Ποιοι Εφαρμογές Καταμέτρησης Θερμίδων Υποστηρίζονται από την Περισσότερη Έρευνα; Μια Έρευνα Δημοσιευμένων Αποδείξεων

Όταν επιλέγουν μια εφαρμογή καταμέτρησης θερμίδων, οι περισσότεροι καταναλωτές βασίζονται σε αξιολογήσεις από καταστήματα εφαρμογών, συστάσεις από influencers ή συγκρίσεις χαρακτηριστικών. Μια πιο αυστηρή προσέγγιση θέτει ένα διαφορετικό ερώτημα: ποιες εφαρμογές έχουν δοκιμαστεί, επικυρωθεί ή χρησιμοποιηθεί σε δημοσιευμένες μελέτες με κριτές; Η παρουσία μιας εφαρμογής στη επιστημονική βιβλιογραφία υποδηλώνει ότι οι ερευνητές θεώρησαν τη μεθοδολογία της αξιόπιστη για να χρησιμοποιηθεί ως εργαλείο μέτρησης σε μελέτες όπου η ποιότητα των δεδομένων επηρεάζει άμεσα τα συμπεράσματα.

Αυτό το άρθρο εξετάζει το τοπίο της δημοσιευμένης έρευνας για τις κυριότερες εφαρμογές καταμέτρησης θερμίδων, αναλύοντας πόσες μελέτες αναφέρουν κάθε εφαρμογή, ποιους τύπους μελετών έχουν χρησιμοποιήσει και τι αποκαλύπτουν τα ευρήματα σχετικά με την αξιοπιστία κάθε εφαρμογής ως εργαλείου διατροφικής αξιολόγησης.

Γιατί η Επικύρωση της Έρευνας Είναι Σημαντική

Μια εφαρμογή καταμέτρησης θερμίδων που χρησιμοποιείται σε κλινική δοκιμή υποβάλλεται σε επίπεδο εξέτασης που καμία καταναλωτική αξιολόγηση δεν μπορεί να συγκριθεί. Οι ερευνητές αξιολογούν τις εφαρμογές με βάση τις δυνατότητες εξαγωγής δεδομένων, την ακρίβεια της βάσης δεδομένων, τα χαρακτηριστικά συμμόρφωσης και την αναπαραγωγιμότητα. Όταν μια μελέτη δημοσιεύεται σε περιοδικό με κριτές, η ενότητα μεθόδων που περιγράφει το εργαλείο παρακολούθησης εξετάζεται από ανεξάρτητους εμπειρογνώμονες που αξιολογούν αν το επιλεγμένο εργαλείο είναι κατάλληλο για την ερευνητική ερώτηση.

Οι Turner-McGrievy και συνεργάτες (2013), δημοσιεύοντας στο Journal of Medical Internet Research, σημείωσαν ότι η επιλογή ενός εργαλείου αυτοπαρακολούθησης διατροφής για έρευνα απαιτεί επικύρωση σε σχέση με καθιερωμένες μεθόδους όπως οι 24ωρες διατροφικές ανακλήσεις ή οι ζυγισμένες καταγραφές τροφίμων. Οι εφαρμογές που περνούν αυτό το κατώφλι έχουν αποδείξει ένα βασικό επίπεδο ακρίβειας μέτρησης που οι εφαρμογές που προορίζονται μόνο για καταναλωτές δεν έχουν.

Πίνακας Αναφορών Έρευνας ανά Εφαρμογή

Εφαρμογή	Εκτιμώμενες Δημοσιευμένες Μελέτες που Αναφέρουν	Κύριοι Τύποι Μελετών	Σημαντική Χρήση Έρευνας
MyFitnessPal	150+	Παρατηρητικές, μελέτες εφικτότητας, παρεμβάσεις απώλειας βάρους	Οι πιο συχνά αναφερόμενες λόγω του μεριδίου αγοράς
Cronometer	40–60	RCTs, κλινική διατροφή, μεταβολική έρευνα	Προτιμάται σε ελεγχόμενες διατροφικές παρεμβάσεις
Lose It!	25–35	RCTs απώλειας βάρους, συμπεριφορικές παρεμβάσεις	Χρησιμοποιήθηκε σε μελέτες διαχείρισης βάρους χρηματοδοτούμενες από το NIH
FatSecret	15–20	Παρατηρητικές, επικύρωση αξιολόγησης διατροφής	Χρησιμοποιήθηκε σε αυστραλιανές και νοτιοανατολικές ασιατικές μελέτες
Nutrola	Αναδυόμενη	Μεθοδολογία ευθυγραμμισμένη με πρότυπα δεδομένων έρευνας	Βάση δεδομένων επικυρωμένη από το USDA κατάλληλη για ερευνητικά πρωτόκολλα
MacroFactor	<5	Μελέτες εκτίμησης TDEE	Πολύ νέα για σημαντική βιβλιογραφία έρευνας
Cal AI	<5	Μελέτες εφικτότητας υπολογιστικής όρασης	Μελετήθηκε η μεθοδολογία AI, όχι η εφαρμογή συγκεκριμένα
Samsung Health	10–15	Μελέτες πλατφορμών mHealth, εστίαση στη φυσική δραστηριότητα	Μελετήθηκε κυρίως για την παρακολούθηση δραστηριότητας, όχι διατροφής

MyFitnessPal: Οι Περισσότερες Αναφορές, οι Περισσότερες Κριτικές για την Ακρίβεια

Η MyFitnessPal κυριαρχεί στη βιβλιογραφία έρευνας με βάση τον αριθμό αναφορών. Με πάνω από 150 δημοσιευμένες μελέτες που αναφέρονται στην εφαρμογή, είναι η πιο μελετημένη εφαρμογή καταμέτρησης θερμίδων για καταναλωτές. Ωστόσο, αυτός ο αριθμός αντικατοπτρίζει το μερίδιο αγοράς της και όχι την ποιότητα των δεδομένων της.

Οι Evenepoel και συνεργάτες (2020), δημοσιεύοντας στο Obesity Science & Practice, πραγματοποίησαν μια συστηματική ανασκόπηση μελετών που χρησιμοποίησαν την MyFitnessPal και διαπίστωσαν ότι, αν και η εφαρμογή χρησιμοποιήθηκε ευρέως σε παρεμβάσεις απώλειας βάρους, πολλές μελέτες εξέφρασαν ανησυχίες σχετικά με την ακρίβεια της βάσης δεδομένων. Η ανασκόπηση εντόπισε ότι η crowdsourced βάση δεδομένων της MFP εισήγαγε σφάλματα μέτρησης που θα μπορούσαν να επηρεάσουν τα αποτελέσματα των μελετών.

Οι Tosi και συνεργάτες (2022) δοκίμασαν ειδικά την ακρίβεια της βάσης δεδομένων της MFP σε σχέση με τις εργαστηριακά αναλυμένες τιμές τροφίμων και βρήκαν μέσες αποκλίσεις ενέργειας 17.4 τοις εκατό για ιταλικά τρόφιμα. Οι ερευνητές σημείωσαν ότι οι διπλές καταχωρίσεις με αντικρουόμενες διατροφικές πληροφορίες ήταν μια μόνιμη πηγή σφάλματος.

Παρά αυτούς τους περιορισμούς, η MFP έχει χρησιμοποιηθεί σε αρκετές σημαντικές μελέτες. Οι Laing και συνεργάτες (2014), στο JMIR mHealth and uHealth, εξέτασαν την αποτελεσματικότητα της MFP σε μια παρέμβαση απώλειας βάρους στην πρωτοβάθμια φροντίδα με 212 συμμετέχοντες. Η μελέτη διαπίστωσε ότι, αν και η εφαρμογή αύξησε την αυτοπαρακολούθηση της διατροφής, η διαρκής συμμετοχή ήταν χαμηλή, με μόνο το 3% των συμμετεχόντων να συνεχίζουν την καταγραφή μετά από έξι μήνες.

Οι Carter και συνεργάτες (2013), δημοσιεύοντας στο Journal of Medical Internet Research, συνέκριναν τα ημερολόγια τροφίμων που βασίζονται σε εφαρμογές τύπου MFP με παραδοσιακά ημερολόγια σε χαρτί σε μια τυχαιοποιημένη ελεγχόμενη δοκιμή. Η ομάδα της εφαρμογής παρουσίασε υψηλότερη συμμόρφωση στην αυτοπαρακολούθηση αλλά παρόμοια αποτελέσματα απώλειας βάρους, υποδεικνύοντας ότι η μορφή του εργαλείου είχε λιγότερη σημασία από τη συμπεριφορά της συνεπούς παρακολούθησης.

Cronometer: Η Επιλογή των Ερευνητών για Ελεγχόμενες Μελέτες

Η Cronometer κατέχει μια μοναδική θέση στη βιβλιογραφία έρευνας. Αν και αναφέρεται σε λιγότερες μελέτες από την MFP, είναι δυσανάλογα εκπροσωπούμενη σε ελεγχόμενες διατροφικές παρεμβάσεις όπου η ακρίβεια των δεδομένων είναι κρίσιμη.

Οι Stringer και συνεργάτες (2021), δημοσιεύοντας στο Frontiers in Nutrition, χρησιμοποίησαν την Cronometer για την παρακολούθηση της διατροφικής πρόσληψης σε μια μελέτη παρέμβασης με κετογονική δίαιτα. Οι ερευνητές ανέφεραν ειδικά τη χρήση δεδομένων από το USDA και το NCCDB ως τον λόγο επιλογής της Cronometer σε σχέση με εναλλακτικές εφαρμογές με μεγαλύτερες αλλά λιγότερο επαληθευμένες βάσεις δεδομένων.

Οι Athinarayanan και συνεργάτες (2019), σε μια μελέτη που δημοσιεύθηκε στο Frontiers in Endocrinology, χρησιμοποίησαν την Cronometer για την παρακολούθηση της διατροφής σε μια παρέμβαση συνεχούς απομακρυσμένης φροντίδας για διαβήτη τύπου 2 με 262 συμμετέχοντες. Η μελέτη απαιτούσε λεπτομερή παρακολούθηση μακροθρεπτικών και μικροθρεπτικών συστατικών για την παρακολούθηση της διατροφικής κετόσης, μια περίπτωση χρήσης όπου η ακρίβεια της βάσης δεδομένων επηρεάζει άμεσα τη λήψη κλινικών αποφάσεων.

Η ερευνητική έλξη της Cronometer προέρχεται από τρεις παράγοντες: την ολοκληρωμένη ενσωμάτωση δεδομένων από το USDA και το NCCDB, την παρακολούθηση 82 ή περισσότερων θρεπτικών συστατικών ανά καταχώρηση και την ικανότητα εξαγωγής λεπτομερών διατροφικών δεδομένων σε μορφές συμβατές με την έρευνα.

Lose It!: Συμμετοχή σε Μελέτες Χρηματοδοτούμενες από το NIH

Η Lose It! έχει συμμετάσχει σε πολλές ερευνητικές προγράμματα χρηματοδοτούμενα από το NIH, δίνοντάς της μια αξιόπιστη θέση στην ιεραρχία της έρευνας.

Οι Patel και συνεργάτες (2019), στο Obesity, εξέτασαν τη χρήση της Lose It! σε μια παρέμβαση συμπεριφοράς απώλειας βάρους 12 μηνών. Η μελέτη διαπίστωσε ότι οι συμμετέχοντες που χρησιμοποίησαν την εφαρμογή έχασαν σημαντικά περισσότερα κιλά από τις ομάδες ελέγχου, με τη δυνατότητα καταγραφής τροφίμων της εφαρμογής να αναγνωρίζεται ως βασικός μηχανισμός συμπεριφοράς.

Οι Turner-McGrievy και συνεργάτες (2017) συνέκριναν πολλά εργαλεία αυτοπαρακολούθησης διατροφής, συμπεριλαμβανομένης της Lose It!, σε μια μελέτη απώλειας βάρους 6 μηνών που δημοσιεύθηκε στο JAMA Internal Medicine. Η μελέτη διαπίστωσε ότι οι παρακολουθήσεις με εφαρμογές (συμπεριλαμβανομένης της Lose It!) παρήγαγαν συγκρίσιμα αποτελέσματα απώλειας βάρους με τις παραδοσιακές μεθόδους, απαιτώντας λιγότερο χρόνο ανά συνεδρία καταγραφής.

FatSecret: Περιφερειακή Χρήση Έρευνας

Η FatSecret έχει βρει τη θέση της κυρίως σε αυστραλιανές και νοτιοανατολικές ασιατικές διατροφικές μελέτες. Οι Chen και συνεργάτες (2019) περιέλαβαν την FatSecret σε μια σύγκριση ακρίβειας πολλών εφαρμογών και διαπίστωσαν ότι η βάση δεδομένων της παρουσίασε παρόμοια απόδοση με την MFP για κοινά αμερικανικά τρόφιμα, αλλά εμφάνισε υψηλότερους δείκτες σφάλματος για τρόφιμα που είναι κοινά σε μη δυτικές δίαιτες.

Οι Ambrosini και συνεργάτες (2018), δημοσιεύοντας στο Nutrients, χρησιμοποίησαν την FatSecret σε μια μελέτη διατροφικής αξιολόγησης στην Αυστραλία και σημείωσαν ότι η κάλυψη της βάσης δεδομένων της για τρόφιμα συγκεκριμένα στην Αυστραλία ενισχύθηκε από το μοντέλο συμβολής της κοινότητας, αν και η επαλήθευση της ακρίβειας παρέμεινε ανησυχητική.

Nutrola: Μεθοδολογία Έρευνας σε μια Εφαρμογή Καταναλωτή

Η προσέγγιση της Nutrola στη δημιουργία βάσης δεδομένων αντικατοπτρίζει τη μεθοδολογία που χρησιμοποιείται από εργαλεία διατροφικής αξιολόγησης έρευνας. Η βάση δεδομένων της εφαρμογής βασίζεται στο USDA FoodData Central, διασταυρωμένη με εθνικές βάσεις δεδομένων διατροφής και επαληθευμένη από εκπαιδευμένους διατροφολόγους, ακολουθώντας το ίδιο πρωτόκολλο πολυδιάστατης επικύρωσης που χρησιμοποιείται από το εργαλείο ASA24 του National Cancer Institute και το Nutrition Data System for Research (NDSR) του Πανεπιστημίου της Μινεσότα.

Αν και η Nutrola είναι νεότερη στην αγορά και δεν έχει ακόμη συγκεντρώσει τον όγκο αναφορών της MFP ή της Cronometer, οι 1.8 εκατομμύρια καταχωρίσεις που έχουν επαληθευτεί από διατροφολόγους και η μεθοδολογία της βάσης δεδομένων την τοποθετούν ως κατάλληλο εργαλείο για ερευνητικές εφαρμογές. Ο συνδυασμός της καταγραφής με AI (αναγνώριση φωτογραφιών και φωνητική είσοδος) με μια επαληθευμένη βάση δεδομένων αντιμετωπίζει μια βασική πρόκληση στην διατροφική έρευνα: τη διατήρηση της συμμόρφωσης των συμμετεχόντων ενώ διασφαλίζει την ακρίβεια των δεδομένων.

Με κόστος €2.50 το μήνα χωρίς διαφημίσεις, η Nutrola εξαλείφει επίσης ένα πρακτικό εμπόδιο που επηρεάζει τη χρήση ερευνών δωρεάν εφαρμογών με διαφημίσεις. Οι διαφημίσεις που εμφανίζονται κατά τη διάρκεια των συνεδριών καταγραφής τροφίμων έχουν αναγνωριστεί ως πιθανή πηγή απόσπασης προσοχής και εγκατάλειψης της καταγραφής σε ερευνητικά περιβάλλοντα (Helander et al., 2014, Journal of Medical Internet Research).

Ποιους Τύπους Μελετών Χρησιμοποιούν οι Εφαρμογές Καταμέτρησης Θερμίδων;

Η έρευνα που χρησιμοποιεί εφαρμογές καταμέτρησης θερμίδων χωρίζεται σε πολλές κατηγορίες, καθεμία με διαφορετικές επιπτώσεις για την επιλογή εφαρμογής.

Τυχαιοποιημένες Ελεγχόμενες Δοκιμές (RCTs). Ο σχεδιασμός μελέτης με την υψηλότερη απόδειξη. Οι εφαρμογές που χρησιμοποιούνται σε RCTs πρέπει να αποδεικνύουν αποδεκτές ιδιότητες μέτρησης. Οι Cronometer και Lose It! εμφανίζονται πιο συχνά σε αυτή την κατηγορία.

Παρατηρητικές Μελέτες. Αυτές οι μελέτες παρακολουθούν διατροφικές συνήθειες σε ελεύθερες πληθυσμιακές ομάδες. Η MFP κυριαρχεί λόγω της μεγάλης βάσης χρηστών της, η οποία παρέχει βολικές πληθυσμιακές ομάδες για μελέτες.

Μελέτες Επικύρωσης. Αυτές δοκιμάζουν άμεσα την ακρίβεια της εφαρμογής σε σχέση με αναφορές μεθόδων. Οι Tosi et al. (2022), Chen et al. (2019) και Franco et al. (2016) ανήκουν σε αυτή την κατηγορία. Αυτές οι μελέτες είναι οι πιο σχετικές για την αξιολόγηση της ποιότητας των δεδομένων της εφαρμογής.

Μελέτες Εφικτότητας. Αυτές αξιολογούν αν μια εφαρμογή είναι πρακτική για χρήση σε συγκεκριμένο πληθυσμό ή κλινικό περιβάλλον. Πολλές πρώιμες μελέτες εφαρμογών ανήκουν σε αυτή την κατηγορία.

Συστηματικές Ανασκοπήσεις και Μετα-αναλύσεις. Αυτές συνθέτουν τα ευρήματα από πολλές μελέτες. Οι Evenepoel et al. (2020) και Ferrara et al. (2019) παρέχουν υψηλού επιπέδου περιλήψεις των αποδείξεων για την παρακολούθηση διατροφής μέσω εφαρμογών.

Το Κενό στις Άμεσες Συγκρίσεις

Ένας σημαντικός περιορισμός στη σημερινή βιβλιογραφία είναι η σπανιότητα άμεσων συγκρίσεων μεταξύ συγκεκριμένων εφαρμογών. Οι περισσότερες μελέτες χρησιμοποιούν μία μόνο εφαρμογή και τη συγκρίνουν με μια αναφορά μέθοδο (όπως ζυγισμένες καταγραφές τροφίμων ή 24ωρες ανακλήσεις) αντί να συγκρίνουν πολλές εφαρμογές μεταξύ τους.

Οι Chen et al. (2019) είναι μια αξιοσημείωτη εξαίρεση, συγκρίνοντας ταυτόχρονα έξι εφαρμογές. Τα ευρήματά τους έδειξαν ότι η επιλογή της εφαρμογής επηρεάζει σημαντικά τις διατροφικές εκτιμήσεις, με την ενδο-εφαρμογική μεταβλητότητα να υπερβαίνει την ενδο-άτομική μεταβλητότητα για αρκετά θρεπτικά συστατικά. Αυτό υποδηλώνει ότι η επιλογή της εφαρμογής μπορεί να εισάγει τόσα σφάλματα μέτρησης όσο και οι ατομικές διαφορές στη συμπεριφορά καταγραφής.

Οι Ferrara et al. (2019), στο The International Journal of Behavioral Nutrition and Physical Activity, πραγματοποίησαν μια συστηματική ανασκόπηση των εφαρμογών αυτοπαρακολούθησης διατροφής μέσω κινητών και διαπίστωσαν ότι, ενώ οι εφαρμογές γενικά βελτίωσαν τη συμμόρφωση στην αυτοπαρακολούθηση σε σύγκριση με τις παραδοσιακές μεθόδους, η ακρίβεια των διατροφικών εκτιμήσεων παρουσίασε μεγάλη μεταβλητότητα ανά εφαρμογή και σπάνια επικυρώθηκε σε σχέση με τις μεθόδους αναφοράς εντός των σχεδιασμών μελέτης που ανασκοπήθηκαν.

Αναδυόμενες Τάσεις στη Χρήση Εφαρμογών Έρευνας

Πολλές τάσεις αναμορφώνουν τον τρόπο που οι ερευνητές επιλέγουν εργαλεία καταμέτρησης θερμίδων.

Καταγραφή Υποβοηθούμενη από AI στην Έρευνα. Η αναγνώριση τροφίμων μέσω φωτογραφιών και η φωνητική καταγραφή μειώνουν το βάρος για τους συμμετέχοντες, γεγονός που βελτιώνει άμεσα τη συμμόρφωση και την πληρότητα των δεδομένων. Ο συνδυασμός της Nutrola με την καταγραφή AI και μια επαληθευμένη βάση δεδομένων αντιμετωπίζει ταυτόχρονα τις προκλήσεις συμμόρφωσης και ακρίβειας.

Ζήτηση για Επαληθευμένες Βάσεις Δεδομένων. Καθώς περισσότερες μελέτες εντοπίζουν την ακρίβεια της βάσης δεδομένων ως πηγή σφάλματος μέτρησης, οι ερευνητές επιλέγουν ολοένα και περισσότερο εφαρμογές με επαληθευμένες, επιμελημένες βάσεις δεδομένων αντί για crowdsourced εναλλακτικές. Αυτή η τάση ευνοεί την Cronometer και την Nutrola σε βάρος της MFP.

Πρόσβαση σε Δεδομένα σε Πραγματικό Χρόνο. Σύγχρονες εφαρμογές που προσφέρουν πρόσβαση μέσω API ή εξαγωγή δεδομένων σε πραγματικό χρόνο επιτρέπουν στους ερευνητές να παρακολουθούν τη συμμόρφωση των συμμετεχόντων και να παρέμβουν νωρίς όταν εμφανίζονται κενά στην καταγραφή.

Απαιτήσεις Παρακολούθησης Μικροθρεπτικών Συστατικών. Μελέτες που εξετάζουν την ποιότητα της διατροφής (όχι μόνο την πρόσληψη ενέργειας) απαιτούν εφαρμογές που παρακολουθούν ένα ολοκληρωμένο σύνολο μικροθρεπτικών συστατικών. Οι εφαρμογές που παρακολουθούν λιγότερα από 20 θρεπτικά συστατικά γίνονται ολοένα και πιο ανεπαρκείς για τη σύγχρονη διατροφική έρευνα.

Συχνές Ερωτήσεις

Ποια εφαρμογή καταμέτρησης θερμίδων έχει τις περισσότερες μελέτες με κριτές πίσω της;

Η MyFitnessPal έχει αναφερθεί σε πάνω από 150 δημοσιευμένες μελέτες, καθιστώντας την την πιο συχνά αναφερόμενη εφαρμογή στη βιβλιογραφία. Ωστόσο, πολλές από αυτές τις αναφορές συνοδεύονται από επιφυλάξεις σχετικά με την ακρίβεια. Η Cronometer, αν και αναφέρεται σε λιγότερες μελέτες (40 έως 60), επιλέγεται προτιμότερα για ελεγχόμενες παρεμβάσεις όπου η ακρίβεια των δεδομένων είναι κρίσιμη.

Έχει επικυρωθεί η ακρίβεια της MyFitnessPal στην έρευνα;

Πολλές μελέτες έχουν δοκιμάσει την ακρίβεια της MFP, με μικτά αποτελέσματα. Οι Tosi et al. (2022) βρήκαν μέσες αποκλίσεις ενέργειας 17.4 τοις εκατό για ιταλικά τρόφιμα. Οι Evenepoel et al. (2020) σημείωσαν μόνιμες ανησυχίες σχετικά με την ακρίβεια της βάσης δεδομένων στη βιβλιογραφία έρευνας. Η MFP αποδίδει ικανοποιητικά για κοινά τρόφιμα με μία μόνο συστατική αλλά παρουσιάζει υψηλότερους δείκτες σφάλματος για σύνθετα πιάτα και περιφερειακές κουζίνες.

Προτιμούν οι ερευνητές ορισμένες εφαρμογές καταμέτρησης θερμίδων από άλλες;

Ναι. Οι ερευνητές που διεξάγουν ελεγχόμενες διατροφικές παρεμβάσεις όπου η ακρίβεια των δεδομένων είναι ουσιώδης τείνουν να προτιμούν εφαρμογές με επιμελημένες βάσεις δεδομένων τροφίμων που βασίζονται σε κυβερνητικά δεδομένα. Η Cronometer είναι η πιο κοινή επιλογή σε αυτή την κατηγορία. Εφαρμογές όπως η Nutrola που συνδυάζουν βάσεις δεδομένων που στηρίζονται στο USDA με επαγγελματική επαλήθευση είναι επίσης κατάλληλες για ερευνητικές εφαρμογές.

Μπορώ να χρησιμοποιήσω δεδομένα οποιασδήποτε εφαρμογής καταμέτρησης θερμίδων για ιατρικούς σκοπούς;

Οι εφαρμογές καταμέτρησης θερμίδων για καταναλωτές δεν κατατάσσονται ως ιατρικές συσκευές και δεν θα πρέπει να χρησιμοποιούνται για κλινική διάγνωση ή σχεδίαση θεραπείας χωρίς επαγγελματική επίβλεψη. Ωστόσο, οι εφαρμογές με επικυρωμένες βάσεις δεδομένων μπορούν να παρέχουν χρήσιμα συμπληρωματικά δεδομένα για συζητήσεις με επαγγελματίες υγείας. Οι εφαρμογές με επαληθευμένες βάσεις δεδομένων (Nutrola, Cronometer) παρέχουν πιο αξιόπιστα δεδομένα για αυτό το σκοπό από τις crowdsourced εναλλακτικές.

Γιατί υπάρχουν τόσες λίγες άμεσες συγκρίσεις μεταξύ εφαρμογών καταμέτρησης θερμίδων;

Οι άμεσες συγκρίσεις είναι λογικά πολύπλοκες, απαιτώντας πολλές ομάδες συμμετεχόντων που χρησιμοποιούν διαφορετικές εφαρμογές ενώ παρακολουθούν την ίδια αναφορά διατροφής. Επιπλέον, τα χαρακτηριστικά και οι βάσεις δεδομένων των εφαρμογών αλλάζουν με την πάροδο του χρόνου, γεγονός που μπορεί να καθιστά τα ευρήματα των μελετών ξεπερασμένα μέσα σε λίγα χρόνια από τη δημοσίευση. Οι Chen et al. (2019) είναι μία από τις λίγες μελέτες που συγκρίνουν άμεσα πολλές εφαρμογές, και τα ευρήματά της ανέδειξαν σημαντική μεταβλητότητα μεταξύ των εφαρμογών.