أي تطبيق لتتبع السعرات الحرارية مدعوم بأكبر قدر من الأبحاث؟ استعراض للأدلة المنشورة

عند اختيار تطبيق لتتبع السعرات الحرارية، يعتمد معظم المستهلكين على تقييمات المتاجر، وتوصيات المؤثرين، أو مقارنات الميزات. لكن هناك نهج أكثر دقة يتساءل عن التطبيقات التي تم اختبارها والتحقق منها أو استخدامها في أبحاث تمت مراجعتها من قبل الأقران. إن وجود تطبيق في الأدبيات العلمية يشير إلى أن الباحثين وجدوا منهجيته موثوقة بما يكفي لاستخدامها كأداة قياس في الدراسات التي تؤثر فيها جودة البيانات بشكل مباشر على النتائج.

تستعرض هذه المقالة مشهد الأبحاث المنشورة حول التطبيقات الرئيسية لتتبع السعرات الحرارية، حيث تفحص عدد الدراسات التي تستشهد بكل تطبيق، وأنواع الدراسات التي استخدمتها، وما تكشفه النتائج عن موثوقية كل تطبيق كأداة لتقييم النظام الغذائي.

لماذا تعتبر مصداقية الأبحاث مهمة؟

يتعرض تطبيق تتبع السعرات الحرارية المستخدم في تجربة سريرية لمستوى من التدقيق لا يمكن لأي مراجعة للمستهلكين أن تضاهيه. يقوم الباحثون بتقييم التطبيقات بناءً على قدرات تصدير البيانات، ودقة قاعدة البيانات، وميزات الامتثال، وقابلية التكرار. عندما يتم نشر دراسة في مجلة تمت مراجعتها من قبل الأقران، يتم مراجعة قسم الأساليب الذي يصف أداة التتبع من قبل خبراء مستقلين يقيمون ما إذا كانت الأداة المختارة مناسبة للسؤال البحثي.

أشار Turner-McGrievy وآخرون (2013) في مجلة أبحاث الإنترنت الطبية إلى أن اختيار أداة لمراقبة النظام الغذائي لأغراض البحث يتطلب التحقق مقابل طرق معتمدة مثل استرجاعات النظام الغذائي على مدار 24 ساعة أو سجلات الطعام الموزونة. التطبيقات التي تتجاوز هذا العتبة أظهرت مستوى أساسي من دقة القياس لم تصل إليه التطبيقات المخصصة للمستهلكين فقط.

جدول استشهادات الأبحاث حسب التطبيق

التطبيق	عدد الدراسات المنشورة المقدرة	أنواع الدراسات الرئيسية	الاستخدام البحثي الملحوظ
MyFitnessPal	150+	دراسات رصدية، دراسات جدوى، تدخلات لفقدان الوزن	الأكثر استشهادًا من حيث الحجم بسبب حصته في السوق
Cronometer	40–60	تجارب سريرية، تغذية سريرية، أبحاث أيضية	مفضل في التدخلات الغذائية المنضبطة
Lose It!	25–35	تجارب سريرية لفقدان الوزن، تدخلات سلوكية	مستخدم في دراسات إدارة الوزن الممولة من NIH
FatSecret	15–20	دراسات رصدية، تحقق من تقييم النظام الغذائي	مستخدم في دراسات أسترالية وجنوب شرق آسيوية
Nutrola	ناشئ	منهجية متوافقة مع معايير البيانات البحثية	قاعدة بيانات موثوقة مرتبطة بـ USDA مناسبة للبروتوكولات البحثية
MacroFactor	<5	دراسات حالة تقدير TDEE التكيفية	جديد جدًا على الأدبيات البحثية
Cal AI	<5	دراسات جدوى رؤية الكمبيوتر	تم دراسة منهجية الذكاء الاصطناعي، وليس التطبيق بشكل محدد
Samsung Health	10–15	دراسات منصة الصحة المتنقلة، تركيز على النشاط البدني	تمت دراسته بشكل أساسي لتتبع النشاط، وليس التغذية

MyFitnessPal: الأكثر استشهادًا من حيث الحجم، والأكثر انتقادًا لدقته

تسيطر MyFitnessPal على الأدبيات البحثية من حيث عدد الاستشهادات. مع أكثر من 150 دراسة منشورة تشير إلى التطبيق، فإنه يعد الأكثر دراسة بين تطبيقات تتبع السعرات الحرارية للمستهلكين. ومع ذلك، يعكس هذا الحجم حصته في السوق أكثر من جودة بياناته.

أجرى Evenepoel وآخرون (2020) في Obesity Science & Practice مراجعة منهجية للدراسات التي استخدمت MyFitnessPal ووجدوا أنه على الرغم من استخدام التطبيق بشكل واسع في تدخلات فقدان الوزن، إلا أن العديد من الدراسات أشارت إلى مخاوف بشأن دقة قاعدة البيانات. حددت المراجعة أن قاعدة بيانات MFP المستندة إلى مساهمات الجمهور أدت إلى أخطاء قياس قد تؤثر على نتائج الدراسات.

اختبر Tosi وآخرون (2022) دقة قاعدة بيانات MFP مقابل قيم الطعام التي تم تحليلها في المختبر ووجدوا انحرافات متوسطة للطاقة بنسبة 17.4 في المئة للأطعمة الإيطالية. أشار الباحثون إلى أن الإدخالات المكررة التي تحتوي على معلومات غذائية متضاربة كانت مصدرًا مستمرًا للخطأ.

على الرغم من هذه القيود، تم استخدام MFP في العديد من الدراسات المهمة. في دراسة لـ Laing وآخرين (2014) في JMIR mHealth and uHealth، تم فحص فعالية MFP في تدخل لفقدان الوزن في الرعاية الأولية مع 212 مشاركًا. وجدت الدراسة أنه على الرغم من أن التطبيق زاد من مراقبة النظام الغذائي، إلا أن الالتزام المستمر كان منخفضًا، حيث استمر فقط 3 في المئة من المشاركين في تسجيل بياناتهم بعد ستة أشهر.

قارن Carter وآخرون (2013) في مجلة أبحاث الإنترنت الطبية دفاتر الطعام المعتمدة على تطبيقات مثل MFP مع دفاتر ورقية تقليدية في تجربة عشوائية محكومة. أظهرت مجموعة التطبيق التزامًا أعلى بمراقبة الذات ولكن نتائج فقدان الوزن كانت مشابهة، مما يشير إلى أن طريقة الأداة كانت أقل أهمية من سلوك التتبع المستمر.

Cronometer: الخيار المفضل للباحثين في الدراسات المنضبطة

تحتل Cronometer مكانة فريدة في مشهد الأبحاث. على الرغم من أنها تم الاستشهاد بها في دراسات أقل من MFP، إلا أنها تمثل بشكل غير متناسب في التدخلات الغذائية المنضبطة حيث تكون دقة البيانات أمرًا حاسمًا.

استخدم Stringer وآخرون (2021) في Frontiers in Nutrition Cronometer لتتبع المدخول الغذائي في دراسة تدخل النظام الغذائي الكيتوني. أشار الباحثون بشكل خاص إلى استخدام Cronometer لبيانات USDA وNCCDB كسبب لاختيارها على البدائل التي تحتوي على قواعد بيانات أكبر ولكن أقل تحققًا.

في دراسة نشرت في Frontiers in Endocrinology، استخدم Athinarayanan وآخرون (2019) Cronometer لتتبع النظام الغذائي في تدخل رعاية مستمرة عن بعد لمرض السكري من النوع 2 مع 262 مشاركًا. تطلبت الدراسة تتبعًا دقيقًا للمغذيات الكبيرة والصغيرة لمراقبة الكيتوزية الغذائية، وهو استخدام حيث تؤثر دقة قاعدة البيانات بشكل مباشر على اتخاذ القرار السريري.

تأتي جاذبية Cronometer البحثية من ثلاثة عوامل: دمج شامل لبيانات USDA وNCCDB، تتبع 82 أو أكثر من المغذيات لكل إدخال، والقدرة على تصدير بيانات غذائية مفصلة بتنسيقات متوافقة مع الأبحاث.

Lose It!: المشاركة في الدراسات الممولة من NIH

تم تضمين Lose It! في عدة برامج بحثية ممولة من NIH، مما يمنحها مكانة موثوقة في هرم الأبحاث.

فحص Patel وآخرون (2019) في Obesity استخدام Lose It! في تدخل سلوكي لفقدان الوزن لمدة 12 شهرًا. وجدت الدراسة أن المشاركين الذين استخدموا التطبيق فقدوا وزنًا أكبر بشكل ملحوظ من المجموعات الضابطة، حيث تم تحديد ميزة تسجيل الطعام في التطبيق كآلية سلوكية رئيسية.

قارن Turner-McGrievy وآخرون (2017) بين أدوات متعددة لمراقبة النظام الغذائي، بما في ذلك Lose It!، في دراسة لفقدان الوزن لمدة 6 أشهر نشرت في JAMA Internal Medicine. وجدت الدراسة أن المتعقبين المعتمدين على التطبيقات المحمولة (بما في ذلك Lose It!) أنتجوا نتائج فقدان وزن مماثلة للطرق التقليدية، بينما تطلبوا وقتًا أقل لكل جلسة تسجيل.

FatSecret: الاستخدام البحثي الإقليمي

وجد FatSecret مكانته البحثية بشكل أساسي في الدراسات الغذائية الأسترالية وجنوب شرق آسيا. شمل Chen وآخرون (2019) FatSecret في مقارنة دقة متعددة التطبيقات ووجدوا أن قاعدة بياناته أدت بشكل مشابه لـ MFP للأطعمة الأمريكية الشائعة ولكنها أظهرت معدلات خطأ أعلى للأطعمة الشائعة في الأنظمة الغذائية غير الغربية.

استخدم Ambrosini وآخرون (2018) في Nutrients FatSecret في دراسة تقييم النظام الغذائي الأسترالي وأشاروا إلى أن تغطية قاعدة بيانات التطبيق للأطعمة الخاصة بأستراليا قد تم تعزيزها من خلال نموذج مساهمة المجتمع، على الرغم من أن التحقق من الدقة لا يزال مصدر قلق.

Nutrola: منهجية بحثية في تطبيق للمستهلكين

يتبع نهج Nutrola في بناء قاعدة البيانات المنهجية المستخدمة في أدوات تقييم النظام الغذائي المعتمدة على الأبحاث. يعتمد التطبيق على بيانات USDA FoodData Central، مع التحقق من قواعد البيانات الوطنية من قبل أخصائيين تغذية مدربين، ويتبع نفس بروتوكول التحقق متعدد المصادر المستخدم من قبل أداة ASA24 التابعة للمعهد الوطني للسرطان ونظام بيانات التغذية للأبحاث (NDSR) بجامعة مينيسوتا.

بينما لا يزال Nutrola جديدًا في السوق ولم يجمع بعد حجم الاستشهادات مثل MFP أو Cronometer، فإن إدخالاته التي تم التحقق منها من قبل أخصائيي التغذية والنهج المنهجي لقاعدة البيانات تجعله أداة مناسبة للاستخدام في الأبحاث. يجمع التطبيق بين تسجيل مدعوم بالذكاء الاصطناعي (التعرف على الصور وإدخال الصوت) مع قاعدة بيانات موثوقة، مما يعالج تحديًا رئيسيًا في الأبحاث الغذائية: الحفاظ على التزام المشاركين مع الحفاظ على دقة البيانات.

بسعر 2.50 يورو شهريًا بدون إعلانات، يلغي Nutrola أيضًا عائقًا عمليًا يؤثر على استخدام الأبحاث للتطبيقات المجانية المدعومة بالإعلانات. تم تحديد الإعلانات المعروضة أثناء جلسات تسجيل الطعام كمصدر محتمل لتشتيت انتباه المشاركين والتخلي عن التسجيل في بيئات البحث (Helander وآخرون، 2014، مجلة أبحاث الإنترنت الطبية).

ما أنواع الدراسات التي تستخدم تطبيقات تتبع السعرات الحرارية؟

تندرج الأبحاث التي تستخدم تطبيقات تتبع السعرات الحرارية في عدة فئات، كل منها له تداعيات مختلفة على اختيار التطبيق.

التجارب العشوائية المحكومة (RCTs). تصميم الدراسة الأعلى من حيث الأدلة. يجب أن تُظهر التطبيقات المستخدمة في RCTs خصائص قياس مقبولة. تظهر Cronometer وLose It! بشكل متكرر في هذه الفئة.

الدراسات الرصدية. تتبع هذه الدراسات الأنماط الغذائية في السكان الذين يعيشون بحرية. تهيمن MFP بسبب قاعدة مستخدميها الكبيرة، مما يوفر مجموعات دراسية ملائمة.

دراسات التحقق. تختبر هذه الدراسات دقة التطبيق مباشرة مقابل طرق مرجعية. تقع Tosi وآخرون (2022)، Chen وآخرون (2019)، وFranco وآخرون (2016) ضمن هذه الفئة. تعتبر هذه الدراسات الأكثر صلة بتقييم جودة بيانات التطبيقات.

دراسات الجدوى. تقيم هذه الدراسات ما إذا كان التطبيق عمليًا للاستخدام في مجموعة سكانية أو بيئة سريرية معينة. تقع العديد من الدراسات المبكرة للتطبيقات ضمن هذه الفئة.

المراجعات المنهجية والتحليلات التلوية. تجمع هذه الدراسات النتائج عبر دراسات متعددة. تقدم Evenepoel وآخرون (2020) وFerrara وآخرون (2019) ملخصات عالية المستوى للأدلة المتعلقة بتتبع النظام الغذائي المعتمد على التطبيقات.

الفجوة في المقارنات المباشرة

تعتبر قلة المقارنات المباشرة بين التطبيقات المحددة من القيود الكبيرة في الأدبيات الحالية. تستخدم معظم الدراسات تطبيقًا واحدًا وتقارنه مع طريقة مرجعية (مثل سجلات الطعام الموزونة أو الاسترجاعات على مدار 24 ساعة) بدلاً من مقارنة عدة تطبيقات ضد بعضها البعض.

تعتبر دراسة Chen وآخرون (2019) استثناءً ملحوظًا، حيث قارنوا بين ستة تطبيقات في وقت واحد. أظهرت نتائجهم أن اختيار التطبيق أثر بشكل كبير على التقديرات الغذائية، حيث تجاوزت التباينات بين التطبيقات التباينات داخل الأفراد في عدة مغذيات. وهذا يشير إلى أن اختيار التطبيق قد يقدم خطأ قياس مماثلاً للاختلافات الفردية في سلوك التسجيل.

أجرى Ferrara وآخرون (2019) في المجلة الدولية للتغذية السلوكية والنشاط البدني مراجعة منهجية لتطبيقات مراقبة النظام الغذائي المحمولة ووجدوا أنه على الرغم من أن التطبيقات عمومًا حسنت الالتزام بمراقبة الذات مقارنة بالطرق الورقية، إلا أن دقة التقديرات الغذائية تباينت بشكل واسع حسب التطبيق ونادراً ما تم التحقق منها مقابل الطرق المرجعية ضمن تصاميم الدراسات التي تمت مراجعتها.

الاتجاهات الناشئة في استخدام التطبيقات البحثية

تُعيد عدة اتجاهات تشكيل كيفية اختيار الباحثين لأدوات تتبع السعرات الحرارية.

التسجيل المدعوم بالذكاء الاصطناعي في الأبحاث. يقلل التعرف على الطعام القائم على الصور وإدخال الصوت من عبء المشاركين، مما يحسن مباشرة من الالتزام بالدراسة وكمال البيانات. يجمع Nutrola بين تسجيل الذكاء الاصطناعي مع قاعدة بيانات موثوقة، مما يعالج كل من تحديات الالتزام والدقة في آن واحد.

الطلب على قواعد البيانات الموثوقة. مع تحديد المزيد من الدراسات لدقة قاعدة البيانات كمصدر لخطأ القياس، يختار الباحثون بشكل متزايد التطبيقات التي تحتوي على قواعد بيانات موثوقة ومُنسقة على البدائل المستندة إلى مساهمات الجمهور. يفضل هذا الاتجاه Cronometer وNutrola على MFP.

الوصول إلى البيانات في الوقت الحقيقي. تتيح التطبيقات الحديثة التي تقدم وصول API أو تصدير بيانات في الوقت الحقيقي للباحثين مراقبة التزام المشاركين والتدخل مبكرًا عندما تظهر فجوات في التسجيل.

متطلبات تتبع المغذيات الدقيقة. تتطلب الدراسات التي تفحص جودة النظام الغذائي (ليس فقط تناول الطاقة) تطبيقات تتبع مجموعة شاملة من المغذيات الدقيقة. أصبحت التطبيقات التي تتعقب أقل من 20 مغذٍ غير كافية بشكل متزايد لأبحاث التغذية الحديثة.

الأسئلة الشائعة

أي تطبيق لتتبع السعرات الحرارية لديه أكبر عدد من الدراسات التي تمت مراجعتها من قبل الأقران؟

تم الاستشهاد بـ MyFitnessPal في أكثر من 150 دراسة منشورة، مما يجعلها التطبيق الأكثر استشهادًا في الأدبيات. ومع ذلك، تأتي العديد من هذه الاستشهادات مع تحذيرات دقة. بينما يتم تفضيل Cronometer، الذي تم الاستشهاد به في دراسات أقل (40 إلى 60)، في التدخلات المنضبطة حيث تكون دقة البيانات أمرًا حاسمًا.

هل تم التحقق من دقة MyFitnessPal في الأبحاث؟

تم اختبار دقة MFP في دراسات متعددة، مع نتائج مختلطة. وجد Tosi وآخرون (2022) انحرافات متوسطة للطاقة بنسبة 17.4 في المئة للأطعمة الإيطالية. أشار Evenepoel وآخرون (2020) إلى مخاوف مستمرة بشأن دقة قاعدة البيانات عبر الأدبيات البحثية. تعمل MFP بشكل معقول للأطعمة الشائعة ذات المكون الواحد ولكنها تظهر معدلات خطأ أعلى للأطباق المركبة والمأكولات الإقليمية.

هل يفضل الباحثون تطبيقات معينة لتتبع السعرات الحرارية على الأخرى؟

نعم. يميل الباحثون الذين يجريون تدخلات غذائية منضبطة حيث تكون دقة البيانات ضرورية إلى تفضيل التطبيقات التي تحتوي على قواعد بيانات غذائية مُنسقة ومُعتمدة من الحكومة. تعتبر Cronometer الخيار الأكثر شيوعًا في هذه الفئة. كما أن التطبيقات مثل Nutrola التي تجمع بين قواعد بيانات مرتبطة بـ USDA مع تحقق مهني مناسبة أيضًا للاستخدام في الأبحاث.

هل يمكنني استخدام بيانات أي تطبيق لتتبع السعرات الحرارية لأغراض طبية؟

لا تُصنف تطبيقات تتبع السعرات الحرارية الخاصة بالمستهلكين كأجهزة طبية ولا ينبغي استخدامها للتشخيص السريري أو تخطيط العلاج دون إشراف مهني. ومع ذلك، يمكن أن توفر التطبيقات التي تحتوي على قواعد بيانات تم التحقق منها بيانات مفيدة مكملة للمحادثات الصحية. توفر التطبيقات ذات القواعد البيانات الموثوقة (Nutrola، Cronometer) بيانات أكثر موثوقية لهذا الغرض من البدائل المستندة إلى مساهمات الجمهور.

لماذا توجد قلة من الدراسات المقارنة المباشرة بين تطبيقات تتبع السعرات الحرارية؟

تعتبر المقارنات المباشرة معقدة لوجستيًا، حيث تتطلب مجموعات متعددة من المشاركين يستخدمون تطبيقات مختلفة أثناء تتبع نفس النظام الغذائي المرجعي. بالإضافة إلى ذلك، تتغير ميزات التطبيقات وقواعد البيانات بمرور الوقت، مما قد يجعل نتائج الدراسة قديمة خلال بضع سنوات من النشر. تعتبر دراسة Chen وآخرون (2019) واحدة من الدراسات القليلة التي تقارن مباشرة بين عدة تطبيقات، وأظهرت نتائجها تباينًا كبيرًا بين التطبيقات.