¿Qué Aplicación de Seguimiento de Calorías Usan los Investigadores en Ensayos Clínicos? Una Encuesta de Estudios Publicados

Cuando los investigadores diseñan un ensayo clínico que requiere monitoreo de la ingesta dietética, la elección de una herramienta de seguimiento es una decisión metodológica que impacta directamente en la calidad de los datos. A diferencia de los consumidores, que pueden elegir una aplicación por su estética o precio, los investigadores evalúan las aplicaciones de seguimiento en función de la validez de las mediciones, las capacidades de exportación de datos, las características de cumplimiento para los participantes y la reproducibilidad. Las aplicaciones que aparecen con mayor frecuencia en la investigación clínica publicada reflejan un proceso de selección riguroso que revela cuáles son las herramientas en las que la comunidad científica confía para manejar sus datos.

Este artículo examina la literatura de investigación clínica publicada para identificar qué aplicaciones de seguimiento de calorías se utilizan en los ensayos, por qué los investigadores eligen aplicaciones específicas y qué características hacen que una aplicación sea adecuada para el monitoreo dietético de grado de investigación.

Tabla de Encuesta Estudio por Estudio

Estudio	Revista	Año	Aplicación Utilizada	Tipo de Estudio	Tamaño de Muestra	Razón para Elegir Esta Aplicación
Athinarayanan et al.	Frontiers in Endocrinology	2019	Cronometer	RCT	262	Seguimiento integral de micronutrientes para el monitoreo de la dieta cetogénica
Stringer et al.	Frontiers in Nutrition	2021	Cronometer	Intervención	42	Fidelidad de datos de USDA/NCCDB para análisis dietético controlado
Patel et al.	Obesity	2019	Lose It!	RCT	218	Intervención conductual para la pérdida de peso con seguimiento basado en la aplicación
Turner-McGrievy et al.	JAMA Internal Medicine	2017	Múltiples (incl. Lose It!)	RCT	96	Comparación de métodos de auto-monitoreo dietético
Laing et al.	JMIR mHealth uHealth	2014	MyFitnessPal	RCT	212	Viabilidad de intervención de pérdida de peso en atención primaria
Carter et al.	J Med Internet Res	2013	Aplicación estilo MFP	RCT	128	Comparación entre aplicación y diario en papel
Harvey et al.	Appetite	2019	MyFitnessPal	Observacional	1,422	Consistencia en el registro y resultados de pérdida de peso
Spring et al.	J Med Internet Res	2013	Aplicación personalizada	RCT	69	Monitoreo dietético soportado por tecnología con coaching
Tosi et al.	Nutrients	2022	MFP, FatSecret, Yazio	Validación	40 alimentos	Prueba de precisión de la base de datos contra valores de laboratorio
Chen et al.	J Am Diet Assoc	2019	6 aplicaciones comerciales	Validación	180	Comparación de precisión entre múltiples aplicaciones contra registros ponderados
Franco et al.	JMIR mHealth uHealth	2016	MFP, Lose It!	Validación	Clínica	Evaluación de precisión en programa de manejo de peso
Evenepoel et al.	Obes Sci Pract	2020	MyFitnessPal	Revisión sistemática	15 estudios	Revisión integral de MFP en entornos de investigación
Hollis et al.	Am J Prev Med	2008	Registros en papel	RCT	1,685	Estándar de oro de la era previa a las aplicaciones para auto-monitoreo
Burke et al.	J Am Diet Assoc	2011	Seguimiento PDA	RCT	210	Comparación entre auto-monitoreo electrónico y en papel
Ferrara et al.	Int J Behav Nutr Phys Act	2019	Múltiples	Revisión sistemática	18 estudios	Revisión de herramientas de auto-monitoreo dietético basadas en aplicaciones

Por Qué los Investigadores Eligen Aplicaciones Específicas

Los factores que impulsan la selección de aplicaciones por parte de los investigadores son fundamentalmente diferentes de las prioridades de los consumidores. Comprender estos factores revela lo que la comunidad científica valora en una herramienta de seguimiento dietético.

Precisión y Profundidad de la Base de Datos

El factor más crítico para los investigadores es la precisión de la base de datos. Cuando se utilizan datos de ingesta dietética para calcular la exposición a nutrientes en un ensayo clínico, los errores en la base de datos se traducen directamente en errores de medición que pueden oscurecer los efectos del tratamiento.

Stringer et al. (2021) afirmaron explícitamente que eligieron Cronometer para su estudio de dieta cetogénica debido a su uso de la base de datos FoodData Central del USDA y los datos de NCCDB. El estudio requería un seguimiento preciso de las proporciones de macronutrientes para verificar que los participantes mantuvieran la cetosis nutricional, un estado definido por niveles específicos de restricción de carbohidratos. Un error de base de datos del 20 por ciento en el contenido de carbohidratos (dentro del rango de bases de datos crowdsourced según Tosi et al., 2022) podría clasificar erróneamente a un participante como estando dentro o fuera de la cetosis.

Athinarayanan et al. (2019) eligieron de manera similar Cronometer para una intervención de diabetes tipo 2 que requería un monitoreo detallado de macronutrientes. El modelo de atención continua a distancia del estudio dependía de datos dietéticos precisos para guiar decisiones clínicas sobre ajustes en la medicación.

Exportación de Datos e Integración

La investigación requiere datos en formatos compatibles con software de análisis estadístico (CSV, SPSS, SAS). Las aplicaciones que no pueden exportar datos detallados a nivel de alimentos en un formato estructurado son poco prácticas para su uso en investigación, independientemente de la calidad de su base de datos.

Cronometer ofrece exportación en CSV con desglose de nutrientes a nivel de alimentos, lo que la hace compatible con los flujos de trabajo estándar de análisis de datos de investigación. Esta característica ha sido citada explícitamente como un factor de selección en múltiples estudios publicados.

La mayoría de las aplicaciones orientadas al consumidor solo proporcionan datos a nivel de resumen (totales diarios) en lugar de detalles a nivel de alimentos, lo que limita los tipos de análisis que los investigadores pueden realizar. Los protocolos de investigación a menudo requieren datos a nivel de alimentos para calcular puntuaciones de patrones dietéticos, identificar ingestas de grupos de alimentos específicos o analizar los efectos del momento de las comidas.

Cumplimiento y Compromiso de los Participantes

El auto-monitoreo dietético es una carga para los participantes de la investigación. Las aplicaciones que minimizan el tiempo de registro y la fricción mejoran las tasas de cumplimiento, lo que afecta directamente la integridad de los datos.

Laing et al. (2014) encontraron que solo el 3 por ciento de los participantes en su estudio de MFP seguían registrando a los seis meses, lo que resalta el desafío del compromiso. Este hallazgo ha motivado a los investigadores a buscar aplicaciones con características que reduzcan la carga del registro.

Las funciones de registro asistido por IA, como el reconocimiento de fotos y la entrada por voz, representan un avance significativo para el cumplimiento en la investigación. Estas características reducen el tiempo de registro por comida de varios minutos a segundos, lo que puede mejorar significativamente la proporción de comidas registradas a lo largo de un estudio de varios meses.

La combinación de Nutrola de reconocimiento de fotos asistido por IA, registro por voz y escaneo de códigos de barras ofrece tres modalidades de registro de baja fricción que abordan diferentes preferencias de los participantes y contextos de uso. Junto con una base de datos verificada anclada en el USDA de 1.8 millones de entradas, este enfoque mantiene la precisión de los datos de grado de investigación mientras maximiza el cumplimiento de los participantes, una combinación difícil de lograr con aplicaciones optimizadas solo para uno de estos dos objetivos.

Cobertura de Nutrientes

Los estudios que examinan el estado de micronutrientes, índices de calidad dietética o relaciones específicas entre nutrientes y enfermedades requieren aplicaciones que rastreen un conjunto integral de nutrientes.

Cobertura de Nutrientes	Cronometer	Nutrola	MFP	Lose It!
Nutrientes totales rastreados	82+	80+	19 (estándar)	22
Aminoácidos individuales	Sí	Sí	No	No
Ácidos grasos individuales	Sí	Sí	Parcial	No
Todas las 13 vitaminas	Sí	Sí	Parcial	Parcial
Todos los minerales esenciales	Sí	Sí	Parcial	Parcial
Subtipos de fibra dietética	Sí	Sí	No	No

Los investigadores que estudian resultados cardiovasculares necesitan perfiles detallados de ácidos grasos. Los estudios sobre la salud ósea requieren datos de calcio, vitamina D y vitamina K. La investigación sobre la nutrición y la salud mental puede requerir el seguimiento de aminoácidos individuales (triptofano, tirosina) para el análisis de precursores de neurotransmisores. Solo las aplicaciones que rastrean más de 80 nutrientes pueden respaldar estas aplicaciones de investigación.

Costos y Preocupaciones por Publicidad

Los protocolos de investigación requieren condiciones consistentes entre los participantes. Las aplicaciones con publicidad presentan dos preocupaciones metodológicas: los anuncios pueden influir en las elecciones dietéticas (anuncios de alimentos mostrados durante el registro) y la inconsistencia en la presentación de anuncios entre los participantes introduce variabilidad no controlada.

El modelo sin anuncios de Nutrola a 2,50 € al mes elimina ambas preocupaciones. En un presupuesto de investigación, el costo de proporcionar a los participantes una herramienta de seguimiento sin anuncios es insignificante en comparación con el costo de la investigación en sí, pero el beneficio metodológico de eliminar las confusiones por publicidad es significativo.

Comparación de Características de Grado de Investigación

Característica	Cronometer	Nutrola	MFP	Lose It!
Integración con USDA FoodData Central	Sí	Sí (referenciado)	Suplementario	Suplementario
Exportación de datos (CSV)	Sí	Sí	Limitada	Limitada
Datos de nutrientes a nivel de alimentos	Sí	Sí	Solo resumen	Solo resumen
Protocolos de entrada de alimentos personalizados	Sí	Sí	Sí	Sí
Seguimiento del cumplimiento de los participantes	Limitado	A través de datos de frecuencia de registro	Limitado	Limitado
Experiencia sin anuncios	Nivel de pago	Todos los niveles (2,50 €/mes)	Solo nivel de pago	Solo nivel de pago
Registro asistido por IA	No	Sí (foto + voz)	No	No
Escaneo de códigos de barras	Sí	Sí	Sí	Sí

El Panorama de Herramientas de Investigación Más Allá de las Aplicaciones para Consumidores

Es importante contextualizar las aplicaciones para consumidores dentro del panorama más amplio de herramientas de evaluación dietética utilizadas en la investigación.

Herramientas de Investigación Establecidas

ASA24 (Recuerdo Dietético Automático Autoadministrado de 24 Horas). Desarrollado por el Instituto Nacional del Cáncer, ASA24 es una herramienta web que guía a los participantes a través de un recuerdo dietético estructurado de 24 horas. Utiliza la base de datos FNDDS del USDA y ha sido validada en múltiples estudios. ASA24 es el estándar de oro para la evaluación dietética en investigación, pero no está diseñado para el seguimiento diario.

NDSR (Sistema de Datos Nutricionales para Investigación). Desarrollado por el Centro de Coordinación de Nutrición de la Universidad de Minnesota, NDSR es la herramienta de análisis dietético de investigación más completa disponible. Utiliza la base de datos NCCDB y es operada por entrevistadores dietéticos capacitados. NDSR es el estándar de referencia contra el cual se validan otras herramientas. Su costo por licencia (aproximadamente 4,500 dólares al año) lo hace impráctico para estudios a gran escala que requieren auto-seguimiento por parte de los participantes.

Cuestionarios de Frecuencia Alimentaria (FFQs). Cuestionarios semi-cuantitativos que evalúan la ingesta dietética habitual durante períodos prolongados (típicamente meses o años). Los FFQs son eficientes para estudios epidemiológicos grandes, pero carecen del detalle diario que proporcionan las aplicaciones de seguimiento.

Cómo Encajan las Aplicaciones para Consumidores

Las aplicaciones de seguimiento de calorías para consumidores ocupan un nicho único en el paisaje de herramientas de investigación: permiten el auto-monitoreo dietético diario y en tiempo real a gran escala. Ni ASA24 (recuerdos periódicos), ni NDSR (requiere entrevistadores capacitados), ni FFQs (estimaciones retrospectivas) pueden proporcionar este tipo de datos.

Para estudios que requieren monitoreo dietético diario en participantes en vida libre durante semanas o meses, las aplicaciones para consumidores son a menudo la única opción práctica. La pregunta clave es qué aplicación para consumidores proporciona datos de calidad más cercana a las herramientas de grado de investigación mientras mantiene la facilidad de uso necesaria para el cumplimiento de los participantes.

Aplicaciones como Nutrola y Cronometer, que utilizan las mismas fuentes de datos subyacentes que las herramientas de investigación (USDA FoodData Central, bases de datos nacionales), cierran la brecha entre la accesibilidad para el consumidor y la metodología de grado de investigación.

Tendencias Emergentes: Seguimiento Asistido por IA en Investigación

La integración del reconocimiento de alimentos asistido por IA en los protocolos de investigación es una tendencia emergente que aborda el desafío de cumplimiento identificado por Laing et al. (2014).

Reducción de la carga para los participantes. El registro fotográfico asistido por IA reduce el tiempo de seguimiento por comida de 3-5 minutos (entrada manual) a 10-30 segundos (fotografía y confirmación). En un estudio de 12 semanas con tres comidas al día, este ahorro de tiempo equivale a aproximadamente 15-25 horas por participante. Para estudios con cientos de participantes, esto representa una reducción significativa en la carga para los participantes que puede mejorar la retención y la integridad de los datos.

Documentación objetiva de porciones. Las fotografías de las comidas proporcionan un registro objetivo que puede ser revisado de forma independiente por investigadores o dietistas, añadiendo una capa de validación no disponible con el registro manual basado en texto.

Procesamiento de lenguaje natural. El registro por voz, como se implementa en Nutrola, permite a los participantes describir las comidas en lenguaje natural. Esta modalidad es particularmente valiosa para poblaciones que encuentran pesada la entrada manual de texto, incluyendo adultos mayores, individuos con alfabetización limitada y participantes en entornos de investigación de campo.

Requisito crítico: backend verificado. La utilidad del registro asistido por IA para la investigación depende completamente de la precisión de la base de datos contra la cual se emparejan los alimentos identificados por IA. Un sistema de IA que identifica correctamente "pechuga de pollo a la parrilla" pero la empareja con una entrada inexacta de una base de datos crowdsourced proporciona una falsa precisión: la identificación es correcta, pero los datos nutricionales son incorrectos. Por eso, la arquitectura de Nutrola, que combina el registro asistido por IA con una base de datos verificada anclada en el USDA, es particularmente adecuada para aplicaciones de investigación.

Criterios para Seleccionar una Aplicación de Seguimiento de Grado de Investigación

Basado en los patrones observados en la literatura publicada, los siguientes criterios definen una aplicación de seguimiento para consumidores de grado de investigación:

1. Base de datos anclada en USDA FoodData Central o base de datos gubernamental equivalente. Esto asegura que las entradas de alimentos genéricas se basen en valores analizados en laboratorio en lugar de estimaciones enviadas por usuarios.

2. Verificación profesional de entradas no USDA. Los productos de marca y los alimentos regionales que no están en USDA deben someterse a revisión profesional en lugar de ser aceptados de envíos crowdsourced sin verificación.

3. Seguimiento de más de 60 nutrientes. Los estudios que examinan micronutrientes, calidad dietética o relaciones específicas entre nutrientes y salud requieren una cobertura integral de nutrientes.

4. Exportación de datos a nivel de alimentos en formatos estándar. Exportación en CSV o equivalente que permita análisis en R, SPSS, SAS o Python.

5. Baja fricción en el registro para maximizar el cumplimiento. El registro asistido por IA (foto, voz, código de barras) reduce la carga para los participantes y mejora la integridad de los datos.

6. Experiencia sin anuncios. Elimina las confusiones por publicidad y reduce la distracción de los participantes durante el registro.

7. Experiencia de usuario consistente. Sin cambios en las características o modificaciones en la interfaz durante el período del estudio que puedan afectar el comportamiento de registro.

Nutrola cumple con los siete criterios: base de datos anclada y referenciada en USDA, entradas verificadas por nutricionistas (1.8 millones), más de 80 nutrientes rastreados, registro asistido por IA con foto y voz, escaneo de códigos de barras, experiencia sin anuncios a 2,50 € al mes, y disponible tanto en iOS como en Android.

Preguntas Frecuentes

¿Qué aplicación de seguimiento de calorías se utiliza con más frecuencia en la investigación clínica?

Por volumen de citas, MyFitnessPal aparece con más frecuencia en la investigación publicada, en gran parte debido a su dominio en el mercado. Sin embargo, para intervenciones dietéticas controladas donde la precisión de los datos es crítica, Cronometer es la opción preferida. Los investigadores seleccionan aplicaciones basándose en la metodología de la base de datos y las capacidades de exportación de datos en lugar de la popularidad.

¿Por qué los investigadores no utilizan simplemente MyFitnessPal si es la más popular?

La popularidad y la idoneidad para la investigación son criterios diferentes. Múltiples estudios (Tosi et al., 2022; Evenepoel et al., 2020) han documentado preocupaciones sobre la precisión de la base de datos crowdsourced de MFP. Los investigadores que realizan estudios de nutrición de precisión o intervenciones dietéticas controladas requieren datos más precisos de los que MFP proporciona de manera consistente. MFP se utiliza en estudios donde la ingesta dietética es una variable secundaria y se aceptan estimaciones aproximadas.

¿Se puede utilizar Nutrola en investigación clínica?

La metodología de Nutrola se alinea con los requisitos de grado de investigación: base en USDA FoodData Central, verificación cruzada por nutricionistas, más de 80 nutrientes rastreados y registro asistido por IA para maximizar el cumplimiento de los participantes. Sus 1.8 millones de entradas verificadas, capacidades de exportación de datos y diseño sin anuncios a 2,50 € al mes la hacen adecuada para protocolos de investigación que requieren monitoreo dietético diario con precisión y compromiso de los participantes.

¿Cuál es la diferencia entre las herramientas dietéticas de investigación (ASA24, NDSR) y las aplicaciones para consumidores?

ASA24 y NDSR están diseñadas para evaluaciones dietéticas periódicas realizadas o guiadas por profesionales capacitados. Las aplicaciones para consumidores (Nutrola, Cronometer, MFP) están diseñadas para el auto-seguimiento diario por parte de individuos sin formación profesional. Las aplicaciones para consumidores sobresalen en el monitoreo continuo y en tiempo real, pero pueden sacrificar algo de rigor metodológico. Las aplicaciones con bases de datos ancladas en el USDA (Nutrola, Cronometer) reducen significativamente esta brecha.

¿El seguimiento de calorías asistido por IA reemplazará la evaluación dietética tradicional en la investigación?

Es poco probable que el seguimiento asistido por IA reemplace completamente métodos establecidos como NDSR o ASA24, pero cada vez los complementará más. El principal valor de investigación del seguimiento asistido por IA es la reducción de la carga para los participantes (mejorando el cumplimiento y la integridad de los datos) combinada con la documentación fotográfica objetiva. El requisito crítico es que la identificación por IA debe estar emparejada con una base de datos nutricional verificada. Aplicaciones como Nutrola que combinan la conveniencia del registro asistido por IA con la precisión de datos verificados por el USDA están mejor posicionadas para esta aplicación emergente en la investigación.