Klinikai Kutatások a Kalóriakövető Alkalmazásokról: Átfogó Irodalmi Áttekintés

Az, hogy az alkalmazásalapú kalóriakövetés valóban működik-e, nem vélemény kérdése. Ezt a kérdést számos, magas impaktfaktorú táplálkozási, viselkedéstudományi és orvosi folyóiratban megjelent, szakmai körökben lektorált tanulmány vizsgálta. A bizonyítékok, bár nem tökéletesek, jelentősek, és következetes következtetésekre mutatnak rá arról, hogy mi működik, mi nem, és hol vannak kritikus hiányosságok.

Ez a cikk egy strukturált irodalmi áttekintést nyújt az alkalmazásalapú diétás önmonitorozásról szóló publikált bizonyítékokról. Megvizsgáljuk a hatékonyságról (javítja a követés az eredményeket?), a pontosságról (mennyire megbízhatóak az alkalmazás által generált adatok?), a betartásról (valóban használják ezeket az eszközöket következetesen?), és a különböző alkalmazásmódszerek összehasonlító értékéről szóló tanulmányokat.

Kulcsfontosságú Tanulmányok Összefoglaló Táblázata

Szerzők	Év	Folyóirat	Tanulmány típusa	Minta mérete	Vizsgált alkalmazás(ok)	Kulcsmegállapítás
Ferrara et al.	2019	Int J Behav Nutr Phys Act	Rendszeres áttekintés	18 tanulmány	Több	Az alkalmazások javítják az önmonitorozás betartását a hagyományos módszerekhez képest
Tay et al.	2020	Nutrients	Rendszeres áttekintés	22 tanulmány	Több	Az alkalmazásalapú követés összehasonlítható a hagyományos diétás értékeléssel
Patel et al.	2019	Obesity	RCT	218	Lose It!	Az alkalmazáscsoport jelentősen nagyobb súlyt veszített 12 hónap alatt
Carter et al.	2013	J Med Internet Res	RCT	128	MFP-stílusú alkalmazás	Magasabb önmonitorozási betartás az alkalmazásnál, mint a papíralapú naplóban
Laing et al.	2014	JMIR mHealth uHealth	RCT	212	MyFitnessPal	Az alkalmazás önállóan nem elegendő; csak 3% tartotta fenn a használatot 6 hónap után
Turner-McGrievy et al.	2013	J Med Internet Res	RCT	96	Több	Az alkalmazás és a podcast csoport több súlyt veszített, mint az alkalmazás önállóan
Evenepoel et al.	2020	Obes Sci Pract	Rendszeres áttekintés	15 tanulmány	MyFitnessPal	Az MFP széles körben használt a kutatásokban, de pontossági aggályokat emeltek fel
Tosi et al.	2022	Nutrients	Validáció	40 étel	MFP, FatSecret, Yazio	Az alkalmazás által mért energiaeltérések 7–28% között mozogtak
Chen et al.	2019	J Am Diet Assoc	Validáció	180	6 alkalmazás	Az USDA által támogatott alkalmazások jelentősen pontosabbak
Franco et al.	2016	JMIR mHealth uHealth	Validáció	—	MFP, Lose It!	Mindkettő >30%-kal alábecsülte a nátriumot
Griffiths et al.	2018	Nutr Diet	Validáció	—	Több	A mikrotápanyagok nyomon követése kevésbé pontos, mint a makrotápanyagoké
Hollis et al.	2008	Am J Prev Med	RCT	1,685	Papíralapú nyilvántartás	A napi étkezési nyilvántartások megduplázták a fogyást
Burke et al.	2011	J Am Diet Assoc	RCT	210	PDA nyomkövető	Az elektronikus önmonitorozás nagyobb betartást eredményezett
Harvey et al.	2019	Appetite	Megfigyelés	1,422	MFP	A következetes naplózók jelentősen több súlyt veszítettek
Helander et al.	2014	J Med Internet Res	Megfigyelés	190,000	Health Mate	Az önmérlegelés gyakorisága összefüggött a fogyással
Spring et al.	2013	J Med Internet Res	RCT	69	Alkalmazás + coaching	A technológia támogatta nyomon követés javította az étrend minőségét

A Fő Bizonyíték: Az Önmonitorozás Működik

A kalóriakövetés alapvető bizonyítékai megelőzik az okostelefon alkalmazásokat. Hollis et al. (2008) a American Journal of Preventive Medicine-ben megjelent mérföldkőnek számító Weight Loss Maintenance Trial során kimutatták, hogy azok a résztvevők, akik napi étkezési nyilvántartásokat vezettek, kétszer annyi súlyt veszítettek, mint akik nem (8,2 kg vs. 3,7 kg hat hónap alatt). Ez a tanulmány a diétás önmonitorozást állította a legfontosabb viselkedési előrejelzővé a fogyás terén 1,685 felnőtt mintájában.

Burke et al. (2011) a Journal of the American Dietetic Association-ban közzétett tanulmányukban ezt az eredményt kiterjesztették, összehasonlítva az elektronikus önmonitorozást (PDA-alapú nyomkövető használatával) a papíralapú naplókkal. Az elektronikus önmonitorozás csoportja jelentősen magasabb nyomon követési betartást és következetes önmonitorozást mutatott, ami arra utal, hogy a technológia csökkenti a diétás nyilvántartás nehézségeit.

Ezek az alapvető tanulmányok bemutatják a mechanizmust: a nyomon követés működik, mert tudatos elköteleződést kényszerít a diétás választásokkal kapcsolatban, létrehozva egy visszacsatoló hurkot a tudatosság és a viselkedés között.

Mit Következtetnek a Rendszeres Áttekintések

Ferrara et al. (2019): Az Alkalmazások Javítják az Önmonitorozás Betartását

Ferrara és munkatársai a The International Journal of Behavioral Nutrition and Physical Activity-ban közzétett rendszeres áttekintésükben 18 tanulmányt vizsgáltak, amelyek a mobil diétakövető alkalmazásokat értékelték. Az áttekintés arra a következtetésre jutott, hogy az alkalmazásalapú önmonitorozás javította a diétás nyilvántartás betartását a hagyományos papíralapú módszerekhez képest. A szerzők megjegyezték, hogy a csökkentett időterhelés kulcsfontosságú tényező volt: az alkalmazásalapú naplózás átlagosan napi 5-15 percet vett igénybe, míg a papíralapú módszerek 15-30 percet.

Az áttekintés egy kritikus hiányosságot is azonosított: kevés tanulmány hasonlította össze a különböző alkalmazások pontosságát egymással vagy referencia diétás értékelési módszerekkel. A legtöbb tanulmány viselkedési kimeneteket (fogyás, betartás) mért, nem pedig a mérési pontosságot, így a kérdés, hogy mely alkalmazások nyújtanak megbízhatóbb adatokat, nagyrészt megválaszolatlan maradt.

Tay et al. (2020): Az Alkalmazásalapú Követés Összehasonlítható a Hagyományos Értékeléssel

Tay és munkatársai a Nutrients-ben 22 tanulmányt vizsgáltak, amelyek az alkalmazásalapú diétás értékelést a hagyományos módszerekkel, például 24 órás diétás visszahívásokkal és étkezési gyakorisági kérdőívekkel hasonlították össze. Az áttekintés megállapította, hogy az alkalmazások diétás becslései összehasonlíthatók a bevett módszerekkel a makrotápanyagok esetében, bár a mikrotápanyagok esetében a megállapodás változóbb volt.

A szerzők megjegyezték, hogy az alkalmazás mögötti adatbázis minősége jelentős moderáló tényező volt. Azok az alkalmazások, amelyek kurált adatbázisokat használtak, erősebb megállapodást mutattak a referencia módszerekkel, mint azok, amelyek crowdsourced adatbázisokat használtak. Ez a megállapítás közvetlenül alátámasztja azt a nézetet, hogy az adatbázis módszertana, nem csupán a nyomon követés aktusa, határozza meg az összegyűjtött adatok értékét.

Evenepoel et al. (2020): A MyFitnessPal Széles Körben Használt, de Pontossága Kérdéses

Evenepoel és munkatársai 15 tanulmányt vizsgáltak, amelyek kifejezetten a MyFitnessPal-t használták diétás értékelési eszközként. A Obesity Science & Practice-ban közzétett áttekintés megállapította, hogy az MFP volt a leggyakrabban használt kereskedelmi alkalmazás a publikált kutatásokban, főként piaci részesedése és népszerűsége miatt. Azonban az áttekintés ismétlődő aggályokat azonosított az adatbázis pontosságával kapcsolatban, több tanulmány is hibákat említett a crowdsourced bejegyzésekben.

A szerzők arra a következtetésre jutottak, hogy az MFP "elfogadható kutatási célokra" használható olyan tanulmányokban, ahol a diétás bevitel másodlagos kimenet volt, és durva becslések elegendőek voltak, de figyelmeztettek, hogy ne használják olyan tanulmányokban, ahol a pontos diétás mérés kritikus fontosságú.

Az Alkalmazások Pontosságáról Szóló Bizonyítékok

Tosi et al. (2022): Az Adatbázis Hibáinak Mérése

Tosi és munkatársai a Nutrients-ben közzétették az egyik legszigorúbb pontossági tesztet a kereskedelmi kalóriakövető alkalmazásokra. Összehasonlították a MyFitnessPal, FatSecret és Yazio kalória- és makrotápanyag-becsléseit 40 olasz élelmiszer laboratóriumban elemzett értékeivel.

Az eredmények azt mutatták, hogy az átlagos abszolút százalékos eltérések 7-28% között mozogtak, attól függően, hogy melyik alkalmazásról és élelmiszer-kategóriáról van szó. Az alkalmazások a legegyszerűbb, egy összetevőből álló ételek (nyers gyümölcs, sima gabonák) esetében teljesítettek a legjobban, míg a bonyolult ételek (kész ételek, hagyományos receptek) esetében a legrosszabbul. A szerzők az eltéréseket elsősorban az adatbázis pontatlanságaira vezették vissza, nem pedig a nyomon követési megközelítés módszertani korlátaira.

Chen et al. (2019): Az Adatbázis Módszertani Hatása

Chen és munkatársai hat kereskedelmi diétakövető alkalmazást értékeltek 180 felnőtt 3 napos mért élelmiszer-nyilvántartása alapján. A tanulmány megállapította, hogy az USDA által támogatott adatbázisokat használó alkalmazások átlagos energiaeltérései 7-12% között mozogtak, míg a crowdsourced adatokra támaszkodó alkalmazások 15-25% eltéréseket mutattak.

Ez a tanulmány közvetlen bizonyítékot nyújt arra, hogy az adatbázis módszertana jelentősen befolyásolja a nyomon követés pontosságát. Az USDA által támogatott és a crowdsourced adatbázisok közötti eltérés (7-12% vs. 15-25% hiba) a tipikus étrend esetében napi több száz kalóriás gyakorlati eltérést jelent.

Franco et al. (2016): A Mikrotápanyagok Nyomon Követésének Korlátai

Franco és munkatársai a JMIR mHealth and uHealth-ben tesztelték a MyFitnessPal-t és a Lose It!-t egy klinikai súlykezelési program keretében. Mindkét alkalmazás átlagosan több mint 30%-kal alábecsülte a nátrium tartalmát. Ez a megállapítás közvetlen klinikai következményekkel bír a nátriumot hipertónia kezelésére nyomon követő felhasználók számára, és kiemeli a USDA mikrotápanyag-adatainak teljes integrálásának hiányosságait.

Az Önmonitorozás és Elköteleződés Bizonyítékai

Laing et al. (2014): Az Elköteleződés Problémája

Laing és munkatársai a MyFitnessPal-t tesztelték egy elsődleges ellátási súlycsökkentési környezetben 212 túlsúlyos vagy elhízott felnőtt részvételével. A JMIR mHealth and uHealth-ben közzétett tanulmány megállapította, hogy bár a résztvevők 78%-a legalább egyszer használta az MFP-t, csak 3%-uk naplózott még hat hónap elteltével.

Ez a drámai elköteleződés-csökkenés az alkalmazásalapú nyomon követés irodalmában az egyik leggyakrabban idézett megállapítás. Ez arra utal, hogy egy alkalmazás biztosítása önmagában, további viselkedési támogatás nélkül, nem elegendő a tartós diétás önmonitorozáshoz.

Harvey et al. (2019): A Következetesség Kulcsfontosságú

Harvey és munkatársai 1,422 MyFitnessPal felhasználó adatait elemezték egy Appetite-ban közzétett tanulmányban. Megállapították, hogy azok a felhasználók, akik következetesen naplóztak (több mint 50%-os naplózási arányt definiálva), jelentősen több súlyt veszítettek, mint a sporadikus naplózók. A naplózási következetesség és a fogyás közötti dózis-válasz kapcsolat lineáris volt: a gyakoribb naplózás nagyobb fogyást jósolt.

Ez a megállapítás következményekkel bír az alkalmazás tervezésére. Azok a funkciók, amelyek csökkentik a naplózás nehézségeit, mint például a Nutrola AI fotófelismerése és hangalapú naplózása, közvetlenül foglalkoznak az elköteleződés csökkenésének viselkedési akadályával, amelyet Laing et al. dokumentált. Amikor egy étkezés naplózása másodpercekbe telik, nem pedig percekbe, a felhasználók valószínűbb, hogy fenntartják azt a következetességet, amelyről Harvey et al. megállapította, hogy a siker előrejelzője.

A Jelenlegi Bizonyítékokban Létező Hiányosságok

Annak ellenére, hogy a kutatások számos területen bővülnek, jelentős hiányosságok maradnak az alkalmazásalapú kalóriakövetés bizonyítékai között.

Kevés fej-fej melletti összehasonlítás. A legtöbb tanulmány egyetlen alkalmazást tesztel referencia módszerrel. A közvetlen összehasonlítások az alkalmazások között ritkák, így nehéz egyértelműen ajánlani egy alkalmazást a másikkal szemben a publikált bizonyítékok alapján.

Gyorsan fejlődő technológia. Az alkalmazások rendszeresen frissítik adatbázisaikat és funkcióikat, ami elavulttá teheti a tanulmányok megállapításait a publikálás évein belül. Egy 2019-es MFP pontossági tanulmány nem biztos, hogy tükrözi az alkalmazás 2026-os adatbázisát.

Kiválasztási torzítás a kutatási populációkban. A tanulmányok motivált önkénteseket toboroznak, akik nem biztos, hogy a tipikus alkalmazásfelhasználókat képviselik. A kutatási környezetben megfigyelt betartási arányok és eredmények nem feltétlenül általánosíthatók a szélesebb felhasználói populációra.

Korlátozott mikrotápanyag-érvényesítés. A legtöbb pontossági tanulmány az energiára és a makrotápanyagokra összpontosít. A mikrotápanyagok pontosságát kevesebb tanulmány vizsgálta, annak ellenére, hogy ugyanolyan fontosak a teljes körű diétás értékeléshez.

Hosszú távú bizonyítékok hiánya. Kevés tanulmány követi az alkalmazásfelhasználókat 12 hónapon túl. A tartós alkalmazásalapú követés hosszú távú hatásai a diétás viselkedésre és az egészségügyi kimenetekre még mindig alulvizsgáltak.

Következmények az Alkalmazás Kiválasztására

A szakmai körökben lektorált bizonyítékok számos, bizonyítékokon alapuló ajánlást támogatnak a kalóriakövető alkalmazás kiválasztására:

1. Válasszon egy alkalmazást, amelynek ellenőrzött adatbázisa van. Chen et al. (2019) kimutatták, hogy az USDA által támogatott adatbázisok jelentősen pontosabb becsléseket nyújtanak, mint a crowdsourced alternatívák. A Nutrola és a Cronometer vezetnek ebben a kategóriában.

2. Válasszon egy alkalmazást, amely minimalizálja a naplózás nehézségeit. Laing et al. (2014) és Harvey et al. (2019) megmutatták, hogy az elköteleződés gyorsan csökken, és hogy a következetesség előrejelzi az eredményeket. Az AI-támogatott naplózási funkciók (fotófelismerés, hangbevitel) közvetlenül foglalkoznak ezzel az akadállyal. A Nutrola AI naplózásának és az ellenőrzött adatbázisának kombinációja egyedülálló módon kezeli mind a pontosságot, mind a betartást.

3. Válasszon egy alkalmazást, amely átfogó tápanyagokat követ. Franco et al. (2016) és Griffiths et al. (2018) megmutatták, hogy a mikrotápanyagok nyomon követése a legtöbb alkalmazásban kevésbé pontos és kevésbé teljes. Azok az alkalmazások, amelyek 80+ tápanyagot követnek, alapvetően átfogóbb diétás képet nyújtanak.

4. Ne támaszkodjon kizárólag az alkalmazásra. Laing et al. (2014) és Turner-McGrievy et al. (2013) megmutatták, hogy az alkalmazás-alapú beavatkozások kevésbé hatékonyak, mint az alkalmazások, amelyek viselkedési támogatással, coachinggal vagy strukturált programokkal kombinálva működnek.

Gyakran Ismételt Kérdések

Van tudományos bizonyíték arra, hogy a kalóriakövető alkalmazások segítenek a fogyásban?

Igen. Több véletlenszerű kontrollált vizsgálat kimutatta, hogy a diétás önmonitorozás alkalmazások használata javítja a fogyási eredményeket a nyomon követés nélküli állapothoz képest. Patel et al. (2019) jelentős fogyást mutattak ki 12 hónap alatt az alkalmazásalapú követés során. Ferrara et al. (2019) egy rendszeres áttekintésben megerősítették, hogy az alkalmazások javítják az önmonitorozás betartását. Azonban a hatás a következetes használaton múlik. Laing et al. (2014) megállapította, hogy a résztvevők csak 3%-a tartotta fenn az alkalmazás használatát hat hónap elteltével további támogatás nélkül.

Mennyire pontosak a kalóriakövető alkalmazások a kutatások szerint?

A pontosság jelentősen változik az alkalmazások között. Tosi et al. (2022) az alkalmazások között 7-28% közötti átlagos energiaeltéréseket talált, a crowdsourced adatbázisokat használó alkalmazások mutatták a legnagyobb hibákat. Chen et al. (2019) kimutatták, hogy az USDA-hoz kötődő alkalmazások 7-12%-os eltéréseket mutattak, míg a crowdsourced alkalmazások 15-25%-os eltéréseket. Egy 2000 kalóriás napi bevitel esetén ez 140-240 kalória, illetve 300-500 kalória közötti eltérést jelenthet.

Melyik kalóriakövető alkalmazás mögött áll a legtöbb tudományos bizonyíték?

A MyFitnessPal-t említik a legtöbb publikált tanulmányban (150+), főként piaci részesedése miatt. Azonban a Cronometer-t előnyben részesítik a kontrollált kutatásokban, ahol az adatok pontossága kritikus. A Nutrola módszertana összhangban áll a kutatási szintű adatminőségi szabványokkal, az USDA FoodData Central használatával, professzionális keresztellenőrzéssel és verifikálással.

Ajánlanak a kutatók bármilyen konkrét kalóriakövető alkalmazást?

A kutatók általában nem támogatnak konkrét kereskedelmi termékeket, de az alkalmazásválasztási mintáik informatívak. A pontos diétás mérésre vonatkozó tanulmányok általában olyan alkalmazásokat választanak, amelyek kurált, USDA-hoz kötődő adatbázisokkal rendelkeznek (Cronometer, és egyre inkább a Nutrola szintű verifikációval rendelkező alkalmazások). Azok a tanulmányok, ahol a diétás bevitel másodlagos kimenet, gyakrabban használják a résztvevők által már telepített alkalmazásokat, gyakran az MFP-t.

Mit mond a kutatás az AI-alapú kalóriakövetésről?

Az AI-alapú ételazonosítás egy újabb technológia, amelynek korlátozott, de növekvő kutatása van. Thames et al. (2021) az AI-alapú ételazonosítás pontosságát értékelték, és ígéretes, de tökéletlen eredményeket találtak. A szakirodalom kulcsfontosságú megállapítása, hogy az AI naplózási pontossága mind az AI modell ételazonosítási pontosságától, mind pedig az ahhoz kapcsolódó táplálkozási adatbázis pontosságától függ. Egy pontos AI azonosítás, amely egy pontatlan adatbázis-bejegyzéshez kapcsolódik, még mindig pontatlan kalória becslést eredményezhet.