Validité limitée d’une application d’évaluation alimentaire propulsée par l’IA chez des femmes en situation d’obésité

Pourquoi une application de suivi des repas ne raconte peut‑être pas toute l’histoire

Beaucoup de gens utilisent des applications sur smartphone pour surveiller leur alimentation, en particulier lorsqu’ils cherchent à gérer leur poids. Ces outils promettent de convertir des instantanés rapides des repas en comptes précis de calories. Cette étude a testé si l’une de ces applications alimentées par l’intelligence artificielle (IA), appelée SNAQ, reflète réellement la dépense énergétique quotidienne des femmes en situation d’obésité. Les résultats importent pour toute personne susceptible de s’appuyer sur ces chiffres pour orienter des décisions médicales, des plans de perte de poids ou des objectifs de santé à long terme.

Comment l’étude a été conçue

Des chercheurs en Suisse ont recruté 20 femmes adultes vivant avec l’obésité et les ont suivies pendant une semaine dans leurs activités quotidiennes normales. Chaque participante a utilisé l’application SNAQ pour photographier tout ce qu’elle mangeait et buvait. L’application utilisait la détection de profondeur et la vision par ordinateur pour convertir ces images en estimations des calories et des nutriments journaliers. Pour disposer d’un étalon fiable, l’équipe a également mesuré la dépense énergétique totale quotidienne de chaque femme avec une méthode de laboratoire de référence appelée eau doublement marquée, qui suit la vitesse d’élimination de traceurs inoffensifs. De plus, les femmes ont complété des entretiens nutritionnels classiques de 24 heures, une méthode ancienne mais imparfaite de rappel de l’apport de la journée précédente.

Ce que l’application a mal évalué

Lorsque les chercheurs ont comparé les chiffres de l’application à la dépense énergétique réelle du corps, les écarts étaient importants. En moyenne, le métabolisme des femmes utilisait environ 3000 calories par jour, mais SNAQ n’a rapporté qu’environ 2200 — une sous‑estimation d’environ 25 %. Les entretiens de rappel sur 24 heures faisaient encore pire, manquant environ la moitié de l’apport réel. Fait crucial, les erreurs n’étaient pas cohérentes d’une personne à l’autre. Pour certaines femmes, l’application surestimait légèrement les calories, tandis que pour d’autres l’écart atteignait des milliers de calories. Les tests statistiques ont montré qu’il n’y avait essentiellement aucune concordance fiable entre ce que l’application rapportait et ce que indiquait le métabolisme corporel pour un individu donné.

Pourquoi les chiffres s’écartent autant

Les auteurs mettent en cause à la fois le comportement humain et les limites technologiques pour expliquer le décalage. Dans des conditions réelles, les personnes peuvent oublier de photographier des collations, subir des variations d’éclairage ou couvrir partiellement les aliments dans le cadre. Le système d’IA doit aussi deviner ce que contient chaque élément et en quelle quantité, ce qui devient plus difficile lorsque les portions sont grandes, les aliments mélangés ou les boissons dans des contenants opaques. Parce que les données d’entraînement proviennent souvent de repas plus standardisés et de portions plus petites, les habitudes alimentaires courantes chez les personnes en situation d’obésité peuvent sortir de la zone de confort de l’application. De petites erreurs à chaque étape s’additionnent, conduisant à des estimations d’énergie très variables qui ne suivent ni la taille corporelle, ni la composition corporelle, ni les variations de poids à court terme.

Les limites des raccourcis numériques

Bien que les moyennes de groupe fournies par l’application semblaient quelque peu plus proches de la méthode de laboratoire que les rappels basés sur entretien, ce succès apparent s’est avéré trompeur. Quelques fortes surestimations compensaient de nombreuses sous‑estimations, masquant le fait que les enregistrements individuels étaient très instables d’un jour sur l’autre. Lorsque l’équipe a appliqué des contrôles standard visant à repérer les rapports alimentaires suspects, seulement environ un tiers des enregistrements journaliers de l’application pouvaient être considérés comme même plausiblement précis. L’application ne montrait pas non plus de relation significative avec des marqueurs physiologiques clés, tels que la masse sans graisse ou les variations de poids corporel, sapant encore son utilité pour un suivi précis.

Ce que cela signifie pour les patientes et les cliniciens

Les auteurs concluent que SNAQ, et probablement des applications similaires basées sur l’IA, ne sont pas encore suffisamment fiables pour une évaluation alimentaire précise chez les femmes en situation d’obésité. Sous‑estimer l’apport énergétique d’environ un quart — et le faire de façon incohérente — peut facilement induire en erreur médecins et patientes sur les raisons pour lesquelles un traitement fonctionne ou non. L’étude soutient que, avant d’intégrer ces outils dans les soins cliniques, ils doivent réussir des tests clairs et standardisés d’exactitude, de stabilité et de sécurité, à l’instar des dispositifs médicaux ou des tests diagnostiques. Pour l’instant, la commodité numérique devrait être considérée comme un complément utile pour sensibiliser, et non comme un instrument de mesure autonome pour des décisions sérieuses concernant le traitement de l’obésité.

Citation: Serra, M., Alceste, D., Jucker, N. et al. Limited validity of an AI-powered app for dietary assessment in females with obesity. npj Digit. Med. 9, 357 (2026). https://doi.org/10.1038/s41746-026-02536-2

Mots-clés: applications de suivi alimentaire, intelligence artificielle en nutrition, prise en charge de l’obésité, précision de l’évaluation alimentaire, validation de la santé numérique