Śledzenie żywności z wykorzystaniem AI w badaniach klinicznych: Jak badacze korzystają z fotodzienników żywieniowych

Badania nad żywieniem mają swoje brudne tajemnice: dane żywieniowe, na których się opierają, są notorycznie niewiarygodne. Samooceniane dzienniki żywności, wywiady dotyczące spożycia w ciągu ostatnich 24 godzin oraz kwestionariusze częstości spożycia żywności cierpią na systematyczne niedoszacowanie i błąd pamięci. Dekady badań walidacyjnych potwierdziły to, co większość badaczy już podejrzewa — uczestnicy nie raportują dokładnie, co jedzą, a skala błędu jest na tyle duża, że może wpłynąć na wyniki badań.

To nie jest drobny problem metodologiczny. Dane dotyczące spożycia żywności stanowią fundament badań nad żywieniem klinicznym. Kiedy te dane są błędne, wnioski dotyczące interwencji żywieniowych, relacji między składnikami odżywczymi a chorobami oraz zaleceniami zdrowotnymi opierają się na chwiejnych podstawach.

Fotodzienniki żywieniowe oparte na AI stają się rozwiązaniem, które może znacząco poprawić jakość danych żywieniowych w badaniach klinicznych. Przechodząc od retrospektywnej samooceny do rejestrowania obrazów w czasie rzeczywistym z automatyczną analizą składników odżywczych, ta technologia adresuje kilka z najbardziej uporczywych słabości w ocenie diety. Badacze w badaniach interwencyjnych dotyczących żywienia, zarządzania wagą, badań nad cukrzycą i żywieniem sportowym zaczynają włączać te narzędzia do swoich protokołów — a wczesne wyniki sugerują znaczący krok naprzód w jakości danych.

Problem z tradycyjną oceną diety w badaniach

Każda uznawana metoda zbierania danych dotyczących spożycia żywności w badaniach klinicznych ma dobrze udokumentowane ograniczenia.

Wywiad dotyczący spożycia w ciągu 24 godzin

Metoda wywiadu dotyczącego spożycia w ciągu 24 godzin polega na tym, że uczestnicy raportują wszystko, co spożyli w ciągu poprzedniego dnia, zazwyczaj pod kierunkiem przeszkolonego ankietera korzystającego z podejścia wielopunktowego. Choć uznawana jest za jedno z bardziej rygorystycznych narzędzi samooceny, ta metoda zasadniczo opiera się na pamięci. Uczestnicy muszą przypomnieć sobie nie tylko to, co jedli, ale także konkretne ilości, metody przygotowania i składniki — szczegóły, które szybko umykają nawet zmotywowanym osobom.

Badania konsekwentnie pokazują systematyczne niedoszacowanie w przypadku wywiadów 24-godzinnych. Przełomowe badanie walidacyjne autorstwa Subar i in. (2003), opublikowane w American Journal of Epidemiology, wykorzystało podwójnie znakowaną wodę (złoty standard biomarkera wydatku energetycznego) do walidacji samoocenianego spożycia energii i wykazało, że mężczyźni niedoszacowali swoje spożycie o około 12-14%, a kobiety o 16-20%. Kolejne badania potwierdziły, a w niektórych przypadkach wzmocniły te wyniki, przy czym niedoszacowanie było szczególnie wyraźne wśród uczestników z nadwagą i otyłością.

Dzienniki żywności

Prospektywne dzienniki żywności, w których uczestnicy rejestrują swoje spożycie w czasie rzeczywistym przez określony czas (zazwyczaj 3-7 dni), teoretycznie eliminują problem pamięci. W praktyce jednak wprowadzają inny zestaw błędów. Akt rejestrowania spożycia żywności jest uciążliwy, a badania pokazują, że ten ciężar sam w sobie zmienia zachowanie żywieniowe. Uczestnicy upraszczają swoje diety, aby ułatwić rejestrowanie, pomijają wpisy, gdy posiłki stają się skomplikowane, i mogą zmniejszać spożycie tylko dlatego, że są świadomi, że są monitorowani — zjawisko znane jako reakcja na dietę.

Wskaźniki ukończenia dzienników żywności spadają drastycznie w miarę upływu czasu. Przegląd autorstwa Thompsona i Subara w Nutritional Epidemiology udokumentował, że dokładność dzienników znacząco pogarsza się po pierwszych dwóch dniach rejestrowania, a wielu uczestników nie kończy pełnego okresu rejestrowania. W dłuższych badaniach klinicznych utrzymanie zgodności w prowadzeniu dzienników żywności przez tygodnie lub miesiące jest wyjątkowo trudne.

Kwestionariusze częstości spożycia żywności

Kwestionariusze częstości spożycia żywności (FFQ) proszą uczestników o raportowanie ich zwyczajowego spożycia określonych produktów żywnościowych w dłuższym okresie, zazwyczaj w ciągu ostatniego miesiąca lub roku. Te narzędzia są szeroko stosowane w badaniach epidemiologicznych ze względu na niskie koszty i skalowalność, ale są zbyt ogólne do precyzyjnej analizy na poziomie składników odżywczych wymaganej w wielu badaniach klinicznych. FFQ opierają się na zdefiniowanych listach produktów, które mogą nie odzwierciedlać rzeczywistych diet uczestników, zmuszają respondentów do uśredniania wysoce zmiennych wzorców żywieniowych i są podatne na te same błędy pamięci i społeczne pożądanie, co inne metody samooceny.

Skala problemu

Zgromadzone dowody przedstawiają niepokojący obraz. Badania wykorzystujące obiektywne biomarkery spożycia energii udokumentowały niedoszacowanie kalorii w zakresie 30-50% wśród niektórych populacji, szczególnie osób z otyłością — właśnie wśród tych populacji, które najczęściej są rekrutowane do badań klinicznych związanych z żywieniem. Systematyczny przegląd autorstwa Dhurandhara i in. (2015), opublikowany w International Journal of Obesity, stwierdził, że samooceniane spożycie energii jest na tyle niewiarygodne, że "nie może być wykorzystywane do informowania krajowych wytycznych żywieniowych ani polityki zdrowia publicznego."

Dla badaczy prób klinicznych taki poziom błędu pomiarowego nie jest jedynie niewygodny. Może on zaciemniać rzeczywiste efekty leczenia, tworzyć fałszywe powiązania, zwiększać wymagane rozmiary próby do wykrycia istotnych różnic i ostatecznie kompromitować zdolność do wyciągania ważnych wniosków dotyczących interwencji żywieniowych.

Jak fotodzienniki AI poprawiają dane badawcze

Fotodzienniki żywieniowe oparte na AI rozwiązują podstawowe słabości tradycyjnej oceny diety, zasadniczo zmieniając sposób, w jaki dane dotyczące spożycia są rejestrowane.

Rejestracja w czasie rzeczywistym eliminuje błąd pamięci

Największą zaletą rejestrowania opartego na zdjęciach jest to, że uchwyca ono spożycie żywności w momencie konsumpcji. Uczestnicy fotografują swoje posiłki przed jedzeniem. Nie ma polegania na pamięci, nie ma retrospektywnego oszacowania wielkości porcji ani końcowego wysiłku na rekonstrukcję posiłków, które już zostały zapomniane. To samo w sobie eliminuje to, co można uznać za największe źródło błędu w konwencjonalnej ocenie diety.

Dowody w postaci zdjęć zapewniają ślad audytowy

W przeciwieństwie do samoocenianych wpisów tekstowych, fotodzienniki tworzą wizualny zapis, który badacze mogą przeglądać, weryfikować i kodować niezależnie. Ten ślad audytowy ma istotne znaczenie dla zapewnienia jakości danych. Personel badawczy może identyfikować nieprawdopodobne wpisy, weryfikować wielkości porcji w oparciu o dowody fotograficzne i oznaczać potencjalne pominięcia — poziom walidacji danych, który jest niemożliwy do osiągnięcia za pomocą tradycyjnych narzędzi samooceny.

AI zajmuje się oszacowaniem wielkości porcji

Oszacowanie wielkości porcji to jeden z najbardziej podatnych na błędy aspektów samooceny diety. Uczestnicy konsekwentnie mają trudności z oszacowaniem ilości, nawet przy użyciu pomocy wizualnych, takich jak modele żywności i przewodniki dotyczące porcji. Systemy rozpoznawania żywności oparte na AI analizują zdjęcia, aby algorytmicznie oszacować wielkości porcji, całkowicie eliminując uczestnika z tego zadania. Choć oszacowanie przez AI nie jest doskonałe, wprowadza spójny i systematycznie ulepszany proces pomiarowy zamiast wysoce zmiennego ludzkiego zgadywania.

Kompletna analiza składników odżywczych

Nowoczesne systemy śledzenia żywności oparte na AI analizują posiłki pod kątem 100 lub więcej poszczególnych składników odżywczych, dostarczając badaczom danych o szczegółowości, którą byłoby niezwykle czasochłonne uzyskać poprzez ręczne kodowanie diety. Ten poziom szczegółowości jest szczególnie cenny w badaniach klinicznych badających status mikroelementów, specyficzne profile kwasów tłuszczowych, spożycie aminokwasów lub inne wskaźniki wykraczające poza podstawowe makroskładniki i energię.

Zarejestrowane czasowo dane

Każdy posiłek zarejestrowany na zdjęciu jest automatycznie oznaczany czasem, co zapewnia precyzyjne dane na temat czasu posiłków, częstotliwości jedzenia i temporalnych wzorców żywieniowych. W badaniach dotyczących chronodietetyki, przerywanego postu lub związku między czasem posiłków a wynikami metabolicznymi, te automatyczne dane czasowe są znacznie bardziej wiarygodne niż samooceniane czasy posiłków.

Mniejsze obciążenie dla uczestników poprawia zgodność

Być może najważniejszą praktyczną zaletą jest zmniejszenie obciążenia uczestników. Zrobienie zdjęcia posiłku zajmuje kilka sekund, w porównaniu do kilku minut potrzebnych na ważenie, mierzenie i opisywanie każdego składnika w tradycyjnym dzienniku żywności. Mniejsze obciążenie przekłada się bezpośrednio na lepszą zgodność, mniej brakujących danych i możliwość utrzymania zbierania danych przez dłuższe okresy badawcze bez gwałtownego spadku przestrzegania, który dotyka konwencjonalne metody.

Aktualne zastosowania w badaniach klinicznych

Narzędzia oceny diety oparte na AI znajdują zastosowanie w coraz szerszym zakresie kontekstów badań klinicznych.

Badania interwencyjne w zakresie żywienia

Próby oceniające wpływ konkretnych wzorców żywieniowych, zamienników posiłków lub suplementów diety na wyniki zdrowotne korzystają z dokładniejszych danych dotyczących spożycia, aby potwierdzić, że uczestnicy rzeczywiście przestrzegają zalecanej interwencji. Fotodzienniki pozwalają badaczom weryfikować zgodność z protokołami żywieniowymi w niemal rzeczywistym czasie, zamiast polegać na retrospektywnej samoocenie podczas zaplanowanych wizyt badawczych.

Badania zarządzania wagą

Badania dotyczące utraty wagi i utrzymania wagi są szczególnie podatne na błędy tradycyjnej oceny diety, biorąc pod uwagę silny związek między statusem masy ciała a niedoszacowaniem. Fotodzienniki AI dostarczają mniej stronniczego obrazu rzeczywistego spożycia energii, co jest kluczowe dla zrozumienia prawdziwego związku między spożyciem kalorii, wydatkiem energetycznym a zmianą wagi.

Badania nad cukrzycą

Badania badające związek między dietą a kontrolą glikemiczną wymagają dokładnych danych na temat spożycia węglowodanów, błonnika, indeksu glikemicznego i czasu posiłków. Szczegółowa analiza składników odżywczych i precyzyjne znaczniki czasowe posiłków dostarczane przez fotodzienniki AI są bezpośrednio istotne dla tych pytań badawczych.

Badania nad lekami GLP-1

Wraz z szybkim rozwojem przepisywania agonistów receptora GLP-1, istnieje intensywne zainteresowanie badawczym wpływem wzorców żywieniowych i adekwatności żywieniowej pacjentów przyjmujących te leki. Fotodzienniki AI mogą uchwycić istotne zmiany w spożyciu żywności, które zachodzą podczas terapii GLP-1 — w tym zmniejszenie wielkości porcji i zmiany preferencji żywieniowych — z większą dokładnością niż metody oparte na pamięci.

Badania nad zachowaniami żywieniowymi

Badania dotyczące wzorców jedzenia, częstotliwości posiłków, zachowań związanych z przekąskami i wyborów żywieniowych korzystają z obiektywnego, czasowo oznaczonego zapisu fotograficznego, który zapewnia rejestrowanie AI. Te dane pozwalają badaczom badać zachowania żywieniowe tak, jak rzeczywiście występują, a nie tak, jak uczestnicy rekonstruują je z pamięci.

Badania nad żywieniem sportowym

Sportowcy stawiają unikalne wyzwania w ocenie diety z powodu wysokiego spożycia energii, częstych okazji do jedzenia i spożycia specjalistycznych produktów żywnościowych. Fotodzienniki AI mogą uchwycić pełen zakres spożycia sportowca, w tym suplementy i napoje sportowe, z mniejszym zakłóceniem ich rutyn treningowych niż tradycyjne metody rejestrowania.

Korzyści badawcze z zastosowania śledzenia AI

Oprócz adresowania błędów indywidualnych metod oceny diety, śledzenie oparte na AI oferuje kilka strukturalnych korzyści dla operacji badawczych.

Ustandaryzowane zbieranie danych w różnych ośrodkach

Wieloośrodkowe badania kliniczne stają przed wyzwaniem utrzymania spójnego zbierania danych żywieniowych w różnych centrach badawczych, z różnym personelem, szkoleniem i procedurami. Aplikacja do rejestrowania żywności oparta na AI zapewnia ustandaryzowane narzędzie do zbierania danych, które działa identycznie niezależnie od miejsca, eliminując zmienność między ośrodkami w metodologii oceny diety.

Automatyczna analiza składników odżywczych

Tradycyjna ocena diety wymaga przeszkolonych dietetyków badawczych do ręcznego kodowania zapisów żywności w bazach danych składników odżywczych — proces, który jest czasochłonny, kosztowny i wprowadza dodatkowy błąd ludzki. Systemy AI automatyzują ten krok kodowania, dostarczając dane na poziomie składników odżywczych w czasie rzeczywistym. To zmniejsza zarówno koszty, jak i czas realizacji przetwarzania danych żywieniowych.

Fotograficzny ślad audytowy dla zapewnienia jakości

Rekord fotograficzny związany z każdym zarejestrowanym posiłkiem tworzy trwały, możliwy do przeglądania zestaw danych, który może być audytowany przez personel badawczy, niezależnych monitorów lub organy regulacyjne. Ten poziom przejrzystości jest cenny dla zgodności z GCP (Dobrą Praktyką Kliniczną) i zapewnienia integralności danych.

Monitorowanie zgodności w czasie rzeczywistym

Badacze mogą monitorować zgodność uczestników w rejestrowaniu w czasie rzeczywistym, identyfikując osoby, które przestały rejestrować lub których wzorce rejestrowania sugerują niekompletne zapisy. Umożliwia to terminową interwencję — telefon, przypomnienie lub dodatkowe wsparcie — zanim luki w danych staną się nieodwracalne.

Skalowalność do dużych kohort

Ręczne kodowanie diety stanowi znaczną przeszkodę w dużych badaniach nad żywieniem. Automatyczna analiza oparta na AI skaluje się bez wysiłku z dziesiątek do tysięcy uczestników, co czyni zbieranie szczegółowych danych żywieniowych w badaniach z dużymi kohortami wykonalnym, gdzie tradycyjne metody byłyby zbyt kosztowne.

Zmniejszenie obciążenia ręcznego kodowania dla badaczy

Dietetycy i specjaliści ds. żywienia spędzają znaczną ilość czasu na ręcznym kodowaniu zapisów żywności. Automatyzacja AI uwalnia tych wykwalifikowanych profesjonalistów, aby mogli skupić się na interpretacji danych, wsparciu uczestników i zarządzaniu badaniami, zamiast na powtarzalnym zadaniu przekształcania opisów żywności w wartości składników odżywczych.

Nutrola w kontekście badań

Chociaż wiele narzędzi do rejestrowania żywności opartych na AI jest zaprojektowanych głównie do użytku konsumenckiego, Nutrola oferuje kilka funkcji, które czynią ją szczególnie odpowiednią do zastosowań w badaniach klinicznych.

Weryfikowana baza danych składników odżywczych

Baza danych żywności Nutrola opiera się na zweryfikowanych, źródłowych danych żywieniowych, a nie na danych crowdsourcingowych o zmiennej jakości. W badaniach dokładność bazy danych nie jest cechą wygodną — jest wymogiem metodologicznym. Badania opierające się na niedokładnych bazach danych składników odżywczych będą produkować niedokładne oszacowania spożycia składników odżywczych, niezależnie od tego, jak dobrze uczestnicy rejestrują swoją żywność. Zaangażowanie Nutrola w weryfikację danych odpowiada na tę podstawową kwestię.

Ponad 100 składników odżywczych na produkt

Większość konsumenckich aplikacji żywieniowych śledzi ograniczony zestaw makroskładników i kilka mikroskładników. Nutrola dostarcza danych na temat ponad 100 poszczególnych składników odżywczych na produkt, w tym indywidualnych aminokwasów, profili kwasów tłuszczowych, witamin, minerałów i innych związków bioaktywnych. Ten poziom szczegółowości jest niezbędny w badaniach klinicznych, gdzie wskaźniki mogą obejmować status konkretnych mikroelementów, proporcje kwasów tłuszczowych lub spożycie aminokwasów.

Fotodzienniki AI

Rozpoznawanie obrazów w Nutrola pozwala uczestnikom szybko rejestrować posiłki, fotografując swoją żywność. AI identyfikuje obecne produkty, oszacowuje wielkości porcji i zwraca pełny profil składników odżywczych. Dla uczestników badań oznacza to mniej czasu spędzonego na rejestrowaniu i bardziej spójną zbiórkę danych przez cały okres badania.

Możliwości eksportu danych

Badania wymagają możliwości eksportowania surowych danych żywieniowych do analizy w oprogramowaniu statystycznym. Nutrola wspiera funkcjonalność eksportu danych, która pozwala zespołom badawczym wydobywać dane dotyczące spożycia uczestników w formatach odpowiednich do ich procesów analitycznych.

Darmowe dla uczestników

Koszt jest rzeczywistą przeszkodą w badaniach klinicznych. Wymaganie od uczestników badania zakupu płatnej subskrypcji aplikacji do rejestrowania żywności wprowadza trudności w rekrutacji i może wprowadzać stronniczość socjoekonomiczną do próby badawczej. Darmowa wersja Nutrola zapewnia wystarczającą funkcjonalność do rejestrowania żywności na poziomie badawczym, całkowicie eliminując tę przeszkodę.

Ochrona prywatności

Obsługa danych żywieniowych uczestników, w tym zdjęć posiłków, wymaga solidnych zabezpieczeń prywatności zgodnych z wymaganiami IRB i regulacjami ochrony danych. Ramy prywatności Nutrola zostały zaprojektowane z myślą o tych wymaganiach, zapewniając ochronę poufności, której wymagają protokoły badawcze.

Ograniczenia i uwagi

Żadna metoda oceny diety nie jest wolna od ograniczeń, a fotodzienniki oparte na AI nie są wyjątkiem. Badacze rozważający te narzędzia powinni być świadomi następujących kwestii.

Zgodność uczestników pozostaje kluczowa

Choć rejestrowanie zdjęć jest mniej uciążliwe niż tradycyjne dzienniki żywności, nadal wymaga aktywnego uczestnictwa. Uczestnicy muszą pamiętać, aby fotografować swoje posiłki, a niektóre posiłki mogą zostać pominięte — szczególnie przekąski, napoje i okazje do jedzenia, które występują poza ustalonymi porami posiłków. Wskaźniki zgodności są zazwyczaj wyższe niż w przypadku tradycyjnych metod, ale nie wynoszą 100%.

AI ma znane ograniczenia dokładności

Rozpoznawanie żywności przez AI i oszacowanie wielkości porcji nie są nieomylne. Mieszane potrawy, częściowo zasłonięte produkty i przedmioty o podobnym wyglądzie mogą stanowić wyzwanie dla obecnych systemów AI. Dokładność oceny diety opartej na AI wciąż się poprawia, ale badacze powinni rozumieć profil błędu narzędzi, których używają, i uwzględniać go w swoim projekcie badawczym i analizie.

Walidacja w porównaniu do metod złotego standardu

W badaniach wymagających najwyższego poziomu dokładności danych żywieniowych, fotodzienniki oparte na AI powinny być idealnie walidowane w porównaniu do ustalonych metod odniesienia, takich jak ważone zapisy żywności lub oceny oparte na biomarkerach (np. podwójnie znakowana woda dla spożycia energii, azot w moczu dla spożycia białka). Choć wczesne badania walidacyjne są obiecujące, baza dowodowa wciąż się rozwija, a badacze powinni przyczyniać się do tej literatury walidacyjnej, gdy to możliwe.

Rozważania IRB dotyczące danych fotograficznych

Zdjęcia posiłków rodzą specyficzne kwestie IRB (Institutional Review Board), które nie mają zastosowania do tradycyjnych metod oceny diety. Zdjęcia mogą uchwycić informacje identyfikacyjne (ręce, otoczenie, inne osoby), a przechowywanie i obsługa danych fotograficznych wymagają dodatkowych zabezpieczeń prywatności. Badacze powinni wyraźnie poruszyć te kwestie w swoich zgłoszeniach IRB oraz dokumentach zgody informacyjnej.

Dostęp do technologii

Populacje badawcze różnią się pod względem komfortu i dostępu do technologii smartfonowej. Choć penetracja smartfonów jest wysoka w większości populacji uczestniczących w badaniach klinicznych, badacze powinni zweryfikować, czy ich populacja badawcza może niezawodnie korzystać z aplikacji do rejestrowania opartej na zdjęciach i zapewnić wsparcie techniczne w razie potrzeby.

Najczęściej zadawane pytania

Czy fotodzienniki żywności oparte na AI są wystarczająco dokładne do badań klinicznych?

Obecne systemy fotodzienników żywności opartych na AI osiągają poziomy dokładności, które są konkurencyjne z wykwalifikowanymi ludzkimi kodującymi dietę i znacznie lepsze niż niepomocna samoocena uczestników. Choć żadna metoda oceny diety nie osiąga doskonałej dokładności, fotodzienniki AI redukują kilka z największych źródeł błędów w tradycyjnych metodach — szczególnie błąd pamięci i błąd oszacowania wielkości porcji. Dla większości zastosowań badań klinicznych dokładność jest wystarczająca, chociaż badacze badający konkretne składniki odżywcze na bardzo precyzyjnych poziomach mogą chcieć walidować oszacowania AI w porównaniu do ważonych zapisów żywności w swojej populacji badawczej.

Jak fotodzienniki AI porównują się do wywiadu dotyczącego spożycia w ciągu 24 godzin w kontekście badań?

Fotodzienniki AI i wywiad dotyczący spożycia w ciągu 24 godzin pełnią nieco różne funkcje. Wywiad 24-godzinny, przeprowadzany przez przeszkolonego ankietera, może dociekać zapomnianych pozycji i uchwycić szczegóły dotyczące przygotowania żywności. Jednak jest on z natury retrospektywny i czasochłonny. Fotodzienniki AI rejestrują dane w czasie rzeczywistym i na dużą skalę, z mniejszym obciążeniem dla uczestników i badaczy. Dla badań wymagających ciągłego monitorowania diety, a nie okresowych zdjęć, fotodzienniki AI oferują praktyczne zalety. Niektórzy badacze stosują podejście hybrydowe, łącząc fotodzienniki AI do codziennych danych z okresowymi wywiadami przeprowadzanymi przez ankieterów w celu walidacji.

Jakie rodzaje badań klinicznych najbardziej korzystają z oceny diety opartej na AI?

Próby, które wymagają ciągłego lub częstego monitorowania diety przez dłuższe okresy, czerpią największe korzyści, ponieważ to tam tradycyjne metody cierpią na największy spadek zgodności. Badania dotyczące zarządzania wagą, badania żywienia w cukrzycy oraz wszelkie interwencje, w których zgodność diety jest kluczowym zmiennym, są silnymi kandydatami. Badania z dużymi próbkami również korzystają znacznie, ponieważ automatyzacja AI eliminuje wąskie gardło ręcznego kodowania diety. Próby badające czas posiłków, częstotliwość jedzenia lub chronodietetykę korzystają z automatycznego oznaczania czasowego, które oferują fotodzienniki AI.

Czy Nutrola może być używana w międzynarodowych badaniach klinicznych wieloośrodkowych?

Tak. Ustandaryzowane rozpoznawanie żywności oparte na AI i zweryfikowana baza danych składników odżywczych Nutrola zapewniają spójne zbieranie danych w różnych ośrodkach i geografiach. Baza danych żywności aplikacji obejmuje różnorodne kuchnie i regionalne produkty, co jest ważne dla międzynarodowych badań, w których wzorce żywieniowe znacznie różnią się między ośrodkami. Ustandaryzowana metodologia redukuje zmienność między ośrodkami w zbieraniu danych żywieniowych, co jest powszechnym źródłem szumów w badaniach nad żywieniem wieloośrodkowym.

Co badacze powinni uwzględnić w zgłoszeniach IRB, korzystając z fotodzienników żywności opartych na AI?

Zgłoszenia IRB powinny poruszać kilka specyficznych kwestii: charakter zbierania danych fotograficznych i co może być przypadkowo uchwycone na zdjęciach posiłków; przechowywanie danych, szyfrowanie i kontrole dostępu do danych fotograficznych; prawa uczestników dotyczące usuwania zdjęć; jak zdjęcia będą wykorzystywane w analizie i czy będą przeglądane przez personel badawczy; terminy przechowywania i zniszczenia danych; oraz czy zdjęcia mogą być udostępniane stronom trzecim (w tym dostawcom usług AI do przetwarzania). Jasny język zgody informacyjnej wyjaśniający metodologię opartą na zdjęciach i prawa uczestników dotyczące ich obrazów jest niezbędny.

Droga naprzód

Przejście od tradycyjnej samooceny diety do metod wspomaganych przez AI stanowi znaczący postęp metodologiczny w badaniach nad żywieniem klinicznym. Choć fotodzienniki oparte na AI nie eliminują wszystkich źródeł błędów pomiarowych w diecie, to adresują te najbardziej szkodliwe — błąd pamięci, błąd oszacowania wielkości porcji i obciążenie uczestników — jednocześnie dodając nowe możliwości, takie jak monitorowanie zgodności w czasie rzeczywistym, automatyczne kodowanie składników odżywczych i weryfikowalny ślad audytowy zdjęć.

Dla badaczy projektujących nowe badania kliniczne z punktami końcowymi związanymi z dietą, włączenie fotodzienników opartych na AI zasługuje na poważne rozważenie. Technologia dojrzała do tego stopnia, że oferuje praktyczne zalety w porównaniu do tradycyjnych metod dla większości zastosowań badawczych. Narzędzia takie jak Nutrola, z naciskiem na dokładność bazy danych, kompleksowe pokrycie składników odżywczych i dostępność, są dobrze przygotowane, aby wspierać coraz bardziej rygorystyczne zbieranie danych żywieniowych, które wymaga nowoczesne badania nad żywieniem klinicznym.

Jakość nauki o żywieniu zależy od jakości jej danych żywieniowych. Fotodzienniki oparte na AI nie są idealnym rozwiązaniem, ale są znacznie lepszym rozwiązaniem niż metody, na których badania kliniczne polegały przez dekady — a różnica ta nadal się powiększa wraz z postępem technologii.