Calories in, Calories Out (CICO) fastnade verkligen för mig efter experimenterande. Jag lyckades verifiera modellen på mig själv och på dussintals människor genom åren. Det enkla sättet var att kontrollera människors kost och motion. Det lät mig se att jag lätt kunde få dem att kontrollera sin vikt. Men sedan upptäckte jag ett enklare, mycket mindre involverat och mycket mer vetenskapligt sätt att göra detta på i ett blogginlägg om ämnet. Blogginlägget har titeln "Kalorier in, kalorier ut" och det visar en enkel metod som du kan använda för att bevisa för dig själv att CICO är verkligt, sant och en bra beskrivning av verkligheten. För att komma igång säger inlägget att du ska ta din vikt och att korrekt registrera rapporterade kalorier i maten du äter, plus att få ner din löpsträcka för dagen. Du kopplar in dessa i en recurrency-relation och beräknar en massa förutsagda vikter. När du gör detta får du så småningom förutsägelser som är rätt på pricken: Enkelt nog, eller hur? Så jag gjorde det här för mig själv. Jag mätte mitt kaloriintag, aktivitet etc. och jag började förutsäga mina viktförändringar med en chockerande grad av noggrannhet. Jag försökte och misslyckades några gånger i början, men så småningom, efter att jag hade ställt in alla mina mått, fungerade allt bara, och jag kunde till och med planera mina dagar i förväg och ändå få exakta viktförutsägelser. Det var bevis nog för mig att CICO fungerade. När jag upptäckte att det fungerade för mig bestämde jag mig för att evangelisera. Jag berättade för folk om detta, och jag tillämpade det på min dåvarande flickvän. Det visade sig att det inte fungerade för henne. Konstigt, tyckte jag, så jag bestämde mig för att övervaka hennes aktivitet och kost mer noggrant, och jag fann att det hon rapporterade till mig var fel. När jag katalogiserade allt hade vi en del meningsskiljaktigheter, och när jag tog itu med dem fungerade det plötsligt för henne också! Men nu hade jag blivit akut medveten om inspelningsproblemet. Om du inte är bekant med att när vi faktiskt mäter kaloriintaget med hjälp av dubbelmärkt vatten, kalorimetrar för hela rummet och andra liknande metoder, finns det bevis för systematisk felrapportering. Till exempel visade två nyligen genomförda datauppsättningar att fetare personer tenderade att underskatta sitt kaloriintag:* Så jag började leda människor detta genom att be dem att registrera sina vikter på en vattenfasta. Det verkade vara ett engångstrick för att få förutsägelserna att stämma riktigt snabbt. Om du vill bli mer exakt har ekvationen du får dina förutsägelser från ett brännvärde per kilo vikt. För män tenderar detta värde att vara högre än det är för kvinnor, till stor del för att män har en högre andel muskler och det tenderar att bränna fler kalorier än fett. Du kan enkelt få fram detta brännvärde genom att mäta ditt kaloriintag och din vikt och sedan räkna ut det minsta kvadratvärdet som passar bäst för förbränningshastigheten. Författaren till blogginläggen gjorde detta (och gav ett sätt att göra det), och det verkade ta honom några veckor att komma till ett stabilt värde, men till slut gjorde han det. Med detta värde personligt uppskattat kan du förbättra dina förutsägelser ytterligare. Du kan också komma till detta värde snabbare genom att inleda med en fasta, eftersom det tar bort brus från att feluppskatta ditt kaloriintag. Snyggt, eller hur? Nästa fråga är: Håller detta när du inte går ner i vikt? Svaret är, i stora drag, ja! Författaren fortsatte att spela in och kom så småningom till den punkt där de åkte på en resa. De åt på bufféer, åt ute på restauranger och kunde inte få exakta kaloriräkningar. De åt också tillräckligt för att gå upp i vikt igen. Som du kan se gick förutsägelserna lite ur balans, men återgår sedan till det normala. De var alla bra (bra och konsekventa mätningar), alla trassliga (dåliga och glesa mätningar) och sedan tillbaka till det normala (bra och konsekventa avkastningar!). En del av detta är den dåliga mätningen, och en annan del är något som jag har lyckats verifiera experimentellt: vattenvikt! När du går ner i vikt tömmer du dina glykogendepåer och viktminskningen går till en början snabbt eftersom mycket av det som rinner av dig är vatten. När du går upp i vikt igen återfår du snabbt glykogen, och därmed kroppsvikt på grund av tillsatt vatten. Detta lossnar lika lätt, men det kastar modellen för en loop. Om du börjar gå upp i vikt konsekvent kommer du tillbaka till noggrannhet. Eller om du återgår till att gå ner i vikt, kommer du tillbaka till noggrannhet. Men under övergångsperioden, när det finns stora svängningar, förlorar du betydande – men långt ifrån total – noggrannhet. Och när du sedan håller vikten håller du dig noggrann hela tiden. Att upptäcka detta kändes otroligt. Allt fungerar egentligen bara och du kan på ett tillförlitligt sätt förutsäga din vikt över tid. Du kan till och med lägga till komplexitet, som att leka med information om din cykel om du är kvinna.** Du får egentligen inte så mycket nytta av att lägga till komplexitet förutom att kanske strama åt de där övergångssvängningarna, så hur som helst är det här bra. Det riktigt fina här är att detta undanröjer en hel del problem med interindividuell variabilitet. Många människor motsätter sig CICO på grund av effekterna av saker som skillnader i vilohormon eller aktivitetsnivåer. Och det är bra, men det är inte relevant här, eftersom vi mäter en person, och de tenderar att vara tillräckligt konsekventa för att detta bara fungerar. Detta är till sin natur självkontrollerat, så efter din kalibrering utplånas alla dessa individvarierande faktorer, förutom i den mån de utvecklas med tiden när din vikt förändras, av någon anledning. Om du vill göra detta själv rekommenderar jag starkt att du läser artiklarna och gör just det. Om du gör det kan du också ta reda på hur du enkelt kan börja tro på kraften i CICO, eftersom det bara fungerar, experimentellt. Länkar: * Flickvännen jag nämnde var väldigt smal, så denna systematiska partiskhet var inte problemet. Lägg märke till den individuella variationen kring punkter på alla nivåer. Jag anser att det är en mer sannolik fråga. ** Ett fåtal kvinnor jag känner till samlade in data från olika delar av sina cykler och fann skillnader i brännfrekvens. De kunde mätbart förbättra förutsägelsenoggrannheten med den informationen.