Calorieën in, calorieën uit (CICO) bleef echt bij me hangen na experimenteren. Ik slaagde erin om het model op mezelf en op tientallen mensen in de loop der jaren te verifiëren. De gemakkelijke manier was het controleren van de diëten en oefeningen van mensen. Dat liet me zien dat ik ze gemakkelijk hun gewicht kon laten beheersen. Maar toen ontdekte ik een eenvoudigere, veel minder betrokken en veel meer wetenschappelijke manier om dit te doen in een blogpost over het onderwerp. De blogpost heet "Calorieën in, calorieën uit" en het laat een eenvoudige methode zien die je kunt gebruiken om jezelf te bewijzen dat CICO echt, waar en een geweldige beschrijving van de werkelijkheid is. Om te beginnen zegt de post dat je je gewicht moet nemen en de gerapporteerde calorieën in het voedsel dat je eet correct moet registreren, plus dat je je hardloopkilometers voor de dag moet noteren. Je stopt deze in een terugkerende relatie en berekent een aantal voorspelde gewichten. Wanneer je dit doet, krijg je uiteindelijk voorspellingen die precies kloppen: Eenvoudig genoeg, toch? Dus, ik deed dit voor mezelf. Ik mat mijn calorie-inname, activiteit, enzovoort, en begon mijn gewichtswijzigingen met een schokkende mate van nauwkeurigheid te voorspellen. Ik probeerde het een paar keer en faalde in het begin, maar uiteindelijk, nadat ik al mijn metingen goed had ingesteld, werkte het gewoon, en ik kon zelfs mijn dagen van tevoren plannen en nog steeds nauwkeurige gewichtvoorspellingen krijgen. Dat was voor mij bewijs genoeg dat CICO werkte. Nadat ik ontdekte dat dit voor mij werkte, besloot ik te evangeliseren. Ik vertelde mensen hierover en paste het toe op mijn vriendin destijds. Het bleek dat het niet voor haar werkte. Vreemd, dacht ik, dus besloot ik haar activiteit en dieet zorgvuldiger te monitoren, en ik ontdekte dat wat ze me rapporteerde verkeerd was. Toen ik alles catalogiseerde, hadden we enkele discrepanties, en toen ik deze aanpakte, werkte het ineens ook voor haar! Maar nu was ik me acuut bewust van het registratieprobleem. Als je niet bekend bent, wanneer we daadwerkelijk de calorische inname meten met behulp van dubbel-gelabeld water, hele kamer calorimeters en andere methoden zoals die, is er bewijs van systematische verkeerde rapportage. Bijvoorbeeld, twee recente datasets toonden beide aan dat dikkere mensen de neiging hadden hun calorische inname te onderschatten:* Dus begon ik mensen te leiden door hen te vragen hun gewicht te registreren tijdens een water-vast. Dat leek een eenmalige truc te zijn om de voorspellingen echt snel op elkaar af te stemmen. Als je nauwkeuriger wilt worden, heeft de vergelijking waar je je voorspellingen uit haalt een verbrandingswaarde per pond gewicht. Voor mannen is deze waarde meestal hoger dan voor vrouwen, grotendeels omdat mannen een hoger percentage spierweefsel hebben en dat verbrandt meestal meer calorieën dan vet. Je kunt deze verbrandingswaarde gemakkelijk verkrijgen door je calorische inname en gewicht te meten en vervolgens de best passende waarde voor de verbrandingssnelheid te berekenen met de kleinste kwadraten. De auteur van de blogposts deed dit (en bood een manier om het te doen), en het leek hem een paar weken te duren om tot een stabiele waarde te komen, maar uiteindelijk deed hij dat. Met deze persoonlijk geschatte waarde kun je je voorspellingen nog verder verbeteren. Je kunt ook sneller tot deze waarde komen door te beginnen met een vasten, omdat dat ruis van het verkeerd inschatten van je calorische inname wegneemt. Leuk, hè? De volgende vraag is: Houdt dit stand als je geen gewicht verliest? Het antwoord is, in grote lijnen, ja! De auteur bleef registreren en kwam uiteindelijk op het punt waar ze op reis gingen. Ze aten in buffetten, aten uit in restaurants en konden geen nauwkeurige calorieën tellen. Ze aten ook genoeg om gewicht terug te winnen. Zoals je kunt zien, gingen de voorspellingen een beetje uit de pas, maar keerden toen weer terug naar normaal. Ze waren allemaal goed (goede en consistente metingen), allemaal verknald (slechte en spaarzame metingen), en toen weer terug naar normaal (goede en consistente terugkeringen!). Een deel hiervan is de slechte meting, en een ander deel is iets dat ik experimenteel heb kunnen verifiëren: watergewicht! Wanneer je gewicht verliest, put je je glycogeenvoorraden uit en is gewichtsverlies aanvankelijk snel omdat veel van wat er van je afvalt water is. Wanneer je gewicht terugwint, herstel je snel glycogeen, en dus lichaamsgewicht door toegevoegd water. Dit komt net zo gemakkelijk weer af, maar het gooit het model in de war. Als je consistent gewicht begint te winnen, krijg je de nauwkeurigheid terug. Of als je weer begint met afvallen, krijg je de nauwkeurigheid terug. Maar in de overgangsperiode, wanneer er grote schommelingen zijn, verlies je substantiële - maar verre van totale - nauwkeurigheid. En dan, wanneer je je gewicht onderhoudt, blijf je de hele tijd nauwkeurig. Dit ontdekken voelde ongelooflijk. Alles werkt echt, en je kunt je gewicht in de loop van de tijd betrouwbaar voorspellen. Je kunt zelfs complexiteit toevoegen, zoals spelen met informatie over je cyclus als je een vrouw bent.** Je krijgt niet echt veel voordeel van het toevoegen van complexiteit behalve, misschien, het aanscherpen van die overgangsschommelingen, dus hoe dan ook, dit is prima. Het echt mooie hieraan is dat dit veel problemen met interindividuele variabiliteit opheft. Veel mensen maken bezwaar tegen CICO vanwege de effecten van dingen zoals verschillen in rusthormoon of activiteitsniveaus. En dat is prima, maar het is hier niet relevant, aangezien we één persoon meten, en die zijn meestal consistent genoeg dat dit gewoon werkt. Dit is inherent zelf-gecontroleerd, dus na je kalibratie worden al die individueel variërende factoren gewist, behalve voor zover ze evolueren met de tijd naarmate je gewicht verandert, om welke redenen dan ook. Als je dit zelf wilt doen, raad ik ten zeerste aan om de artikelen te lezen en dat gewoon te doen. Als je dat doet, kun jij ook uitvinden hoe je triviaal een echte gelovige kunt worden in de kracht van CICO, omdat het gewoon werkt, experimenteel. Links: * De vriendin die ik noemde was erg dun, dus deze systematische bias was niet het probleem. Let op de individuele variabiliteit rond punten op alle niveaus. Ik beschouw dat als een waarschijnlijker probleem. ** Een paar vrouwen die ik ken verzamelden gegevens uit verschillende delen van hun cycli en vonden verschillen in de verbrandingssnelheid. Ze konden de voorspellingsnauwkeurigheid meetbaar verbeteren met die informatie.