L’app Pet Food and Health s’appuie fortement sur des travaux scientifiques récents. Cela inclut des avancées techniques comme la synchronisation des données et la technologie derrière les mélanges, mais aussi un vaste corpus de recherche issu des communautés vétérinaires et de la nutrition animale. Cette page lève le voile sur cette science et montre en quoi l’app Pet Food and Health se distingue des autres outils d’alimentation.
Les animaux n’absorbent pas les aliments de la même manière que les humains. Les humains sont omnivores, les chiens sont omnivores facultatifs, et les chats sont omnivores obligatoires. Cela influence la manière dont les aliments sont traités par leur système intestinal. Comprendre comment l’alimentation se traduit en énergie métabolisable (c’est‑à‑dire l’énergie qu’un animal peut tirer d’un aliment) est un domaine de recherche actif. De nombreux travaux cherchent à améliorer l’état de l’art en prenant plus de facteurs en compte. Les méthodes les plus simples – dont une proposée par l’influente AAHA doi: 10.5326 – sont des variations de la formule utilisée pour les humains :
kcal = 8.5 x fat + 3.5 x protein + 3.5 x carbsC’est l’équation d’Atwater. De nombreuses améliorations existent doi: 10.17226 et d’autres ont été proposées puis abandonnées au fil des décennies. Mais même lorsque la formule est connue, ses composantes sont souvent difficiles à obtenir ou à calculer. Par exemple, les étiquettes d’aliments omettent souvent les glucides et l’humidité.
La recherche récente vise à (ré)intégrer l’énergie brute mesurée par bombe calorimétrique, et à distinguer davantage chiens/chats ainsi que aliments secs/humides doi: 10.1371 doi: 10.3389 . Ces approches offrent une nouvelle façon d’évaluer plus précisément l’absorption des aliments. Mais il faut les examiner avec esprit critique. Pour cette raison, l’app n’utilise pas ces méthodes les plus récentes comme base technique : la manière dont les nouvelles formules sont obtenues semble fragile, notamment en raison de sur‑apprentissage et d’auto‑évaluation. D’autres études confirment ces suspicions par des évaluations empiriques doi: 10.1371 , montrant que les estimations les plus fiables restent celles issues de travaux précédents doi: 10.17226 . L’app utilise donc des résultats établis pour calculer le contenu calorique des aliments doi: 10.17226 , tout en s’appuyant sur la méthode plus simple des directives AAHA et en gardant un œil attentif sur les avancées futures.
Les standards actuels de référence sont fournis par les directives AAHA 2021 doi: 10.5326 et les directives nutritionnelles FEDIAF 2021. Une limite de ces travaux est qu’ils visent un public très large et varié. Ils offrent des repères sûrs à partir desquels une approche plus fine peut être construite. Ces documents restent toutefois essentiels et fixent de nombreuses exigences auxquelles les fabricants doivent se conformer, comme les limites en micronutriments et les minima en macronutriments.
AAHA et FEDIAF donnent une base solide pour estimer les besoins énergétiques d’entretien en fonction du poids. Mais cela reste insuffisant pour un conseil détaillé. Prenez quatre chiens de même poids : l’un est jeune, l’autre âgé, l’un est léthargique, l’autre est un chien de travail. Leurs besoins énergétiques diffèrent.
L’app adopte des recherches récentes sur les besoins énergétiques d’entretien des chiens doi: 10.1371 et les enrichit d’une approche multifactorielle prenant en compte l’âge, la taille et les facteurs de mode de vie doi: 10.1017 .
Pour les chats, cette approche peut être raffinée davantage grâce à des travaux récents. L’app part d’une base solide doi: 10.1017 , puis affine en tenant compte de l’indice de masse corporelle féline (fBMI) doi: 10.1053 . Pourquoi ? Les besoins énergétiques des chats présentent une grande variabilité. Cette variabilité est fortement réduite lorsque l’on considère la masse maigre plutôt que la masse corporelle totale (en excluant la graisse) doi: 10.1177 . Cela demande un calcul supplémentaire – et un chat coopératif – donc l’app utilise la méthode générique si le fBMI n’est pas disponible, mais s’appuie sur les valeurs plus précises lorsque l’utilisateur le calcule.
Les minima en protéines sont fournis par AAHA et FEDIAF. Ces valeurs évoluent avec la croissance, diffèrent entre chiens et chats, et varient selon la taille. Mais ce ne sont pas des valeurs définitives. Des travaux plus récents, notamment dans Pratique Vétérinaire et ailleurs doi: 10.1371 , montrent que ces minima sont conservateurs, et que chiens et chats bénéficient d’apports nettement plus élevés. Les protéines sont essentielles à une vie saine, l’app adopte donc ces valeurs supérieures plutôt que de se limiter aux minima. La recherche avance rapidement doi: 10.3390 et les progrès sont intégrés à l’app lorsqu’ils sont validés et prouvés utiles.
Les technologies utilisées dans l’app sont développées en interne par Smarthound. Elles comprennent une approche moderne basée sur les CRDT pour synchroniser vos données efficacement. Cela permet des fonctionnalités puissantes comme l’eventual consistency (même en cas de longues périodes hors ligne), le consensus, un stockage efficace et des besoins de données mobiles minimaux. Pour calculer les mélanges d’aliments, l’app s’appuie sur des techniques modernes d’IA et de machine learning, ainsi que sur des technologies sur mesure pour des extensions comme les contraintes floues et souples.