Kun je met een speciale weegschaal accuraat je vetpercentage meten?

Bijna iedere gym heeft wel een weegschaal staan waar je naast je gewicht ook je vetpercentage mee kunt bepalen. Je hoeft alleen maar te gaan staan en wat gegevens in te voeren. Vervolgens zie je wat je vetpercentage is. Ideaal wanneer je graag je progressie in de gaten wilt houden, toch? Meestal wanneer iets te goed klinkt om waar te zijn, dan is het dat ook. Hoe accuraat is een zogenaamde bio-impedantie meting? Is het zinvol om je vetpercentage te bepalen met behulp van bio-impedantie apparatuur? Zijn er nog andere mogelijkheden om je fysieke progressie bij te houden?

Verkorte versie van deze blog

Mocht je een vetmeting door bio-elektrische impedantie analyse (BIA) aangeboden krijgen, dan zou ik deze vriendelijk edoch dwingend afslaan. En met een boogje om die speciale weegschaal in de sportschool lopen. In het ergste geval is je vetpercentage in de werkelijkheid gedaald, maar krijg je als uitslag dat het is gestegen.

Wetenschappelijke versie van deze blog

Je hoort regelmatig gesprekken in de sportschool over vetpercentages. “Ik heb 8 procent vet, hoeveel jij?” “Oh, ik had laatst 6 procent gemeten.” Ik heb dan meteen de neiging om met kritische blik te beoordelen of dit zou kunnen kloppen. In de werkelijkheid liggen deze percentages namelijk vaak hoger dan waarover gesproken wordt. Hoe komen personen aan deze percentages en kennen ze de foutmarge van de apparatuur die ze gebruiken om dit te meten? Een veelgebruikte methode voor het meten van vetpercentages is bio-elektrische impedantie analyse (BIA). De apparatuur die gebruik maakt van bio-impedantie is veilig, makkelijk in gebruik en laat vrijwel direct een resultaat zien [1]. In de praktijk zie je deze techniek bijvoorbeeld terug in de weegschalen die vooral in sportscholen te vinden zijn. Je hebt er vast wel eens opgestaan.

Voordat ik antwoord ga geven of die speciale weegschalen accuraat zijn is het allereerst van belang om te begrijpen waar je allemaal rekening mee moet houden om je vetpercentage te kunnen meten. Je lichaam kun je namelijk op verschillende niveaus opdelen en één daarvan is op weefselniveau. Op weefselniveau kun je het lichaam opdelen in vetmassa, spiermassa, botmassa, organen en overig weefsel. In een ideale setting meet je al deze verschillende weefsels en kun je exact bepalen hoeveel van iedere weefsel in het lichaam zit. In de werkelijkheid gaat dit echter niet zo eenvoudig. Om bijvoorbeeld daadwerkelijk te bepalen hoeveel vet je op je lichaam hebt zal je al je vet van je lichaam moeten snijden en dit op een weegschaal moeten leggen. Dit is mogelijk tijdens een kadaveranalyse, maar niet mogelijk wanneer je daarna graag wilt vertellen wat de uitkomst van je meting is.

De veelgebruikte meetmethode: het twee componenten model (2C)

In de praktijk wordt daarom vaak gebruik gemaakt van een twee componenten model (2C). Het lichaam wordt hierbij verdeeld in vetmassa en vetvrije massa. Je zou dus meteen op kunnen merken dat een twee componenten model niet geschikt is om spiermassa te bepalen. Vetvrije massa bestaat namelijk onder andere uit spiermassa en is onderhevig aan fluctuaties in de vochthuishouding. Daarnaast bestaat het onderscheid tussen directe, indirecte en dubbel indirecte meetmethoden. Een directe methode is de kadaveranalyse, die dus in de praktijk niet bruikbaar is. In de praktijk wordt gewerkt met de indirecte en dubbel indirecte methoden. Wat aangeeft dat je in de praktijk per definitie aan het schatten bent. Dus in plaats van; “Mijn vetpercentage is 15 procent”, hoor je eigenlijk te zeggen; “Mijn vetpercentage is geschat op 15 procent”.

Je bepaalt een vetpercentage dus bij benadering. Dit resulteert in een getal en een foutmarge. Je weet niet de exacte waarde, want je bent aan het schatten. Hoe groot de foutmarge is hangt onder andere af van de meetmethode die je gebruikt. Wanneer je een meetmethode gebruikt wil je graag weten hoe groot de foutmarge is zodat je de uitslag in het juiste licht kan beoordelen. Stel dat er een foutmarge mogelijk is van 5 procent. Dan zou je dus een vetpercentage kunnen meten van 10 procent terwijl het in de werkelijkheid 15 of 5 procent is. Dat is nogal een verschil. Bio-elektrische impedantie analyse is een dubbel indirecte methode en gebaseerd op een 2C model.

De gouden standaard onder de meetmethodes: het vier componenten model (4C)

Hoe goed een meetmethode is wordt bepaald door hem te vergelijken met een zogenaamde “gouden standaard”. De gouden standaard bij het bepalen van je vetpercentage is het vier componenten model (4C). Dit model verdeelt het lichaam in de componenten; vetmassa, mineralen (botmassa), eiwitten (spiermassa) en het totale lichaamswater. Ook het vier componenten model is een schatting. Weliswaar een erg nauwkeurige schatting. Om vanuit gemeten waarden naar een concreet vetpercentage te komen is het noodzakelijk om formules te gebruiken. Wanneer je formules gebruikt doe je echter aannames en in sommige gevallen zijn deze formules gebaseerd op specifieke populaties.

Hoe meer aannames, hoe meer ruimte voor foutmarge, hoe groter de verschillen tussen populaties, hoe groter de noodzaak om populatie specifieke formules te gebruiken om foutmarges te minimaliseren. Als laatste is het bepalen van het doel van je meting van belang. Wil je de meetmethode gebruiken voor het vergelijken van groepsgemiddelden in onderzoek, voor het bepalen van een individueel vetpercentage of voor het bepalen van een verloop in de tijd? Een meetmethode kan namelijk prima presteren voor het bepalen van een groepsgemiddelde, maar een flinke foutmarge hebben op individueel niveau. Dat is niet gek wanneer je bedenkt dat binnen een groep de foute waarden aan beide kanten van het gemiddelde voorkomen. Dus heffen ze elkaar als het ware op. Het gemiddelde is dan informatief, de individuele waarden niet.

Klein stukje theorie: Wat is bio-impedantie precies?

Zoals eerder aangegeven is een veelgebruikte methode voor het meten van vetpercentages is bio-elektrische impedantie analyse (BIA). Biologische impedantie wordt door Khalil (2014) gedefinieerd als “het vermogen van biologische weefsels om elektrische stroom te hinderen” [2]. Hierin schuilt direct de onderliggende gedachte van een BIA voor het bepalen van je vetpercentage. Stroom ondervindt namelijk minder weerstand door vetvrije massa dan door vetmassa. Vetmassa wordt gezien als een slechte geleider van stroom. Vetvrije massa bestaat voornamelijk uit lichaamswater dat elektrolyten bevat. Door het geleidende vermogen van deze elektrolyten wordt vetvrije massa gezien als een goede geleider. Er wordt aangenomen dat de vetvrije massa voor 73 procent uit lichaamsvocht bestaat.

Het lichaamsvocht kan vervolgens worden opgedeeld in intracellulair (ICF) en extracellulair vocht (ECF). Let hierbij vooral op het woord aangenomen. Het zal geen grote verrassing zijn dat dit ook wel eens een andere waarde kan hebben gezien de biologische variatie in hydratatie status. Impedantie kun je beschouwen als een totale weerstand die bestaat uit resistantie en reactantie. Resistiantie is de weerstand wanneer de stroom door het ECF en ICF gaat en reactantie is de weerstand die stroom ervaart wanneer het door het celmembraan gaat. Reactantie en resistantie zijn afhankelijk van de frequentie van de stroom. Een hoge frequentie (groter dan 50 kHz) levert minder resistantie op en meer reactantie. Lagere frequenties (<50 kHz) lenen zich beter voor het bepalen van ECF en hogere frequenties (>50 kHz) lenen zich beter voor het bepalen van het totale lichaamsvocht. Wanneer je weet wat de lengte van een object is en je laat er stroom doorgaan kun je met behulp van de weerstand bepalen wat het volume van het object is. In dit geval kun je het volume van het lichaam bepalen door een bio-impedantie analyse te doen. Vervolgens kun je een schatting maken van het vetpercentage. [1,2]

Er bestaan verschillende manieren om een BIA te doen. Dit hangt voornamelijk af van de gebruikte apparatuur. Een oude en veelal bekende manier binnen BIA is de single-frequentie BIA (SF-BIA). Deze methode maakt gebruik van een lage frequentie en zal de hoeveelheid ECF kunnen bepalen. Ervan uitgaande dat het totale lichaamsvocht voor 75 procent uit ECF bestaat, kan daardoor een schatting gemaakt worden van het totale lichaamsvocht en de hoeveelheid ICF (totaal vocht = ICF + ECF). Daarnaast bestaat de multi-frequentie BIA (MF-BIA), waarbij zowel lage als hoge frequenties worden gebruikt. Hierdoor kan de stroom ook door de celmembranen en kan de totale hoeveelheid lichaamsvocht beter bepaald worden. Als laatste bestaat bio impedantie spectroscopie (BIS), waarbij zeer veel verschillende frequenties worden gebruikt. Je kunt een BIA doen van je hele lichaam of van delen van je lichaam. [1,2]

Wat zijn de nadelen van bio-impedantie?

Tot zover de theorie, nu is het belangrijk om te kijken naar de praktijk. De gouden standaard voor het bepalen van het vetpercentage van een individu is het 4C model. Dus je wilt graag een vergelijking zien tussen BIA en het 4C model om te kijken hoe BIA presteert als vetmeting. Wanneer dit niet mogelijk is, wil je graag zien dat BIA wordt vergeleken met een andere methodiek die eerder als “goed” is beoordeeld. Vanaf dat punt kom je de wereld van statistiek binnen. En dat is leuk, maar lastig. Dus probeer ik het simpel te houden en toch enigszins wat context te geven.

Wanneer je twee methoden met elkaar vergelijkt wil je graag weten in hoeverre model 1 presteert ten opzichte van model 2 (gouden standaard). In dit geval ben je benieuwd hoe BIA presteert wanneer je dit vergelijkt met een 4C model. Je kunt vervolgens kijken naar het gemiddelde. Dus hoe presteert BIA gemiddeld, bekeken vanuit de populatie die je hebt onderzocht. Dat kan gemiddeld best goed zijn. Maar je wilt ook weten wat de foutmarge rondom “best goed” is, omdat het anders nog niet zoveel zegt. Dit is dus eigenlijk de gemiddelde foutmarge van het gemiddelde. Het liefst uitgedrukt in een percentage in dit geval. Immers, wij zijn niet geïnteresseerd in gemiddelde waarden. Wij willen weten wat ons eigen vetpercentage is. Dus die foutmarge is belangrijk voor ons. Het gebeurt vaak dat het gemiddelde goed is, maar de foutmarge relatief groot. Uiteraard is het mogelijk om hierover te discussiëren en vaak wordt dat vooraf gedaan. Welke marges vinden we als onderzoeker of clinicus nog acceptabel?

Om een vetpercentage te kunnen geven maakt een BIA gebruik van formules [1,2]. Deze formules zijn ontleent uit gecontroleerd onderzoek waarbij de omstandigheden zoveel mogelijk hetzelfde zijn gehouden. Voornamelijk veranderingen in de vochthuishouding kunnen ervoor zorgen dat de formules niet correct voorspellen wat het daadwerkelijke vetpercentage is. De vochthuishouding kan anders zijn bij ziekte, door gegeten voedsel, door spiermassa en door etniciteit [3]. Een vereiste van een BIA is dus het toepassen van populatie specifieke formules. Daarnaast worden de formules ontwikkeld door deze te valideren aan de hand van referentiemethoden. Wanneer deze referentiemethode zelf niet accuraat is, dan zal dit consequenties hebben voor de nauwkeurigheid van de formule. Idealiter wordt een formule gevalideerd door een 4C model te gebruiken als referentiemethode.

In het onderzoek waarin dergelijke formules worden getest zie je een foutmarge rondom de schatting die de formule maakt. Hoe kleiner deze foutmarge, hoe beter de schatting van de formule is. In een onderzoek werden verschillende BIA formules vergeleken met verschillende referentiemethoden. De schatting van vetpercentages liet een variatie van -5,08 tot 4.66 procent zien tussen verschillende formules [4]. Dus dezelfde groep mensen met dezelfde referentiemethode en dezelfde BIA apparatuur, maar een andere formule voor het omzetten van de BIA meting naar een vetpercentage. Wellicht overbodig om te zeggen dat een dergelijk verschil onacceptabel is. Daarnaast was de spreiding rondom het berekende percentage flink hoog, waardoor er op individueel niveau niets zinnigs te zeggen zou zijn. “Volgens mijn vetmeting heb ik 14 procent vet, maar het kan ook 9 of 19 procent zijn hoor, pin mij nergens op vast”.

Wat zegt de wetenschap over bio-impedantie en de nadelen?

In een onderzoek van Schoenfeld et al. (2018) werd MF-BIA vergeleken met Dual energy X-ray absorptiometry (DEXA) om verschillen in vetpercentage te constateren na een 10-weekse periode van trainen. Een DEXA scan is ook een manier om een vetpercentage vast te kunnen stellen. In feite is het een drie componenten model. Het meet de botmassa en kan daarmee onderscheid maken in de overige vetvrije massa en de vetmassa. Het vaststellen van een verschil in vetpercentage tussen moment A en B ging de BIA best goed af in vergelijking met DEXA. Er was echter nog steeds sprake van een foutmarge van ongeveer 2 procent [5]. Met andere woorden, wanneer ik met een DEXA meet dat mijn vetpercentage met 5 procent is gedaald op moment B, kan het zijn dat de BIA aangeeft dat mijn vetpercentage is gedaald met 3 procent of met 7 procent. Daarnaast is de referentie methode in dit geval een DEXA scan. Dit is niet de gouden standaard en op individueel niveau niet zonder foutmarge. Dus je kunt afvragen hoe sterk de conclusies kunnen zijn wanneer je referentie methode “best goed” is.

In een onderzoek bij bodybuilders bleek BIA gemiddeld best goed een vetpercentage te kunnen schatten, maar was de individuele foutmarge ongeveer 8 procent [6]. In een onderzoek van Chouinard et al. (2007) werd gekeken naar gezonde volwassenen met overgewicht en naar de verschillen in vetpercentage na een periode van zes maanden. Hier scoorde BIA wederom op gemiddeld niveau prima, maar waren de individuele verschillen te groot [7]. Dit komt overeen met een onderzoek van Bedogni et al. (2013) dat keek naar obese vrouwen en de vergelijking tussen DEXA en SF-BIA [8].

In een onderzoek dat werd uitgevoerd binnen een Chinese obese populatie werd MF-BIA vergeleken met DEXA. Binnen deze groep personen werd een zeer grote foutmarge geconstateerd van meer dan 10 procent [9]. Dus ik meet met de DEXA een vetpercentage van 30 procent en met de BIA een vetpercentage van 20 procent. In een onderzoek binnen een oudere Zweedse populatie werden ook flinke individuele verschillen geconstateerd tussen DEXA en MF-BIA [10]. In een studie waarin kinderen met overgewicht en obesitas de populatie vormen en BIA wordt vergeleken met een 4C model zie je ook grote foutmarges rondom de schatting van het vetpercentage. De onderzoekers geven aan dat de BIA apparatuur aangepast zou moeten worden op de populatie waarbinnen het ingezet wordt [11].

Wat ik met deze studies wil laten zien is dat er nogal wat verschillen zijn tussen populaties en de nauwkeurigheid van de schatting die een BIA doet. Uiteraard kan dit mede veroorzaakt worden door de opzet van de studie. Maar steevast is de conclusie dat er op individueel niveau weinig te zeggen valt over het gemeten vetpercentage, omdat het alle kanten op kan gaan. Aan het einde van de rit mag jij jezelf afvragen hoe belangrijk het is om een getal te hebben voor het uitdrukken van je vetpercentage. Vaak is het benoemen van een vetpercentage een verkapte manier om uit te drukken wat je echt wilt. Ik wil graag zichtbare buikspieren, zichtbare lijnen, zichtbare spieren etc. Je koppelt daar in je hoofd een vetpercentage aan en voila; je hebt een concreet doel.

Wat je klaarblijkelijk wilt is een fysiek resultaat, niet een getal op een papiertje. Is het dus niet belangrijker om de spiegel letterlijk je resultaat te laten reflecteren? Stel dat je graag een vetpercentage van 12 procent wilt hebben. Je traint als een bezetene en past je voeding totaal aan. Na drie maanden doe je een vetmeting met een BIA. De apparatuur geeft aan dat je 12 procent vet hebt. Maar je hebt geen zichtbare buikspieren. Ben je dan blij? Resultaat behaald? Stel dat je wel zichtbare buikspieren hebt. Het resultaat wat je in de spiegel ziet is inspirerend en je bent trots en blij. Je wilt toch nog even weten wat je vetpercentage is en je meet dit met behulp van een BIA. Het blijkt 14 procent te zijn. Je bent teleurgesteld omdat jij jezelf ten doel had gesteld 12 procent te behalen. Dus in het ergste geval is je vetpercentage in werkelijkheid gedaald, maar meet je een stijging van je vetpercentage. Lekkere motivatie boost is dat. Dit voorbeeld lijkt wellicht vergezocht, maar zal in de praktijk vaak plaatsvinden. Het maakt in principe niets uit wat je vetpercentage is, zolang jij tevreden bent met je resultaat.

Meten is weten?

Meten is weten, wanneer je weet wat je meet. Het is de laatste tijd populair om zoveel mogelijk data te verzamelen. Er worden zelfs tools en apps ontwikkeld die puur en alleen data verzamelen. Denk aan een polsbandje dat je energiegebruik meet en aan een app die je slaap meet. In een ideale situatie gaat het als volgt: Ik wil graag inzicht in bepaalde parameters die mij kunnen helpen met het behalen van mijn resultaat, vervolgens vind ik tools die mij daarbij helpen. In de werkelijkheid gaat het als volgt: Er is een tool ontwikkeld die data bij kan houden, nu gaan we eens kijken hoe we deze tool kunnen integreren in mijn leven. In de eerste situatie kan de tool zinvol zijn. Je bent op zoek naar inzicht en deze tool kan dat bieden. In het tweede scenario kan de tool junkdata opleveren. Je bent namelijk niet op zoek naar meer inzicht. Je hebt een leuke tool gevonden en probeert die koste wat kost te gebruiken.

Er is eindeloos veel data die je kunt verzamelen. De vraag is echter of het zinvol is om inzicht te krijgen in deze data. Dit is afhankelijk van de context en van de validiteit en betrouwbaarheid van de data. De context kan heel duidelijk zijn, maar soms ook lastig te herkennen. Het zou eigenlijk je doel mogen zijn om zo min mogelijk data bij te houden met een zo groot mogelijke opbrengst aan informatie. Wanneer je niet valide of betrouwbare data bijhoudt, hoeveel waarde kun je daar dan aan hechten? En wanneer je weet dat je er niet veel waarde aan moet hechten omdat het onbetrouwbare data is, kun je er dan wel met gepaste afstand naar kijken?

Een voorbeeld hiervan is het bijhouden van je slaap met een app. Je telefoon kan ’s nachts beweging registreren en koppelt daar een bepaalde kwaliteit aan vast. Je krijgt te zien hoeveel uur je in bed lag en hoe je slaapkwaliteit was. Het probleem is meteen duidelijk. Je meet niet daadwerkelijk je slaapkwaliteit door de verschillende slaapfasen in kaart te brengen. Je meet een surrogaatuitkomst. Of veel bewegen per definitie betekent dat je slaapkwaliteit minder goed is, is nog maar de vraag. Stel dat je wakker wordt en jij je uitgerust voelt, je app geeft echter aan dat je slaapkwaliteit 70 procent was. Oei, dat is niet heel hoog. Ben je wel goed uitgerust? Dat wordt vandaag een lastige dag. In plaats van informatie krijg je foutieve data die kan zorgen voor stress. Stress die niet noodzakelijk was geweest, je voelde je immers goed. In dit geval is het waarschijnlijk veel informatiever om jezelf de vraag te stellen hoe uitgerust jij je voelt op een schaal van 1-10. Dit is een subjectieve manier van meten, maar zorgt in ieder geval niet voor onnodige stress en kan de waarheid wellicht goed reflecteren.

Wat zijn alternatieven?

Je wil graag kunnen waarborgen dat je daadwerkelijk progressie maakt in je streven naar een lager vetpercentage. Dit doe je door jouw progressie inzichtelijk en meetbaar te maken. We weten nu dat het niet handig is om dit met een BIA te realiseren. Andere nauwkeurige manieren om je vetpercentage te bepalen zijn niet zomaar voorhanden. Er bestaan echter een aantal parameters die je kunt gebruiken om inzicht te krijgen.

1. Ten eerste kun je progressiefoto’s maken. Uiteindelijk is het plaatje belangrijker dan een getal. Je kunt zo graag 60 kilogram willen wegen, maar wanneer je er vervolgens niet uitziet zoals je in je hoofd had, wat is die 60 kilogram dan waard? Maak je progressiefoto’s altijd op hetzelfde tijdstip, op dezelfde locatie en met dezelfde kleding aan. Dan kun je de beste vergelijking maken.

2. Daarnaast kun je jouw omvangsmaten bepalen. Je kunt bijvoorbeeld je armen, borst, buik, heup en bovenbeenomvang meten. Zowel het maken van foto’s als het bepalen van omvangsmaten kun je één keer per maand doen. Je kunt ook besluiten om het vaker te doen. Maar progressie maken gaat vaak niet zo snel.

3. Als derde optie kun je een aantal huidplooien meten. Kies één tot drie locaties waar je meet. Bijvoorbeeld je bovenbeen en heup. Je gaat vervolgens geen vetpercentage uitrekenen maar vergelijkt simpelweg de gemeten millimeters met elkaar. Je kunt dit bijvoorbeeld tweewekelijks doen en dan een aantal keer op dezelfde locatie meten en aan dezelfde zijde. Neem daar een gemiddelde van en noteer dit. Dit herhaal je voor de andere locaties. Je vergelijkt vervolgens de gemiddelde waarden van de verschillende locaties met elkaar in de loop der tijd. Afhankelijk van je doel kun je mede aan de hand van de huidplooien meten of je de juiste richting op gaat. Wanneer je wilt afvallen is het de bedoeling dat je over de tijd een daling ziet van de gemeten millimeters en wanneer je aan wilt komen blijven de gemeten millimeters idealiter ongeveer gelijk of stijgen ze licht.

4. Tenslotte kun je ook nog je lichaamsgewicht gebruiken als parameter. Je lichaamsgewicht staat flink onder invloed van veranderingen in je vochthuishouding. Eén meting op de weegschaal per week is daarom niet handig. Om de variatie in je lichaamsgewicht op te vangen doe je regelmatig een meting en vergelijk je gemiddelden met elkaar. Weeg je bijvoorbeeld drie keer per week en neem daar een gemiddelde van. Vergelijk dat gemiddelde van week op week. Weeg jezelf iedere keer in de ochtend na het wc bezoek en met zo min mogelijk kleding aan.

Al met al heb je vier verschillende parameters die je kunt tracken om te beoordelen of je progressie maakt. Ieder van deze parameters heeft beperkingen, maar samen vertellen ze een hoop. Het is geen harde data dus kun je er ook geen harde conclusies aan verbinden. Gelukkig is dat ook niet nodig. Een getal is tenslotte maar een getal en hoeft niet een gevoel uit te drukken. Jezelf kunnen loskoppelen van de getallen en ze kunnen beschouwen in hun context is een vaardigheid die je kunt leren. Kortom; ontwikkel de gewoonte om deze parameters bij te houden en leer vervolgens om ze los te kunnen laten.

Wat te onthouden van deze blog

Respect als je de gehele blog hebt gelezen, want het is een pittig stukje theorie. BIA behoort tot de dubbel indirecte methoden. Bij een BIA bepaal je het lichaamsvolume door het meten van weerstand op een elektrische stroom. Met het lichaamsvolume en het lichaamsgewicht kan vervolgens een vetpercentage worden bepaald. Dus je bepaalt indirect het lichaamsvolume en daarmee indirect het vetpercentage. Dit gaat gepaard met een dubbele hoeveelheid assumpties en dus dubbel zoveel kans op het vergroten van de foutmarge van de meting. Met andere woorden; de kans wordt groter dat de uitslag van de vetmeting niet accuraat is. Daarnaast kan er zoveel ruis rondom de meting ontstaan dat het lastig is om te zeggen dat een verandering in vetpercentage gemeten met BIA op moment B daadwerkelijk een verandering is. Dus je meet iets, maar je weet niet zeker of je het goed meet.

Soms kan een meting zo onbetrouwbaar zijn dat het handiger is om een muntje op te gooien. Kop: vetpercentage is gedaald, munt: vetpercentage is gestegen. De verleiding om allerlei dingen te meten en data te verzamelen is groot. Soms is data echter een stoorzender, voornamelijk wanneer het niet valide of betrouwbare data is. Op groepsniveau kan het meten met BIA informatief zijn. BIA heeft echter een grote foutmarge wanneer je benieuwd bent naar je persoonlijke vetpercentage. De meer geavanceerde BIA methoden zijn nauwkeuriger, maar minder makkelijk beschikbaar buiten een research setting.

Bovendien kennen deze methoden alsnog een (aanzienlijke) foutmarge op individueel niveau. Het is dus niet handig om veel waarde toe te kennen aan de uitkomsten van een individuele vetmeting met behulp van een BIA. In de praktijk wordt dit echter wel gedaan door harde conclusies te trekken na een BIA. Mocht je een vetmeting door BIA aangeboden krijgen, dan zou ik deze vriendelijk edoch dwingend afslaan. En met een boogje om die BIA weegschaal in de sportschool lopen. In het ergste geval is je vetpercentage in de werkelijkheid gedaald, maar krijg je als uitslag dat het is gestegen.

De data die je kunt verzamelen om je progressie te evalueren zal nooit volledig zonder foutmarge zijn. Wanneer je dat beseft, kun je beter afstand nemen van de data en zal het geen stoorzender zijn. Door verschillende parameters, zoals foto’s, omvangsmaten en gewicht te gebruiken kun je een globaal beeld krijgen van je progressie. Op basis daarvan kun besluiten om aanpassingen te doen aan je aanpak. Wellicht zijn veranderingen noodzakelijk of kun je gewoon door blijven gaan met wat je doet. Wanneer je niet de kennis en kunde hebt om alle date te verzamelen en in perspectief te brengen, dan raad ik je aan een coach in de armen te nemen. Een coach kan jou begeleiden op weg naar je doel(en), kan je progressie monitoren en op basis daarvan aanpassingen doen.

Bronnenlijst

  1. Kyle U. Bioelectrical impedance analysis part I: review of principles and methods. Clinical Nutrition. 2004;23(5):1226-1243.
  2. Khalil S, Mohktar M, Ibrahim F. The Theory and Fundamentals of Bioimpedance Analysis in Clinical Status Monitoring and Diagnosis of Diseases. Sensors. 2014;14(6):10895-10928.
  3. Heyward V. Evaluation of Body Composition. Sports Medicine. 1996;22(3):146-156.
  4. Fuller N. Comparison of abilities of various interpretations of bio-electrical impedance to predict reference method body composition assessment. Clinical Nutrition. 1993;12(4):236-242.
  5. Schoenfeld B, Nickerson B, Wilborn C, Urbina S, Hayward S, Krieger J et al. Comparison of Multifrequency Bioelectrical Impedance vs. Dual-Energy X-ray Absorptiometry for Assessing Body Composition Changes After Participation in a 10-Week Resistance Training Program. Journal of Strength and Conditioning Research. 2018;:1.
  6. Van Marken Lichtenbelt W, Hartgens F, J. VollaardN, Ebbing S, Kuipers H. Body Composition Changes in Bodybuilders: A Method Comparison. Medicine & Science in Sports & Exercise. 2004;36(3):490-497.
  7. Chouinard L, Schoeller D, Watras A, Clark R, Close R, Buchholz A. Bioelectrical Impedance vs. Four-compartment Model to Assess Body Fat Change in Overweight Adults*. Obesity. 2007;15(1):85-92.
  8. Bedogni G, Agosti F, De Col A, Marazzi N, Tagliaferri A, Sartorio A. Comparison of dual-energy X-ray absorptiometry, air displacement plethysmography and bioelectrical impedance analysis for the assessment of body composition in morbidly obese women. European Journal of Clinical Nutrition. 2013;67(11):1129-1132.
  9. Wang ZH, Yang ZP, Wang XJ, Dong YH, Ma J. Comparative Analysis of the Multi-Frequency Bio-impedance and Dual-energy X-ray Absorptiometry on Body Composition in Obese Subjects. Biomed Environ Sci. 2018 Jan;31(1):72-75.
  10. Tognon G, Malmros V, Freyer E, Bosaeus I, Mehlig K. Are segmental MF-BIA scales able to reliably assess fat mass and lean soft tissue in an elderly Swedish population?. Experimental Gerontology. 2015;72:239-243.
  11. Radley D, Cooke CB, Fuller NJ, Oldroyd B, Truscott JG, Coward WA, Wright A, Gately PJ. Validity of foot-to-foot bio-electrical impedance analysis body composition estimates in overweight and obese children. Int J Body Compos Res. 2009 Feb;7(1):15-20.

Vond je dit artikel interessant?

Ja 👍🏼Nee 👎🏼

Als je je mening achterlaat, kunnen we onze blogartikelen verbeteren.