिन्हें आप enjoy कर सकें। हो सके तो कम healthy खाना खाने से पहले उन्हें पहले खाएं, ताकि fullness आने का समय मिल सके
अगर pizza खा रहे हैं, तो पहले side salad खा सकते हैं या vegetable pizza चुन सकते हैं। Journey में आगे बढ़ने से पहले pizza को पूरी तरह छोड़ने की कोशिश करने की ज़रूरत नहीं है
Stress न लें और ऐसे छोटे बदलाव लगातार खोजते रहें; लंबी अवधि में आप सही दिशा में जाएंगे, और taste buds भी धीरे-धीरे उन foods का आनंद लेना सीख जाएंगे जिनकी आदत पहले नहीं थी
कई लोग संसाधनों के साथ पूरी तरह भावनात्मक रिश्ता रखते हैं, इसलिए लगता है कि तर्क से उसे भेदना आसान नहीं होता। खाना और वित्तीय मामले कुछ-कुछ वैसे ही हैं
कई सालों तक मैंने अपनी पत्नी से साप्ताहिक किराना बजट का पालन करवाने की कोशिश की, लेकिन हर बार वह काफी ज़्यादा हो जाता था। कभी “यह खाना ज़रूरी था” या “यह toiletries है, इसलिए किराने में नहीं आता” जैसी बातें होती थीं, और आखिरकार किराना बजट पर टिके रहने में सफलता नहीं मिली। समाधान अंत में यही था कि बेहतर वेतन वाली नौकरी में जाने की कोशिश की जाए
वजन घटाना भी इससे बहुत मिलता-जुलता है। ली गई कैलोरी→खर्च की गई कैलोरी, अवधारणा के तौर पर बहुत सरल है, लेकिन व्यवहार में ज़्यादातर लोगों के लिए मुश्किल है। इसलिए नहीं कि वे अवधारणा नहीं समझते, बल्कि इसलिए कि अमल में अटक जाते हैं। वे खुद को धोखा देते हैं, दार्शनिक कुतर्क गढ़ते हैं, और अक्सर अपनी इच्छाओं के आगे झुक जाते हैं। भोजन हासिल करना सबसे बुनियादी प्रवृत्तियों में से एक है, इसलिए यह हैरानी की बात नहीं कि लोगों को इसे बौद्धिक रूप से नियंत्रित करना कठिन लगता है
कुछ लोग मानते हैं कि metabolism अलग-अलग होता है या सभी calories समान नहीं होतीं, इसलिए CICO गलत है। दोनों बातें सच हैं, लेकिन मूल धारणा को खारिज नहीं करतीं। कोई भी metabolism हो, किसी भी तरह की calorie हो, कम calories फिर भी वजन घटाती हैं। यह अनुचित लग सकता है कि किसी को उसी नतीजे के लिए कम मेहनत करनी पड़े, लेकिन जीवन के हर क्षेत्र में असल में ऐसा ही होता है। बेशक calories की quality सुधारना भी बहुत महत्वपूर्ण है और उसे नज़रअंदाज़ नहीं करना चाहिए, लेकिन वह भी मूल धारणा को खारिज नहीं करता
घर और pantry की चीज़ों के replacement cycle, उपयोग और आदतों में बदलाव के हिसाब से अलग-अलग और अजीब होते हैं, और monthly rhythm कीमतों में उतार-चढ़ाव के आसपास योजना बनाने को भी inefficient बना देता है
हासिल किया जा सकने वाला लक्ष्य monthly average किराना खर्च घटाना है, और इसका तरीका है पहले से तय करना कि किन चीज़ों का घर में stock अब नहीं रखना, किन चीज़ों को सस्ते विकल्पों से बदलना, और क्या warehouse store से खरीदना है
लोग कम drive नहीं करते तो petrol budget घटाना मुश्किल होता है। अगर पत्नी सिर्फ ईंधन भरवाने की भूमिका निभा रही थी, तो वह messenger है। यह emotional reaction भी हो सकता है, लेकिन यह संभावना भी माननी चाहिए कि “नियमों को मोड़ना” किसी असंभव मांग को किसी तरह doable बनाने का तरीका हो। होश में हो या न हो, जिन चीज़ों को “हिसाब में नहीं रखा” जाता, वे हर महीने replace नहीं होतीं और उनका cost pattern भी असमान होगा
भूख की समस्या को अलग रखें तो भी खाने के साथ ऐसे तमाम अर्थ जुड़े होते हैं जिनका nutritional value से संबंध नहीं, बल्कि social-psychological value से संबंध होता है
मुझे लगता है कि अपने जीवन में भी मैंने इसे बहुत कम आंका था, या इसके अर्थ को गलत समझा था। यह वास्तव में जिस तरह काम करता है, वह लोगों की सोच से कहीं ज़्यादा व्यापक और सूक्ष्म है। इसका मतलब यह नहीं कि यह गलत है; बस जो चीज़ अर्थपूर्ण ढंग से reward देती है उसे अचानक छीनना कठिन है, खासकर तब जब आपको सचेत रूप से पता भी न हो कि वह क्या कर रही है
छात्र motivation की कमी, boring practice, back pain, repetitive strain injury, practice method बदलने जैसी बातें करें, फिर भी वह बस “practice amount ही skill है” कहकर जवाब दे। मानो समझने में मुश्किल क्या है
हर कोई जानता है कि instrument अच्छा बजाने के लिए समय लगाना पड़ता है। उसी तरह वजन घटाना चाहने वालों में ऐसे लोग बहुत कम होंगे जो food groups से होकर बहने वाली energy conservation को नकारते हों
अगर सचमुच तार्किक रूप से मदद करनी है, तो वह तरीका इस्तेमाल करना चाहिए जो काम करे। sugar छोड़ना, meat छोड़ना, intermittent fasting, calorie counting—जो भी काम करे। यह नहीं कि उसने पिछले हफ्ते 10 घंटे practice नहीं की, यह संकोच से बता दिया जाए, बिना यह पूछे कि वह कर क्यों नहीं पाया
जो लोग सिर्फ intake/outtake की बात करते हैं, वे इस सरल अवधारणा को बौद्धिक रूप से स्वीकार करने में संघर्ष करते दिखते हैं
आप क्या खाते हैं, कैसे पकाते हैं, कब खाते हैं—ये सब hunger, exercise करने की energy, impulse resistance, और nutrients intake से बनने वाली physiological state पर जटिल असर डालते हैं
CICO weight management problem को बाद में समझाने में मदद करता है, लेकिन plan बनाने या weight management goal की तरफ बढ़ते समय quality of life बनाए रखने के लिए पर्याप्त नहीं है
यह mental model उन व्यवहारों को समझने में मदद करता है जैसे संसाधनों को पकड़कर रखना और जमा करना, जबकि हर तरफ स्पष्ट रूप से surplus मौजूद हो
MyFitnessPal से calorie counting करके देखें तो इसमें सचमुच भारी मेहनत लगती है। बाहर खाना खाएं तो मामला लगभग खत्म ही है, और ज्यादा से ज्यादा estimate ही बचता है
sauces और oil तक शामिल करें तो सबसे अच्छी स्थिति में भी accurate होना मुश्किल है और इसे लगातार manage करना भी झंझट भरा है। सबसे अच्छा विकल्प यह हो सकता है कि ऐसी चीज़ों से बचें ताकि गिनती करने की ज़रूरत ही न पड़े
research में लगता है कि लगभग हर कोई, अच्छी नीयत से भी, किसी न किसी समय खराब data डाल देगा
किसी खास fad diet की ज़रूरत नहीं होती; आप जो कुछ भी खाते हैं उसे record करने की कोशिश अपने आप रुककर सोचने पर मजबूर करती है कि “शायद यह खाने की ज़रूरत नहीं है”
घर में stir-fried celtuce [1]? घर में steamed Marble goby [2]? कोई तरीका नहीं। बस packaged mac and cheese की nutrition info मौजूद है
[1] https://en.wikipedia.org/wiki/Celtuce
[2] https://en.wikipedia.org/wiki/Oxyeleotris_marmorata
अगर आप किसी खास restaurant में हमेशा वही चीज़ खाते हैं, तो शुरुआत में उस meal की calories का best estimate लगाइए, और अगर average weight desired direction में नहीं बढ़ रहा/घट रहा, तो target calories adjust करके correction कर सकते हैं
क्योंकि home-cooked food की calories estimate करना मुझे बहुत नापसंद था, और मुझे पता था कि estimate वैसे भी inaccurate होगा
अगर exact calories पता न हों, तो मैं थोड़ा ज्यादा, लगभग 1.2x estimate करता हूं
लोग किसी भी चीज़ की self-reporting ठीक से नहीं कर पाते। exercise, खाना, sex life, grooming—सब में यही बात लागू होती है। किसी वकील से पूछ लें, या ऐसे किसी व्यक्ति से जिसे लोगों से बातें निकलवानी पड़ती हों।
इंसान से कुछ भी पूछने वाले हर व्यक्ति के लिए यह basic assumption होना चाहिए। अगर वैज्ञानिक कल्पना करते हैं कि उनके experiment subjects में कोई ऐसा समूह है जो बिल्कुल सही report करता है, तो यह वैज्ञानिकों की हैरान कर देने वाली मासूमियत का उदाहरण है।
उससे पहले अलग-अलग phenomena के बारे में जानकारी पहुँचाने का लगभग एकमात्र तरीका human testimony था, और low fidelity, low information density, unstable interpretation और reproduction की वजह से उसकी reliability ज़्यादा से ज़्यादा सीमित ही थी।
इसका अच्छा उदाहरण Albrecht Dürer की 1515 की rhinoceros woodcut है। यह indirect reports और sketches के आधार पर बनाई गई थी, इसलिए असल जैसी हूबहू नहीं दिखती, लेकिन body plates की segmentation, horn, toes, आंखों का रूप जैसी कुछ specific features हैरानीजनक रूप से सही दर्ज हैं। संदर्भ: <https://en.wikipedia.org/wiki/D%C3%BCrer%27s_Rhinoceros>
Analog records में भी हेरफेर किया जा सकता था, लेकिन आम तौर पर उसे seamless बनाने के लिए मेहनत और expertise चाहिए होती थी, और independent records की तुलना करके edits और changes पकड़े जा सकते थे।
Photoshop के बाद digital image manipulation आने से photo “evidence” की evidentiary value धीरे-धीरे कमज़ोर होती गई, और AI व smartphone के फैलाव के साथ still images और videos लगभग सभी किसी न किसी हद तक processed होते हैं। AI से still images, video, voice, speech और background sound तक में real-time में plausible fiction बनाया जा सकता है, जो आम लोगों और experts दोनों को भ्रमित कर सकता है।
अंत में, हमारी technology ने कभी इस समस्या का समाधान दिया था, लेकिन अब हम फिर low-reliability fabricated reports के दायरे में लौट रहे हैं—यहाँ तक कि जब technology mediated हो, और खासकर तब।
education system से common sense नहीं भरा जा सकता। ज़्यादातर professional scientists साधारण ही होते हैं, या manipulated system में टिके रहने की कोशिश कर रहे होते हैं।
या फिर field में लंबे समय से काम कर रहे researchers यह पहले से जानते हों, और समस्या research को public के लिए simplify करने वालों में हो सकती है।
coffee अच्छी है या नहीं, wine या chocolate का क्या असर है—इसका जवाब देने के लिए genetics, meal timing, fitness, sedentary lifestyle जैसे confounding variables व्यावहारिक रूप से अनगिनत हैं।
यह 80/20 problem जैसा है; 80 को handle करने के बाद 20 को भूल जाना बेहतर है। वैसे भी जवाब मिलने वाला नहीं है।
अगर आप दिखने में भी अस्वस्थ लगते हैं और महसूस भी खराब कर रहे हैं, तो आम तौर पर संभावना है कि आप बहुत खराब खा रहे हैं। अगर appearance और condition अच्छी है, तो कभी-कभार एक glass wine या dinner के बाद chocolate का एक टुकड़ा बड़ा असर नहीं डालेगा।
लेकिन ऐसे studies में कई non-random selection criteria होते हैं: study में interest, study protocol का पालन, और फिर से report करना।
nutrition science को serious होना है तो N दर्जनों में नहीं, बल्कि दसियों हज़ार में होना चाहिए। खर्च आएगा, लेकिन महत्वपूर्ण कामों के लिए यही बिल्कुल सही है।
मुझे आश्चर्य है कि क्या यह वाकई ज़्यादातर studies में समस्या पैदा करता है।
जिन studies में absolute food intake बिल्कुल accurate होना जरूरी है, वहाँ यह समस्या होगी, लेकिन मेरे सामने आने वाली ज़्यादातर studies इसी वजह से relative wording इस्तेमाल करती हैं। जैसे, अपनी उम्र के लोगों से ज़्यादा X करने वाले लोगों में Y के साथ correlation दिखता है।
अगर देखना हो कि morning coffee consumption longevity से correlated है या नहीं, तो article में संकेत दिए अनुसार अगर मान भी लें कि हर कोई food intake कम report करता है, तब भी यह बहुत relevant नहीं लगता। क्योंकि comparison relative है।
बेशक ऐसे results को “X है लंबी उम्र का राज़!” जैसे clickbait titles में तोड़-मरोड़ दिया जाता है, लेकिन वह dietary research की समस्या से ज़्यादा popular science reporting की समस्या लगती है।
असल में लोग जिन चीज़ों से शर्माते हैं उन्हें कम report करते हैं, और उलटी चीज़ों को कभी-कभी ज़्यादा भी report कर सकते हैं। यह data flaw है जिसे correct करना कहीं ज़्यादा मुश्किल है।
आपके दिए “morning coffee” के उदाहरण में भी यह pure espresso के एक cup से लेकर 600 calories से ज़्यादा वाली Starbucks “coffee” तक कुछ भी हो सकता है, लेकिन meta-study machine सबको एक साथ मिला देती है।
यह कुछ ऐसा है जैसे Reddit comments का पूरा ढेर ChatGPT में डालना, कुछ पूछना, और फिर society level पर अपनी health को दांव पर लगाकर उस जवाब पर भरोसा करना।
article ने मूल रूप से कहा कि हर कोई कम report करता है, यह नहीं कि हर कोई बराबर कम report करता है। और ऐसा न होने के पर्याप्त कारण हैं।
अगर वजह शर्म है, तो जो लोग अपनी eating habits से ज़्यादा शर्माते हैं वे ज़्यादा underreport करेंगे। अगर लोग snacks की तुलना में meals को बेहतर याद रखते हैं, तो ज़्यादा snacks खाने वाले लोग कम snacks खाने वालों की तुलना में ज़्यादा underreport करेंगे। इसके अलावा अगर second helping की मात्रा पहली plate की तुलना में ज़्यादा आसानी से भूल जाती है, तो binge eating को आसान बनाने वाले foods उन foods की तुलना में ज़्यादा underreport होंगे जो ऐसा नहीं करते। इतने सारे systematic distortions हों तो यह मानना ज़्यादा आश्चर्यजनक होगा कि हर कोई समान रूप से underreport करता है।
लेकिन उसके बाद के कठिन काम तक बात शायद ही कभी पहुँचती है। इसलिए हर दिशा में correlations दिखाने वाली studies भरी पड़ी हैं, और एक-दूसरे से टकराने वाली studies भी भरी पड़ी हैं। फिर भी लगता है कि हम इसी हालत से संतुष्ट हैं। nutrition research की स्थिति दयनीय है।
इसलिए वे vegetables ज़्यादा report कर सकते हैं और alcohol या cigarettes, या ऐसे illegal drugs के बारे में नहीं बता सकते जिन्हें research को कानूनी तौर पर police को report करना पड़ सकता हो। खुद को vegetarian कहने वाला व्यक्ति खाया हुआ meat report न कर सकता है, और मोटा व्यक्ति कह सकता है कि उसने dessert छोड़ दिया था।
इसी वजह से sleep studies को मरीजों की self-reporting पर नहीं छोड़ा जाता, बल्कि clinic में किया जाता है
अगर सटीक data चाहिए, तो असली research करनी होगी, और researcher को खुद meal portions बांटने होंगे और schedule भी देना होगा
प्रतिभागियों को सभी meals और snacks दिए जाते हैं, और कभी-कभी कुछ हफ्तों से लेकर कुछ महीनों तक लगातार monitor भी किया जाता है
https://pubmed.ncbi.nlm.nih.gov/39134209/
जाहिर है, ऐसी studies क्लासिक “questionnaire भरने” वाली observational studies की तुलना में कहीं ज्यादा intrusive और महंगी होती हैं, इसलिए दुर्लभ हैं। फिर भी वे मौजूद हैं और उनके results बहुत उपयोगी होते हैं
एक widely cited nutrition questionnaire tool Nurses' Health Study है, जो ढेरों disposable nutrition clickbait results का आधार बना। इस questionnaire-based observation का इस्तेमाल यह साबित करने के लिए भी हुआ कि meat शरीर के लिए खराब है, और यह साबित करने के लिए भी कि वह अच्छा है; artificial sweeteners आपको पतला बनाते हैं, और यह भी कि वे वजन बढ़ाते हैं। “कभी-कभार याद करें कि पिछले समय में आपने क्या खाया था” जैसा एक questionnaire nutrition science के भारी शोर की जड़ है
मेरे अनुभव में लोग alcohol की calories को खास तौर पर ठीक से नहीं समझते
carbohydrates और protein में आम तौर पर प्रति g 4 calories होती हैं, और alcohol में प्रति g 7 calories। सिर्फ fat ज्यादा energy-dense होता है, प्रति g 9 calories
मुझे याद है कि 2000s में low-carb foods का बड़ा trend था और Bacardi ने अपने rum में carbs न होने की बात को आगे रखकर लोकप्रिय ads चलाए थे। असल में बिना flavor वाली सभी distilled spirits में carbs नहीं होते और फिर भी उनकी calories बहुत ज्यादा होती हैं, लेकिन इन्हें weight-conscious लोगों के लिए ज्यादा smart choice की तरह market किया गया
यह लकड़ी की calories मापने जैसा है। वह अच्छी तरह जलती है, इसलिए calories ज्यादा हैं, लेकिन metabolize अच्छी तरह नहीं होती। लकड़ी का एक टुकड़ा लगभग 400kcal/100g होता है
Ethanol में 1325kJ/mol energy होती है। लेकिन अगर metabolic pathway के बीच में reaction रुक जाए, तो पीने के बाद acetic acid urine के जरिए बाहर निकल जाता है, इसलिए alcohol से मिलने वाली usable energy बहुत घटकर सिर्फ 215.1kJ/mol रह जाती है
https://en.wikipedia.org/wiki/Pharmacology_of_ethanol#Metabo...
मुझे लगा था कि यह सामान्य रूप से known fact है कि लोग अपने बारे में ज्यादातर चीजों की reporting ठीक से नहीं कर पाते
सच में rigorous research करनी हो तो objective होना पड़ेगा, इसलिए यह wearables या दूसरे smart monitors के समर्थन में अच्छा तर्क बनता है