أي تطبيق لتتبع السعرات الحرارية يستخدمه الباحثون في التجارب السريرية؟ استبيان للدراسات المنشورة

عندما يقوم الباحثون بتصميم تجربة سريرية تتطلب مراقبة تناول الطعام، فإن اختيار أداة التتبع يعد قرارًا منهجيًا له تأثير مباشر على جودة البيانات. على عكس المستهلكين الذين قد يختارون تطبيقًا بناءً على الجمالية أو السعر، يقوم الباحثون بتقييم تطبيقات التتبع بناءً على صحة القياسات، وقدرات تصدير البيانات، وميزات التوافق مع المشاركين، وقابلية التكرار. التطبيقات التي تظهر بشكل متكرر في الأبحاث السريرية المنشورة تعكس عملية اختيار صارمة تكشف عن الأدوات التي يثق بها المجتمع العلمي في بياناته.

تستعرض هذه المقالة الأدبيات البحثية السريرية المنشورة لتحديد أي تطبيقات لتتبع السعرات الحرارية تُستخدم في التجارب، ولماذا يختار الباحثون تطبيقات معينة، وما الميزات التي تجعل التطبيق مناسبًا لمراقبة النظام الغذائي بجودة البحث.

جدول استبيان دراسة بدراسة

الدراسة	المجلة	السنة	التطبيق المستخدم	نوع الدراسة	حجم العينة	سبب اختيار هذا التطبيق
Athinarayanan et al.	Frontiers in Endocrinology	2019	Cronometer	RCT	262	تتبع شامل للميكرو مغذيات لمراقبة النظام الغذائي الكيتوني
Stringer et al.	Frontiers in Nutrition	2021	Cronometer	تدخل	42	دقة بيانات USDA/NCCDB لتحليل النظام الغذائي المنضبط
Patel et al.	Obesity	2019	Lose It!	RCT	218	تدخل سلوكي لفقدان الوزن مع تتبع عبر التطبيق
Turner-McGrievy et al.	JAMA Internal Medicine	2017	متعدد (بما في ذلك Lose It!)	RCT	96	مقارنة طرق مراقبة النظام الغذائي الذاتية
Laing et al.	JMIR mHealth uHealth	2014	MyFitnessPal	RCT	212	جدوى تدخل فقدان الوزن في الرعاية الأولية
Carter et al.	J Med Internet Res	2013	تطبيق على نمط MFP	RCT	128	مقارنة التطبيق مع دفتر يوميات ورقي
Harvey et al.	Appetite	2019	MyFitnessPal	ملاحظي	1,422	اتساق التسجيل ونتائج فقدان الوزن
Spring et al.	J Med Internet Res	2013	تطبيق مخصص	RCT	69	مراقبة النظام الغذائي المدعومة بالتكنولوجيا مع التدريب
Tosi et al.	Nutrients	2022	MFP، FatSecret، Yazio	تحقق	40 طعام	اختبار دقة قاعدة البيانات مقابل القيم المخبرية
Chen et al.	J Am Diet Assoc	2019	6 تطبيقات تجارية	تحقق	180	مقارنة دقة متعددة التطبيقات مقابل السجلات الموزونة
Franco et al.	JMIR mHealth uHealth	2016	MFP، Lose It!	تحقق	سريري	تقييم الدقة في برنامج إدارة الوزن
Evenepoel et al.	Obes Sci Pract	2020	MyFitnessPal	مراجعة منهجية	15 دراسة	مراجعة شاملة لـ MFP في البيئات البحثية
Hollis et al.	Am J Prev Med	2008	سجلات ورقية	RCT	1,685	معيار الذهب في عصر ما قبل التطبيقات لمراقبة الذات
Burke et al.	J Am Diet Assoc	2011	متتبع PDA	RCT	210	مقارنة المراقبة الذاتية الإلكترونية مع الورقية
Ferrara et al.	Int J Behav Nutr Phys Act	2019	متعدد	مراجعة منهجية	18 دراسة	مراجعة لأدوات مراقبة النظام الغذائي المعتمدة على التطبيقات

لماذا يختار الباحثون تطبيقات معينة

العوامل التي تؤثر على اختيار الباحثين للتطبيقات تختلف جذريًا عن أولويات المستهلكين. فهم هذه العوامل يكشف عما يقدره المجتمع العلمي في أداة تتبع النظام الغذائي.

دقة وعمق قاعدة البيانات

العامل الأكثر أهمية بالنسبة للباحثين هو دقة قاعدة البيانات. عندما تُستخدم بيانات تناول الطعام لحساب التعرض للمغذيات في تجربة سريرية، فإن أخطاء قاعدة البيانات تترجم مباشرة إلى أخطاء قياس قد تؤثر على نتائج العلاج.

أوضح Stringer et al. (2021) أنهم اختاروا Cronometer لدراستهم حول النظام الغذائي الكيتوني بسبب استخدامه لبيانات USDA FoodData Central و NCCDB. كانت الدراسة تتطلب تتبعًا دقيقًا لنسب المغذيات الكبرى للتحقق من أن المشاركين حافظوا على الحالة الغذائية الكيتونية، وهي حالة تُعرف بمستويات محددة من تقييد الكربوهيدرات. يمكن أن يؤدي خطأ في قاعدة البيانات بنسبة 20 في المئة في محتوى الكربوهيدرات (ضمن نطاق قواعد البيانات المستندة إلى الجمهور وفقًا لـ Tosi et al.، 2022) إلى تصنيف خاطئ للمشارك على أنه في حالة كيتونية أو خارجها.

اختار Athinarayanan et al. (2019) أيضًا Cronometer لتدخل السكري من النوع الثاني الذي يتطلب مراقبة دقيقة للمغذيات الكبرى. اعتمد نموذج الرعاية المستمرة عن بُعد للدراسة على بيانات غذائية دقيقة لتوجيه القرارات السريرية بشأن تعديل الأدوية.

تصدير البيانات والتكامل

تتطلب الأبحاث بيانات بتنسيقات متوافقة مع برامج التحليل الإحصائي (CSV، SPSS، SAS). التطبيقات التي لا يمكنها تصدير بيانات مفصلة على مستوى الطعام بتنسيق منظم تعتبر غير عملية للاستخدام البحثي بغض النظر عن جودة قاعدة بياناتها.

يوفر Cronometer تصدير بتنسيق CSV مع تحليل مغذيات على مستوى الطعام، مما يجعله متوافقًا مع سير العمل القياسي لتحليل بيانات البحث. تم الإشارة إلى هذه الميزة كعامل اختيار في دراسات منشورة متعددة.

تقدم معظم التطبيقات الموجهة للمستهلكين بيانات على مستوى ملخص فقط (إجماليات يومية) بدلاً من التفاصيل على مستوى الطعام، مما يحد من أنواع التحليلات التي يمكن للباحثين إجراؤها. غالبًا ما تتطلب بروتوكولات البحث بيانات على مستوى الطعام لحساب درجات أنماط النظام الغذائي، وتحديد تناول مجموعات غذائية معينة، أو تحليل تأثيرات توقيت الوجبات.

التوافق والمشاركة من المشاركين

تعتبر مراقبة النظام الغذائي عبئًا على المشاركين في البحث. التطبيقات التي تقلل من وقت التسجيل والاحتكاك تحسن معدلات التوافق، مما يؤثر مباشرة على اكتمال البيانات.

وجد Laing et al. (2014) أن 3 في المئة فقط من المشاركين في دراستهم حول MFP لا يزالون يقومون بالتسجيل بعد ستة أشهر، مما يبرز تحدي المشاركة. وقد دفع هذا الاكتشاف الباحثين للبحث عن تطبيقات تحتوي على ميزات تقلل من عبء التسجيل.

تمثل ميزات التسجيل المدعومة بالذكاء الاصطناعي، مثل التعرف على الصور وإدخال الصوت، تقدمًا كبيرًا في توافق البحث. تقلل هذه الميزات من وقت تسجيل كل وجبة من عدة دقائق إلى ثوانٍ، مما يمكن أن يحسن بشكل ملحوظ نسبة الوجبات المسجلة عبر دراسة تمتد لعدة أشهر.

تقدم Nutrola مجموعة من ميزات التعرف على الصور المدعومة بالذكاء الاصطناعي، وإدخال الصوت، ومسح الباركود، مما يوفر ثلاثة طرق تسجيل منخفضة الاحتكاك تلبي تفضيلات المشاركين وسياقات الاستخدام المختلفة. مع قاعدة بيانات موثوقة مدعومة من USDA تضم 1.8 مليون إدخال، يحافظ هذا النهج على دقة بيانات البحث بينما يزيد من توافق المشاركين، وهو مزيج يصعب تحقيقه مع التطبيقات التي تم تحسينها لأحد هذين الهدفين فقط.

تغطية المغذيات

تتطلب الدراسات التي تفحص حالة الميكرو مغذيات، أو مؤشرات جودة النظام الغذائي، أو علاقات المغذيات بالأمراض تطبيقات تتبع مجموعة شاملة من المغذيات.

تغطية المغذيات	Cronometer	Nutrola	MFP	Lose It!
إجمالي المغذيات المتعقبة	82+	80+	19 (قياسي)	22
الأحماض الأمينية الفردية	نعم	نعم	لا	لا
الأحماض الدهنية الفردية	نعم	نعم	جزئي	لا
جميع الفيتامينات الـ 13	نعم	نعم	جزئي	جزئي
جميع المعادن الأساسية	نعم	نعم	جزئي	جزئي
أنواع الألياف الغذائية	نعم	نعم	لا	لا

تحتاج الدراسات التي تفحص نتائج القلب والأوعية الدموية إلى ملفات تعريف دهنية مفصلة. تتطلب الدراسات حول صحة العظام بيانات عن الكالسيوم، وفيتامين د، وفيتامين ك. قد تتطلب أبحاث التغذية المتعلقة بالصحة النفسية تتبع الأحماض الأمينية الفردية (التريبتوفان، التيروزين) لتحليل سوابق الناقلات العصبية. فقط التطبيقات التي تتعقب 80+ مغذيات يمكن أن تدعم هذه التطبيقات البحثية.

التكلفة ومخاوف الإعلان

تتطلب بروتوكولات البحث ظروفًا متسقة عبر المشاركين. تقدم التطبيقات المدعومة بالإعلانات مخاوف منهجية مزدوجة: قد تؤثر الإعلانات على الخيارات الغذائية (الإعلانات الغذائية المعروضة أثناء التسجيل)، وعدم اتساق عرض الإعلانات بين المشاركين يقدم تباينًا غير متحكم فيه.

نموذج Nutrola الخالي من الإعلانات مقابل 2.50 يورو شهريًا يقضي على كلا القلقين. في ميزانية البحث، تكلفة توفير أداة تتبع خالية من الإعلانات للمشاركين تعتبر ضئيلة مقارنة بتكلفة البحث نفسها، ومع ذلك فإن الفائدة المنهجية لإزالة تشويش الإعلانات ذات مغزى.

مقارنة ميزات الجودة البحثية

الميزة	Cronometer	Nutrola	MFP	Lose It!
تكامل مع USDA FoodData Central	نعم	نعم (مقارنة مرجعية)	تكميلي	تكميلي
تصدير البيانات (CSV)	نعم	نعم	محدود	محدود
بيانات المغذيات على مستوى الطعام	نعم	نعم	ملخص فقط	ملخص فقط
بروتوكولات إدخال الطعام المخصصة	نعم	نعم	نعم	نعم
تتبع توافق المشاركين	محدود	عبر بيانات تكرار التسجيل	محدود	محدود
تجربة خالية من الإعلانات	مستوى مدفوع	جميع المستويات (2.50 يورو/شهر)	مستوى مدفوع فقط	مستوى مدفوع فقط
تسجيل مدعوم بالذكاء الاصطناعي	لا	نعم (صورة + صوت)	لا	لا
مسح الباركود	نعم	نعم	نعم	نعم

مشهد أدوات البحث خارج التطبيقات الاستهلاكية

من المهم وضع التطبيقات الاستهلاكية في سياق مشهد أدوات تقييم النظام الغذائي المستخدمة في الأبحاث.

أدوات البحث المعروفة

ASA24 (استرجاع النظام الغذائي الذاتي الآلي لمدة 24 ساعة). تم تطويره بواسطة المعهد الوطني للسرطان، ASA24 هو أداة عبر الإنترنت توجه المشاركين خلال استرجاع هيكلي للنظام الغذائي لمدة 24 ساعة. يستخدم قاعدة بيانات USDA FNDDS وقد تم التحقق منه في دراسات متعددة. ASA24 هو المعيار الذهبي لتقييم النظام الغذائي في الأبحاث ولكنه غير مصمم للتتبع اليومي.

NDSR (نظام بيانات التغذية للبحث). تم تطويره بواسطة مركز التنسيق التغذوي بجامعة مينيسوتا، NDSR هو أداة تحليل النظام الغذائي الأكثر شمولاً المتاحة للبحث. يستخدم قاعدة بيانات NCCDB ويعمل بواسطة محاورين غذائيين مدربين. NDSR هو المعيار المرجعي الذي يتم التحقق من صحة الأدوات الأخرى بناءً عليه. تكلفة الترخيص لكل مستخدم (حوالي 4,500 يورو سنويًا) تجعل من غير العملي استخدامها في الدراسات واسعة النطاق التي تتطلب تتبع المشاركين بأنفسهم.

استبيانات تكرار الطعام (FFQs). استبيانات شبه كمية تقيم تناول الطعام المعتاد على مدى فترات طويلة (عادةً شهور إلى سنوات). تعتبر FFQs فعالة للدراسات الوبائية الكبيرة ولكنها تفتقر إلى التفاصيل اليومية التي توفرها تطبيقات التتبع.

أين تتناسب التطبيقات الاستهلاكية

تحتل تطبيقات تتبع السعرات الحرارية الاستهلاكية مكانة فريدة في مشهد أدوات البحث: حيث تمكن من مراقبة النظام الغذائي الذاتي يوميًا وفي الوقت الحقيقي على نطاق واسع. لا يمكن لـ ASA24 (استرجاعات دورية) أو NDSR (تتطلب محاورين مدربين) أو FFQs (تقديرات استعادية) توفير هذا النوع من البيانات.

بالنسبة للدراسات التي تتطلب مراقبة النظام الغذائي اليومي في المشاركين الذين يعيشون بحرية على مدى أسابيع إلى أشهر، غالبًا ما تكون التطبيقات الاستهلاكية هي الخيار العملي الوحيد. السؤال الرئيسي هو أي تطبيق استهلاكي يوفر جودة بيانات قريبة من أدوات البحث بينما يحافظ على سهولة الاستخدام اللازمة لتوافق المشاركين.

تطبيقات مثل Nutrola وCronometer، التي تستخدم نفس مصادر البيانات الأساسية مثل أدوات البحث (USDA FoodData Central، قواعد البيانات الوطنية)، تسد الفجوة بين إمكانية الوصول للمستهلكين ومنهجية جودة البحث.

الاتجاهات الناشئة: تتبع الذكاء الاصطناعي في الأبحاث

يعد دمج التعرف على الطعام المدعوم بالذكاء الاصطناعي في بروتوكولات البحث اتجاهًا ناشئًا يعالج تحدي التوافق الذي حددته Laing et al. (2014).

تقليل عبء المشاركين. يقلل تسجيل الصور المدعوم بالذكاء الاصطناعي من وقت تتبع كل وجبة من 3-5 دقائق (إدخال يدوي) إلى 10-30 ثانية (التصوير والتأكيد). في دراسة مدتها 12 أسبوعًا مع ثلاث وجبات في اليوم، يوفر هذا التوفير في الوقت حوالي 15-25 ساعة لكل مشارك. بالنسبة للدراسات التي تضم مئات المشاركين، يمثل ذلك تقليلًا ذا مغزى في عبء المشاركين يمكن أن يحسن الاحتفاظ واكتمال البيانات.

توثيق الكميات بشكل موضوعي. توفر صور الوجبات سجلًا موضوعيًا يمكن مراجعته بشكل مستقل من قبل الباحثين أو اختصاصيي التغذية، مما يضيف طبقة من التحقق غير المتاحة مع التسجيل النصي اليدوي.

معالجة اللغة الطبيعية. يسمح التسجيل الصوتي، كما هو مطبق في Nutrola، للمشاركين بوصف الوجبات بلغة طبيعية. تعتبر هذه الطريقة ذات قيمة خاصة للفئات السكانية التي تجد إدخال النص اليدوي عبئًا، بما في ذلك كبار السن، والأفراد ذوي مستوى القراءة المحدود، والمشاركين في بيئات البحث الميداني.

متطلب حاسم: قاعدة بيانات موثوقة. تعتمد فائدة تسجيل الذكاء الاصطناعي في البحث بالكامل على دقة قاعدة البيانات التي يتم مطابقة الأطعمة التي تم التعرف عليها بواسطة الذكاء الاصطناعي معها. يوفر نظام ذكاء اصطناعي يحدد بشكل صحيح "صدر دجاج مشوي" ولكنه يطابقه مع إدخال غير دقيق من قاعدة بيانات مستندة إلى الجمهور دقة زائفة: التعريف صحيح، لكن البيانات الغذائية خاطئة. لهذا السبب، فإن بنية Nutrola، التي تجمع بين تسجيل الذكاء الاصطناعي مع قاعدة بيانات موثوقة مدعومة من USDA، مناسبة جدًا للتطبيقات البحثية.

معايير اختيار تطبيق تتبع بجودة البحث

استنادًا إلى الأنماط التي لوحظت في الأدبيات المنشورة، تحدد المعايير التالية تطبيق تتبع استهلاكي بجودة البحث:

1. قاعدة بيانات مرتبطة بـ USDA FoodData Central أو قاعدة بيانات حكومية معادلة. يضمن ذلك أن الإدخالات الغذائية العامة تستند إلى قيم مختبرية تم تحليلها بدلاً من تقديرات قدمها المستخدمون.

2. التحقق المهني من الإدخالات غير التابعة لـ USDA. يجب أن تخضع المنتجات الماركات والأطعمة الإقليمية التي ليست في قاعدة بيانات USDA للمراجعة المهنية بدلاً من قبولها من تقديمات مستندة إلى الجمهور دون تحقق.

3. تتبع 60+ مغذيات. تتطلب الدراسات التي تفحص الميكرو مغذيات، أو جودة النظام الغذائي، أو علاقات المغذيات بالصحة تغطية شاملة للمغذيات.

4. تصدير بيانات على مستوى الطعام بتنسيقات قياسية. تصدير CSV أو ما يعادله يمكّن من التحليل في R، SPSS، SAS، أو Python.

5. احتكاك منخفض أثناء التسجيل لتعظيم التوافق. يقلل التسجيل المدعوم بالذكاء الاصطناعي (صورة، صوت، باركود) من عبء المشاركين ويحسن اكتمال البيانات.

6. تجربة خالية من الإعلانات. يقضي على تشويش الإعلانات ويقلل من تشتت المشاركين أثناء التسجيل.

7. تجربة مستخدم متسقة. عدم تغيير الميزات أو تعديلات الواجهة خلال فترة الدراسة التي قد تؤثر على سلوك التسجيل.

تفي Nutrola بجميع المعايير السبعة: قاعدة بيانات مدعومة من USDA ومرجعية، إدخالات تم التحقق منها من قبل أخصائي تغذية (1.8 مليون)، تتبع 80+ مغذيات، تسجيل مدعوم بالذكاء الاصطناعي عبر الصور والصوت، مسح باركود، خالية من الإعلانات مقابل 2.50 يورو شهريًا، ومتاحة على كل من iOS وAndroid.

الأسئلة الشائعة

أي تطبيق لتتبع السعرات الحرارية هو الأكثر استخدامًا في الأبحاث السريرية؟

من حيث حجم الاقتباس، يبدو أن MyFitnessPal يظهر بشكل متكرر في الأبحاث المنشورة، ويرجع ذلك إلى هيمنته في السوق. ومع ذلك، بالنسبة للتدخلات الغذائية المنضبطة حيث تكون دقة البيانات حاسمة، يعد Cronometer الخيار المفضل. يختار الباحثون التطبيقات بناءً على منهجية قاعدة البيانات وقدرات تصدير البيانات بدلاً من الشعبية.

لماذا لا يستخدم الباحثون MyFitnessPal فقط لأنه الأكثر شعبية؟

تختلف الشعبية وملاءمة البحث كمعايير. وثقت دراسات متعددة (Tosi et al.، 2022؛ Evenepoel et al.، 2020) مخاوف دقة مع قاعدة بيانات MFP المستندة إلى الجمهور. يحتاج الباحثون الذين يقومون بدراسات تغذية دقيقة أو تدخلات غذائية منضبطة إلى بيانات أكثر دقة مما تقدمه MFP باستمرار. يتم استخدام MFP في الدراسات التي يكون فيها تناول الطعام متغيرًا ثانويًا وتكون التقديرات التقريبية مقبولة.

هل يمكن استخدام Nutrola في الأبحاث السريرية؟

تتوافق منهجية Nutrola مع متطلبات جودة البحث: قاعدة بيانات مدعومة من USDA FoodData Central، مراجعة عبر أخصائي تغذية، تتبع 80+ مغذيات، وتسجيل مدعوم بالذكاء الاصطناعي لتعظيم توافق المشاركين. تجعل إدخالاتها الموثوقة البالغ عددها 1.8 مليون، وقدرات تصدير البيانات، وتصميمها الخالي من الإعلانات مقابل 2.50 يورو شهريًا مناسبة للبروتوكولات البحثية التي تتطلب مراقبة يومية للنظام الغذائي مع كل من الدقة والمشاركة من المشاركين.

ما الفرق بين أدوات البحث الغذائية (ASA24، NDSR) والتطبيقات الاستهلاكية؟

تم تصميم ASA24 وNDSR للتقييم الدوري للنظام الغذائي الذي يتم إجراؤه أو توجيهه بواسطة محترفين مدربين. تم تصميم التطبيقات الاستهلاكية (Nutrola، Cronometer، MFP) للتتبع الذاتي اليومي من قبل الأفراد دون تدريب مهني. تتفوق التطبيقات الاستهلاكية في المراقبة المستمرة وفي الوقت الحقيقي ولكن قد تضحي ببعض الصرامة المنهجية. تضيق التطبيقات التي تحتوي على قواعد بيانات مدعومة من USDA (Nutrola، Cronometer) هذه الفجوة بشكل كبير.

هل ستحل تتبع السعرات الحرارية المدعوم بالذكاء الاصطناعي محل التقييم الغذائي التقليدي في الأبحاث؟

من غير المحتمل أن يحل تتبع الذكاء الاصطناعي بالكامل محل الأساليب المعتمدة مثل NDSR أو ASA24 ولكنه سيكملها بشكل متزايد. تكمن القيمة البحثية الرئيسية لتتبع الذكاء الاصطناعي في تقليل عبء المشاركين (مما يحسن التوافق واكتمال البيانات) مع توثيق موضوعي فوتوغرافي. المتطلب الحاسم هو أن يجب أن يكون التعرف على الذكاء الاصطناعي مصحوبًا بقاعدة بيانات غذائية موثوقة. التطبيقات مثل Nutrola التي تجمع بين راحة تسجيل الذكاء الاصطناعي مع دقة البيانات المعتمدة من USDA هي الأكثر استعدادًا لهذا التطبيق البحثي الناشئ.