कैलोरी ट्रैकिंग ऐप्स के लिए सहकर्मी-समीक्षित साक्ष्य: एक व्यापक साहित्य समीक्षा
एक शैक्षणिक साहित्य समीक्षा जो यह जांचती है कि सहकर्मी-समीक्षित शोध कैलोरी ट्रैकिंग ऐप्स की प्रभावशीलता, सटीकता और व्यवहारिक प्रभाव के बारे में क्या कहता है। इसमें 15+ अध्ययनों का सारांश तालिका शामिल है जिसमें उद्धरण, नमूना आकार और प्रमुख निष्कर्ष शामिल हैं।
क्या ऐप-आधारित कैलोरी ट्रैकिंग वास्तव में काम करता है, यह एक राय का विषय नहीं है। यह एक ऐसा प्रश्न है जिसे उच्च-प्रभाव वाले पोषण, व्यवहार विज्ञान और चिकित्सा पत्रिकाओं में प्रकाशित दर्जनों सहकर्मी-समीक्षित अध्ययनों में व्यवस्थित रूप से जांचा गया है। साक्ष्य का आधार, हालांकि पूर्ण नहीं है, पर्याप्त है और यह बताता है कि क्या काम करता है, क्या नहीं, और कहाँ महत्वपूर्ण अंतराल मौजूद हैं।
यह लेख ऐप-आधारित आहार आत्म-निगरानी पर प्रकाशित साक्ष्यों की एक संरचित साहित्य समीक्षा प्रदान करता है। हम प्रभावशीलता (क्या ट्रैकिंग परिणामों में सुधार करती है?), सटीकता (ऐप द्वारा उत्पन्न डेटा कितना विश्वसनीय है?), अनुपालन (क्या लोग वास्तव में इन उपकरणों का लगातार उपयोग करते हैं?), और विभिन्न ऐप विधियों के तुलनात्मक मूल्य की जांच करते हैं।
प्रमुख अध्ययनों का सारांश तालिका
| लेखक | वर्ष | पत्रिका | अध्ययन प्रकार | नमूना आकार | अध्ययन किए गए ऐप | प्रमुख निष्कर्ष |
|---|---|---|---|---|---|---|
| Ferrara et al. | 2019 | Int J Behav Nutr Phys Act | प्रणालीबद्ध समीक्षा | 18 अध्ययन | कई | ऐप्स पारंपरिक तरीकों की तुलना में आत्म-निगरानी अनुपालन में सुधार करते हैं |
| Tay et al. | 2020 | Nutrients | प्रणालीबद्ध समीक्षा | 22 अध्ययन | कई | ऐप-आधारित ट्रैकिंग पारंपरिक आहार मूल्यांकन के समान है |
| Patel et al. | 2019 | Obesity | RCT | 218 | Lose It! | ऐप समूह ने 12 महीनों में महत्वपूर्ण रूप से अधिक वजन कम किया |
| Carter et al. | 2013 | J Med Internet Res | RCT | 128 | MFP-शैली ऐप | ऐप की तुलना में कागज़ के डायरी के साथ उच्च आत्म-निगरानी अनुपालन |
| Laing et al. | 2014 | JMIR mHealth uHealth | RCT | 212 | MyFitnessPal | केवल ऐप अपर्याप्त; 6 महीनों में केवल 3% ने उपयोग बनाए रखा |
| Turner-McGrievy et al. | 2013 | J Med Internet Res | RCT | 96 | कई | ऐप और पॉडकास्ट समूह ने केवल ऐप की तुलना में अधिक वजन कम किया |
| Evenepoel et al. | 2020 | Obes Sci Pract | प्रणालीबद्ध समीक्षा | 15 अध्ययन | MyFitnessPal | MFP का शोध में व्यापक उपयोग, लेकिन सटीकता पर चिंताएँ |
| Tosi et al. | 2022 | Nutrients | मान्यता | 40 खाद्य पदार्थ | MFP, FatSecret, Yazio | ऐप द्वारा औसत ऊर्जा विचलन 7–28% |
| Chen et al. | 2019 | J Am Diet Assoc | मान्यता | 180 | 6 ऐप | USDA-आधारित ऐप्स महत्वपूर्ण रूप से अधिक सटीक |
| Franco et al. | 2016 | JMIR mHealth uHealth | मान्यता | — | MFP, Lose It! | दोनों ने सोडियम को >30% कम आंका |
| Griffiths et al. | 2018 | Nutr Diet | मान्यता | — | कई | सूक्ष्म पोषक तत्वों की ट्रैकिंग मैक्रोन्यूट्रिएंट ट्रैकिंग की तुलना में कम सटीक |
| Hollis et al. | 2008 | Am J Prev Med | RCT | 1,685 | कागज़ के रिकॉर्ड | दैनिक खाद्य रिकॉर्ड ने वजन घटाने को दोगुना कर दिया |
| Burke et al. | 2011 | J Am Diet Assoc | RCT | 210 | PDA ट्रैकर | इलेक्ट्रॉनिक आत्म-निगरानी ने उच्च अनुपालन उत्पन्न किया |
| Harvey et al. | 2019 | Appetite | अवलोकनात्मक | 1,422 | MFP | लगातार लॉग करने वालों ने महत्वपूर्ण रूप से अधिक वजन कम किया |
| Helander et al. | 2014 | J Med Internet Res | अवलोकनात्मक | 190,000 | Health Mate | आत्म-तौलने की आवृत्ति वजन घटाने के साथ सहसंबंधित |
| Spring et al. | 2013 | J Med Internet Res | RCT | 69 | ऐप + कोचिंग | प्रौद्योगिकी-समर्थित निगरानी ने आहार की गुणवत्ता में सुधार किया |
मूल साक्ष्य: आत्म-निगरानी काम करती है
कैलोरी ट्रैकिंग के लिए मौलिक साक्ष्य स्मार्टफोन ऐप्स से पहले के हैं। Hollis et al. (2008) ने American Journal of Preventive Medicine में प्रकाशित वजन घटाने की रखरखाव परीक्षण में दिखाया कि जो प्रतिभागी दैनिक खाद्य रिकॉर्ड रखते थे, उन्होंने उन लोगों की तुलना में दोगुना वजन कम किया जो ऐसा नहीं करते थे (6 महीनों में 8.2 किलोग्राम बनाम 3.7 किलोग्राम)। इस अध्ययन ने 1,685 वयस्कों के नमूने में आहार आत्म-निगरानी को वजन घटाने का सबसे मजबूत व्यवहारिक पूर्वानुमानकर्ता स्थापित किया।
Burke et al. (2011) ने Journal of the American Dietetic Association में प्रकाशित इस निष्कर्ष का विस्तार किया, जिसमें इलेक्ट्रॉनिक आत्म-निगरानी (PDA-आधारित ट्रैकर का उपयोग करते हुए) की तुलना कागज़ की डायरी से की गई। इलेक्ट्रॉनिक आत्म-निगरानी समूह ने ट्रैकिंग के लिए महत्वपूर्ण रूप से उच्च अनुपालन और अधिक आत्म-निगरानी स्थिरता दिखाई, यह सुझाव देते हुए कि प्रौद्योगिकी आहार रिकॉर्डिंग से जुड़ी कठिनाइयों को कम करती है।
ये मौलिक अध्ययन इस तंत्र को प्रदर्शित करते हैं: ट्रैकिंग काम करती है क्योंकि यह आहार विकल्पों के साथ सचेत जुड़ाव को मजबूर करती है, जागरूकता और व्यवहार के बीच एक फीडबैक लूप बनाती है।
प्रणालीबद्ध समीक्षाएँ क्या निष्कर्ष निकालती हैं
Ferrara et al. (2019): ऐप्स आत्म-निगरानी अनुपालन में सुधार करते हैं
Ferrara और उनके सहयोगियों ने The International Journal of Behavioral Nutrition and Physical Activity में प्रकाशित एक प्रणालीबद्ध समीक्षा की, जिसमें 18 अध्ययनों का मूल्यांकन किया गया जो मोबाइल आहार-ट्रैकिंग अनुप्रयोगों का मूल्यांकन करते हैं। समीक्षा में निष्कर्ष निकाला गया कि ऐप-आधारित आत्म-निगरानी ने पारंपरिक कागज़ आधारित तरीकों की तुलना में आहार रिकॉर्डिंग में अनुपालन में सुधार किया। लेखकों ने यह भी नोट किया कि समय का बोझ कम होना एक महत्वपूर्ण कारक था: ऐप-आधारित लॉगिंग में औसतन 5 से 15 मिनट प्रति दिन का समय लगता है, जबकि कागज़ आधारित तरीकों के लिए 15 से 30 मिनट का समय लगता है।
समीक्षा ने एक महत्वपूर्ण अंतराल की पहचान की: कुछ ही अध्ययनों ने विभिन्न ऐप्स की सटीकता की तुलना एक-दूसरे के खिलाफ या संदर्भ आहार मूल्यांकन विधियों के खिलाफ की। अधिकांश अध्ययनों ने व्यवहारिक परिणामों (वजन घटाना, अनुपालन) को मापा, न कि मापन की सटीकता को, जिससे यह प्रश्न बना रहा कि कौन से ऐप सबसे विश्वसनीय डेटा प्रदान करते हैं।
Tay et al. (2020): ऐप-आधारित ट्रैकिंग पारंपरिक मूल्यांकन के समान है
Tay और उनके सहयोगियों ने Nutrients में प्रकाशित 22 अध्ययनों की समीक्षा की, जिन्होंने ऐप-आधारित आहार मूल्यांकन की तुलना पारंपरिक विधियों से की, जिसमें 24-घंटे का आहार पुनःकाल और खाद्य आवृत्ति प्रश्नावली शामिल थे। समीक्षा में पाया गया कि ऐप्स ने मैक्रोन्यूट्रिएंट्स के लिए स्थापित विधियों के समान आहार अनुमान उत्पन्न किए, हालांकि सूक्ष्म पोषक तत्वों की सहमति अधिक परिवर्तनशील थी।
लेखकों ने यह नोट किया कि ऐप के अंतर्निहित डेटाबेस की गुणवत्ता एक महत्वपूर्ण मध्यवर्ती कारक थी। क्यूरेटेड डेटाबेस का उपयोग करने वाले ऐप्स ने संदर्भ विधियों के साथ मजबूत सहमति दिखाई, जबकि क्राउडसोर्स किए गए डेटाबेस का उपयोग करने वाले ऐप्स ने कम सहमति दिखाई। यह निष्कर्ष सीधे इस स्थिति का समर्थन करता है कि डेटाबेस की पद्धति, न कि केवल ट्रैकिंग की क्रिया, एकत्र किए गए डेटा के मूल्य को निर्धारित करती है।
Evenepoel et al. (2020): MyFitnessPal का व्यापक उपयोग लेकिन सटीकता पर सवाल
Evenepoel और उनके सहयोगियों ने 15 अध्ययनों की समीक्षा की, जिन्होंने विशेष रूप से MyFitnessPal को आहार मूल्यांकन उपकरण के रूप में उपयोग किया। Obesity Science & Practice में प्रकाशित इस समीक्षा में पाया गया कि MFP प्रकाशित शोध में सबसे अधिक उपयोग किया जाने वाला वाणिज्यिक ऐप था, मुख्यतः इसके बाजार हिस्से और नाम पहचान के कारण। हालांकि, समीक्षा में डेटाबेस की सटीकता के बारे में बार-बार चिंताएँ सामने आईं, जिसमें कई अध्ययनों ने क्राउडसोर्स किए गए प्रविष्टियों में त्रुटियों का उल्लेख किया।
लेखकों ने निष्कर्ष निकाला कि MFP "शोध उपयोग के लिए स्वीकार्य" था उन अध्ययनों में जहाँ आहार सेवन एक द्वितीयक परिणाम था और मोटे अनुमान पर्याप्त थे, लेकिन उन्होंने चेतावनी दी कि इसे उन अध्ययनों में उपयोग करने से बचना चाहिए जहाँ सटीक आहार मापन महत्वपूर्ण था।
ऐप की सटीकता पर साक्ष्य
Tosi et al. (2022): डेटाबेस त्रुटियों की मात्रात्मकता
Tosi और उनके सहयोगियों ने Nutrients में प्रकाशित वाणिज्यिक कैलोरी ट्रैकिंग ऐप्स की सटीकता का एक सबसे कठोर परीक्षण किया। उन्होंने MyFitnessPal, FatSecret, और Yazio से कैलोरी और मैक्रोन्यूट्रिएंट अनुमान की तुलना 40 इतालवी खाद्य पदार्थों के प्रयोगशाला-विश्लेषित मूल्यों के खिलाफ की।
परिणामों ने दिखाया कि ऐप और खाद्य श्रेणी के आधार पर औसत निरपेक्ष प्रतिशत त्रुटियाँ 7 से 28 प्रतिशत के बीच थीं। ऐप्स सरल, एकल-घटक खाद्य पदार्थों (कच्चे फल, साधारण अनाज) के लिए सबसे अच्छा प्रदर्शन करते थे और मिश्रित व्यंजनों (तैयार भोजन, पारंपरिक व्यंजन) के लिए सबसे खराब। लेखकों ने त्रुटियों को मुख्य रूप से डेटाबेस की असत्यता के कारण बताया, न कि ट्रैकिंग दृष्टिकोण की विधि संबंधी सीमाओं के कारण।
Chen et al. (2019): डेटाबेस पद्धति का प्रभाव
Chen और उनके सहयोगियों ने 180 वयस्कों के नमूने में छह वाणिज्यिक आहार ट्रैकिंग अनुप्रयोगों का मूल्यांकन किया। अध्ययन में पाया गया कि USDA-आधारित डेटाबेस का उपयोग करने वाले ऐप्स ने 7 से 12 प्रतिशत की औसत ऊर्जा विचलन दिखाई, जबकि मुख्य रूप से क्राउडसोर्स किए गए डेटा पर निर्भर ऐप्स ने 15 से 25 प्रतिशत की विचलन दिखाई।
यह अध्ययन इस बात का सबसे प्रत्यक्ष साक्ष्य प्रदान करता है कि डेटाबेस की पद्धति ट्रैकिंग की सटीकता पर महत्वपूर्ण प्रभाव डालती है। USDA-आधारित और क्राउडसोर्स किए गए डेटाबेस के बीच का अंतर (7-12% बनाम 15-25% त्रुटि) एक सामान्य आहार के लिए प्रति दिन कई सौ कैलोरी का व्यावहारिक अंतर उत्पन्न करता है।
Franco et al. (2016): सूक्ष्म पोषक तत्वों की ट्रैकिंग की सीमाएँ
Franco और उनके सहयोगियों ने JMIR mHealth and uHealth में MyFitnessPal और Lose It! का परीक्षण किया। दोनों ऐप्स ने औसतन सोडियम सामग्री को 30 प्रतिशत से अधिक कम आंका। यह निष्कर्ष उन उपयोगकर्ताओं के लिए सीधे नैदानिक प्रभाव डालता है जो उच्च रक्तचाप प्रबंधन के लिए सोडियम ट्रैक कर रहे हैं और उन ऐप्स की व्यापक सीमाओं को उजागर करता है जो USDA सूक्ष्म पोषक तत्व डेटा को पूरी तरह से एकीकृत नहीं करते हैं।
अनुपालन और संलग्नता पर साक्ष्य
Laing et al. (2014): संलग्नता की समस्या
Laing और उनके सहयोगियों ने 212 अधिक वजन या मोटे वयस्कों के साथ प्राथमिक देखभाल वजन घटाने की सेटिंग में MyFitnessPal का परीक्षण किया। JMIR mHealth and uHealth में प्रकाशित अध्ययन में पाया गया कि जबकि ऐप समूह के 78 प्रतिशत प्रतिभागियों ने MFP का कम से कम एक बार उपयोग किया, केवल 3 प्रतिशत छह महीनों के बाद लॉगिंग जारी रखे।
यह संलग्नता में नाटकीय गिरावट ऐप-आधारित ट्रैकिंग साहित्य में सबसे अधिक उद्धृत निष्कर्षों में से एक है। यह सुझाव देता है कि केवल ऐप प्रदान करना, बिना अतिरिक्त व्यवहारिक समर्थन के, निरंतर आहार आत्म-निगरानी के लिए अपर्याप्त है।
Harvey et al. (2019): निरंतरता महत्वपूर्ण है
Harvey और उनके सहयोगियों ने Appetite में प्रकाशित एक अध्ययन में 1,422 MyFitnessPal उपयोगकर्ताओं के डेटा का विश्लेषण किया। उन्होंने पाया कि जो उपयोगकर्ता लगातार लॉग करते थे (जिसे 50 प्रतिशत से अधिक दिनों में लॉग करने के रूप में परिभाषित किया गया) ने असंगत लॉग करने वालों की तुलना में महत्वपूर्ण रूप से अधिक वजन कम किया। लॉगिंग की निरंतरता और वजन घटाने के बीच की खुराक-प्रतिक्रिया संबंध रैखिक थी: अधिक बार लॉगिंग करने से अधिक वजन घटाने की भविष्यवाणी होती है।
यह निष्कर्ष ऐप डिज़ाइन के लिए महत्वपूर्ण है। ऐसे फीचर्स जो लॉगिंग की कठिनाई को कम करते हैं, जैसे Nutrola का AI फोटो पहचान और वॉयस लॉगिंग, सीधे उस व्यवहारिक बाधा को संबोधित करते हैं जो Laing et al. द्वारा दस्तावेज की गई संलग्नता में गिरावट का कारण बनती है। जब एक भोजन को लॉग करने में सेकंड लगते हैं, तो उपयोगकर्ता उस निरंतरता को बनाए रखने की अधिक संभावना रखते हैं जो Harvey et al. ने सफलता की भविष्यवाणी की।
वर्तमान साक्ष्य आधार में अंतराल
हालांकि शोध का बढ़ता हुआ आधार है, ऐप-आधारित कैलोरी ट्रैकिंग के लिए साक्ष्य आधार में महत्वपूर्ण अंतराल बने हुए हैं।
कुछ ही आमने-सामने की तुलना। अधिकांश अध्ययन एक ऐप का परीक्षण संदर्भ विधि के खिलाफ करते हैं। ऐप्स के बीच प्रत्यक्ष तुलना दुर्लभ है, जिससे केवल प्रकाशित साक्ष्यों के आधार पर एक ऐप को दूसरे पर सिफारिश करना कठिन हो जाता है।
तेजी से विकसित होती प्रौद्योगिकी। ऐप्स नियमित रूप से अपने डेटाबेस और फीचर्स को अपडेट करते हैं, जिससे अध्ययन के निष्कर्ष वर्षों के भीतर पुरानी हो सकती हैं। 2019 में MFP का एक सटीकता अध्ययन ऐप के 2026 के डेटाबेस को प्रतिबिंबित नहीं कर सकता।
शोध जनसंख्या में चयन पूर्वाग्रह। अध्ययन प्रेरित स्वयंसेवकों को भर्ती करते हैं, जो सामान्य ऐप उपयोगकर्ताओं का प्रतिनिधित्व नहीं कर सकते। अनुसंधान सेटिंग में देखे गए अनुपालन दर और परिणाम व्यापक उपयोगकर्ता जनसंख्या में सामान्यीकृत नहीं हो सकते।
सीमित सूक्ष्म पोषक तत्व मान्यता। अधिकांश सटीकता अध्ययन ऊर्जा और मैक्रोन्यूट्रिएंट्स पर ध्यान केंद्रित करते हैं। सूक्ष्म पोषक तत्वों की सटीकता को कम अध्ययनों में आंका गया है, जबकि यह व्यापक आहार मूल्यांकन के लिए समान रूप से महत्वपूर्ण है।
दीर्घकालिक साक्ष्य की कमी। कुछ ही अध्ययन ऐप उपयोगकर्ताओं का 12 महीनों के बाद पालन करते हैं। आहार व्यवहार और स्वास्थ्य परिणामों पर निरंतर ऐप-आधारित ट्रैकिंग के दीर्घकालिक प्रभावों का अध्ययन कम किया गया है।
ऐप चयन के लिए निहितार्थ
सहकर्मी-समीक्षित साक्ष्य कैलोरी ट्रैकिंग ऐप का चयन करने के लिए कई साक्ष्य-आधारित सिफारिशों का समर्थन करता है:
एक ऐप चुनें जिसमें सत्यापित डेटाबेस हो। Chen et al. (2019) ने दिखाया कि USDA-आधारित डेटाबेस क्राउडसोर्स किए गए विकल्पों की तुलना में महत्वपूर्ण रूप से अधिक सटीक अनुमान उत्पन्न करते हैं। Nutrola और Cronometer इस श्रेणी में अग्रणी हैं।
एक ऐसा ऐप चुनें जो लॉगिंग की कठिनाई को कम करे। Laing et al. (2014) और Harvey et al. (2019) ने दिखाया कि संलग्नता तेजी से घटती है और निरंतरता परिणामों की भविष्यवाणी करती है। AI-सहायता प्राप्त लॉगिंग फीचर्स (फोटो पहचान, वॉयस इनपुट) सीधे इस बाधा को संबोधित करते हैं। Nutrola का AI लॉगिंग और सत्यापित डेटाबेस का संयोजन सटीकता और अनुपालन दोनों को अद्वितीय रूप से संबोधित करता है।
एक ऐसा ऐप चुनें जो व्यापक पोषक तत्वों को ट्रैक करे। Franco et al. (2016) और Griffiths et al. (2018) ने दिखाया कि सूक्ष्म पोषक तत्वों की ट्रैकिंग अधिकांश ऐप्स में कम सटीक और कम पूर्ण होती है। 80+ पोषक तत्वों को ट्रैक करने वाले ऐप्स एक मौलिक रूप से अधिक पूर्ण आहार चित्र प्रदान करते हैं।
केवल ऐप पर निर्भर न रहें। Laing et al. (2014) और Turner-McGrievy et al. (2013) ने दिखाया कि केवल ऐप हस्तक्षेप उन ऐप्स की तुलना में कम प्रभावी होते हैं जो व्यवहारिक समर्थन, कोचिंग, या संरचित कार्यक्रमों के साथ होते हैं।
अक्सर पूछे जाने वाले प्रश्न
क्या कैलोरी ट्रैकिंग ऐप्स वजन घटाने में मदद करने के लिए वैज्ञानिक साक्ष्य हैं?
हाँ। कई यादृच्छिक नियंत्रित परीक्षणों ने दिखाया है कि ऐप्स का उपयोग करके आहार आत्म-निगरानी वजन घटाने के परिणामों में सुधार करती है। Patel et al. (2019) ने ऐप-आधारित ट्रैकिंग के साथ 12 महीनों में महत्वपूर्ण वजन घटाने को दिखाया। Ferrara et al. (2019) ने एक प्रणालीबद्ध समीक्षा में पुष्टि की कि ऐप्स आत्म-निगरानी अनुपालन में सुधार करते हैं। हालांकि, इसका प्रभाव लगातार उपयोग पर निर्भर करता है। Laing et al. (2014) ने पाया कि केवल 3 प्रतिशत प्रतिभागियों ने बिना अतिरिक्त समर्थन के छह महीनों में ऐप का उपयोग बनाए रखा।
अनुसंधान के अनुसार कैलोरी ट्रैकिंग ऐप्स कितने सटीक हैं?
सटीकता ऐप के अनुसार काफी भिन्न होती है। Tosi et al. (2022) ने ऐप्स के बीच 7-28 प्रतिशत की औसत ऊर्जा विचलन पाई, जिसमें क्राउडसोर्स किए गए डेटाबेस का उपयोग करने वाले ऐप्स ने सबसे बड़ी त्रुटियाँ दिखाई। Chen et al. (2019) ने पाया कि USDA-आधारित ऐप्स ने 7-12 प्रतिशत की विचलन दिखाई जबकि क्राउडसोर्स ऐप्स ने 15-25 प्रतिशत की विचलन दिखाई। 2,000 कैलोरी दैनिक सेवन के लिए, यह 140-240 कैलोरी बनाम 300-500 कैलोरी की संभावित त्रुटि का अंतर है।
कौन सा कैलोरी ट्रैकिंग ऐप सबसे अधिक वैज्ञानिक साक्ष्य के पीछे है?
MyFitnessPal को सबसे अधिक प्रकाशित अध्ययनों (150+) में उद्धृत किया गया है, मुख्यतः इसके बाजार हिस्से के कारण। हालांकि, Cronometer को नियंत्रित शोध के लिए प्राथमिकता दी जाती है जहाँ डेटा की सटीकता महत्वपूर्ण होती है। Nutrola की पद्धति शोध-ग्रेड डेटा मानकों के साथ मेल खाती है, USDA FoodData Central का उपयोग करते हुए पेशेवर क्रॉस-रेफरेंसिंग और सत्यापन के साथ।
क्या शोधकर्ता किसी विशेष कैलोरी ट्रैकिंग ऐप की सिफारिश करते हैं?
शोधकर्ता आमतौर पर विशिष्ट वाणिज्यिक उत्पादों की सिफारिश नहीं करते हैं, लेकिन उनके ऐप चयन के पैटर्न जानकारीपूर्ण होते हैं। अध्ययन जो सटीक आहार मापन की आवश्यकता करते हैं, आमतौर पर क्यूरेटेड, USDA-आधारित डेटाबेस वाले ऐप्स (Cronometer, और धीरे-धीरे Nutrola के स्तर की सत्यापन वाले ऐप्स) का चयन करते हैं। अध्ययन जहाँ आहार सेवन एक द्वितीयक परिणाम होता है, अक्सर वही ऐप्स उपयोग करते हैं जो प्रतिभागियों के पास पहले से स्थापित होते हैं, अक्सर MFP।
शोध में AI-संचालित कैलोरी ट्रैकिंग के बारे में क्या कहा गया है?
AI-संचालित खाद्य पहचान एक नई तकनीक है जिसमें सीमित लेकिन बढ़ता हुआ शोध है। Thames et al. (2021) ने कंप्यूटर दृष्टि खाद्य पहचान की सटीकता का मूल्यांकन किया और आशाजनक लेकिन असंपूर्ण परिणाम पाए। साहित्य से मुख्य अंतर्दृष्टि यह है कि AI लॉगिंग की सटीकता AI मॉडल की खाद्य पहचान की सटीकता और इसके खिलाफ मिलान करने वाले पोषण डेटाबेस की सटीकता दोनों पर निर्भर करती है। एक सटीक AI पहचान जो एक असत्यापित डेटाबेस प्रविष्टि से जुड़ी होती है, फिर भी एक असत्यापित कैलोरी अनुमान उत्पन्न करती है।
क्या आप अपने पोषण ट्रैकिंग को बदलने के लिए तैयार हैं?
उन हजारों में शामिल हों जिन्होंने Nutrola के साथ अपनी स्वास्थ्य यात्रा को बदल दिया!
