تتبع التغذية بالذكاء الاصطناعي في التجارب السريرية: كيف يستخدم الباحثون سجلات الطعام المعتمدة على الصور

تواجه أبحاث التغذية سرًا مزعجًا: البيانات الغذائية التي تعتمد عليها غير موثوقة بشكل ملحوظ. تعاني سجلات الطعام التي يتم الإبلاغ عنها ذاتيًا، ومقابلات استرجاع النظام الغذائي على مدار 24 ساعة، واستبيانات تكرار الطعام من مشاكل كبيرة تتعلق بالتقليل المنهجي والتحيز في الاسترجاع. لقد أكدت عقود من الدراسات التحقق ما يشك فيه معظم الباحثين بالفعل - المشاركون لا يبلغون بدقة عما يأكلونه، وحجم الخطأ كبير بما يكفي للتأثير على نتائج الدراسات.

هذه ليست مجرد ملاحظة منهجية بسيطة. تعتبر بيانات تناول الطعام أساسًا لأبحاث التغذية السريرية. عندما تكون هذه البيانات خاطئة، فإن الاستنتاجات حول التدخلات الغذائية، وعلاقات المغذيات بالأمراض، وتوصيات الصحة العامة تُبنى على أرضية غير مستقرة.

يظهر تتبع التغذية بالذكاء الاصطناعي المعتمد على الصور كحل يمكن أن يحسن بشكل كبير جودة بيانات التغذية السريرية. من خلال الانتقال من الإبلاغ الذاتي الرجعي إلى التقاط الصور في الوقت الحقيقي مع تحليل المغذيات الآلي، تعالج هذه التقنية العديد من أضعف نقاط التقييم الغذائي. بدأ الباحثون في تجارب التدخل الغذائي، ودراسات إدارة الوزن، وأبحاث السكري، وتغذية الرياضيين في دمج هذه الأدوات في بروتوكولاتهم - وتظهر النتائج الأولية خطوة مهمة نحو تحسين جودة البيانات.

المشكلة مع طرق التقييم الغذائي التقليدية في الأبحاث

تحمل كل طريقة معتمدة لجمع بيانات تناول الطعام في الأبحاث السريرية قيودًا موثقة جيدًا.

استرجاع النظام الغذائي على مدار 24 ساعة

تطلب طريقة الاسترجاع على مدار 24 ساعة من المشاركين الإبلاغ عن كل ما تناولوه في اليوم السابق، عادةً بمساعدة محاور مدرب يستخدم نهج متعدد المراحل. على الرغم من اعتبارها واحدة من أكثر أدوات الإبلاغ الذاتي دقة، إلا أن هذه الطريقة تعتمد بشكل أساسي على الذاكرة. يجب على المشاركين تذكر ما تناولوه، بالإضافة إلى الكميات المحددة، وطرق التحضير، والمكونات - تفاصيل تتلاشى بسرعة حتى بالنسبة للأفراد المتحمسين.

تظهر الأبحاث باستمرار تقليلًا منهجيًا في الإبلاغ باستخدام استرجاع 24 ساعة. أظهرت دراسة تحقق بارزة أجراها Subar وزملاؤه (2003)، نُشرت في المجلة الأمريكية لعلم الأوبئة، استخدام الماء المسمى المزدوج (المؤشر الذهبي لإنفاق الطاقة) للتحقق من تناول الطاقة المبلغ عنه ذاتيًا ووجدت أن الرجال يقللون من الإبلاغ بنسبة تقارب 12-14% والنساء بنسبة 16-20%. أكدت الدراسات اللاحقة هذه النتائج وفي بعض الحالات زادت من حدتها، حيث كان التقليل في الإبلاغ ملحوظًا بشكل خاص بين المشاركين الذين يعانون من زيادة الوزن والسمنة.

سجلات الطعام

تسجل سجلات الطعام المستقبلية، حيث يقوم المشاركون بتدوين تناولهم في الوقت الحقيقي على مدى فترة محددة (عادةً 3-7 أيام)، نظريًا مشكلة الاسترجاع. ومع ذلك، فإنها تقدم مجموعة مختلفة من التحيزات. إن عملية تسجيل تناول الطعام مرهقة، وتظهر الأبحاث أن هذه العبء نفسه يغير سلوك الأكل. يقوم المشاركون بتبسيط وجباتهم لتسهيل التسجيل، ويتخطون الإدخالات عندما تصبح الوجبات معقدة، وقد يقللون من تناولهم ببساطة لأنهم على علم بمراقبتهم - وهو ظاهرة تعرف بالتفاعل الغذائي.

تنخفض معدلات إكمال سجلات الطعام بشكل حاد مع مرور الوقت. وثقت مراجعة أجراها Thompson وSubar في علم الأوبئة الغذائية أن دقة السجلات تتدهور بشكل كبير بعد اليومين الأولين من التسجيل، وأن العديد من المشاركين يفشلون في إكمال فترة التسجيل بالكامل. في التجارب السريرية الأطول، يكون الحفاظ على الامتثال لسجلات الطعام عبر الأسابيع أو الأشهر أمرًا صعبًا للغاية.

استبيانات تكرار الطعام

تطلب استبيانات تكرار الطعام (FFQs) من المشاركين الإبلاغ عن تناولهم المعتاد لأطعمة معينة على مدى فترة طويلة، عادةً الشهر الماضي أو السنة الماضية. تُستخدم هذه الأدوات على نطاق واسع في الأبحاث الوبائية بسبب تكلفتها المنخفضة وقابليتها للتوسع، لكنها غير دقيقة بما يكفي للتحليل الدقيق على مستوى المغذيات المطلوب في العديد من التجارب السريرية. تعتمد FFQs على قوائم طعام محددة مسبقًا قد لا تعكس أنظمة غذائية المشاركين الفعلية، وتجبر المستجيبين على تقدير أنماط تناول متغيرة للغاية، وتتعرض لنفس تحيزات الاسترجاع والرغبة الاجتماعية مثل طرق الإبلاغ الذاتي الأخرى.

حجم المشكلة

تقدم الأدلة التراكمية صورة مقلقة. وثقت الدراسات التي تستخدم مؤشرات موضوعية لإنفاق الطاقة تقليل السعرات الحرارية في نطاق 30-50% بين بعض الفئات، خاصة الأفراد الذين يعانون من السمنة - وهي الفئات التي غالبًا ما يتم تسجيلها في التجارب السريرية المتعلقة بالتغذية. خلصت مراجعة منهجية أجراها Dhurandhar وزملاؤه (2015)، نُشرت في المجلة الدولية للسمنة، إلى أن تناول الطاقة المبلغ عنه ذاتيًا غير موثوق لدرجة أنه "لا يمكن استخدامه لإبلاغ الإرشادات الغذائية الوطنية أو السياسات الصحية العامة."

بالنسبة لمحققي التجارب السريرية، فإن هذا المستوى من خطأ القياس ليس مجرد إزعاج. يمكن أن يحجب التأثيرات العلاجية الحقيقية، ويخلق ارتباطات زائفة، ويزيد من أحجام العينات المطلوبة لاكتشاف اختلافات ذات دلالة، وفي النهاية يعرض القدرة على استخلاص استنتاجات صحيحة حول التدخلات الغذائية للخطر.

كيف يحسن تتبع الطعام بالذكاء الاصطناعي بيانات البحث

يواجه تتبع الطعام المعتمد على الذكاء الاصطناعي نقاط الضعف الأساسية في التقييم الغذائي التقليدي من خلال تغيير كيفية التقاط بيانات تناول الطعام.

التقاط في الوقت الحقيقي يلغي تحيز الاسترجاع

الميزة الأكثر أهمية للتسجيل المعتمد على الصور هي أنه يلتقط تناول الطعام في لحظة الاستهلاك. يقوم المشاركون بالتقاط صور لوجباتهم قبل الأكل. لا يوجد اعتماد على الذاكرة، ولا تقدير رجعي لحجم الحصص، ولا جهد في نهاية اليوم لإعادة بناء الوجبات التي تم نسيانها بالفعل. هذا وحده يلغي ما يُعتبر أكبر مصدر للخطأ في التقييم الغذائي التقليدي.

الأدلة المصورة توفر مسار تدقيق

على عكس الإدخالات النصية المبلغ عنها ذاتيًا، تخلق سجلات الصور سجلًا بصريًا يمكن للباحثين مراجعته والتحقق منه وترميزه بشكل مستقل. لهذا المسار التدقيقي آثار كبيرة على ضمان جودة البيانات. يمكن لفريق البحث تحديد الإدخالات غير المعقولة، والتحقق من أحجام الحصص مقابل الأدلة التصويرية، وإبراز أي omissions محتملة - وهو مستوى من التحقق من البيانات مستحيل مع أدوات الإبلاغ الذاتي التقليدية.

الذكاء الاصطناعي يتولى تقدير الحصص

يعد تقدير حجم الحصة أحد أكثر جوانب الإبلاغ الذاتي الغذائي عرضة للخطأ. يكافح المشاركون باستمرار لتقدير الكميات، حتى مع استخدام وسائل مساعدة بصرية مثل نماذج الطعام وأدلة الحصص. تقوم أنظمة التعرف على الطعام المعتمدة على الذكاء الاصطناعي بتحليل الصور الفوتوغرافية لتقدير أحجام الحصص بشكل آلي، مما يبعد المشاركين عن هذه المهمة التقديرية تمامًا. بينما لا يكون تقدير الذكاء الاصطناعي مثاليًا، فإنه يقدم عملية قياس متسقة وقابلة للتحسين بشكل منهجي بدلاً من التخمين البشري المتغير للغاية.

تحليل شامل للمغذيات

تحلل أنظمة تتبع التغذية المعتمدة على الذكاء الاصطناعي الوجبات عبر 100 عنصر غذائي فردي أو أكثر، مما يوفر للباحثين بيانات دقيقة سيكون من الصعب جدًا الحصول عليها من خلال الترميز اليدوي الغذائي. هذه المستوى من التفاصيل ذات قيمة خاصة للتجارب السريرية التي تفحص حالة المغذيات الدقيقة، أو ملفات الأحماض الدهنية المحددة، أو تناول الأحماض الأمينية، أو أي نقاط أخرى تتجاوز المغذيات الكبيرة والطاقة الأساسية.

سجلات مؤرخة

يتم تلقائيًا تأريخ كل وجبة تم تسجيلها بالصور، مما يوفر بيانات دقيقة حول توقيت الوجبات، وتكرار الأكل، وأنماط الأكل الزمنية. بالنسبة للأبحاث المتعلقة بالتغذية الزمنية، أو الصيام المتقطع، أو العلاقة بين توقيت الوجبات والنتائج الأيضية، تعتبر هذه البيانات الزمنية الآلية أكثر موثوقية بكثير من أوقات الوجبات المبلغ عنها ذاتيًا.

تقليل عبء المشاركين يحسن الامتثال

ربما تكون الميزة الأكثر أهمية من الناحية العملية هي تقليل عبء المشاركين. يتطلب التقاط صورة لوجبة بضع ثوانٍ، مقارنةً بالوقت اللازم لوزن وقياس ووصف كل عنصر غذائي في سجل الطعام التقليدي. يترجم العبء الأقل مباشرةً إلى تحسين الامتثال، وتقليل النقاط المفقودة من البيانات، والقدرة على الحفاظ على جمع البيانات على مدى فترات دراسية أطول دون الانخفاض الحاد في الالتزام الذي يعاني منه الأساليب التقليدية.

التطبيقات الحالية في الأبحاث السريرية

تجد أدوات التقييم الغذائي المعتمدة على الذكاء الاصطناعي طريقها إلى مجموعة متزايدة من سياقات الأبحاث السريرية.

دراسات التدخل الغذائي

تستفيد التجارب التي تقيم تأثير أنماط غذائية معينة، أو بدائل الوجبات، أو المكملات الغذائية على النتائج الصحية من بيانات تناول أكثر دقة لتأكيد أن المشاركين يلتزمون فعليًا بالتدخل الموصى به. يسمح التسجيل المعتمد على الصور للباحثين بالتحقق من الامتثال لبروتوكولات التغذية في الوقت القريب بدلاً من الاعتماد على الإبلاغ الذاتي الرجعي في الزيارات المجدولة للدراسة.

تجارب إدارة الوزن

تكون دراسات فقدان الوزن والحفاظ عليه عرضة بشكل خاص لتحيزات التقييم الغذائي التقليدي، نظرًا لارتباط الوزن بحالة الجسم وتقليل الإبلاغ. يوفر تسجيل الطعام بالذكاء الاصطناعي صورة أقل تحيزًا لتناول الطاقة الفعلي، وهو أمر ضروري لفهم العلاقة الحقيقية بين تناول السعرات الحرارية، وإنفاق الطاقة، وتغير الوزن.

أبحاث السكري

تتطلب الدراسات التي تفحص العلاقة بين النظام الغذائي والتحكم في نسبة السكر في الدم بيانات دقيقة حول تناول الكربوهيدرات، والألياف، ومؤشر نسبة السكر في الدم، وتوقيت الوجبات. التحليل التفصيلي للمغذيات والتوقيت الدقيق للوجبات الذي يوفره تسجيل الطعام بالذكاء الاصطناعي ذو صلة مباشرة بهذه الأسئلة البحثية.

دراسات أدوية GLP-1

مع التوسع السريع في وصف أدوية محفزات مستقبلات GLP-1، هناك اهتمام بحثي كبير في أنماط التغذية والملاءمة الغذائية للمرضى الذين يتناولون هذه الأدوية. يمكن أن يلتقط تسجيل الطعام بالذكاء الاصطناعي التغيرات الكبيرة في تناول الطعام التي تحدث أثناء العلاج بـ GLP-1 - بما في ذلك تقليل أحجام الحصص وتغيير تفضيلات الطعام - بدقة أكبر من الأساليب المعتمدة على الاسترجاع.

دراسات سلوك الأكل

تستفيد الأبحاث حول أنماط الأكل، وتكرار الوجبات، وسلوك الوجبات الخفيفة، واختيارات الطعام من السجل البصري المؤرخ الذي يوفره تسجيل الطعام بالذكاء الاصطناعي. تتيح هذه البيانات للباحثين دراسة سلوك الأكل كما يحدث فعليًا، بدلاً من إعادة بناء المشاركين له من الذاكرة.

أبحاث تغذية الرياضيين

تقدم الرياضيون تحديات فريدة في التقييم الغذائي نظرًا لارتفاع تناولهم للطاقة، وتكرار تناول الطعام، واستهلاك منتجات تغذية رياضية متخصصة. يمكن أن يلتقط تسجيل الطعام بالذكاء الاصطناعي النطاق الكامل لتناول الرياضي، بما في ذلك المكملات والمشروبات الرياضية، مع تقليل الاضطراب في روتينهم التدريبي مقارنةً بأساليب التسجيل التقليدية.

مزايا البحث لتتبع الذكاء الاصطناعي

بعيدًا عن معالجة تحيزات طرق التقييم الغذائي الفردية، يقدم تتبع الطعام المعتمد على الذكاء الاصطناعي عدة مزايا هيكلية لعمليات البحث.

جمع بيانات موحدة عبر المواقع

تواجه التجارب السريرية متعددة المواقع تحدي الحفاظ على جمع بيانات غذائية متسقة عبر مراكز بحثية مختلفة، كل منها لديها موظفيها، وتدريبها، وإجراءاتها. يوفر تطبيق تسجيل الطعام المعتمد على الذكاء الاصطناعي أداة جمع بيانات موحدة تعمل بشكل متطابق بغض النظر عن الموقع، مما يلغي التباين بين المواقع في منهجية تقييم التغذية.

تحليل المغذيات الآلي

يتطلب التقييم الغذائي التقليدي من أخصائيي التغذية المدربين ترميز سجلات الطعام يدويًا في قواعد بيانات المغذيات - وهي عملية تستغرق وقتًا طويلاً، ومكلفة، وتدخل خطأ بشري إضافي. تقوم أنظمة الذكاء الاصطناعي بأتمتة هذه الخطوة، مما يوفر بيانات على مستوى المغذيات في الوقت الحقيقي. يقلل هذا من التكاليف ووقت التحويل لمعالجة بيانات التغذية.

مسار تدقيق الصور لضمان الجودة

يخلق السجل التصويري المرتبط بكل وجبة مسجلة مجموعة بيانات دائمة قابلة للمراجعة يمكن تدقيقها من قبل موظفي البحث، أو المراقبين المستقلين، أو الهيئات التنظيمية. تعتبر هذه الشفافية قيمة لضمان الامتثال لممارسات البحث الجيدة (GCP) وسلامة البيانات.

مراقبة الامتثال في الوقت الحقيقي

يمكن للباحثين مراقبة امتثال المشاركين في التسجيل في الوقت الحقيقي، مما يتيح تحديد الأفراد الذين توقفوا عن التسجيل أو الذين تشير أنماط تسجيلهم إلى تسجيل غير مكتمل. يسمح ذلك بالتدخل في الوقت المناسب - مكالمة هاتفية، تذكير، أو دعم إضافي - قبل أن تصبح فجوات البيانات غير قابلة للاسترداد.

قابلية التوسع لعينات كبيرة

يعد الترميز اليدوي الغذائي عنق زجاجة كبير في الدراسات الغذائية الكبيرة. تتوسع التحليلات الآلية المعتمدة على الذكاء الاصطناعي بسهولة من عشرات إلى آلاف المشاركين، مما يجعل من الممكن جمع بيانات غذائية مفصلة في دراسات ذات عينات كبيرة حيث ستكون الأساليب التقليدية مكلفة للغاية.

تقليل عبء الترميز اليدوي على الباحثين

يقضي أخصائيو التغذية والباحثون وقتًا كبيرًا في ترميز سجلات الطعام يدويًا. يحرر أتمتة الذكاء الاصطناعي هؤلاء المهنيين المهرة للتركيز على تفسير البيانات، ودعم المشاركين، وإدارة الدراسة بدلاً من المهمة المتكررة لترجمة أوصاف الطعام إلى قيم مغذية.

Nutrola في إعدادات البحث

بينما تم تصميم العديد من أدوات تسجيل الطعام المعتمدة على الذكاء الاصطناعي بشكل أساسي للاستخدام من قبل المستهلكين، تقدم Nutrola العديد من الميزات التي تجعلها مناسبة بشكل خاص للتطبيقات البحثية السريرية.

قاعدة بيانات غذائية موثوقة

تستند قاعدة بيانات الطعام الخاصة بـ Nutrola إلى بيانات غذائية موثوقة ومصدرها بدلاً من إدخالات جماعية ذات جودة متغيرة. بالنسبة للأبحاث، فإن دقة قاعدة البيانات ليست ميزة ملائمة - بل هي متطلب منهجي. ستنتج الدراسات التي تعتمد على قواعد بيانات مغذيات غير دقيقة تقديرات غير دقيقة لتناول المغذيات بغض النظر عن مدى جودة تسجيل المشاركين لطعامهم. تعالج التزام Nutrola بالتحقق من البيانات هذه القلق الأساسي.

أكثر من 100 عنصر غذائي لكل عنصر طعام

تتبع معظم تطبيقات التغذية الاستهلاكية مجموعة محدودة من المغذيات الكبيرة وعدد قليل من المغذيات الدقيقة. توفر Nutrola بيانات عن أكثر من 100 عنصر غذائي فردي لكل عنصر طعام، بما في ذلك الأحماض الأمينية الفردية، وملفات الأحماض الدهنية، والفيتامينات، والمعادن، ومركبات حيوية أخرى. هذا المستوى من التفاصيل ضروري للأبحاث السريرية حيث قد تشمل النقاط النهائية حالة المغذيات الدقيقة المحددة، ونسب الأحماض الدهنية، أو تناول الأحماض الأمينية.

تسجيل الطعام بالذكاء الاصطناعي

يسمح التعرف على الصور بالذكاء الاصطناعي في Nutrola للمشاركين بتسجيل الوجبات بسرعة من خلال تصوير طعامهم. يقوم الذكاء الاصطناعي بتحديد الأطعمة الموجودة، وتقدير أحجام الحصص، وإرجاع ملف مغذي كامل. بالنسبة للمشاركين في البحث، يعني هذا قضاء وقت أقل في التسجيل وبيانات أكثر اتساقًا طوال فترة الدراسة.

إمكانيات تصدير البيانات

تتطلب الأبحاث القدرة على تصدير بيانات تناول الطعام الخام للتحليل في برامج إحصائية. تدعم Nutrola وظيفة تصدير البيانات التي تتيح لفرق البحث استخراج بيانات تناول المشاركين بتنسيقات مناسبة لعملياتهم التحليلية.

مجانية للمشاركين

تعتبر التكلفة عائقًا حقيقيًا في الأبحاث السريرية. يتسبب طلب من المشاركين في الدراسة شراء اشتراك متميز في تطبيق تسجيل الطعام في خلق صعوبة في التسجيل وقد يقدم تحيزًا اجتماعيًا واقتصاديًا في عينة الدراسة. توفر الطبقة المجانية من Nutrola وظائف كافية لتسجيل الطعام على مستوى البحث، مما يزيل هذه العقبة تمامًا.

حماية الخصوصية

يتطلب التعامل مع بيانات المشاركين الغذائية، بما في ذلك صور الوجبات، حماية خصوصية قوية تتماشى مع متطلبات IRB واللوائح المتعلقة بحماية البيانات. تم تصميم إطار الخصوصية الخاص بـ Nutrola مع هذه المتطلبات في الاعتبار، مما يوفر الحماية اللازمة للسرية التي تتطلبها بروتوكولات البحث.

القيود والاعتبارات

لا توجد طريقة تقييم غذائي خالية من القيود، وتسجيل الطعام المعتمد على الذكاء الاصطناعي ليس استثناءً. يجب أن يكون الباحثون الذين يفكرون في هذه الأدوات على دراية بما يلي.

يبقى الامتثال من المشاركين ضروريًا

بينما يعد تسجيل الصور أقل عبئًا من سجلات الطعام التقليدية، إلا أنه لا يزال يتطلب مشاركة نشطة. يجب على المشاركين تذكر تصوير وجباتهم، وقد تفوت بعض الوجبات - خاصة الوجبات الخفيفة، والمشروبات، وأوقات تناول الطعام التي تحدث خارج أوقات الوجبات المنظمة. تكون معدلات الامتثال عمومًا أعلى من الطرق التقليدية، لكنها ليست 100%.

دقة الذكاء الاصطناعي لها قيود معروفة

لا يعد التعرف على الطعام بالذكاء الاصطناعي وتقدير الحصص معصومين عن الخطأ. يمكن أن تتحدى الأطباق المختلطة، والأطعمة المخبأة جزئيًا، والعناصر ذات المظاهر المرئية المتشابهة الأنظمة الحالية للذكاء الاصطناعي. تستمر دقة التقييم الغذائي المعتمد على الذكاء الاصطناعي في التحسن، لكن يجب على الباحثين فهم ملف الخطأ للأدوات التي يستخدمونها وأخذها في الاعتبار في تصميم دراستهم وتحليلها.

التحقق مقابل الطرق الذهبية

بالنسبة للدراسات التي تتطلب أعلى مستوى من دقة بيانات التغذية، يجب التحقق من تسجيل الطعام المعتمد على الذكاء الاصطناعي مقابل طرق مرجعية معتمدة مثل سجلات الطعام الموزونة أو التقييمات المعتمدة على المؤشرات الحيوية (مثل الماء المسمى المزدوج لتناول الطاقة، والنيتروجين البولي لتناول البروتين). بينما تعد الدراسات المبكرة للتحقق واعدة، لا يزال الأساس الأدلة في طور التطور، ويجب على الباحثين المساهمة في أدبيات التحقق هذه عند الإمكان.

اعتبارات IRB لبيانات الصور

تثير صور الوجبات اعتبارات IRB (مجلس المراجعة المؤسسية) محددة لا تنطبق على طرق التقييم الغذائي التقليدية. قد تلتقط الصور معلومات قابلة للتحديد (أيدي، محيط، أشخاص آخرون)، ويتطلب تخزين ومعالجة البيانات التصويرية حماية خصوصية إضافية. يجب على الباحثين معالجة هذه الاعتبارات بشكل صريح في طلباتهم إلى IRB ووثائق الموافقة المستنيرة.

الوصول إلى التكنولوجيا

تختلف مجموعات البحث في راحتها مع الوصول إلى تكنولوجيا الهواتف الذكية. بينما تكون نسبة انتشار الهواتف الذكية مرتفعة في معظم الفئات المسجلة في التجارب السريرية، يجب على الباحثين التحقق من أن مجموعة دراستهم يمكنها استخدام تطبيق تسجيل الطعام المعتمد على الصور بشكل موثوق وتقديم الدعم الفني عند الحاجة.

الأسئلة الشائعة

هل تسجيل الطعام بالذكاء الاصطناعي دقيق بما يكفي للأبحاث السريرية؟

تحقق أنظمة تسجيل الطعام بالذكاء الاصطناعي الحالية مستويات دقة تنافس تلك الخاصة بمشفرين غذائيين مدربين وتتفوق بشكل كبير على الإبلاغ الذاتي غير المدعوم. بينما لا تحقق أي طريقة تقييم غذائي دقة مثالية، يقلل تسجيل الطعام بالذكاء الاصطناعي من عدة مصادر رئيسية للخطأ في الطرق التقليدية - خاصة تحيز الاسترجاع وخطأ تقدير الحصص. بالنسبة لمعظم التطبيقات البحثية السريرية، تكون الدقة كافية، على الرغم من أن الباحثين الذين يدرسون مغذيات معينة بمستويات دقيقة جدًا قد يرغبون في التحقق من تقديرات الذكاء الاصطناعي مقابل سجلات الطعام الموزونة ضمن مجموعة دراستهم.

كيف يقارن تسجيل الطعام بالذكاء الاصطناعي مع استرجاع النظام الغذائي على مدار 24 ساعة في بيئات البحث؟

يخدم تسجيل الطعام بالذكاء الاصطناعي واسترجاع النظام الغذائي على مدار 24 ساعة أغراضًا مختلفة إلى حد ما. يمكن أن يستجوب استرجاع الـ 24 ساعة، الذي يديره محاور مدرب، العناصر المنسية ويجمع تفاصيل حول تحضير الطعام. ومع ذلك، فهو بطبيعته رجعي ويتطلب جهدًا كبيرًا. يلتقط تسجيل الطعام بالذكاء الاصطناعي البيانات في الوقت الحقيقي وعلى نطاق واسع، مع عبء أقل على المشاركين والباحثين. بالنسبة للدراسات التي تتطلب مراقبة غذائية مستمرة بدلاً من لقطات دورية، يوفر تسجيل الطعام بالذكاء الاصطناعي مزايا عملية. يستخدم بعض الباحثين نهجًا هجينًا، يجمع بين تسجيل الطعام بالذكاء الاصطناعي للبيانات اليومية مع استرجاعات مدارة من قبل المحاور للتحقق من البيانات.

ما هي أنواع التجارب السريرية التي تستفيد أكثر من التقييم الغذائي المعتمد على الذكاء الاصطناعي؟

تستفيد التجارب التي تتطلب مراقبة غذائية مستمرة أو متكررة على مدى فترات طويلة أكثر، لأن هذه هي النقطة التي تعاني فيها الطرق التقليدية من أكبر انخفاض في الامتثال. تعتبر تجارب إدارة الوزن، ودراسات تغذية السكري، وأي تدخل حيث يكون الالتزام الغذائي متغيرًا رئيسيًا مرشحين قويين. تستفيد الدراسات ذات الأحجام الكبيرة أيضًا بشكل كبير، حيث تلغي أتمتة الذكاء الاصطناعي عنق الزجاجة الناتج عن الترميز اليدوي الغذائي. تستفيد التجارب التي تفحص توقيت الوجبات، وتكرار الأكل، أو التغذية الزمنية من التأريخ التلقائي الذي يوفره تسجيل الطعام بالذكاء الاصطناعي.

هل يمكن استخدام Nutrola في التجارب السريرية الدولية متعددة المواقع؟

نعم. توفر قاعدة بيانات Nutrola المعتمدة على الذكاء الاصطناعي والتعرف على الطعام جمع بيانات موحد عبر المواقع والجغرافيا. تغطي قاعدة بيانات التطبيق الأطعمة المتنوعة والمأكولات الإقليمية، وهو أمر مهم للدراسات الدولية حيث تختلف أنماط التغذية بشكل كبير بين المواقع. تقلل المنهجية الموحدة من التباين بين المواقع في جمع بيانات التغذية، وهو مصدر شائع للضوضاء في أبحاث التغذية متعددة المواقع.

ماذا يجب أن يتضمنه الباحثون في طلبات IRB عند استخدام تسجيل الطعام بالذكاء الاصطناعي؟

يجب أن تتناول طلبات IRB عدة نقاط محددة: طبيعة جمع البيانات التصويرية وما قد يتم التقاطه عرضيًا في صور الوجبات؛ تخزين البيانات، والتشفير، وضوابط الوصول للبيانات التصويرية؛ حقوق المشاركين بشأن حذف الصور؛ كيفية استخدام الصور في التحليل وما إذا كانت ستعرض على موظفي البحث؛ جداول الاحتفاظ بالبيانات وتدميرها؛ وما إذا كانت الصور قد تُشارك مع أطراف ثالثة (بما في ذلك مقدمي خدمات الذكاء الاصطناعي للمعالجة). يعد وجود لغة واضحة في الموافقة المستنيرة تشرح المنهجية المعتمدة على الصور وحقوق المشاركين بشأن صورهم أمرًا ضروريًا.

الطريق إلى الأمام

يمثل الانتقال من التقييم الغذائي الذاتي التقليدي إلى الأساليب المدعومة بالذكاء الاصطناعي تقدمًا منهجيًا مهمًا لأبحاث التغذية السريرية. بينما لا يلغي تسجيل الطعام المعتمد على الذكاء الاصطناعي جميع مصادر خطأ القياس الغذائي، فإنه يعالج أكثرها ضررًا - تحيز الاسترجاع، وخطأ تقدير الحصص، وعبء المشاركين - بينما يضيف قدرات جديدة مثل مراقبة الامتثال في الوقت الحقيقي، والترميز الآلي للمغذيات، ومسار تدقيق بصري يمكن التحقق منه.

بالنسبة للباحثين الذين يصممون تجارب سريرية جديدة ذات نقاط نهاية غذائية، يستحق دمج تسجيل الطعام المعتمد على الذكاء الاصطناعي اعتبارًا جادًا. لقد نضجت التكنولوجيا إلى النقطة التي تقدم فيها مزايا عملية على الأساليب التقليدية لمعظم التطبيقات البحثية. أدوات مثل Nutrola، مع تركيزها على دقة قاعدة البيانات، وتغطية شاملة للمغذيات، وسهولة الوصول، هي في وضع جيد لدعم جمع البيانات الغذائية المتزايد الصرامة الذي تتطلبه أبحاث التغذية السريرية الحديثة.

تعتمد جودة علم التغذية على جودة بياناته الغذائية. يعد تسجيل الطعام المعتمد على الذكاء الاصطناعي ليس حلاً مثاليًا، ولكنه بالتأكيد أفضل بكثير من الطرق التي اعتمدت عليها الأبحاث السريرية لعقود - والفجوة تستمر في الاتساع مع تحسن التكنولوجيا.