Melyik kalóriaszámláló alkalmazást használják a kutatók klinikai vizsgálatokban? Publikált tanulmányok felmérése

Amikor a kutatók klinikai vizsgálatot terveznek, amely étrendi bevitel nyomon követését igényli, a nyomkövető eszköz kiválasztása módszertani döntés, amely közvetlen hatással van az adatok minőségére. A fogyasztókkal ellentétben, akik az alkalmazásokat esztétika vagy ár alapján választják, a kutatók a nyomkövető alkalmazásokat a mérési érvényesség, az adatexport lehetőségei, a résztvevők megfelelőségi jellemzői és a reprodukálhatóság szempontjából értékelik. Azok az alkalmazások, amelyek a legtöbbször megjelennek a publikált klinikai kutatásokban, egy szigorú kiválasztási folyamat eredményei, amelyek megmutatják, hogy a tudományos közösség mely eszközöket bízza meg az adataival.

Ez a cikk áttekinti a publikált klinikai kutatási irodalmat, hogy azonosítsa, mely kalóriaszámláló alkalmazásokat használnak a vizsgálatokban, miért választanak a kutatók konkrét alkalmazásokat, és milyen funkciók teszik alkalmassá az alkalmazásokat a kutatási szintű étrendi nyomon követésre.

Tanulmányról Tanulmányra Felmérési Táblázat

Tanulmány	Folyóirat	Év	Használt alkalmazás	Tanulmány típusa	Mintanagyság	Miért ezt az alkalmazást választották
Athinarayanan et al.	Frontiers in Endocrinology	2019	Cronometer	RCT	262	Átfogó mikrotápanyag-nyomon követés a ketogén diéta monitorozásához
Stringer et al.	Frontiers in Nutrition	2021	Cronometer	Intervenció	42	USDA/NCCDB adatmegbízhatóság a kontrollált étrendi elemzéshez
Patel et al.	Obesity	2019	Lose It!	RCT	218	Viselkedési súlycsökkentő intervenció alkalmazásalapú nyomon követéssel
Turner-McGrievy et al.	JAMA Internal Medicine	2017	Több (pl. Lose It!)	RCT	96	Az étrendi önmonitorozási módszerek összehasonlítása
Laing et al.	JMIR mHealth uHealth	2014	MyFitnessPal	RCT	212	Elsődleges ellátási súlycsökkentő intervenció megvalósíthatósága
Carter et al.	J Med Internet Res	2013	MFP-stílusú alkalmazás	RCT	128	Alkalmazás vs. papíralapú napló összehasonlítása
Harvey et al.	Appetite	2019	MyFitnessPal	Megfigyelés	1,422	Naplózási következetesség és súlycsökkentési eredmények
Spring et al.	J Med Internet Res	2013	Egyedi alkalmazás	RCT	69	Technológia által támogatott étrendi nyomon követés coachinggal
Tosi et al.	Nutrients	2022	MFP, FatSecret, Yazio	Validálás	40 élelmiszer	Adatbázis pontosságának tesztelése laboratóriumi értékekkel szemben
Chen et al.	J Am Diet Assoc	2019	6 kereskedelmi alkalmazás	Validálás	180	Több alkalmazás pontosságának összehasonlítása a mért nyilvántartásokkal
Franco et al.	JMIR mHealth uHealth	2016	MFP, Lose It!	Validálás	Klinikai	Pontosság értékelése a súlykezelési programban
Evenepoel et al.	Obes Sci Pract	2020	MyFitnessPal	Rendszeres áttekintés	15 tanulmány	A MFP átfogó áttekintése kutatási környezetben
Hollis et al.	Am J Prev Med	2008	Papíralapú nyilvántartások	RCT	1,685	Az alkalmazás előtti korszak arany standardja az önmonitorozásban
Burke et al.	J Am Diet Assoc	2011	PDA nyomkövető	RCT	210	Elektronikus vs. papíralapú önmonitorozás összehasonlítása
Ferrara et al.	Int J Behav Nutr Phys Act	2019	Több	Rendszeres áttekintés	18 tanulmány	Az alkalmazásalapú étrendi önmonitorozó eszközök áttekintése

Miért Választanak a Kutatók Konkrét Alkalmazásokat?

A kutatók alkalmazásválasztását befolyásoló tényezők alapvetően eltérnek a fogyasztói prioritásoktól. E tényezők megértése megmutatja, mit értékel a tudományos közösség egy étrendi nyomkövető eszközben.

Adatbázis Pontossága és Mélysége

A legfontosabb tényező a kutatók számára az adatbázis pontossága. Amikor az étrendi bevitel adatait tápanyagexpozíció kiszámítására használják egy klinikai vizsgálatban, az adatbázis hibái közvetlenül mérési hibává alakulnak, ami elhomályosíthatja a kezelési hatásokat.

Stringer et al. (2021) kifejezetten megjegyezte, hogy a Cronometert választották a ketogén diétás tanulmányukhoz, mivel az USDA FoodData Central és az NCCDB adatait használja. A tanulmány pontos makrotápanyag-arányok nyomon követését igényelte, hogy ellenőrizzék, a résztvevők fenntartják-e a táplálkozási ketózist, amelyet a szénhidrátkorlátozás szintje határoz meg. Egy 20%-os adatbázis-hiba a szénhidrát tartalomban (a crowdsourced adatbázisok esetében a Tosi et al. (2022) szerint) tévesen osztályozhat egy résztvevőt ketózisban vagy azon kívül.

Athinarayanan et al. (2019) hasonlóan a Cronometert választotta egy 2-es típusú diabéteszes intervencióhoz, amely részletes makrotápanyag-nyomon követést igényelt. A tanulmány folyamatos távoli gondozási modellje pontos étrendi adatokra támaszkodott a gyógyszeres beállítások klinikai döntéseinek irányításához.

Adatexport és Integráció

A kutatásokhoz olyan formátumú adatokra van szükség, amelyek kompatibilisek a statisztikai elemző szoftverekkel (CSV, SPSS, SAS). Azok az alkalmazások, amelyek nem tudnak részletes élelmiszer szintű adatokat exportálni strukturált formátumban, gyakorlatilag használhatatlanok kutatási célokra, függetlenül az adatbázis minőségétől.

A Cronometer CSV exportot kínál élelmiszer szintű tápanyagmegbontással, így kompatibilis a standard kutatási adat-elemzési munkafolyamatokkal. Ezt a funkciót több publikált tanulmányban kifejezetten megemlítették, mint választási tényezőt.

A legtöbb fogyasztóbarát alkalmazás csak összegző szintű adatokat (napi összesítések) biztosít, nem pedig élelmiszer szintű részleteket, ami korlátozza a kutatók által végezhető elemzések típusát. A kutatási protokollok gyakran megkövetelik az élelmiszer szintű adatokat az étrendi mintázatpontszámok kiszámításához, a konkrét élelmiszercsoport-bevitelek azonosításához vagy az étkezési időzítési hatások elemzéséhez.

Résztvevők Megfelelősége és Elkötelezettsége

Az étrendi önmonitorozás megterhelő a kutatási résztvevők számára. Azok az alkalmazások, amelyek minimalizálják a naplózási időt és a nehézségeket, javítják a megfelelési arányokat, ami közvetlen hatással van az adatok teljességére.

Laing et al. (2014) megállapította, hogy a MFP tanulmányukban részt vevő csak 3%-a naplózott még hat hónap elteltével, ami kiemeli az elköteleződés kihívását. Ez a megállapítás arra ösztönözte a kutatókat, hogy olyan alkalmazásokat keressenek, amelyek csökkentik a naplózás terheit.

Az AI-alapú naplózási funkciók, mint például a fénykép-azonosítás és a hangalapú bevitel, jelentős előrelépést jelentenek a kutatási megfelelőség terén. Ezek a funkciók az étkezések naplózásának idejét több percről másodpercre csökkenthetik, ami érdemben javíthatja az étkezések arányát, amelyeket egy több hónapos tanulmány során naplóznak.

A Nutrola AI-alapú fénykép-azonosítása, hangalapú naplózása és vonalkód-olvasása három alacsony nehézségi szintű naplózási módot kínál, amelyek különböző résztvevői preferenciákhoz és használati kontextusokhoz alkalmazkodnak. Az 1,8 millió bejegyzésből álló USDA-ellenőrzött adatbázissal párosítva ez a megközelítés fenntartja a kutatási szintű adatpontosságot, miközben maximalizálja a résztvevők megfelelőségét, ami nehezen elérhető kombináció, ha az alkalmazások csak az egyik célra optimalizáltak.

Tápanyagok Lefedettsége

A mikrotápanyag-státusz, az étrendi minőségi indexek vagy a specifikus tápanyag-betegség kapcsolatok vizsgálata olyan alkalmazásokat igényel, amelyek átfogó tápanyag-nyomon követést kínálnak.

Tápanyag Lefedettség	Cronometer	Nutrola	MFP	Lose It!
Összes nyomon követett tápanyag	82+	80+	19 (standard)	22
Egyedi aminosavak	Igen	Igen	Nem	Nem
Egyedi zsírsavak	Igen	Igen	Részleges	Nem
Az összes 13 vitamin	Igen	Igen	Részleges	Részleges
Az összes esszenciális ásványi anyag	Igen	Igen	Részleges	Részleges
Étrend rost altípusok	Igen	Igen	Nem	Nem

A szív- és érrendszeri kimeneteket vizsgáló tanulmányok részletes zsírsavprofilokat igényelnek. A csont egészségét vizsgáló kutatásokhoz kalciumra, D-vitaminra és K-vitaminra van szükség. A mentális egészséggel kapcsolatos táplálkozási kutatásokhoz egyedi aminosavak nyomon követése (triptofán, tirozin) szükséges a neurotranszmitter előanyagok elemzéséhez. Csak azok az alkalmazások, amelyek 80+ tápanyagot követnek, tudják támogatni ezeket a kutatási alkalmazásokat.

Költség és Hirdetési Aggályok

A kutatási protokollok következetes körülményeket igényelnek a résztvevők között. A hirdetésekkel támogatott alkalmazások két módszertani problémát vetnek fel: a hirdetések befolyásolhatják az étrendi választásokat (étkezési hirdetések megjelenítése a naplózás során), és a hirdetések megjelenítésének következetlensége a résztvevők között ellenőrizetlen variabilitást vezet be.

A Nutrola hirdetésmentes modellje havi 2,50 EUR áron megszünteti mindkét problémát. Egy kutatási költségvetésben a résztvevők számára hirdetésmentes nyomkövető eszköz biztosításának költsége elenyésző a kutatás költségeihez képest, ugyanakkor a hirdetési zavarok eltávolításának módszertani előnye jelentős.

Kutatási Szintű Funkciók Összehasonlítása

Funkció	Cronometer	Nutrola	MFP	Lose It!
USDA FoodData Central integráció	Igen	Igen (kereszthivatkozott)	Kiegészítő	Kiegészítő
Adatexport (CSV)	Igen	Igen	Korlátozott	Korlátozott
Élelmiszer szintű tápanyagadatok	Igen	Igen	Csak összegzés	Csak összegzés
Egyedi élelmiszerbeviteli protokollok	Igen	Igen	Igen	Igen
Résztvevői megfelelőség nyomon követése	Korlátozott	Naplózási gyakoriság adatai alapján	Korlátozott	Korlátozott
Hirdetésmentes élmény	Fizetős szint	Minden szinten (2,50 EUR/hó)	Csak fizetős szint
AI-támogatott naplózás	Nem	Igen (fénykép + hang)	Nem	Nem
Vonalkód-olvasás	Igen	Igen	Igen	Igen

A Kutatási Eszközök Tájéka a Fogyasztói Alkalmazásokon Túl

Fontos, hogy a fogyasztói alkalmazásokat a kutatásban használt étrendi értékelő eszközök szélesebb tájában kontextusba helyezzük.

Megalapozott Kutatási Eszközök

ASA24 (Automatizált Önadminisztrált 24 órás Étrendi Visszaemlékezés). Az Országos Rákkutató Intézet által kifejlesztett ASA24 egy webalapú eszköz, amely útmutatást ad a résztvevőknek egy strukturált 24 órás étrendi visszaemlékezéshez. Az USDA FNDDS adatbázist használja, és több tanulmányban validálták. Az ASA24 a kutatási étrendi értékelés arany standardja, de nem napi nyomon követésre tervezték.

NDSR (Tápanyagadatok Rendszere Kutatásra). Az Minnesota Egyetem Táplálkozási Koordináló Központja által kifejlesztett NDSR a legátfogóbb kutatási étrendi elemző eszköz, amely elérhető. Az NCCDB adatbázist használja, és képzett táplálkozási interjúztatók üzemeltetik. Az NDSR a referencia standard, amelyhez más eszközöket validálnak. A licenc költsége (évi körülbelül 4,500 USD) miatt nem praktikus nagy léptékű tanulmányokhoz, amelyek résztvevők önálló nyomon követését igénylik.

Élelmiszerfrekvencia Kérdőívek (FFQ-k). Félig mennyiségi kérdőívek, amelyek a szokásos étrendi bevitel értékelésére szolgálnak hosszabb időszakokban (általában hónapokig vagy évekig). Az FFQ-k hatékonyak nagy epidemiológiai tanulmányokban, de hiányzik belőlük a napi részletek, amelyeket a nyomkövető alkalmazások biztosítanak.

Hol Illeszkednek a Fogyasztói Alkalmazások

A fogyasztói kalóriaszámláló alkalmazások egyedi rést foglalnak el a kutatási eszközök tájékán: lehetővé teszik a napi, valós idejű étrendi önmonitorozást nagy léptékben. Sem az ASA24 (időszakos visszaemlékezések), sem az NDSR (képzett interjúztatók szükségesek), sem az FFQ-k (visszamenőleges becslések) nem tudják biztosítani ezt a típusú adatot.

Olyan tanulmányok esetén, amelyek napi étrendi nyomon követést igényelnek szabadon élő résztvevők körében hetekig vagy hónapokig, a fogyasztói alkalmazások gyakran az egyetlen praktikus lehetőséget jelentik. A kulcskérdés az, hogy melyik fogyasztói alkalmazás biztosítja a legközelebbi adatminőséget a kutatási szintű eszközökhöz, miközben megőrzi a résztvevők megfeleléséhez szükséges használhatóságot.

Az olyan alkalmazások, mint a Nutrola és a Cronometer, amelyek ugyanazokat az alapvető adatforrásokat használják, mint a kutatási eszközök (USDA FoodData Central, nemzeti adatbázisok), áthidalják a fogyasztói hozzáférhetőség és a kutatási szintű módszertan közötti szakadékot.

Új Trendek: AI Nyomkövetés a Kutatásban

Az AI-alapú élelmiszer-azonosítás integrálása a kutatási protokollokba egy új trend, amely a Laing et al. (2014) által azonosított megfelelőségi kihívást célozza meg.

Csökkentett résztvevői teher. Az AI fénykép-alapú naplózás csökkenti az étkezések nyomon követésére fordított időt 3-5 percről (kézi bevitel) 10-30 másodpercre (fénykép készítése és megerősítés). Egy 12 hetes tanulmányban, napi három étkezéssel, ez az időmegtakarítás körülbelül 15-25 órát jelent résztvenként. Több száz résztvevős tanulmányok esetén ez érdemben csökkenti a résztvevői terheket, ami javíthatja a megtartást és az adatok teljességét.

Objektív adagdokumentáció. Az étkezések fényképei objektív nyilvántartást biztosítanak, amelyet a kutatók vagy dietetikusok függetlenül ellenőrizhetnek, hozzáadva egy validálási réteget, amely nem áll rendelkezésre kézi, szöveges naplózás esetén.

Természetes nyelvfeldolgozás. A hangalapú naplózás, ahogyan azt a Nutrola alkalmazza, lehetővé teszi a résztvevők számára, hogy természetes nyelven írják le az étkezéseket. Ez a mód különösen értékes olyan populációk számára, akik számára a kézi szöveges bevitel megterhelő, beleértve az idősebb felnőtteket, az alacsony írásbeli készségekkel rendelkező egyéneket és a terepkutatásban részt vevőket.

Kritikus követelmény: ellenőrzött háttér. Az AI naplózás kutatási haszna teljes mértékben az adatbázis pontosságától függ, amelyhez az AI által azonosított élelmiszereket párosítják. Egy AI rendszer, amely helyesen azonosítja a "grillezett csirkemellet", de egy pontatlan crowdsourced adatbázis-bejegyzéshez párosítja, hamis pontosságot biztosít: az azonosítás helyes, de a tápanyagadatok tévesek. Ezért a Nutrola architektúrája, amely az AI naplózást egy USDA-ellenőrzött adatbázissal párosítja, különösen jól alkalmazható kutatási célokra.

Kritériumok a Kutatási Szintű Nyomkövető Alkalmazás Kiválasztásához

A publikált irodalomban megfigyelt minták alapján a következő kritériumok határozzák meg a kutatási szintű fogyasztói nyomkövető alkalmazást:

1. Adatbázis, amely az USDA FoodData Centralhoz vagy hasonló kormányzati adatbázishoz kapcsolódik. Ez biztosítja, hogy a generikus élelmiszerbejegyzések laboratóriumban elemzett értékeken alapuljanak, ne pedig felhasználók által benyújtott becsléseken.

2. A nem USDA bejegyzések szakmai ellenőrzése. A márkás termékek és a regionális élelmiszerek, amelyek nem szerepelnek az USDA adatbázisában, szakmai felülvizsgálat alá kell, hogy essenek, nem pedig ellenőrzés nélküli crowdsourced benyújtások alapján elfogadva.

3. 60+ tápanyag nyomon követése. A mikrotápanyagok, étrendi minőség vagy specifikus tápanyag-egészségügyi kapcsolatok vizsgálatához átfogó tápanyag lefedettség szükséges.

4. Élelmiszer szintű adatexport standard formátumokban. CSV vagy hasonló export, amely lehetővé teszi az R, SPSS, SAS vagy Python elemzését.

5. Alacsony naplózási nehézség a megfelelőség maximalizálása érdekében. Az AI-alapú naplózás (fénykép, hang, vonalkód) csökkenti a résztvevők terheit és javítja az adatok teljességét.

6. Hirdetésmentes élmény. Eltávolítja a hirdetési zavarokat és csökkenti a résztvevők figyelmét a naplózás során.

7. Következetes felhasználói élmény. Nincs funkcióváltozás vagy felületmódosítás a tanulmány időtartama alatt, ami befolyásolhatja a naplózási viselkedést.

A Nutrola mind a hét kritériumnak megfelel: USDA-ellenőrzött és kereszthivatkozott adatbázis, dietetikus által ellenőrzött bejegyzések (1,8 millió), 80+ tápanyag nyomon követése, AI-alapú fénykép- és hangnaplózás, vonalkód-olvasás, hirdetésmentes havi 2,50 EUR áron, és elérhető iOS és Android rendszereken.

Gyakran Ismételt Kérdések

Melyik kalóriaszámláló alkalmazás a leggyakrabban használt a klinikai kutatásokban?

A hivatkozások mennyisége alapján a MyFitnessPal a leggyakrabban előforduló a publikált kutatásokban, főként piaci dominanciája miatt. Azonban a kontrollált étrendi beavatkozások esetén, ahol az adatpontosság kritikus, a Cronometer a preferált választás. A kutatók az adatbázis módszertana és az adatexport lehetőségei alapján választanak alkalmazásokat, nem pedig a népszerűség alapján.

Miért nem használják a kutatók egyszerűen a MyFitnessPal-t, mivel az a legnépszerűbb?

A népszerűség és a kutatási alkalmasság különböző kritériumok. Több tanulmány (Tosi et al., 2022; Evenepoel et al., 2020) dokumentálta a MFP crowdsourced adatbázisával kapcsolatos pontossági aggályokat. A precíziós táplálkozási tanulmányokat vagy kontrollált étrendi beavatkozásokat végző kutatók pontosabb adatokra van szükségük, mint amit a MFP következetesen biztosít. A MFP-t olyan tanulmányokban használják, ahol az étrendi bevitel másodlagos változó, és a hozzávetőleges becslések elfogadhatók.

Használható a Nutrola klinikai kutatásban?

A Nutrola módszertana összhangban áll a kutatási szintű követelményekkel: USDA FoodData Central alap, dietetikus által kereszthivatkozott, 80+ tápanyag nyomon követése, és AI-alapú naplózás a résztvevők megfelelőségének maximalizálása érdekében. Az 1,8 millió ellenőrzött bejegyzés, az adatexport lehetőségei és a hirdetésmentes dizájn havi 2,50 EUR áron alkalmassá teszi a kutatási protokollok számára, amelyek napi étrendi nyomon követést igényelnek, mind a pontosság, mind a résztvevői elkötelezettség szempontjából.

Mi a különbség a kutatási étrendi eszközök (ASA24, NDSR) és a fogyasztói alkalmazások között?

Az ASA24 és az NDSR időszakos étrendi értékelésre lettek tervezve, amelyet képzett szakemberek végeznek vagy irányítanak. A fogyasztói alkalmazások (Nutrola, Cronometer, MFP) napi önálló nyomon követésre lettek kifejlesztve, képzett szakemberek nélkül. A fogyasztói alkalmazások a folyamatos, valós idejű monitorozás terén jeleskednek, de lehet, hogy némi módszertani szigorúságot feláldoznak. Az USDA-ellenőrzött adatbázisokkal rendelkező alkalmazások (Nutrola, Cronometer) jelentősen csökkentik ezt a szakadékot.

Helyettesíti az AI-alapú kalóriaszámlálás a hagyományos étrendi értékelést a kutatásban?

Az AI-alapú nyomkövetés valószínűleg nem helyettesíti teljesen a megalapozott módszereket, mint az NDSR vagy ASA24, de egyre inkább kiegészíti azokat. Az AI nyomkövetés elsődleges kutatási értéke a résztvevők terheinek csökkentése (javítva a megfelelőséget és az adatok teljességét), kombinálva az objektív fényképes dokumentációval. A kritikus követelmény az, hogy az AI azonosításának egy ellenőrzött táplálkozási adatbázissal kell párosulnia. Az olyan alkalmazások, mint a Nutrola, amelyek az AI naplózás kényelmét USDA-ellenőrzött adatpontossággal kombinálják, a legjobban pozicionáltak az új kutatási alkalmazásokhoz.