lucianoandClaude Opus 4.7
9401497f03
Tre leve per migliorare l'accuratezza del piano oltre Mifflin-St Jeor.
1. Composizione corporea (US Navy + Katch-McArdle)
- Profile: neckCm/waistCm/hipsCm opzionali in input
- bodyFatPct calcolato lato server con la formula US Navy metrica
(Hodgdon-Beckett 1984) e cifrato at-rest come dato sanitario
- BMR usa Katch-McArdle (FFM-based) quando bodyFatPct è noto, Mifflin
altrimenti — più accurato del 5-10% sui casi fuori-norma
- Test: estimateBodyFatPercentageUSNavy + calculateBmrKatchMcArdle
2. Deficit dinamico
- Profile.targetWeeklyLossKg (kg/settimana, opzionale)
- computeDailyKcalTarget calcola il deficit da kg/sett ×7700/7 con due cap
di sicurezza: 30% TDEE (Schoenfeld 2014) e 1% peso/sett (Helms 2014)
- plan.routes lo usa al posto del -500/-200 hard-coded
- Test: 6 casi (mantenimento, transizione, intensiva, cap peso, cap TDEE,
default mancante)
3. Condizioni mediche strutturate
- Profile.medicalConditions (array JSON cifrato)
- 11 condizioni: 7 adattabili (tiroide → BMR -10%, diabete II, IBS,
dislipidemia, ipertensione, reni → cap proteine 0.8 g/kg, fegato →
1.0 g/kg) + 4 escludenti (gravidanza, allattamento, diabete I, disturbi
alimentari)
- PATCH /me/profile/conditions per salvataggio mirato dall'onboarding
- hasExcludingCondition: plan.routes restituisce 409 medical_block se
attiva una condizione incompatibile
Onboarding allargato a 6 step: aggiunto "Condizioni mediche" tra Profile
e Preferences. Step labels e numeri rinumerati.
Schema migration 20260429203451_add_profile_health_fields.
44/44 unit test verdi.
Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
77 lines
2.1 KiB
TypeScript
77 lines
2.1 KiB
TypeScript
import { describe, expect, it } from 'vitest';
|
|
|
|
import { calculateBmrKatchMcArdle, estimateBodyFatPercentageUSNavy } from './body-composition.js';
|
|
|
|
describe('estimateBodyFatPercentageUSNavy', () => {
|
|
it('uomo medio (180cm, vita 90, collo 38) ≈ 18-22% BF', () => {
|
|
const bf = estimateBodyFatPercentageUSNavy({
|
|
gender: 'MALE',
|
|
heightCm: 180,
|
|
neckCm: 38,
|
|
waistCm: 90,
|
|
});
|
|
expect(bf).toBeGreaterThan(15);
|
|
expect(bf).toBeLessThan(25);
|
|
});
|
|
|
|
it('donna media (165cm, vita 75, fianchi 100, collo 33) ≈ 25-32% BF', () => {
|
|
const bf = estimateBodyFatPercentageUSNavy({
|
|
gender: 'FEMALE',
|
|
heightCm: 165,
|
|
neckCm: 33,
|
|
waistCm: 75,
|
|
hipsCm: 100,
|
|
});
|
|
expect(bf).toBeGreaterThan(20);
|
|
expect(bf).toBeLessThan(35);
|
|
});
|
|
|
|
it('uomo atletico (180cm, vita 80, collo 40) → BF basso (< 15%)', () => {
|
|
const bf = estimateBodyFatPercentageUSNavy({
|
|
gender: 'MALE',
|
|
heightCm: 180,
|
|
neckCm: 40,
|
|
waistCm: 80,
|
|
});
|
|
expect(bf).toBeLessThan(15);
|
|
});
|
|
|
|
it('FEMALE senza hipsCm lancia errore', () => {
|
|
expect(() =>
|
|
estimateBodyFatPercentageUSNavy({
|
|
gender: 'FEMALE',
|
|
heightCm: 165,
|
|
neckCm: 33,
|
|
waistCm: 75,
|
|
}),
|
|
).toThrow();
|
|
});
|
|
|
|
it('clamp BF% in [3, 60]', () => {
|
|
const bf = estimateBodyFatPercentageUSNavy({
|
|
gender: 'MALE',
|
|
heightCm: 180,
|
|
neckCm: 41,
|
|
waistCm: 75, // input molto magro: senza clamp uscirebbe negativo
|
|
});
|
|
expect(bf).toBeGreaterThanOrEqual(3);
|
|
});
|
|
});
|
|
|
|
describe('calculateBmrKatchMcArdle', () => {
|
|
it('80kg con 20% BF → BMR ~1750', () => {
|
|
const bmr = calculateBmrKatchMcArdle(80, 20);
|
|
// FFM = 64, BMR = 370 + 21.6*64 = 1752.4
|
|
expect(Math.round(bmr)).toBe(1752);
|
|
});
|
|
|
|
it('80kg con 30% BF → BMR < lo stesso peso al 20%', () => {
|
|
expect(calculateBmrKatchMcArdle(80, 30)).toBeLessThan(calculateBmrKatchMcArdle(80, 20));
|
|
});
|
|
|
|
it('input negativi → errore', () => {
|
|
expect(() => calculateBmrKatchMcArdle(-1, 20)).toThrow();
|
|
expect(() => calculateBmrKatchMcArdle(80, 100)).toThrow();
|
|
});
|
|
});
|