Αξιοπιστία Εφαρμογών Καταμέτρησης Θερμίδων: Μια Εκτενής Ανασκόπηση της Βιβλιογραφίας

Το ερώτημα αν οι εφαρμογές καταμέτρησης θερμίδων είναι πράγματι αποτελεσματικές δεν είναι θέμα γνώμης. Είναι ένα ζήτημα που έχει μελετηθεί συστηματικά σε πολλές αναθεωρημένες μελέτες που έχουν δημοσιευθεί σε περιοδικά υψηλού αντίκτυπου στον τομέα της διατροφής, της συμπεριφορικής επιστήμης και της ιατρικής. Η βάση των αποδείξεων, αν και ατελής, είναι σημαντική και καταδεικνύει συνεπείς συμπεράσματα σχετικά με το τι λειτουργεί, τι δεν λειτουργεί και πού υπάρχουν κρίσιμα κενά.

Αυτό το άρθρο παρέχει μια δομημένη ανασκόπηση της βιβλιογραφίας σχετικά με τις δημοσιευμένες αποδείξεις για την αυτοπαρακολούθηση της διατροφής μέσω εφαρμογών. Εξετάζουμε μελέτες σχετικά με την αποτελεσματικότητα (βελτιώνει η παρακολούθηση τα αποτελέσματα;), την ακρίβεια (πόσο αξιόπιστα είναι τα δεδομένα που παράγονται από τις εφαρμογές;), τη συμμόρφωση (χρησιμοποιούν οι άνθρωποι αυτά τα εργαλεία με συνέπεια;) και την συγκριτική αξία διαφορετικών μεθόδων εφαρμογών.

Πίνακας Σύνοψης Βασικών Μελετών

Συγγραφείς	Έτος	Περιοδικό	Τύπος Μελέτης	Μέγεθος Δείγματος	Εφαρμογές που Μελετήθηκαν	Βασικό Ευρήμα
Ferrara et al.	2019	Int J Behav Nutr Phys Act	Συστηματική ανασκόπηση	18 μελέτες	Πολλές	Οι εφαρμογές βελτιώνουν τη συμμόρφωση στην αυτοπαρακολούθηση σε σχέση με τις παραδοσιακές μεθόδους
Tay et al.	2020	Nutrients	Συστηματική ανασκόπηση	22 μελέτες	Πολλές	Η παρακολούθηση μέσω εφαρμογών είναι συγκρίσιμη με τις παραδοσιακές μεθόδους διατροφικής αξιολόγησης
Patel et al.	2019	Obesity	RCT	218	Lose It!	Η ομάδα της εφαρμογής έχασε σημαντικά περισσότερο βάρος σε 12 μήνες
Carter et al.	2013	J Med Internet Res	RCT	128	Εφαρμογή τύπου MFP	Υψηλότερη συμμόρφωση στην αυτοπαρακολούθηση με την εφαρμογή σε σχέση με το ημερολόγιο χαρτιού
Laing et al.	2014	JMIR mHealth uHealth	RCT	212	MyFitnessPal	Μόνη η εφαρμογή δεν είναι αρκετή; μόνο το 3% διατήρησε τη χρήση της στα 6 μήνες
Turner-McGrievy et al.	2013	J Med Internet Res	RCT	96	Πολλές	Η ομάδα εφαρμογής συνδυασμένη με podcast έχασε περισσότερο βάρος από την ομάδα μόνο με την εφαρμογή
Evenepoel et al.	2020	Obes Sci Pract	Συστηματική ανασκόπηση	15 μελέτες	MyFitnessPal	Το MFP χρησιμοποιείται ευρέως στην έρευνα αλλά υπάρχουν ανησυχίες για την ακρίβεια
Tosi et al.	2022	Nutrients	Επικύρωση	40 τρόφιμα	MFP, FatSecret, Yazio	Μέσες αποκλίσεις ενέργειας 7–28% ανά εφαρμογή
Chen et al.	2019	J Am Diet Assoc	Επικύρωση	180	6 εφαρμογές	Οι εφαρμογές που βασίζονται σε USDA είναι σημαντικά πιο ακριβείς
Franco et al.	2016	JMIR mHealth uHealth	Επικύρωση	—	MFP, Lose It!	Και οι δύο υποτίμησαν το νάτριο κατά >30%
Griffiths et al.	2018	Nutr Diet	Επικύρωση	—	Πολλές	Η παρακολούθηση μικροθρεπτικών συστατικών είναι λιγότερο ακριβής από την παρακολούθηση μακροθρεπτικών
Hollis et al.	2008	Am J Prev Med	RCT	1,685	Χαρτί	Οι καθημερινές καταγραφές τροφίμων διπλασίασαν την απώλεια βάρους
Burke et al.	2011	J Am Diet Assoc	RCT	210	PDA tracker	Η ηλεκτρονική αυτοπαρακολούθηση παρήγαγε μεγαλύτερη συμμόρφωση
Harvey et al.	2019	Appetite	Παρατηρητική	1,422	MFP	Οι συνεπείς χρήστες έχασαν σημαντικά περισσότερο βάρος
Helander et al.	2014	J Med Internet Res	Παρατηρητική	190,000	Health Mate	Η συχνότητα αυτοζύγισης σχετίζεται με την απώλεια βάρους
Spring et al.	2013	J Med Internet Res	RCT	69	Εφαρμογή + coaching	Η τεχνολογία υποστηριζόμενη παρακολούθηση βελτίωσε την ποιότητα της διατροφής

Οι Βασικές Αποδείξεις: Η Αυτοπαρακολούθηση Λειτουργεί

Οι θεμελιώδεις αποδείξεις για την καταμέτρηση θερμίδων προϋπάρχουν των εφαρμογών smartphone. Οι Hollis et al. (2008), στη σημαντική μελέτη Weight Loss Maintenance Trial που δημοσιεύθηκε στο American Journal of Preventive Medicine, απέδειξαν ότι οι συμμετέχοντες που κρατούσαν καθημερινές καταγραφές τροφίμων έχασαν διπλάσιο βάρος σε σχέση με εκείνους που δεν το έκαναν (8.2 kg έναντι 3.7 kg σε έξι μήνες). Αυτή η μελέτη καθόρισε την αυτοπαρακολούθηση της διατροφής ως τον ισχυρότερο προγνωστικό παράγοντα απώλειας βάρους σε δείγμα 1,685 ενηλίκων.

Οι Burke et al. (2011), δημοσιεύοντας στο Journal of the American Dietetic Association, επεκτείναν αυτό το εύρημα συγκρίνοντας την ηλεκτρονική αυτοπαρακολούθηση (χρησιμοποιώντας έναν PDA tracker) με ημερολόγια χαρτιού. Η ομάδα της ηλεκτρονικής αυτοπαρακολούθησης παρουσίασε σημαντικά υψηλότερη συμμόρφωση στην παρακολούθηση και μεγαλύτερη συνέπεια, υποδεικνύοντας ότι η τεχνολογία μειώνει την τριβή που σχετίζεται με την καταγραφή της διατροφής.

Αυτές οι θεμελιώδεις μελέτες αποδεικνύουν τον μηχανισμό: η παρακολούθηση λειτουργεί επειδή αναγκάζει τη συνειδητή εμπλοκή με τις διατροφικές επιλογές, δημιουργώντας έναν κύκλο ανατροφοδότησης μεταξύ συνειδητότητας και συμπεριφοράς.

Τι Συμπεραίνουν οι Συστηματικές Ανασκοπήσεις

Ferrara et al. (2019): Οι Εφαρμογές Βελτιώνουν τη Συμμόρφωση στην Αυτοπαρακολούθηση

Οι Ferrara και οι συνεργάτες τους πραγματοποίησαν μια συστηματική ανασκόπηση που δημοσιεύθηκε στο The International Journal of Behavioral Nutrition and Physical Activity, εξετάζοντας 18 μελέτες που αξιολόγησαν εφαρμογές παρακολούθησης διατροφής μέσω κινητού. Η ανασκόπηση κατέληξε στο συμπέρασμα ότι η αυτοπαρακολούθηση μέσω εφαρμογών βελτίωσε τη συμμόρφωση στην καταγραφή της διατροφής σε σχέση με τις παραδοσιακές μεθόδους χαρτιού. Οι συγγραφείς σημείωσαν ότι η μείωση του χρόνου που απαιτείται ήταν ένας κρίσιμος παράγοντας: η καταγραφή μέσω εφαρμογών απαιτούσε κατά μέσο όρο 5 έως 15 λεπτά ημερησίως σε σύγκριση με 15 έως 30 λεπτά για τις μεθόδους χαρτιού.

Η ανασκόπηση επίσης εντόπισε ένα κρίσιμο κενό: λίγες μελέτες συνέκριναν την ακρίβεια διαφορετικών εφαρμογών μεταξύ τους ή με αναφορά σε μεθόδους διατροφικής αξιολόγησης. Οι περισσότερες μελέτες μέτρησαν συμπεριφορικά αποτελέσματα (απώλεια βάρους, συμμόρφωση) αντί για την ακρίβεια μέτρησης, αφήνοντας το ερώτημα ποια εφαρμογή παρέχει τα πιο αξιόπιστα δεδομένα σε μεγάλο βαθμό αναπάντητο.

Tay et al. (2020): Η Παρακολούθηση μέσω Εφαρμογών Είναι Συγκρίσιμη με την Παραδοσιακή Αξιολόγηση

Οι Tay και οι συνεργάτες τους, δημοσιεύοντας στο Nutrients, ανασκόπησαν 22 μελέτες που συγκρίνουν την παρακολούθηση διατροφής μέσω εφαρμογών με παραδοσιακές μεθόδους, όπως οι 24ωρες ανακλήσεις διατροφής και τα ερωτηματολόγια συχνότητας τροφίμων. Η ανασκόπηση διαπίστωσε ότι οι εφαρμογές παρήγαγαν εκτιμήσεις διατροφής συγκρίσιμες με τις καθιερωμένες μεθόδους για τους μακροθρεπτικούς παράγοντες, αν και η συμφωνία για τους μικροθρεπτικούς παράγοντες ήταν πιο μεταβλητή.

Οι συγγραφείς σημείωσαν ότι η ποιότητα της βάσης δεδομένων της εφαρμογής ήταν ένας σημαντικός παράγοντας που επηρεάζει τα αποτελέσματα. Οι εφαρμογές που χρησιμοποιούσαν επιμελημένες βάσεις δεδομένων έδειξαν ισχυρότερη συμφωνία με τις μεθόδους αναφοράς από τις εφαρμογές που βασίζονταν σε δεδομένα που συγκεντρώνονταν από χρήστες. Αυτό το εύρημα υποστηρίζει άμεσα τη θέση ότι η μεθοδολογία της βάσης δεδομένων, όχι μόνο η πράξη της παρακολούθησης, καθορίζει την αξία των δεδομένων που συλλέγονται.

Evenepoel et al. (2020): Το MyFitnessPal Χρησιμοποιείται Ευρέως αλλά Αμφισβητείται η Ακρίβεια

Οι Evenepoel και οι συνεργάτες τους ανασκόπησαν 15 μελέτες που χρησιμοποίησαν συγκεκριμένα το MyFitnessPal ως εργαλείο διατροφικής αξιολόγησης. Δημοσιευμένη στο Obesity Science & Practice, η ανασκόπηση διαπίστωσε ότι το MFP ήταν η πιο συχνά χρησιμοποιούμενη εμπορική εφαρμογή στην δημοσιευμένη έρευνα, κυρίως λόγω του μεριδίου αγοράς και της αναγνωρισιμότητας του ονόματος. Ωστόσο, η ανασκόπηση εντόπισε επαναλαμβανόμενες ανησυχίες σχετικά με την ακρίβεια της βάσης δεδομένων, με πολλές μελέτες να σημειώνουν σφάλματα στις καταχωρήσεις που προέρχονταν από χρήστες.

Οι συγγραφείς κατέληξαν στο συμπέρασμα ότι το MFP ήταν "αποδεκτό για ερευνητική χρήση" σε μελέτες όπου η διατροφική πρόσληψη ήταν δευτερεύον αποτέλεσμα και οι πρόχειρες εκτιμήσεις ήταν επαρκείς, αλλά προειδοποίησαν κατά της χρήσης του σε μελέτες όπου η ακριβής μέτρηση της διατροφής ήταν κρίσιμη.

Αποδείξεις για την Ακρίβεια των Εφαρμογών

Tosi et al. (2022): Ποσοτικοποίηση Σφαλμάτων Βάσης Δεδομένων

Οι Tosi και οι συνεργάτες τους, δημοσιεύοντας στο Nutrients, πραγματοποίησαν μία από τις πιο αυστηρές δοκιμές ακρίβειας των εμπορικών εφαρμογών καταμέτρησης θερμίδων. Σύγκριναν τις εκτιμήσεις θερμίδων και μακροθρεπτικών συστατικών από το MyFitnessPal, το FatSecret και το Yazio με τιμές που αναλύθηκαν σε εργαστήριο για 40 ιταλικά τρόφιμα.

Τα αποτελέσματα αποκάλυψαν μέσες απόλυτες ποσοστιαίες αποκλίσεις που κυμαίνονταν από 7 έως 28 τοις εκατό, ανάλογα με την εφαρμογή και την κατηγορία τροφίμου. Οι εφαρμογές παρουσίασαν καλύτερη απόδοση για απλά, μονοσυστατικά τρόφιμα (ωμά φρούτα, απλά δημητριακά) και χειρότερη για σύνθετα πιάτα (προετοιμασμένα γεύματα, παραδοσιακές συνταγές). Οι συγγραφείς απέδωσαν τα σφάλματα κυρίως σε ανακρίβειες της βάσης δεδομένων και όχι σε μεθοδολογικούς περιορισμούς της προσέγγισης παρακολούθησης.

Chen et al. (2019): Η Επίδραση της Μεθοδολογίας Βάσης Δεδομένων

Οι Chen και οι συνεργάτες τους αξιολόγησαν έξι εμπορικές εφαρμογές παρακολούθησης διατροφής σε σύγκριση με 3ήμερες καταγραφές τροφίμων σε δείγμα 180 ενηλίκων. Η μελέτη διαπίστωσε ότι οι εφαρμογές που χρησιμοποιούσαν βάσεις δεδομένων που βασίζονταν σε USDA παρουσίασαν μέσες αποκλίσεις ενέργειας από 7 έως 12 τοις εκατό, ενώ εκείνες που βασίζονταν κυρίως σε δεδομένα που συγκεντρώνονταν από χρήστες παρουσίασαν αποκλίσεις από 15 έως 25 τοις εκατό.

Αυτή η μελέτη παρέχει τις πιο άμεσες αποδείξεις ότι η μεθοδολογία της βάσης δεδομένων επηρεάζει σημαντικά την ακρίβεια της παρακολούθησης. Η διαφορά μεταξύ των βάσεων δεδομένων που βασίζονται σε USDA και εκείνων που συγκεντρώνονται από χρήστες (7-12% έναντι 15-25% σφάλμα) μεταφράζεται σε πρακτική διαφορά αρκετών εκατοντάδων θερμίδων ημερησίως για μια τυπική διατροφή.

Franco et al. (2016): Περιορισμοί στην Παρακολούθηση Μικροθρεπτικών Συστατικών

Οι Franco και οι συνεργάτες τους, δημοσιεύοντας στο JMIR mHealth and uHealth, δοκίμασαν το MyFitnessPal και το Lose It! σε ένα κλινικό πρόγραμμα διαχείρισης βάρους. Και οι δύο εφαρμογές υποτίμησαν το περιεχόμενο νατρίου κατά περισσότερο από 30 τοις εκατό κατά μέσο όρο. Αυτό το εύρημα έχει άμεσες κλινικές επιπτώσεις για τους χρήστες που παρακολουθούν το νάτριο για τη διαχείριση της υπέρτασης και αναδεικνύει τον ευρύτερο περιορισμό των εφαρμογών που δεν ενσωματώνουν πλήρως τα δεδομένα μικροθρεπτικών συστατικών από το USDA.

Αποδείξεις για τη Συμμόρφωση και την Εμπλοκή

Laing et al. (2014): Το Πρόβλημα της Εμπλοκής

Οι Laing και οι συνεργάτες τους δοκίμασαν το MyFitnessPal σε ένα πρόγραμμα απώλειας βάρους πρωτοβάθμιας φροντίδας με 212 υπέρβαρους ή παχύσαρκους ενήλικες. Η μελέτη, που δημοσιεύθηκε στο JMIR mHealth and uHealth, διαπίστωσε ότι ενώ το 78% των συμμετεχόντων στην ομάδα εφαρμογής χρησιμοποίησαν το MFP τουλάχιστον μία φορά, μόνο το 3% εξακολουθούσε να καταγράφει μετά από έξι μήνες.

Αυτή η δραματική πτώση στην εμπλοκή είναι ένα από τα πιο αναφερόμενα ευρήματα στη βιβλιογραφία για την παρακολούθηση μέσω εφαρμογών. Υποδηλώνει ότι η παροχή μιας εφαρμογής από μόνη της, χωρίς επιπλέον υποστήριξη συμπεριφοράς, είναι ανεπαρκής για τη διαρκή αυτοπαρακολούθηση της διατροφής.

Harvey et al. (2019): Η Συνεπής Χρήση Είναι Κλειδί

Οι Harvey και οι συνεργάτες τους ανέλυσαν δεδομένα από 1,422 χρήστες του MyFitnessPal σε μια μελέτη που δημοσιεύθηκε στο Appetite. Διαπίστωσαν ότι οι χρήστες που καταγράφουν με συνέπεια (ορισμένοι ως καταγραφή σε περισσότερες από 50% των ημερών) έχασαν σημαντικά περισσότερο βάρος από τους σποραδικούς καταγραφείς. Η γραμμική σχέση μεταξύ της συνέπειας στην καταγραφή και της απώλειας βάρους ήταν σαφής: η πιο συχνή καταγραφή προέβλεπε μεγαλύτερη απώλεια βάρους.

Αυτό το εύρημα έχει επιπτώσεις για τον σχεδιασμό εφαρμογών. Χαρακτηριστικά που μειώνουν την τριβή στην καταγραφή, όπως η αναγνώριση τροφίμων μέσω AI και η καταγραφή μέσω φωνής, αντιμετωπίζουν άμεσα το συμπεριφορικό εμπόδιο που προκαλεί την πτώση της εμπλοκής που καταγράφηκε από τους Laing et al. Όταν η καταγραφή ενός γεύματος διαρκεί δευτερόλεπτα αντί για λεπτά, οι χρήστες είναι πιο πιθανό να διατηρήσουν τη συνέπεια που έδειξε ότι προβλέπει την επιτυχία.

Τα Κενά στη Σημερινή Βάση Αποδείξεων

Παρά την αυξανόμενη βάση ερευνών, σημαντικά κενά παραμένουν στην αποδεικτική βάση για την καταμέτρηση θερμίδων μέσω εφαρμογών.

Λίγες συγκριτικές μελέτες. Οι περισσότερες μελέτες δοκιμάζουν μια μόνο εφαρμογή σε σχέση με μια μέθοδο αναφοράς. Οι άμεσες συγκρίσεις μεταξύ εφαρμογών είναι σπάνιες, καθιστώντας δύσκολη την οριστική σύσταση μιας εφαρμογής έναντι μιας άλλης αποκλειστικά με βάση τις δημοσιευμένες αποδείξεις.

Ταχεία εξέλιξη της τεχνολογίας. Οι εφαρμογές ενημερώνουν τις βάσεις δεδομένων και τα χαρακτηριστικά τους τακτικά, γεγονός που μπορεί να καθιστά τα ευρήματα των μελετών παρωχημένα μέσα σε λίγα χρόνια από τη δημοσίευση. Μια μελέτη ακρίβειας του MFP από το 2019 μπορεί να μην αντικατοπτρίζει τη βάση δεδομένων της εφαρμογής το 2026.

Μεροληψία επιλογής στις ερευνητικές πληθυσμούς. Οι μελέτες προσελκύουν κίνητρα εθελοντές, οι οποίοι μπορεί να μην αντιπροσωπεύουν τους τυπικούς χρήστες εφαρμογών. Οι ρυθμοί συμμόρφωσης και τα αποτελέσματα που παρατηρούνται σε ερευνητικά περιβάλλοντα μπορεί να μην γενικεύονται στον ευρύτερο πληθυσμό χρηστών.

Περιορισμένη επικύρωση μικροθρεπτικών. Οι περισσότερες μελέτες ακρίβειας επικεντρώνονται στην ενέργεια και τους μακροθρεπτικούς παράγοντες. Η ακρίβεια των μικροθρεπτικών έχει αξιολογηθεί σε λιγότερες μελέτες, αν και είναι εξίσου σημαντική για μια ολοκληρωμένη διατροφική αξιολόγηση.

Έλλειψη μακροχρόνιων αποδείξεων. Λίγες μελέτες παρακολουθούν τους χρήστες εφαρμογών πέρα από 12 μήνες. Οι μακροχρόνιες επιπτώσεις της διαρκούς παρακολούθησης μέσω εφαρμογών στη διατροφική συμπεριφορά και τα αποτελέσματα υγείας παραμένουν υπομελετημένες.

Επιπτώσεις για την Επιλογή Εφαρμογής

Οι αναθεωρημένες αποδείξεις υποστηρίζουν αρκετές συστάσεις βασισμένες σε αποδείξεις για την επιλογή μιας εφαρμογής καταμέτρησης θερμίδων:

1. Επιλέξτε μια εφαρμογή με επαληθευμένη βάση δεδομένων. Οι Chen et al. (2019) απέδειξαν ότι οι βάσεις δεδομένων που βασίζονται σε USDA παράγουν σημαντικά πιο ακριβείς εκτιμήσεις από τις εναλλακτικές που συγκεντρώνονται από χρήστες. Οι Nutrola και Cronometer ηγούνται σε αυτή την κατηγορία.

2. Επιλέξτε μια εφαρμογή που ελαχιστοποιεί την τριβή στην καταγραφή. Οι Laing et al. (2014) και Harvey et al. (2019) έδειξαν ότι η εμπλοκή μειώνεται γρήγορα και ότι η συνέπεια προβλέπει τα αποτελέσματα. Οι δυνατότητες καταγραφής που υποστηρίζονται από AI (αναγνώριση φωτογραφιών, φωνητική καταγραφή) αντιμετωπίζουν άμεσα αυτό το εμπόδιο. Ο συνδυασμός της Nutrola με την καταγραφή μέσω AI και μια επαληθευμένη βάση δεδομένων αντιμετωπίζει μοναδικά τόσο την ακρίβεια όσο και τη συμμόρφωση.

3. Επιλέξτε μια εφαρμογή που παρακολουθεί ολοκληρωμένα θρεπτικά συστατικά. Οι Franco et al. (2016) και Griffiths et al. (2018) έδειξαν ότι η παρακολούθηση μικροθρεπτικών είναι λιγότερο ακριβής και λιγότερο ολοκληρωμένη σε πολλές εφαρμογές. Οι εφαρμογές που παρακολουθούν 80+ θρεπτικά συστατικά παρέχουν μια θεμελιωδώς πιο ολοκληρωμένη εικόνα της διατροφής.

4. Μην βασίζεστε αποκλειστικά στην εφαρμογή. Οι Laing et al. (2014) και Turner-McGrievy et al. (2013) έδειξαν ότι οι παρεμβάσεις μόνο μέσω εφαρμογών είναι λιγότερο αποτελεσματικές από τις εφαρμογές που συνδυάζονται με υποστήριξη συμπεριφοράς, coaching ή δομημένα προγράμματα.

Συχνές Ερωτήσεις

Υπάρχουν επιστημονικά στοιχεία ότι οι εφαρμογές καταμέτρησης θερμίδων βοηθούν στην απώλεια βάρους;

Ναι. Πολλές τυχαιοποιημένες ελεγχόμενες μελέτες έχουν αποδείξει ότι η αυτοπαρακολούθηση διατροφής μέσω εφαρμογών βελτιώνει τα αποτελέσματα απώλειας βάρους σε σύγκριση με την απουσία παρακολούθησης. Οι Patel et al. (2019) έδειξαν σημαντική απώλεια βάρους σε 12 μήνες με την παρακολούθηση μέσω εφαρμογών. Οι Ferrara et al. (2019) επιβεβαίωσαν σε μια συστηματική ανασκόπηση ότι οι εφαρμογές βελτιώνουν τη συμμόρφωση στην αυτοπαρακολούθηση. Ωστόσο, η επίδραση εξαρτάται από τη συνεπή χρήση. Οι Laing et al. (2014) διαπίστωσαν ότι μόνο το 3% των συμμετεχόντων διατήρησαν τη χρήση της εφαρμογής στα έξι μήνες χωρίς επιπλέον υποστήριξη.

Πόσο ακριβείς είναι οι εφαρμογές καταμέτρησης θερμίδων σύμφωνα με την έρευνα;

Η ακρίβεια διαφέρει σημαντικά ανά εφαρμογή. Οι Tosi et al. (2022) διαπίστωσαν μέσες αποκλίσεις ενέργειας από 7-28 τοις εκατό ανάμεσα στις εφαρμογές, με τις εφαρμογές που χρησιμοποιούν βάσεις δεδομένων που συγκεντρώνονται από χρήστες να παρουσιάζουν τα μεγαλύτερα σφάλματα. Οι Chen et al. (2019) διαπίστωσαν ότι οι εφαρμογές που βασίζονται σε USDA είχαν αποκλίσεις από 7-12 τοις εκατό ενώ οι εφαρμογές που βασίζονται σε δεδομένα που συγκεντρώνονται από χρήστες παρουσίασαν αποκλίσεις από 15-25 τοις εκατό. Για μια ημερήσια πρόσληψη 2,000 θερμίδων, αυτό μεταφράζεται σε διαφορά 140-240 θερμίδων έναντι 300-500 θερμίδων πιθανής σφάλματος.

Ποια εφαρμογή καταμέτρησης θερμίδων έχει τα περισσότερα επιστημονικά στοιχεία πίσω της;

Το MyFitnessPal έχει αναφερθεί στις περισσότερες δημοσιευμένες μελέτες (150+), κυρίως λόγω του μεριδίου αγοράς του. Ωστόσο, το Cronometer επιλέγεται προτιμησιακά για ελεγχόμενη έρευνα όπου η ακρίβεια των δεδομένων είναι κρίσιμη. Η μεθοδολογία της Nutrola ευθυγραμμίζεται με τα πρότυπα δεδομένων ερευνητικού επιπέδου, χρησιμοποιώντας το USDA FoodData Central με επαγγελματική διασταύρωση και επαλήθευση.

Συνιστούν οι ερευνητές κάποια συγκεκριμένη εφαρμογή καταμέτρησης θερμίδων;

Οι ερευνητές συνήθως δεν υποστηρίζουν συγκεκριμένα εμπορικά προϊόντα, αλλά τα πρότυπα επιλογής εφαρμογών τους είναι ενημερωτικά. Μελέτες που απαιτούν ακριβή μέτρηση διατροφής τείνουν να επιλέγουν εφαρμογές με επιμελημένες, βάσεις δεδομένων που βασίζονται σε USDA (Cronometer και, ολοένα και περισσότερο, εφαρμογές με το επίπεδο επαλήθευσης της Nutrola). Μελέτες όπου η διατροφική πρόσληψη είναι δευτερεύον αποτέλεσμα χρησιμοποιούν πιο συχνά όποια εφαρμογή έχουν ήδη εγκατεστημένη οι συμμετέχοντες, συχνά το MFP.

Τι λέει η έρευνα για την καταμέτρηση θερμίδων που υποστηρίζεται από AI;

Η αναγνώριση τροφίμων μέσω AI είναι μια νέα τεχνολογία με περιορισμένη αλλά αυξανόμενη έρευνα. Οι Thames et al. (2021) αξιολόγησαν την ακρίβεια αναγνώρισης τροφίμων μέσω υπολογιστικής όρασης και βρήκαν υποσχόμενα αλλά ατελή αποτελέσματα. Η κύρια παρατήρηση από τη βιβλιογραφία είναι ότι η ακρίβεια της καταγραφής μέσω AI εξαρτάται τόσο από την ακρίβεια αναγνώρισης τροφίμων του μοντέλου AI όσο και από την ακρίβεια της βάσης δεδομένων στην οποία αντιστοιχεί. Μια ακριβής αναγνώριση AI που συνδέεται με μια ανακριβή καταχώρηση βάσης δεδομένων παράγει επίσης μια ανακριβή εκτίμηση θερμίδων.