أدلة مراجعة الأقران لتطبيقات تتبع السعرات الحرارية: مراجعة شاملة للأدبيات

لا يتعلق السؤال حول ما إذا كانت تطبيقات تتبع السعرات الحرارية تعمل فعلاً بالرأي الشخصي، بل هو سؤال تم التحقيق فيه بشكل منهجي في العشرات من الدراسات التي تمت مراجعتها من قبل الأقران، والتي نُشرت في مجلات التغذية، وعلم السلوك، والطب ذات التأثير العالي. ورغم أن قاعدة الأدلة ليست مثالية، إلا أنها كبيرة وتشير إلى استنتاجات متسقة حول ما يعمل وما لا يعمل، وأين تبقى الفجوات الحرجة.

تقدم هذه المقالة مراجعة منظمة للأدبيات المنشورة حول الرصد الذاتي الغذائي عبر التطبيقات. نستعرض الدراسات المتعلقة بالفعالية (هل يحسن تتبع السعرات النتائج؟)، والدقة (ما مدى موثوقية البيانات التي تولدها التطبيقات؟)، والالتزام (هل يستخدم الناس هذه الأدوات بشكل مستمر؟)، والقيمة المقارنة لطرق التطبيقات المختلفة.

جدول ملخص للدراسات الرئيسية

المؤلفون	السنة	المجلة	نوع الدراسة	حجم العينة	التطبيق (التطبيقات) المدروسة	النتيجة الرئيسية
فيرارا وآخرون	2019	Int J Behav Nutr Phys Act	مراجعة منهجية	18 دراسة	متعددة	التطبيقات تحسن الالتزام بالرصد الذاتي مقارنة بالطرق التقليدية
تاي وآخرون	2020	Nutrients	مراجعة منهجية	22 دراسة	متعددة	تتبع السعرات عبر التطبيقات يقارن بالأساليب التقليدية
باتيل وآخرون	2019	Obesity	RCT	218	Lose It!	مجموعة التطبيق فقدت وزناً أكبر بشكل ملحوظ بعد 12 شهراً
كارتر وآخرون	2013	J Med Internet Res	RCT	128	تطبيق على نمط MFP	الالتزام بالرصد الذاتي كان أعلى مع التطبيق مقارنة بمفكرة ورقية
لينغ وآخرون	2014	JMIR mHealth uHealth	RCT	212	MyFitnessPal	التطبيق وحده غير كافٍ؛ فقط 3% استمروا في الاستخدام بعد 6 أشهر
تيرنر-ماكغريفي وآخرون	2013	J Med Internet Res	RCT	96	متعددة	مجموعة التطبيق مع البودكاست فقدت وزناً أكبر من مجموعة التطبيق وحده
إيفينوبول وآخرون	2020	Obes Sci Pract	مراجعة منهجية	15 دراسة	MyFitnessPal	MFP مستخدم على نطاق واسع في الأبحاث ولكن تم الإشارة إلى مخاوف بشأن الدقة
توسي وآخرون	2022	Nutrients	تحقق	40 نوع طعام	MFP، FatSecret، Yazio	متوسط انحراف الطاقة يتراوح بين 7-28% حسب التطبيق
تشين وآخرون	2019	J Am Diet Assoc	تحقق	180	6 تطبيقات	التطبيقات المعتمدة على USDA كانت أكثر دقة بشكل ملحوظ
فرانكو وآخرون	2016	JMIR mHealth uHealth	تحقق	—	MFP، Lose It!	كلاهما قلل من تقدير الصوديوم بأكثر من 30%
غريفيثس وآخرون	2018	Nutr Diet	تحقق	—	متعددة	تتبع المغذيات الدقيقة أقل دقة من تتبع المغذيات الكبرى
هوليس وآخرون	2008	Am J Prev Med	RCT	1,685	سجلات ورقية	سجلات الطعام اليومية ضاعفت فقدان الوزن
بيرك وآخرون	2011	J Am Diet Assoc	RCT	210	متتبع PDA	الرصد الذاتي الإلكتروني أنتج التزامًا أكبر
هارفي وآخرون	2019	Appetite	ملاحظات	1,422	MFP	المستخدمون الذين سجلوا بانتظام فقدوا وزناً أكبر بشكل ملحوظ
هيلاندر وآخرون	2014	J Med Internet Res	ملاحظات	190,000	Health Mate	تكرار الوزن الذاتي مرتبط بفقدان الوزن
سبرينغ وآخرون	2013	J Med Internet Res	RCT	69	تطبيق + تدريب	الرصد المدعوم بالتكنولوجيا حسن جودة النظام الغذائي

الأدلة الأساسية: الرصد الذاتي يعمل

تسبق الأدلة الأساسية لتتبع السعرات الحرارية التطبيقات الذكية. أظهر هوليس وآخرون (2008) في التجربة الرائدة حول الحفاظ على فقدان الوزن المنشورة في المجلة الأمريكية للطب الوقائي أن المشاركين الذين احتفظوا بسجلات غذائية يومية فقدوا ضعف الوزن مقارنة بأولئك الذين لم يفعلوا ذلك (8.2 كجم مقابل 3.7 كجم على مدى ستة أشهر). أسست هذه الدراسة الرصد الذاتي الغذائي كأقوى مؤشر سلوكي لفقدان الوزن في عينة من 1,685 بالغًا.

مددت دراسة بيرك وآخرون (2011) هذا الاكتشاف من خلال مقارنة الرصد الذاتي الإلكتروني (باستخدام متتبع يعتمد على PDA) بمفكرات ورقية. أظهرت مجموعة الرصد الذاتي الإلكتروني التزامًا أعلى بشكل ملحوظ بتتبع النظام الغذائي وثباتًا أكبر في الرصد الذاتي، مما يشير إلى أن التكنولوجيا تقلل من العوائق المرتبطة بتسجيل النظام الغذائي.

تظهر هذه الدراسات الأساسية الآلية: يعمل التتبع لأنه يجبر على الانخراط الواعي مع الخيارات الغذائية، مما يخلق حلقة تغذية راجعة بين الوعي والسلوك.

ما الذي تستنتجه المراجعات المنهجية؟

فيرارا وآخرون (2019): التطبيقات تحسن الالتزام بالرصد الذاتي

أجرى فيرارا وزملاؤه مراجعة منهجية نُشرت في المجلة الدولية للتغذية السلوكية والنشاط البدني، حيث استعرضوا 18 دراسة قيمت تطبيقات تتبع النظام الغذائي عبر الهواتف المحمولة. خلصت المراجعة إلى أن الرصد الذاتي عبر التطبيقات يحسن الالتزام بتسجيل النظام الغذائي مقارنة بالطرق التقليدية المعتمدة على الورق. أشار المؤلفون إلى أن تقليل عبء الوقت كان عاملاً رئيسيًا: استغرق تسجيل البيانات عبر التطبيقات في المتوسط من 5 إلى 15 دقيقة يوميًا مقارنة بـ 15 إلى 30 دقيقة للطرق الورقية.

كما حددت المراجعة فجوة حرجة: حيث إن القليل من الدراسات قارنت دقة التطبيقات المختلفة ضد بعضها البعض أو ضد طرق التقييم الغذائي المرجعية. قيست معظم الدراسات النتائج السلوكية (فقدان الوزن، الالتزام) بدلاً من دقة القياس، مما ترك سؤال أي التطبيقات توفر بيانات أكثر موثوقية دون إجابة.

تاي وآخرون (2020): تتبع السعرات عبر التطبيقات يقارن بالتقييم التقليدي

راجع تاي وزملاؤه، الذين نشروا في Nutrients، 22 دراسة تقارن تقييم النظام الغذائي عبر التطبيقات بالطرق التقليدية بما في ذلك استرجاعات النظام الغذائي لمدة 24 ساعة واستبيانات تكرار الطعام. وجدت المراجعة أن التطبيقات أنتجت تقديرات غذائية قابلة للمقارنة مع الطرق المعتمدة لتقدير المغذيات الكبرى، على الرغم من أن الاتفاق في المغذيات الدقيقة كان أكثر تباينًا.

أشار المؤلفون إلى أن جودة قاعدة بيانات التطبيق كانت عاملاً مؤثرًا كبيرًا. أظهرت التطبيقات التي تستخدم قواعد بيانات مختارة توافقًا أقوى مع الطرق المرجعية مقارنةً بالتطبيقات التي تعتمد على قواعد بيانات جماعية. يدعم هذا الاكتشاف مباشرةً الموقف القائل بأن منهجية قاعدة البيانات، وليس فقط فعل التتبع، تحدد قيمة البيانات المجمعة.

إيفينوبول وآخرون (2020): MyFitnessPal مستخدم على نطاق واسع ولكن دقته مشكوك فيها

راجع إيفينوبول وزملاؤه 15 دراسة استخدمت MyFitnessPal كأداة لتقييم النظام الغذائي. نُشرت في Obesity Science & Practice، وجدت المراجعة أن MFP كان التطبيق التجاري الأكثر استخدامًا في الأبحاث المنشورة، ويرجع ذلك أساسًا إلى حصته في السوق واعترافه بالاسم. ومع ذلك، حددت المراجعة مخاوف متكررة بشأن دقة قاعدة البيانات، حيث لاحظت دراسات متعددة أخطاء في الإدخالات الجماعية.

خلص المؤلفون إلى أن MFP كان "مقبولًا للاستخدام البحثي" في الدراسات التي كان فيها تناول النظام الغذائي نتيجة ثانوية وكانت التقديرات التقريبية كافية، لكنهم حذروا من استخدامه في الدراسات التي كانت فيها القياسات الغذائية الدقيقة ضرورية.

الأدلة حول دقة التطبيقات

توسي وآخرون (2022): قياس أخطاء قاعدة البيانات

أجرى توسي وزملاؤه، الذين نشروا في Nutrients، واحدة من أكثر الاختبارات دقة لدقة تطبيقات تتبع السعرات الحرارية التجارية. قاموا بمقارنة تقديرات السعرات الحرارية والمغذيات الكبرى من MyFitnessPal وFatSecret وYazio بالقيم التي تم تحليلها في المختبر لـ 40 نوعًا من الأطعمة الإيطالية.

كشفت النتائج عن متوسط أخطاء النسبة المئوية المطلقة تتراوح بين 7 إلى 28 بالمئة حسب التطبيق وفئة الطعام. كانت التطبيقات تؤدي بشكل أفضل للأطعمة البسيطة ذات المكون الواحد (الفواكه الطازجة، الحبوب العادية) وأسوأ للأطباق المركبة (الوجبات الجاهزة، الوصفات التقليدية). عزا المؤلفون الأخطاء بشكل أساسي إلى عدم دقة قاعدة البيانات بدلاً من القيود المنهجية لأسلوب التتبع نفسه.

تشين وآخرون (2019): تأثير منهجية قاعدة البيانات

قيم تشين وزملاؤه ستة تطبيقات تجارية لتتبع النظام الغذائي مقابل سجلات غذائية وزنها لمدة 3 أيام في عينة من 180 بالغًا. وجدت الدراسة أن التطبيقات التي تستخدم قواعد بيانات معتمدة من USDA أظهرت انحرافات في الطاقة تتراوح بين 7 إلى 12 بالمئة، بينما تلك التي تعتمد بشكل أساسي على البيانات الجماعية أظهرت انحرافات تتراوح بين 15 إلى 25 بالمئة.

توفر هذه الدراسة أدلة مباشرة على أن منهجية قاعدة البيانات تؤثر بشكل كبير على دقة التتبع. يترجم الفرق بين قواعد البيانات المعتمدة من USDA والبيانات الجماعية (7-12% مقابل 15-25% خطأ) إلى فرق عملي يصل إلى عدة مئات من السعرات الحرارية يوميًا لنظام غذائي نموذجي.

فرانكو وآخرون (2016): قيود تتبع المغذيات الدقيقة

اختبر فرانكو وزملاؤه، الذين نشروا في JMIR mHealth and uHealth، MyFitnessPal وLose It! في برنامج إدارة الوزن السريري. قلل كلا التطبيقين من تقدير محتوى الصوديوم بأكثر من 30 بالمئة في المتوسط. تحمل هذه النتيجة تداعيات سريرية مباشرة للمستخدمين الذين يتتبعون الصوديوم لإدارة ارتفاع ضغط الدم وتسلط الضوء على القيد الأوسع للتطبيقات التي لا تدمج بالكامل بيانات المغذيات الدقيقة من USDA.

الأدلة حول الالتزام والانخراط

لينغ وآخرون (2014): مشكلة الانخراط

اختبر لينغ وزملاؤه MyFitnessPal في بيئة رعاية أولية لفقدان الوزن مع 212 بالغًا يعانون من زيادة الوزن أو السمنة. وجدت الدراسة، التي نُشرت في JMIR mHealth and uHealth، أنه على الرغم من أن 78 بالمئة من المشاركين في مجموعة التطبيق استخدموا MFP مرة واحدة على الأقل، إلا أن 3 بالمئة فقط استمروا في التسجيل بعد ستة أشهر.

هذا الانخفاض الدراماتيكي في الانخراط هو أحد أكثر الاكتشافات استشهادًا في أدبيات تتبع التطبيقات. يشير إلى أن توفير تطبيق فقط، دون دعم سلوكي إضافي، غير كافٍ للرصد الذاتي الغذائي المستدام.

هارفي وآخرون (2019): الاتساق هو المفتاح

حلل هارفي وزملاؤه بيانات من 1,422 مستخدمًا لـ MyFitnessPal في دراسة نُشرت في Appetite. وجدوا أن المستخدمين الذين سجلوا بشكل متسق (محددًا كالتسجيل لأكثر من 50 بالمئة من الأيام) فقدوا وزناً أكبر بشكل ملحوظ من المستخدمين الذين سجلوا بشكل متقطع. كانت العلاقة بين اتساق التسجيل وفقدان الوزن خطية: كلما زاد تكرار التسجيل، زاد فقدان الوزن.

تتضمن هذه النتيجة تداعيات على تصميم التطبيقات. الميزات التي تقلل من صعوبة التسجيل، مثل التعرف على الصور المدعوم بالذكاء الاصطناعي وتسجيل الصوت، تعالج مباشرةً الحاجز السلوكي الذي يسبب انخفاض الانخراط الذي وثقته لينغ وآخرون. عندما يستغرق تسجيل الوجبة ثوانٍ بدلاً من دقائق، يكون المستخدمون أكثر عرضة للحفاظ على الاتساق الذي أظهره هارفي وآخرون أنه يتنبأ بالنجاح.

الفجوات في قاعدة الأدلة الحالية

على الرغم من تزايد عدد الأبحاث، لا تزال هناك فجوات كبيرة في قاعدة الأدلة لتتبع السعرات الحرارية عبر التطبيقات.

قلة المقارنات المباشرة. تختبر معظم الدراسات تطبيقًا واحدًا مقابل طريقة مرجعية. المقارنات المباشرة بين التطبيقات نادرة، مما يجعل من الصعب التوصية بتطبيق واحد على آخر بناءً على الأدلة المنشورة فقط.

تكنولوجيا تتطور بسرعة. تقوم التطبيقات بتحديث قواعد بياناتها وميزاتها بانتظام، مما قد يجعل نتائج الدراسات قديمة خلال سنوات من النشر. قد لا تعكس دراسة دقة MFP من عام 2019 قاعدة بيانات التطبيق في عام 2026.

تحيز الاختيار في مجموعات البحث. تقوم الدراسات بتجنيد متطوعين متحمسين، قد لا يمثلون المستخدمين العاديين للتطبيقات. قد لا تعمم معدلات الالتزام والنتائج الملاحظة في بيئات البحث على السكان الأوسع من المستخدمين.

تحقق محدود من المغذيات الدقيقة. تركز معظم دراسات الدقة على الطاقة والمغذيات الكبرى. تم تقييم دقة المغذيات الدقيقة في عدد أقل من الدراسات، على الرغم من كونها مهمة بنفس القدر للتقييم الغذائي الشامل.

نقص الأدلة طويلة الأمد. القليل من الدراسات تتبع مستخدمي التطبيقات لأكثر من 12 شهرًا. لا تزال التأثيرات طويلة الأمد لتتبع السعرات المستدام عبر التطبيقات على السلوك الغذائي ونتائج الصحة غير مدروسة بشكل كافٍ.

تداعيات لاختيار التطبيق

تدعم الأدلة التي تمت مراجعتها من قبل الأقران عدة توصيات قائمة على الأدلة لاختيار تطبيق تتبع السعرات الحرارية:

1. اختر تطبيقًا بقاعدة بيانات موثوقة. أظهرت دراسة تشين وآخرون (2019) أن قواعد البيانات المعتمدة من USDA تنتج تقديرات أكثر دقة بشكل كبير من البدائل المعتمدة على البيانات الجماعية. تتصدر Nutrola وCronometer في هذه الفئة.

2. اختر تطبيقًا يقلل من صعوبة التسجيل. أظهرت دراسات لينغ وآخرون (2014) وهارفي وآخرون (2019) أن الانخراط ينخفض بسرعة وأن الاتساق يتنبأ بالنتائج. الميزات المدعومة بالذكاء الاصطناعي لتسجيل البيانات (التعرف على الصور، إدخال الصوت) تعالج مباشرةً هذا الحاجز. يجمع نظام Nutrola بين تسجيل البيانات المدعوم بالذكاء الاصطناعي مع قاعدة بيانات موثوقة، مما يعالج بشكل فريد كل من الدقة والالتزام.

3. اختر تطبيقًا يتتبع المغذيات الشاملة. أظهرت دراسات فرانكو وآخرون (2016) وغريفيثس وآخرون (2018) أن تتبع المغذيات الدقيقة أقل دقة وأقل اكتمالًا عبر معظم التطبيقات. توفر التطبيقات التي تتبع أكثر من 80 مغذٍ صورة غذائية أكثر شمولاً.

4. لا تعتمد فقط على التطبيق. أظهرت دراسات لينغ وآخرون (2014) وتيرنر-ماكغريفي وآخرون (2013) أن التدخلات التي تعتمد على التطبيقات فقط أقل فعالية من التطبيقات المدمجة مع الدعم السلوكي، أو التدريب، أو البرامج المنظمة.

الأسئلة الشائعة

هل هناك دليل علمي على أن تطبيقات تتبع السعرات الحرارية تساعد في فقدان الوزن؟

نعم. أظهرت العديد من التجارب العشوائية المحكمة أن الرصد الذاتي الغذائي باستخدام التطبيقات يحسن نتائج فقدان الوزن مقارنة بعدم التتبع. أظهر باتيل وآخرون (2019) فقدان وزن كبير بعد 12 شهرًا مع تتبع السعرات عبر التطبيقات. أكد فيرارا وآخرون (2019) في مراجعة منهجية أن التطبيقات تحسن الالتزام بالرصد الذاتي. ومع ذلك، يعتمد التأثير على الاستخدام المستمر. وجدت دراسة لينغ وآخرون (2014) أن 3 بالمئة فقط من المشاركين استمروا في استخدام التطبيق بعد ستة أشهر دون دعم إضافي.

ما مدى دقة تطبيقات تتبع السعرات الحرارية وفقًا للأبحاث؟

تختلف الدقة بشكل كبير حسب التطبيق. وجدت دراسة توسي وآخرون (2022) أن متوسط انحراف الطاقة يتراوح بين 7-28 بالمئة عبر التطبيقات، مع ظهور أكبر الأخطاء في التطبيقات التي تستخدم قواعد بيانات جماعية. وجدت دراسة تشين وآخرون (2019) أن التطبيقات المعتمدة على USDA انحرفت بنسبة 7-12 بالمئة بينما انحرفت التطبيقات الجماعية بنسبة 15-25 بالمئة. بالنسبة لنظام غذائي يومي يحتوي على 2000 سعر حراري، يترجم هذا إلى فرق يتراوح بين 140-240 سعر حراري مقابل 300-500 سعر حراري من الخطأ المحتمل.

أي تطبيق لتتبع السعرات الحرارية لديه أكبر قدر من الأدلة العلمية خلفه؟

تم الاستشهاد بـ MyFitnessPal في أكبر عدد من الدراسات المنشورة (أكثر من 150 دراسة)، ويرجع ذلك أساسًا إلى حصته في السوق. ومع ذلك، يتم اختيار Cronometer بشكل تفضيلي للأبحاث المنضبطة حيث تكون دقة البيانات حرجة. تتماشى منهجية Nutrola مع معايير بيانات البحث، باستخدام قاعدة بيانات USDA FoodData Central مع مراجعة وتحقق احترافي.

هل يوصي الباحثون بأي تطبيق محدد لتتبع السعرات الحرارية؟

عادةً لا يوصي الباحثون بمنتجات تجارية محددة، لكن أنماط اختيار التطبيقات لديهم مفيدة. تميل الدراسات التي تتطلب قياسات غذائية دقيقة إلى اختيار التطبيقات ذات قواعد البيانات المختارة والمعتمدة من USDA (Cronometer، وزيادة التطبيقات التي تتماشى مع مستوى تحقق Nutrola). بينما تميل الدراسات التي يكون فيها تناول النظام الغذائي نتيجة ثانوية إلى استخدام أي تطبيق قد قام المشاركون بتثبيته مسبقًا، وغالبًا ما يكون MFP.

ماذا تقول الأبحاث عن تتبع السعرات الحرارية المدعوم بالذكاء الاصطناعي؟

يعد التعرف على الطعام المدعوم بالذكاء الاصطناعي تقنية جديدة مع أبحاث محدودة ولكنها متزايدة. قيمت دراسة Thames وآخرون (2021) دقة التعرف على الطعام باستخدام الرؤية الحاسوبية ووجدت نتائج واعدة ولكن غير مثالية. الرؤية الرئيسية من الأدبيات هي أن دقة تسجيل البيانات المدعومة بالذكاء الاصطناعي تعتمد على كل من دقة التعرف على الطعام لنموذج الذكاء الاصطناعي ودقة قاعدة البيانات الغذائية التي يتم مطابقتها معها. قد يؤدي التعرف الدقيق للذكاء الاصطناعي المرتبط بإدخال قاعدة بيانات غير دقيقة إلى تقدير غير دقيق للسعرات الحرارية.