Voeding · 22 oktober 2026 · 14 min lezen
Nauwkeurigheid van AI-calorietellers: hoe betrouwbaar is calorieën tellen vanaf een foto?
Cal AI, MyFitnessPal, Foodvisor, ChatGPT… Wat onderzoek zegt over calorieën die worden geschat vanaf een foto van je maaltijd, waarom AI maaltijden vaak onderschat en hoe je in een paar seconden betrouwbare cijfers krijgt.
Hoe nauwkeurig zijn AI-calorietellers?
Bijgewerkt op 18 november 2026 · Door het Ember-team
In het kort
Nee, een calorie-app met foto is niet tot op de gram nauwkeurig: met alleen een foto vinden studies uit 2025 en 2026 een gemiddelde fout van 25 tot 35% per maaltijd, meestal te laag. De apps herkennen voedingsmiddelen goed (93% in één studie), maar schatten hoeveelheden veel minder goed in.
De fout neigt meestal naar onderschatting: in 2026 vond een voorlopige NIH-studie dat vier foto-apps gemiddeld 250 tot 345 kcal minder registreerden dan de echte maaltijd, vooral door vet.
Je geheugen doet het niet beter: gecontroleerd met dubbel gelabeld water rapporteren volwassenen gemiddeld 12 tot 20% te weinig als ze hun dag terughalen.
Fotografeer van bovenaf, voeg een referentie voor de grootte toe, beschrijf verborgen ingrediënten en corrigeer de hoeveelheden: met een ingrediëntenlijst daalde de fout van één AI-model in een studie tot 14%.
Zo maakt een calorie-app van een foto een getal
Maak een foto van je bord in plaats van elk voedingsmiddel in een database op te zoeken: dat is de belofte van MyFitnessPal (Meal Scan), Lose It! (Snap It), Cal AI, Foodvisor, SnapCalorie en Ember, de app die deze gids publiceert. Achter de knop verloopt het proces bijna altijd hetzelfde, in drie stappen. Het model herkent eerst de voedingsmiddelen, schat dan hoeveel van elk op het bord ligt en zet die grammen ten slotte om in calorieën en macro's met een database met voedingswaarden.
De eerste stap is heel betrouwbaar geworden. In een Ierse studie uit 2025 herkende ChatGPT de voedingsmiddelen op 114 foto's van maaltijden met 93% precisie. De tweede stap is veel wankeler: een foto is een plat beeld zonder schaal en zonder meetlint. Het model moet de dikte van een biefstuk raden, de diepte van een kom of hoeveel olie een pan roergebakken groenten heeft opgenomen. De derde stap hangt af van wat er is herkend: als de app gewone witte rijst ziet waar gebakken rijst ligt, begint de berekening al verkeerd.
Een hoog herkenningspercentage zegt dus niets over de nauwkeurigheid van de calorieën. Een app kan alles op het bord perfect benoemen en toch flink naast de portie zitten. Als een app in de winkel een percentage „nauwkeurigheid” noemt, vraag je dan af of het meet hoe goed gerechten worden herkend of hoe dicht de calorieën echt bij de werkelijkheid liggen. Om functies van de belangrijkste apps te vergelijken, bekijk je ons overzicht van de beste calorie-apps.
Hoe nauwkeurig zijn calorie-apps? Wat studies in 2025 en 2026 vonden
Onafhankelijke studies zijn nog zeldzaam, maar ze zijn talrijker geworden sinds er beeldmodellen voor het grote publiek zijn. De opzet lijkt op elkaar: tot op de gram gewogen maaltijden worden gefotografeerd, door een app of een model zoals ChatGPT gehaald, en de schatting wordt vergeleken met de echte waarde.
Het meest besproken resultaat komt van onderzoekers van het NIDDK, het NIH-instituut voor diabetes en voeding. In hun studie, gepresenteerd in juli 2026 op NUTRITION, het jaarlijkse congres van de American Society for Nutrition, gingen 102 maaltijden die in een metabole keuken waren bereid door vier apps: MyFitnessPal, Lose It!, Cal AI en Appediet. Alle vier onderschatten de calorieën met ongeveer een derde, gemiddeld 250 tot 345 kcal per maaltijd, en het vet met ongeveer 30 g. Het is een congressamenvatting, nog geen peer-reviewed artikel, en de resultaten werden niet per app uitgesplitst. Twijfel je tussen Lose It! en een app die vooral met foto's werkt, dan zet onze vergelijking met een alternatief voor Lose It! (in het Engels) op een rij wat elke app gratis biedt.
Er tekent zich een manier af om het beter te doen. Onderzoekers van Emory University in de Verenigde Staten koppelden een AI-model dat beelden leest aan de officiële voedingsdatabase van het Amerikaanse ministerie van Landbouw (FNDDS), in plaats van het op zijn algemene kennis te laten vertrouwen. Hun hulpmiddel DietAI24, eind 2025 gepubliceerd in Communications Medicine, verlaagde de gemiddelde fout met 63% voor het gewicht van voedingsmiddelen en vier belangrijke voedingsstoffen, vergeleken met commerciële apps en bestaande modellen, op foto's van gemengde gerechten. De test gebruikte beeldensets uit onderzoek, geen maaltijden die gewone gebruikers zelf fotografeerden, maar de les is duidelijk: AI maakt minder fouten als de calorieën uit een betrouwbare voedingstabel komen dan als het ze raadt.
| Studie | Wat getest werd | Belangrijkste bevinding |
|---|---|---|
| NIH (NIDDK), NUTRITION 2026 | 102 gewogen maaltijden, 4 apps: MyFitnessPal, Lose It!, Cal AI, Appediet | Calorieën onderschat met 250 tot 345 kcal per maaltijd (ongeveer een derde), vet met 30 g |
| Fridolfsson et al., 2025 | 52 foto's, ChatGPT-4o, Claude 3.5 Sonnet, Gemini 1.5 Pro | Gemiddelde fout van 35,8% (ChatGPT, Claude) en 64,2% (Gemini), onderschatting groter naarmate de portie groter is |
| O’Hara et al., 2025 | 114 foto's van 38 maaltijden in 3 portiegroottes, ChatGPT-4 | Voedingsmiddelen herkend met 93% precisie, gewicht onderschat op 76% van de foto's |
| Rodríguez-Jiménez et al., 2025 | 195 gerechten, ChatGPT-5 | 30,5% fout met alleen de foto, 13,9% met de ingrediëntenlijst |
| Isobe et al., 2026 | 15 ziekenhuisdienbladen van ongeveer 600 kcal, 10 AI-modellen en 10 diëtisten | Gemiddeld verschil van 38,5 kcal voor het beste model, 22,4 kcal voor diëtisten |
| Yan et al., Communications Medicine, 2025 | DietAI24: AI-model dat beelden leest, gekoppeld aan een officiële voedingsdatabase (FNDDS), echte gemengde gerechten | Fout op gewicht en 4 belangrijke voedingsstoffen 63% lager dan bij commerciële apps en bestaande modellen |
Gemiddelde fout: gemiddeld absoluut verschil tussen de schatting en de echte waarde van de gewogen maaltijden. De NIH-studie is voorlopig (congressamenvatting). Apps en modellen veranderen snel: deze cijfers beschrijven de geteste versies.
Waarom AI grote porties en vet onderschat
Twee mechanismen komen steeds terug. Het eerste is de portiegrootte. In de Ierse studie schatte ChatGPT kleine borden goed in, maar onderschatte het gewicht op 76% van de foto's: een grote portie van gemiddeld 798 g werd op 530 g geschat, dus een derde van het eten verdween uit de berekening. Het Zweedse team dat ChatGPT-4o, Claude en Gemini testte, zag hetzelfde patroon: hoe groter de portie, hoe verder de schatting tekortschoot. Modellen lijken elk bord naar een „standaard” portie te trekken, wat kleine eters flatteert en royale borden benadeelt.
Het tweede mechanisme is vet, de energierijkste van de macronutriënten met 9 kcal per gram. Een lepel olie die in groenten is getrokken, een klontje boter gesmolten in pasta of een saus door een gerecht is gewoon onzichtbaar. De 30 g ontbrekend vet in de NIH-studie zijn op zich goed voor ongeveer 270 kcal, het grootste deel van het gemeten tekort. De onderzoekers merkten ook op dat de apps meer moeite hadden met ketogene maaltijden, die heel veel vet bevatten.
Fouten in vet wijzen niet altijd dezelfde kant op. Op vrij magere Japanse ziekenhuisdienbladen overschatten AI-modellen het vet juist met meer dan 20%. De auteurs noemen het het probleem van de „onzichtbare voedingsstof”: omdat het model het vet niet kan zien, past het een gemiddelde toe. Dat werkt voor een gewoon gerecht, veel minder voor een heel rijk of heel licht gerecht.
Olie, sauzen, gemengde gerechten, drankjes: wat een AI-calorieteller misleidt
Sommige maaltijden zijn gemaakt voor foto's: een bord met losse, goed zichtbare onderdelen (een visfilet, rijst, sperziebonen) krijgt meestal een goede schatting. Het probleem begint zodra informatie buiten beeld valt. In de studie met ChatGPT-5 gaven gerechten in kommen de grootste fouten, omdat de camera geen diepte ziet. Een curry, soep, rijk gevulde salade of pasta met saus verstopt de ingrediënten in lagen.
Ook de hoek van de camera telt. Schuin gefotografeerd lijkt een bord achteraan kleiner dan vooraan, en het perspectief vervormt de schatting van het volume. Weinig licht of een wazige foto zitten de herkenning zelf in de weg. Vooral zegt een beeld niets over wat er in de keuken gebeurde: een ingevette pan, boter in de puree, suiker in de tomatensaus, kaas gesmolten onder het oppervlak.
Drankjes zijn het uiterste geval. Een glas donkere vloeistof kan bruiswater met smaak zijn, cola of ijsthee; een oranje glas kan sap of frisdrank zijn. Voor een AI is het verschil vaak niet te zien, terwijl het om meer dan 100 kcal per glas gaat.
| Valkuil | Waarom de AI het mis heeft | Orde van grootte |
|---|---|---|
| Bakolie | Eenmaal opgenomen is ze niet meer te zien | 1 eetlepel (10 g) ≈ 90 kcal |
| Sauzen | Door het gerecht gemengd of eronder verstopt | 30 g mayonaise ≈ 208 kcal |
| Grote porties | Het model trekt het bord naar een standaardportie | 798 g gemiddeld op 530 g geschat |
| Kommen en gemengde gerechten | Diepte en ingrediënten in lagen zijn onzichtbaar | Grootste fouten in de studie met ChatGPT-5 |
| Drankjes | Een glas verraadt niet wat erin zit | Cola 330 ml ≈ 132 kcal, sinaasappelsap 250 ml ≈ 115 kcal |
Waarden uit de Franse Ciqual-tabel (ANSES) voor olijfolie (899 kcal per 100 g), mayonaise, cola en puur sinaasappelsap. Een eetlepel olie is geschat op 10 g. Porties: O’Hara et al. (2025).
Foto of handmatig invoeren: wat is minder nauwkeurig?
Voordat je foto's afschrijft, vergelijk ze met wat ze vervangen. Als mensen zelf hun maaltijden invoeren, vergeten ze een koekje, maken ze een portie kleiner en ronden ze naar beneden af. De gouden standaard om dit te meten is dubbel gelabeld water: je drinkt water verrijkt met stabiele isotopen, en de snelheid waarmee ze je lichaam verlaten laat je echte energieverbruik over een tot twee weken zien. Bij iemand met een stabiel gewicht is de inname gelijk aan het verbruik, dus de gerapporteerde inname kan worden gecontroleerd.
De resultaten zijn duidelijk. In de Amerikaanse OPEN-studie met 484 volwassenen rapporteerden mannen in 24-uursherinneringen 12 tot 14% te weinig, en vrouwen 16 tot 20%. Met een voedselfrequentievragenlijst liep het verschil op tot 31 tot 38%. Een studie die in 1992 in de New England Journal of Medicine verscheen, volgde een kleine groep mensen die ervan overtuigd waren dat ze niet konden afvallen met een dieet onder de 1.200 kcal: ze onderschatten hun inname gemiddeld met 47% en overschatten hun lichaamsbeweging met 51%.
Dat betekent niet dat mensen liegen. Een portie op het oog inschatten is voor iedereen moeilijk, en kleine extraatjes vergeet je makkelijk. Het is vaak de echte reden achter een schijnbaar raadselachtig afvalplateau. Handmatig invoeren met elk ingrediënt gewogen blijft de nauwkeurigste methode, maar is zo bewerkelijk dat weinig mensen het lang volhouden. De Zweedse onderzoekers wijzen erop dat de fout van ChatGPT-4o en Claude in hetzelfde bereik viel als eetdagboeken van sporters die met dubbel gelabeld water werden gecontroleerd, zonder de moeite van het invoeren.
Is een onvolmaakte schatting goed genoeg om af te vallen?
Goed nieuws: voor gewichtsbeheersing telt consistentie meer dan perfectie. Als je app je maaltijden elke dag op een vrij constante manier met 15% onderschat, klopt je dagtotaal niet, maar zijn je trends nog steeds af te lezen. Je ziet op welke dagen je meer eet, welke maaltijden het zwaarst wegen en of je aanpassingen werken.
Je weegschaal is dan de scheidsrechter. Een calorietekort bewijst zich over de tijd: als je gemiddelde gewicht na drie of vier weken niet is veranderd terwijl de app een tekort laat zien, bevatten je maaltijden waarschijnlijk meer calorieën dan geschat. Zoek dan eerst de foutbronnen die hierboven zijn beschreven, in plaats van je porties nog verder te verkleinen: olie, sauzen, drankjes en grote borden.
Nauwkeurigheid tot op de gram is alleen in specifieke gevallen belangrijk: medische begeleiding, strak begeleide sportvoorbereiding of een aandoening waarbij je één voedingsstof moet beheersen. In die situaties vervangen schattingen vanaf een foto weegschaal noch het advies van een arts of diëtist. Voor een fitness- of gewichtsdoel is een eenvoudige methode die je elke dag volhoudt beter dan een perfecte die je na tien dagen opgeeft.
Restaurant, thuis koken, verpakte producten: pas je methode aan
Ga er in een restaurant van uit dat het gerecht meer vet bevat dan het lijkt: professionele keukens zijn royaal met boter, room en olie voor smaak en textuur. Maak een foto van het bord en voeg toe wat je weet: „friet”, „botersaus”, „dressing apart”. Onze tips om gezond te eten in een restaurant helpen je ook gerechten te kiezen die makkelijker te schatten zijn.
Thuis heb je een groot voordeel: je kent het recept. Noteer hoeveel olie er in de pan ging en verdeel die over de porties. Bij een gezinsgerecht is een beschrijving als „een zesde van een lasagne gemaakt met 400 g rundvlees en 200 g kaas” veel nauwkeuriger dan een foto van de bovenkant van de ovenschotel. De studie met ChatGPT-5 laat het duidelijk zien: de fout daalde van 30,5% met alleen de foto naar 24,4% als details zoals het soort en de hoeveelheid vet werden vermeld, en daarna naar 13,9% met de volledige ingrediëntenlijst.
Voor verpakte producten is een foto niet het beste hulpmiddel: het voedingsetiket geeft je de exacte waarde. Scan de barcode als het kan en bewaar foto's voor gemengde borden.
Foto, tekst of barcode: hoe kun je het best invoeren?
Een foto is niet de enige snelle manier. Je maaltijd in één zin beschrijven gaat vaak net zo snel en is soms nauwkeuriger. In een studie van Wageningen University uit 2021 schatten 40 deelnemers de porties van een gewogen lunch met geschreven beschrijvingen of met portiefoto's: 31% van de schattingen met tekst lag binnen 10% van het echte gewicht, tegenover 13% met beelden.
Dat kiezen ook de meeste gebruikers van Ember. Van 17 oktober tot 15 november 2026 werd 23% van de maaltijden in de app met een foto ingevoerd (983 van de 4.220), 72% door de maaltijd in tekst te beschrijven en 4% met de barcode. Deze cijfers beschrijven de gewoonten van onze gebruikers, niet hoe nauwkeurig elke methode is.
In de praktijk heeft elke methode haar eigen terrein. Een foto helpt als je niet weet hoe het gerecht heet of als er veel op je bord ligt. Tekst is vaak nauwkeuriger zodra je de hoeveelheden of het recept kent, en het is de enige manier om olie of suiker te vermelden. Een barcode geeft de exacte waarde van verpakte producten. Onze gids over calorieën tellen zonder weegschaal geeft je portiematen die je in je beschrijvingen kunt gebruiken.
7 gewoonten voor nauwkeurigere calorieën vanaf een foto
Deze gewoonten kosten een paar seconden en lossen de meeste fouten op die de studies beschrijven:
- Fotografeer recht van boven
Houd je telefoon horizontaal boven het bord, in goed licht, voordat je begint te eten. Voeg bij een kom of hoog gerecht een tweede foto van opzij toe of vermeld de diepte.
- Voeg een referentie voor de grootte toe
Een vork, een blikje of je hand naast het bord geeft het model een schaal. Zonder dat is er niets dat een klein bord onderscheidt van een grote schaal.
- Beschrijf wat je niet ziet
Bakolie, boter, saus, suiker, gesmolten kaas: één zin is genoeg. Het is de gewoonte die schattingen het meest verbetert.
- Corrigeer de hoeveelheden
Als de app 150 g pasta zegt terwijl je 250 g hebt gekookt, pas dan de portie aan. Controleer vooral zetmeel, vlees en sauzen.
- Vergeet drankjes en extraatjes niet
Sap, frisdrank, wijn, koffie met suiker, brood, snoepen tijdens het koken: dat zijn de gebruikelijke blinde vlekken, op foto's en in handgeschreven logboeken.
- Weeg af en toe je eten
Een paar dagen wegen om de paar maanden is genoeg om je oog te kalibreren op je gewone porties: een kom ontbijtgranen, een bord rijst, een scheutje olie.
- Mik op regelmaat
Leg elke maaltijd vast, ook als het niet perfect is. Een ruwe schatting die je elke dag bijhoudt, is beter dan een perfect dagboek dat je na een week opgeeft.
Met Ember maak je een foto van je maaltijd of beschrijf je hem in één zin („kipcurry, basmatirijst, een lepel olie”), en pas je daarna elk voedingsmiddel en de hoeveelheid aan. De getoonde cijfers blijven schattingen, zoals in elke app: deze gewoonten werken welk hulpmiddel je ook gebruikt.
De belangrijkste punten
Calorie-apps met foto's zijn heel goed in herkennen wat er op het bord ligt en veel minder goed in inschatten hoeveel het is. Met alleen een foto kun je een gemiddelde fout van ongeveer 25 tot 35% verwachten, meestal aan de lage kant, en groter bij grote porties, gerechten met saus en vette maaltijden. Dat is niet slechter dan het menselijk geheugen, dat gemiddeld 12 tot 20% van wat we eten mist. Fotografeer van bovenaf, geef een idee van de schaal, beschrijf de olie en sauzen, corrigeer de hoeveelheden en weeg af en toe je eten: zo maak je van een ruwe schatting een betrouwbaar hulpmiddel. Volg ten slotte de trend van je gewicht over meerdere weken, want dat is de echte test of je cijfers kloppen.
Bronnen
- American Society for Nutrition (Newswise), Photo-Based Calorie-Tracking Apps May Underestimate Energy in Meals, NUTRITION 2026, July 2026.
- Fridolfsson J. et al. Performance Evaluation of 3 Large Language Models for Nutritional Content Estimation from Food Images. Curr Dev Nutr, 2025.
- O’Hara C. et al. An Evaluation of ChatGPT for Nutrient Content Estimation from Meal Photographs. Nutrients, 2025.
- Rodríguez-Jiménez M. et al. Image-Based Dietary Energy and Macronutrients Estimation with ChatGPT-5. Nutrients, 2025.
- Isobe T. et al. Accuracy of AI-Based Nutrient Estimation from Standardized Hospital Meal Images: A Comparison with Registered Dietitians. Nutrients, 2026.
- Yan R., Luo H., Lu J. et al. DietAI24 as a framework for comprehensive nutrition estimation using multimodal large language models. Communications Medicine, 2025.
- Lucassen D.A. et al. The accuracy of portion size estimation using food images and textual descriptions of portion sizes: an evaluation study. Journal of Human Nutrition and Dietetics, 2021.
- Subar A.F. et al. Using intake biomarkers to evaluate the extent of dietary misreporting in a large sample of adults: the OPEN study. Am J Epidemiol, 2003.
- Lichtman S.W. et al. Discrepancy between self-reported and actual caloric intake and exercise in obese subjects. N Engl J Med, 1992.
- ANSES, Ciqual food composition table. Huile d’olive vierge extra (code 17270), mayonnaise (11054), cola (18018), jus d’orange pur jus (2070).
MyFitnessPal, Lose It!, Cal AI, Appediet, Foodvisor, SnapCalorie, ChatGPT, Claude en Gemini zijn handelsmerken van hun respectieve eigenaren. Ember is niet verbonden aan of goedgekeurd door een van deze bedrijven. De aangehaalde resultaten beschrijven de versies die in elke studie zijn getest (2025 en 2026): apps veranderen en hun huidige prestaties kunnen afwijken. Voedingswaarden uit de Franse Ciqual-tabel (ANSES). Deze gids vervangt geen advies van een zorgverlener.
Veelgestelde vragen over de nauwkeurigheid van AI-calorietellers
Ze zijn nauwkeurig in het herkennen van voedingsmiddelen, minder in het inschatten van hoeveelheden. Met alleen een foto melden studies uit 2025 en 2026 een gemiddelde fout van 25 tot 35% per maaltijd, meestal richting onderschatting. Verborgen ingrediënten beschrijven en porties corrigeren verkleint het verschil flink.
Geen enkele onafhankelijke ranglijst kan vandaag een winnaar aanwijzen. De NIH-studie die in 2026 werd gepresenteerd, vond onderschatting bij alle vier geteste apps zonder resultaten per app te publiceren, en de modellen veranderen bij elke update. Het nuttigste criterium is hoe makkelijk je kunt corrigeren: een voedingsmiddel, de hoeveelheid aanpassen of een saus toevoegen in een paar seconden.
Meestal door onzichtbare vetten (olie, boter, sauzen) en grote porties, die modellen vaak terugtrekken naar een standaardgrootte. Drankjes en extraatjes die niet op de foto staan, vergroten het verschil.
Ja, met een foutmarge vergelijkbaar met speciale apps. In een studie uit 2025 had ChatGPT-4o met alleen de foto een gemiddelde fout van 35,8%. Met ChatGPT-5 daalde de fout van 30,5% naar 13,9% als de ingrediëntenlijst en hoeveelheden werden gegeven. Een algemene assistent houdt wel geen eetdagboek of dagtotalen bij.
Niet bij elke maaltijd. Af en toe een paar dagen je gewone porties wegen is genoeg om je blinde vlekken te vinden en daarna schattingen beter te corrigeren. Alles wegen blijft nuttig voor nauwkeurige medische of sportieve begeleiding.
Niet per se, maar het is niet minder betrouwbaar dan je geheugen. Gecontroleerd met dubbel gelabeld water rapporteren volwassenen 12 tot 20% te weinig in 24-uursherinneringen en tot 38% met een voedselvragenlijst. Invoeren met een weegschaal blijft het nauwkeurigst; foto's zijn sneller, dus makkelijker vol te houden.
Fotografeer het hele bord van bovenaf, in goed licht en voor het eten, met een voorwerp van bekende grootte ernaast (een vork, een blikje). Voeg bij een kom een foto van opzij toe en vermeld de olie, sauzen en het drankje in één zin.
Niet per se. Een hoeveelheid aanpassen of „een eetlepel olie” toevoegen kost een paar seconden; elk voedingsmiddel opzoeken en wegen kost veel meer moeite, en precies die moeite laat veel mensen afhaken. Ken je de hoeveelheden al, dan is een beschrijving in één zin vaak het snelst en het nauwkeurigst; de foto helpt vooral bij een ingewikkeld bord of als je niet weet hoe het gerecht heet.
Ja, daar helpt hij juist het meest, omdat je niet kunt wegen en geen etiket kunt lezen. Ga ervan uit dat het gerecht vetter is dan het lijkt, voeg in een paar woorden de saus, friet of boter toe en kijk meer naar de trend dan naar het exacte getal. De NIH-studie mat een onderschatting van ongeveer 30 g vet per maaltijd, bijna 270 kcal.
Kijk eerst wat hij herkende en in welke hoeveelheid: een gefrituurd gerecht, een dubbele portie of een extra saus is genoeg om het totaal op te blazen. AI zit er niet altijd te laag naast: bij vrij magere ziekenhuismaaltijden overschatten de modellen het vet met meer dan 20%. Corrigeer het voedingsmiddel of de portie en vergelijk bij twijfel met het etiket of een voedingstabel.
Voeding · 2 mrt
Gids over macronutriënten
Alles over macronutriënten: eiwitten, koolhydraten, vetten en vezels. Praktische tips om je voeding en intermittent fasting te optimaliseren.
Voeding · 22 okt
Calorieën in een ei: gekookt, gebakken, roerei en per maat
Calorieën in een ei per maat (S tot XL), eiwit tegenover dooier, bereidingswijze en gerechten (omelet, met spek), plus cholesterol en hoeveel eieren per dag.
Gewicht en fitness · 6 mrt
Calorietekort: betekenis, berekening en voorbeelden
Wat is een calorietekort, hoeveel calorieën moet je minder eten en hoeveel val je per week af? Gratis rekenhulp en voorbeelden voor vrouwen en mannen.
