研究者が臨床試験で使用するカロリートラッカーはどれか？発表された研究の調査

研究者が食事摂取のモニタリングを必要とする臨床試験を設計する際、トラッキングツールの選定はデータの質に直接影響を与える方法論的な決定です。消費者がアプリを外観や価格で選ぶのとは異なり、研究者は測定の妥当性、データエクスポート機能、参加者の遵守機能、再現性に基づいてトラッキングアプリを評価します。発表された臨床研究に頻繁に登場するアプリは、科学コミュニティがデータを信頼しているツールを示す厳格な選定プロセスを反映しています。

この記事では、発表された臨床研究文献を調査し、どのカロリートラッキングアプリが試験で使用されているか、研究者が特定のアプリを選ぶ理由、研究グレードの食事モニタリングに適したアプリの特徴について明らかにします。

研究ごとの調査表

研究	ジャーナル	年	使用アプリ	研究タイプ	サンプルサイズ	選定理由
Athinarayanan et al.	Frontiers in Endocrinology	2019	Cronometer	RCT	262	ケトジェニックダイエットのための包括的な微量栄養素トラッキング
Stringer et al.	Frontiers in Nutrition	2021	Cronometer	介入	42	USDA/NCCDBデータの信頼性による制御された食事分析
Patel et al.	Obesity	2019	Lose It!	RCT	218	アプリベースのトラッキングによる行動的減量介入
Turner-McGrievy et al.	JAMA Internal Medicine	2017	複数（Lose It!を含む）	RCT	96	食事自己モニタリング方法の比較
Laing et al.	JMIR mHealth uHealth	2014	MyFitnessPal	RCT	212	プライマリケアにおける減量介入の実現可能性
Carter et al.	J Med Internet Res	2013	MFPスタイルのアプリ	RCT	128	アプリと紙の日記の比較
Harvey et al.	Appetite	2019	MyFitnessPal	観察研究	1,422	ロギングの一貫性と減量結果
Spring et al.	J Med Internet Res	2013	カスタムアプリ	RCT	69	コーチングを伴う技術支援の食事モニタリング
Tosi et al.	Nutrients	2022	MFP, FatSecret, Yazio	検証	40食品	実験室値に対するデータベースの正確性テスト
Chen et al.	J Am Diet Assoc	2019	6つの商業アプリ	検証	180	重量記録に対するマルチアプリの正確性比較
Franco et al.	JMIR mHealth uHealth	2016	MFP, Lose It!	検証	臨床	減量プログラムにおける正確性評価
Evenepoel et al.	Obes Sci Pract	2020	MyFitnessPal	系統的レビュー	15研究	研究環境におけるMFPの包括的レビュー
Hollis et al.	Am J Prev Med	2008	紙の記録	RCT	1,685	アプリ以前の自己モニタリングの金標準
Burke et al.	J Am Diet Assoc	2011	PDAトラッカー	RCT	210	電子と紙の自己モニタリングの比較
Ferrara et al.	Int J Behav Nutr Phys Act	2019	複数	系統的レビュー	18研究	アプリベースの食事自己モニタリングツールのレビュー

研究者が特定のアプリを選ぶ理由

研究者がアプリを選ぶ要因は、消費者の優先事項とは根本的に異なります。これらの要因を理解することで、科学コミュニティが食事トラッキングツールに何を重視しているかが明らかになります。

データベースの正確性と深さ

研究者にとって最も重要な要因は、データベースの正確性です。臨床試験で食事摂取データを使用して栄養素の曝露を計算する際、データベースのエラーは測定エラーに直接つながり、治療効果を隠す可能性があります。

Stringer et al.（2021）は、ケトジェニックダイエット研究のためにCronometerを選んだ理由を、USDA FoodData CentralおよびNCCDBデータの使用にあると明言しています。この研究では、参加者が栄養的ケトーシスを維持していることを確認するために、マクロ栄養素比の正確なトラッキングが必要でした。Tosi et al.（2022）によると、炭水化物含有量の20％のデータベースエラーは、参加者をケトーシス内または外と誤分類する可能性があります。

Athinarayanan et al.（2019）も、2型糖尿病介入のために詳細なマクロ栄養素モニタリングが必要だったため、Cronometerを選択しました。この研究の継続的な遠隔ケアモデルは、臨床的な薬剤調整に関する決定を導くために正確な食事データに依存していました。

データエクスポートと統合

研究には、統計分析ソフトウェア（CSV、SPSS、SAS）と互換性のある形式でデータが必要です。詳細な食品レベルのデータを構造化された形式でエクスポートできないアプリは、データベースの質に関わらず研究用途には不適切です。

Cronometerは、食品レベルの栄養素内訳を含むCSVエクスポートを提供しており、標準的な研究データ分析ワークフローと互換性があります。この機能は、複数の発表された研究で選定要因として明示的に引用されています。

ほとんどの消費者向けアプリは、食品レベルの詳細ではなく、日次合計などの要約レベルのデータしか提供しないため、研究者が実施できる分析の種類が制限されます。研究プロトコルでは、食事パターンスコアを計算したり、特定の食品群の摂取量を特定したり、食事のタイミング効果を分析したりするために、食品レベルのデータが必要です。

参加者の遵守とエンゲージメント

食事の自己モニタリングは、研究参加者にとって負担が大きいです。ロギングの時間と摩擦を最小限に抑えるアプリは、遵守率を向上させ、データの完全性に直接影響を与えます。

Laing et al.（2014）は、MFP研究の参加者のうち、6か月後にロギングを続けていたのはわずか3％であることを発見し、エンゲージメントの課題を浮き彫りにしました。この発見は、研究者がロギングの負担を軽減する機能を持つアプリを求める動機となっています。

AIを活用したロギング機能（写真認識や音声入力など）は、研究の遵守を大幅に向上させる重要な進展を示しています。これらの機能により、1食あたりのロギング時間が数分から数秒に短縮され、数か月にわたる研究の中で記録される食事の割合が有意に改善される可能性があります。

NutrolaのAI写真認識、音声ロギング、バーコードスキャンの組み合わせは、異なる参加者の好みや使用状況に応じた3つの低摩擦ロギング手段を提供します。1.8百万件のエントリーを持つUSDAに基づいた検証済みデータベースと組み合わせることで、このアプローチは研究グレードのデータ精度を維持しつつ、参加者の遵守を最大化することができます。これは、これらの2つの目標のいずれかにのみ最適化されたアプリでは達成が難しい組み合わせです。

栄養素のカバレッジ

微量栄養素の状態、食事の質指数、特定の栄養素と病気の関係を調査する研究には、包括的な栄養素セットを追跡できるアプリが必要です。

栄養素のカバレッジ	Cronometer	Nutrola	MFP	Lose It!
トラッキングされる総栄養素数	82以上	80以上	19（標準）	22
個別のアミノ酸	はい	はい	いいえ	いいえ
個別の脂肪酸	はい	はい	部分的	いいえ
すべての13種類のビタミン	はい	はい	部分的	部分的
すべての必須ミネラル	はい	はい	部分的	部分的
食物繊維のサブタイプ	はい	はい	いいえ	いいえ

心血管の結果を調査する研究では、詳細な脂肪酸プロファイルが必要です。骨の健康に関する研究では、カルシウム、ビタミンD、ビタミンKのデータが必要です。メンタルヘルスの栄養研究では、神経伝達物質の前駆体分析のために個別のアミノ酸トラッキング（トリプトファン、チロシン）が必要になることがあります。80以上の栄養素を追跡するアプリのみが、これらの研究アプリケーションをサポートできます。

コストと広告の懸念

研究プロトコルでは、参加者間で一貫した条件が求められます。広告が表示されるアプリには、2つの方法論的な懸念があります。広告は食事の選択に影響を与える可能性があり（ロギング中に表示される食品広告）、参加者間で広告の提示が不一致であることは、制御されていない変動を引き起こします。

Nutrolaの広告なしモデルは、月額EUR 2.50でこれらの懸念を排除します。研究予算において、参加者に広告のないトラッキングツールを提供するコストは、研究自体のコストに比べてわずかですが、広告の混乱を取り除く方法論的な利点は重要です。

研究グレード機能の比較

機能	Cronometer	Nutrola	MFP	Lose It!
USDA FoodData Centralとの統合	はい	はい（クロスリファレンス）	補足的	補足的
データエクスポート（CSV）	はい	はい	限定的	限定的
食品レベルの栄養データ	はい	はい	要約のみ	要約のみ
カスタム食品エントリプロトコル	はい	はい	はい	はい
参加者の遵守追跡	限定的	ロギング頻度データによる	限定的	限定的
広告なしの体験	有料プラン	すべてのプラン（EUR 2.50/月）	有料プランのみ	有料プランのみ
AI支援のロギング	いいえ	はい（写真 + 音声）	いいえ	いいえ
バーコードスキャン	はい	はい	はい	はい

消費者アプリを超えた研究ツールの風景

消費者アプリを研究で使用される食事評価ツールの広い文脈で位置づけることが重要です。

確立された研究ツール

ASA24（自動自己管理型24時間食事回想法）。 国立癌研究所が開発したASA24は、参加者が構造化された24時間の食事回想を行うためのウェブベースのツールです。USDA FNDDSデータベースを使用し、複数の研究で検証されています。ASA24は研究食事評価の金標準ですが、日常的なトラッキングには設計されていません。

NDSR（Nutrition Data System for Research）。 ミネソタ大学の栄養調整センターが開発したNDSRは、最も包括的な研究食事分析ツールです。NCCDBデータベースを使用し、訓練を受けた栄養インタビュアーによって運営されます。NDSRは他のツールが検証される基準となるもので、ライセンスあたりのコスト（年間約4,500ドル）は、参加者の自己トラッキングを必要とする大規模研究には実用的ではありません。

食品頻度質問票（FFQs）。 通常の食事摂取を数ヶ月から数年にわたって評価する半定量的質問票です。FFQsは大規模な疫学研究に効率的ですが、トラッキングアプリが提供する日々の詳細が欠けています。

消費者アプリの位置づけ

消費者向けのカロリートラッキングアプリは、研究ツールの風景において独自のニッチを占めています。これらは、規模での日常的かつリアルタイムの食事自己モニタリングを可能にします。ASA24（定期的な回想）やNDSR（訓練を受けたインタビュアーが必要）やFFQs（回顧的な推定）は、この種のデータを提供することはできません。

数週間から数ヶ月にわたる自由生活の参加者における日常的な食事モニタリングを必要とする研究では、消費者アプリがしばしば唯一の実用的な選択肢です。重要な質問は、どの消費者アプリが研究グレードのツールに最も近いデータ品質を提供し、参加者の遵守に必要な使いやすさを維持するかです。

NutrolaやCronometerのようなアプリは、研究ツールと同じ基礎データソース（USDA FoodData Central、国のデータベース）を使用しており、消費者のアクセス性と研究グレードの方法論のギャップを埋めています。

新たなトレンド：研究におけるAIトラッキング

研究プロトコルへのAI支援の食品認識の統合は、Laing et al.（2014）が特定した遵守の課題に対処する新たなトレンドです。

参加者の負担軽減。 AIによる写真ロギングは、1食あたりのトラッキング時間を3〜5分（手動入力）から10〜30秒（写真を撮って確認）に短縮します。1日3食の12週間の研究では、この時間の節約は参加者あたり約15〜25時間に相当します。数百人の参加者がいる研究では、これは参加者の負担を大幅に軽減し、保持率とデータの完全性を改善する可能性があります。

客観的なポーション文書化。 食事の写真は、研究者や栄養士が独立してレビューできる客観的な記録を提供し、手動のテキストベースのロギングでは得られない検証レイヤーを追加します。

自然言語処理。 Nutrolaに実装された音声ベースのロギングは、参加者が食事を自然言語で説明することを可能にします。この手法は、手動のテキスト入力が負担に感じる人々（高齢者、リテラシーが限られている人、フィールド研究の参加者など）にとって特に価値があります。

重要な要件：検証済みのバックエンド。 研究におけるAIロギングの有用性は、AIが特定した食品が一致するデータベースの正確性に完全に依存しています。「グリルチキンブレスト」を正しく特定するAIシステムが、正確でないクラウドソースのデータベースエントリーに一致させると、誤った精度が提供されます：特定は正しいが、栄養データは間違っています。これが、NutrolaのアーキテクチャがAIロギングとUSDAに基づいた検証済みデータベースを組み合わせている理由であり、研究アプリケーションに特に適しているのです。

研究グレードのトラッキングアプリを選ぶ基準

発表された文献から観察されたパターンに基づき、以下の基準が研究グレードの消費者トラッキングアプリを定義します：

1. USDA FoodData Centralまたは同等の政府データベースに基づくデータベース。 これにより、一般的な食品エントリーがユーザー提出の推定値ではなく、実験室で分析された値に基づくことが保証されます。

2. 非USDAエントリーの専門的検証。 USDAにないブランド製品や地域の食品は、検証なしにクラウドソースの提出から受け入れられるのではなく、専門家によるレビューを受けるべきです。

3. 60以上の栄養素のトラッキング。 微量栄養素、食事の質、特定の栄養素と健康の関係を調査する研究には、包括的な栄養素カバレッジが必要です。

4. 標準形式での食品レベルのデータエクスポート。 R、SPSS、SAS、またはPythonでの分析を可能にするCSVまたは同等のエクスポート。

5. 遵守を最大化するための低ロギング摩擦。 AI支援のロギング（写真、音声、バーコード）は、参加者の負担を軽減し、データの完全性を向上させます。

6. 広告なしの体験。 広告の混乱を排除し、ロギング中の参加者の気を散らす要因を減少させます。

7. 一貫したユーザー体験。 研究期間中にロギング行動に影響を与える可能性のある機能変更やインターフェースの変更がないこと。

Nutrolaは、USDAに基づいたクロスリファレンスデータベース、栄養士による検証済みエントリー（180万件）、80以上の栄養素のトラッキング、AIによる写真および音声ロギング、バーコードスキャン、月額EUR 2.50の広告なし、iOSおよびAndroidの両方で利用可能という7つの基準をすべて満たしています。

よくある質問

臨床研究で最も一般的に使用されるカロリートラッキングアプリはどれですか？

引用数から見ると、MyFitnessPalが発表された研究で最も頻繁に登場していますが、これは市場の支配力によるものです。しかし、データの正確性が重要な制御された食事介入では、Cronometerが好まれます。研究者は人気ではなく、データベースの方法論とデータエクスポート機能に基づいてアプリを選択します。

研究者はなぜMyFitnessPalを使用しないのですか？

人気と研究の適合性は異なる基準です。複数の研究（Tosi et al., 2022; Evenepoel et al., 2020）では、MFPのクラウドソースデータベースに関する正確性の懸念が文書化されています。精密栄養研究や制御された食事介入を行う研究者は、MFPが一貫して提供するよりも正確なデータを必要とします。MFPは、食事摂取が二次変数であり、概算の推定が許容される研究で使用されます。

Nutrolaは臨床研究で使用できますか？

Nutrolaの方法論は、研究グレードの要件に合致しています：USDA FoodData Centralに基づく、栄養士によるクロスリファレンス、80以上の栄養素のトラッキング、参加者の遵守を最大化するためのAI支援のロギング。180万件の検証済みエントリー、データエクスポート機能、月額EUR 2.50の広告なし設計により、正確性と参加者のエンゲージメントを必要とする日常的な食事モニタリングを要求する研究プロトコルに適しています。

研究食事ツール（ASA24、NDSR）と消費者アプリの違いは何ですか？

ASA24とNDSRは、訓練を受けた専門家によって実施または指導される定期的な食事評価のために設計されています。消費者アプリ（Nutrola、Cronometer、MFP）は、専門的な訓練を受けていない個人による日常的な自己トラッキングのために設計されています。消費者アプリは、継続的でリアルタイムのモニタリングに優れていますが、いくつかの方法論的厳密さを犠牲にする可能性があります。USDAに基づいたデータベースを持つアプリ（Nutrola、Cronometer）は、このギャップを大幅に狭めています。

AI支援のカロリートラッキングは、研究における従来の食事評価を置き換えるのでしょうか？

AI支援のトラッキングが、NDSRやASA24のような確立された方法を完全に置き換えることは考えにくいですが、補完的に使用されることは増えていくでしょう。AIトラッキングの主な研究価値は、参加者の負担を軽減し（遵守とデータの完全性を改善）、客観的な写真記録を提供することです。重要な要件は、AIによる特定が検証済みの栄養データベースと組み合わされることです。Nutrolaのように、AIロギングの利便性とUSDAによるデータの正確性を兼ね備えたアプリが、この新たな研究アプリケーションに最も適しています。