Jakie aplikacje do śledzenia kalorii wykorzystują badacze w badaniach klinicznych? Przegląd opublikowanych badań

Kiedy badacze projektują badanie kliniczne wymagające monitorowania spożycia diety, wybór narzędzia do śledzenia jest decyzją metodologiczną, która ma bezpośredni wpływ na jakość danych. W przeciwieństwie do konsumentów, którzy mogą wybierać aplikację na podstawie estetyki czy ceny, badacze oceniają aplikacje do śledzenia pod kątem ważności pomiarów, możliwości eksportu danych, funkcji wspierających przestrzeganie zasad przez uczestników oraz powtarzalności. Aplikacje, które najczęściej pojawiają się w opublikowanych badaniach klinicznych, odzwierciedlają rygorystyczny proces selekcji, który pokazuje, które narzędzia społeczność naukowa ufa w kwestii swoich danych.

Artykuł ten przegląda opublikowaną literaturę badań klinicznych, aby zidentyfikować, które aplikacje do śledzenia kalorii są używane w badaniach, dlaczego badacze wybierają konkretne aplikacje oraz jakie cechy sprawiają, że aplikacja nadaje się do monitorowania diety na poziomie badawczym.

Tabela przeglądowa badań

Badanie	Czasopismo	Rok	Używana aplikacja	Typ badania	Liczba uczestników	Dlaczego wybrano tę aplikację
Athinarayanan et al.	Frontiers in Endocrinology	2019	Cronometer	RCT	262	Kompleksowe śledzenie mikroelementów dla monitorowania diety ketogenicznej
Stringer et al.	Frontiers in Nutrition	2021	Cronometer	Interwencja	42	Wierność danych USDA/NCCDB dla kontrolowanej analizy diety
Patel et al.	Obesity	2019	Lose It!	RCT	218	Interwencja behawioralna w odchudzaniu z użyciem aplikacji
Turner-McGrievy et al.	JAMA Internal Medicine	2017	Wiele (w tym Lose It!)	RCT	96	Porównanie metod samodzielnego monitorowania diety
Laing et al.	JMIR mHealth uHealth	2014	MyFitnessPal	RCT	212	Wykonalność interwencji odchudzającej w podstawowej opiece zdrowotnej
Carter et al.	J Med Internet Res	2013	Aplikacja w stylu MFP	RCT	128	Porównanie aplikacji z dziennikiem papierowym
Harvey et al.	Appetite	2019	MyFitnessPal	Obserwacyjne	1,422	Spójność rejestrowania i wyniki odchudzania
Spring et al.	J Med Internet Res	2013	Aplikacja niestandardowa	RCT	69	Monitorowanie diety wspomagane technologią z coachingiem
Tosi et al.	Nutrients	2022	MFP, FatSecret, Yazio	Walidacja	40 produktów	Testowanie dokładności bazy danych w porównaniu do wartości laboratoryjnych
Chen et al.	J Am Diet Assoc	2019	6 aplikacji komercyjnych	Walidacja	180	Porównanie dokładności wielu aplikacji w porównaniu do zważonych zapisów
Franco et al.	JMIR mHealth uHealth	2016	MFP, Lose It!	Walidacja	Kliniczne	Ocena dokładności w programie zarządzania wagą
Evenepoel et al.	Obes Sci Pract	2020	MyFitnessPal	Przegląd systematyczny	15 badań	Kompleksowy przegląd MFP w kontekście badań
Hollis et al.	Am J Prev Med	2008	Zapiski papierowe	RCT	1,685	Złoty standard epoki przedaplikacyjnej dla samodzielnego monitorowania
Burke et al.	J Am Diet Assoc	2011	Tracker PDA	RCT	210	Porównanie monitorowania elektronicznego i papierowego
Ferrara et al.	Int J Behav Nutr Phys Act	2019	Wiele	Przegląd systematyczny	18 badań	Przegląd narzędzi do samodzielnego monitorowania diety w aplikacjach

Dlaczego badacze wybierają konkretne aplikacje

Czynniki, które wpływają na wybór aplikacji przez badaczy, różnią się zasadniczo od priorytetów konsumentów. Zrozumienie tych czynników ujawnia, co społeczność naukowa ceni w narzędziu do śledzenia diety.

Dokładność i głębokość bazy danych

Najważniejszym czynnikiem dla badaczy jest dokładność bazy danych. Kiedy dane dotyczące spożycia diety są używane do obliczania narażenia na składniki odżywcze w badaniu klinicznym, błędy w bazie danych przekładają się bezpośrednio na błąd pomiaru, który może zaciemnić efekty leczenia.

Stringer et al. (2021) wyraźnie stwierdzili, że wybrali Cronometer do swojego badania diety ketogenicznej z powodu korzystania z danych USDA FoodData Central i NCCDB. Badanie wymagało precyzyjnego śledzenia proporcji makroskładników, aby zweryfikować, że uczestnicy utrzymują stan ketozy odżywczej, definiowany przez określone poziomy ograniczenia węglowodanów. Błąd w bazie danych wynoszący 20 procent w zawartości węglowodanów (w zakresie baz danych opartych na crowdsourcingu według Tosi et al., 2022) mógłby błędnie zakwalifikować uczestnika jako będącego w lub poza ketozą.

Athinarayanan et al. (2019) podobnie wybrali Cronometer do interwencji w przypadku cukrzycy typu 2, wymagającej szczegółowego monitorowania makroskładników. Model ciągłej opieki zdalnej badania zależał od dokładnych danych dotyczących diety, aby kierować decyzjami klinicznymi dotyczącymi dostosowania leków.

Eksport danych i integracja

Badania wymagają danych w formatach kompatybilnych z oprogramowaniem do analizy statystycznej (CSV, SPSS, SAS). Aplikacje, które nie mogą eksportować szczegółowych danych na poziomie produktów w ustrukturyzowanym formacie, są niepraktyczne do użycia w badaniach, niezależnie od jakości ich bazy danych.

Cronometer oferuje eksport CSV z rozbiciem na składniki odżywcze na poziomie produktów, co czyni go kompatybilnym z standardowymi procesami analizy danych w badaniach. Ta funkcja była wyraźnie wymieniana jako czynnik wyboru w wielu opublikowanych badaniach.

Większość aplikacji skierowanych do konsumentów dostarcza jedynie dane na poziomie podsumowania (dziennych sum), a nie szczegółów na poziomie produktów, co ogranicza rodzaje analiz, jakie badacze mogą przeprowadzić. Protokół badawczy często wymaga danych na poziomie produktów, aby obliczyć wyniki wzorców diety, zidentyfikować spożycie konkretnych grup pokarmowych lub analizować efekty czasowe posiłków.

Zgodność uczestników i zaangażowanie

Samodzielne monitorowanie diety jest obciążające dla uczestników badań. Aplikacje, które minimalizują czas rejestrowania i trudności, poprawiają wskaźniki zgodności, co bezpośrednio wpływa na kompletność danych.

Laing et al. (2014) odkryli, że tylko 3 procent uczestników ich badania MFP nadal rejestrowało dane po sześciu miesiącach, co podkreśla wyzwanie związane z zaangażowaniem. To odkrycie zmotywowało badaczy do poszukiwania aplikacji z funkcjami, które redukują obciążenie rejestrowania.

Funkcje rejestrowania wspomagane przez AI, takie jak rozpoznawanie zdjęć i wprowadzanie głosowe, stanowią znaczący postęp w zakresie zgodności w badaniach. Te funkcje skracają czas rejestrowania posiłków z kilku minut do kilku sekund, co może znacząco poprawić proporcję zarejestrowanych posiłków w badaniach trwających kilka miesięcy.

Połączenie Nutrola AI w rozpoznawaniu zdjęć, rejestrowaniu głosowym i skanowaniu kodów kreskowych oferuje trzy niskotłoczone metody rejestrowania, które odpowiadają różnym preferencjom uczestników i kontekstom użytkowania. W połączeniu z weryfikowaną bazą danych USDA zawierającą 1,8 miliona wpisów, to podejście utrzymuje dokładność danych na poziomie badawczym, maksymalizując jednocześnie zgodność uczestników, co jest trudne do osiągnięcia w aplikacjach zoptymalizowanych tylko pod kątem jednego z tych dwóch celów.

Zakres składników odżywczych

Badania dotyczące statusu mikroelementów, wskaźników jakości diety lub specyficznych relacji między składnikami odżywczymi a chorobami wymagają aplikacji, które śledzą kompleksowy zestaw składników odżywczych.

Zakres składników odżywczych	Cronometer	Nutrola	MFP	Lose It!
Łączna liczba śledzonych składników odżywczych	82+	80+	19 (standard)	22
Poszczególne aminokwasy	Tak	Tak	Nie	Nie
Poszczególne kwasy tłuszczowe	Tak	Tak	Częściowo	Nie
Wszystkie 13 witamin	Tak	Tak	Częściowo	Częściowo
Wszystkie niezbędne minerały	Tak	Tak	Częściowo	Częściowo
Podtypy błonnika pokarmowego	Tak	Tak	Nie	Nie

Badacze zajmujący się wynikami kardiologicznymi potrzebują szczegółowych profili kwasów tłuszczowych. Badania dotyczące zdrowia kości wymagają danych o wapniu, witaminie D i witaminie K. Badania dotyczące żywienia w kontekście zdrowia psychicznego mogą wymagać śledzenia poszczególnych aminokwasów (tryptofan, tyrozyna) do analizy prekursorów neuroprzekaźników. Tylko aplikacje śledzące 80+ składników odżywczych mogą wspierać te zastosowania badawcze.

Koszt i obawy dotyczące reklam

Protokół badawczy wymaga spójnych warunków wśród uczestników. Aplikacje wspierane przez reklamy stawiają dwa problemy metodologiczne: reklamy mogą wpływać na wybory dietetyczne (reklamy żywności wyświetlane podczas rejestrowania), a niespójność prezentacji reklam wśród uczestników wprowadza niekontrolowaną zmienność.

Model bez reklam Nutrola w cenie 2,50 EUR miesięcznie eliminuje oba problemy. W budżecie badawczym koszt zapewnienia uczestnikom narzędzia do śledzenia bez reklam jest znikomy w porównaniu do kosztów samego badania, jednak korzyść metodologiczna wynikająca z usunięcia zakłóceń związanych z reklamami jest znacząca.

Porównanie cech odpowiednich do badań

Cecha	Cronometer	Nutrola	MFP	Lose It!
Integracja z USDA FoodData Central	Tak	Tak (krzyżowo weryfikowane)	Uzupełniające	Uzupełniające
Eksport danych (CSV)	Tak	Tak	Ograniczone	Ograniczone
Dane o składnikach odżywczych na poziomie produktów	Tak	Tak	Tylko podsumowanie	Tylko podsumowanie
Protokół wprowadzania żywności niestandardowej	Tak	Tak	Tak	Tak
Śledzenie zgodności uczestników	Ograniczone	Na podstawie danych o częstotliwości rejestrowania	Ograniczone	Ograniczone
Doświadczenie bez reklam	Płatna wersja	Wszystkie wersje (2,50 EUR/miesiąc)	Tylko płatna wersja	Tylko płatna wersja
Wspomagane przez AI rejestrowanie	Nie	Tak (zdjęcie + głos)	Nie	Nie
Skanowanie kodów kreskowych	Tak	Tak	Tak	Tak

Krajobraz narzędzi badawczych poza aplikacjami dla konsumentów

Ważne jest, aby umiejscowić aplikacje dla konsumentów w szerszym kontekście narzędzi oceny diety stosowanych w badaniach.

Ugruntowane narzędzia badawcze

ASA24 (Automatyczne samodzielne 24-godzinne przypomnienie o diecie). Opracowane przez Narodowy Instytut Raka, ASA24 to narzędzie internetowe, które prowadzi uczestników przez strukturalne 24-godzinne przypomnienie o diecie. Wykorzystuje bazę danych USDA FNDDS i zostało zwalidowane w wielu badaniach. ASA24 jest złotym standardem oceny diety w badaniach, ale nie jest zaprojektowane do codziennego śledzenia.

NDSR (System danych żywieniowych dla badań). Opracowany przez Centrum Koordynacji Żywienia Uniwersytetu Minnesota, NDSR jest najbardziej kompleksowym narzędziem analizy diety w badaniach dostępnym. Wykorzystuje bazę danych NCCDB i jest obsługiwany przez wykwalifikowanych ankieterów żywieniowych. NDSR jest standardem odniesienia, w odniesieniu do którego walidowane są inne narzędzia. Jego koszt licencji (około 4500 USD rocznie) czyni go niepraktycznym dla badań na dużą skalę wymagających samodzielnego śledzenia uczestników.

Kwestionariusze częstotliwości żywności (FFQ). Półilościowe kwestionariusze oceniające zwyczajowe spożycie diety przez dłuższe okresy (zwykle miesiące do lat). FFQ są efektywne w dużych badaniach epidemiologicznych, ale brakuje im szczegółów codziennych, które dostarczają aplikacje do śledzenia.

Gdzie pasują aplikacje dla konsumentów

Aplikacje do śledzenia kalorii dla konsumentów zajmują unikalną niszę w krajobrazie narzędzi badawczych: umożliwiają codzienne, rzeczywiste monitorowanie diety na dużą skalę. Ani ASA24 (okresowe przypomnienia), ani NDSR (wymaga wykwalifikowanych ankieterów), ani FFQ (szacowania retrospektywne) nie mogą dostarczyć tego typu danych.

W badaniach wymagających codziennego monitorowania diety wśród uczestników żyjących w naturalnych warunkach przez tygodnie do miesięcy, aplikacje dla konsumentów są często jedyną praktyczną opcją. Kluczowe pytanie brzmi, która aplikacja dla konsumentów zapewnia jakość danych najbliższą narzędziom badawczym, jednocześnie zachowując łatwość użycia potrzebną do zapewnienia zgodności uczestników.

Aplikacje takie jak Nutrola i Cronometer, które korzystają z tych samych źródeł danych co narzędzia badawcze (USDA FoodData Central, krajowe bazy danych), łączą dostępność dla konsumentów z metodologią na poziomie badawczym.

Nowe trendy: Śledzenie z wykorzystaniem AI w badaniach

Integracja rozpoznawania żywności wspomaganego przez AI w protokołach badawczych to nowy trend, który odpowiada na wyzwanie zgodności zidentyfikowane przez Laing et al. (2014).

Zmniejszone obciążenie uczestników. Rejestrowanie zdjęć AI skraca czas śledzenia posiłków z 3-5 minut (ręczne wprowadzanie) do 10-30 sekund (zdjęcie i potwierdzenie). W badaniu trwającym 12 tygodni z trzema posiłkami dziennie, oszczędność czasu wynosi około 15-25 godzin na uczestnika. W badaniach z setkami uczestników, to stanowi znaczące zmniejszenie obciążenia uczestników, co może poprawić retencję i kompletność danych.

Obiektywna dokumentacja porcji. Zdjęcia posiłków dostarczają obiektywnego zapisu, który może być niezależnie przeglądany przez badaczy lub dietetyków, dodając warstwę walidacji, której nie ma w ręcznym rejestrowaniu tekstowym.

Przetwarzanie języka naturalnego. Rejestrowanie głosowe, jak wdrożone w Nutrola, pozwala uczestnikom opisywać posiłki w naturalnym języku. Ta metoda jest szczególnie cenna dla populacji, które uważają ręczne wprowadzanie tekstu za obciążające, w tym dla osób starszych, osób z ograniczoną umiejętnością czytania oraz uczestników w badaniach terenowych.

Krytyczny wymóg: zweryfikowana baza danych. Użyteczność rejestrowania AI w badaniach zależy całkowicie od dokładności bazy danych, z którą identyfikowane są produkty spożywcze. System AI, który poprawnie identyfikuje "grillowaną pierś z kurczaka", ale dopasowuje ją do nieprawidłowego wpisu w bazie danych opartej na crowdsourcingu, dostarcza fałszywej precyzji: identyfikacja jest poprawna, ale dane żywieniowe są błędne. Dlatego architektura Nutrola, łącząca rejestrowanie AI z weryfikowaną bazą danych opartą na USDA, jest szczególnie dobrze dopasowana do zastosowań badawczych.

Kryteria wyboru aplikacji do śledzenia na poziomie badawczym

Na podstawie wzorców obserwowanych w opublikowanej literaturze, poniższe kryteria definiują aplikację do śledzenia konsumenckiego na poziomie badawczym:

1. Baza danych oparta na USDA FoodData Central lub równoważnej bazie danych rządowej. Zapewnia to, że ogólne wpisy żywnościowe są oparte na wartościach analizowanych w laboratoriach, a nie na szacunkach przesyłanych przez użytkowników.

2. Profesjonalna weryfikacja wpisów spożywczych spoza USDA. Produkty markowe i regionalne, które nie znajdują się w bazie USDA, powinny być poddawane profesjonalnej weryfikacji, a nie akceptowane na podstawie zgłoszeń z crowdsourcingu bez weryfikacji.

3. Śledzenie 60+ składników odżywczych. Badania dotyczące mikroelementów, jakości diety lub specyficznych relacji między składnikami odżywczymi a zdrowiem wymagają kompleksowego pokrycia składników odżywczych.

4. Eksport danych na poziomie produktów w standardowych formatach. Eksport CSV lub równoważny umożliwiający analizę w R, SPSS, SAS lub Pythonie.

5. Niskie obciążenie rejestrowania w celu maksymalizacji zgodności. Rejestrowanie wspomagane przez AI (zdjęcie, głos, kod kreskowy) zmniejsza obciążenie uczestników i poprawia kompletność danych.

6. Doświadczenie bez reklam. Eliminuje zakłócenia związane z reklamami i zmniejsza rozproszenie uwagi uczestników podczas rejestrowania.

7. Spójne doświadczenie użytkownika. Brak zmian funkcji lub modyfikacji interfejsu w trakcie badania, które mogłyby wpłynąć na zachowanie rejestrowania.

Nutrola spełnia wszystkie siedem kryteriów: baza danych oparta na USDA i weryfikowana krzyżowo, zweryfikowane przez dietetyków wpisy (1,8 miliona), śledzenie 80+ składników odżywczych, rejestrowanie wspomagane przez AI, skanowanie kodów kreskowych, brak reklam w cenie 2,50 EUR miesięcznie oraz dostępność na iOS i Androida.

Najczęściej zadawane pytania

Która aplikacja do śledzenia kalorii jest najczęściej używana w badaniach klinicznych?

Na podstawie liczby cytatów, MyFitnessPal pojawia się najczęściej w opublikowanych badaniach, głównie z powodu swojej dominacji na rynku. Jednak w przypadku kontrolowanych interwencji dietetycznych, gdzie dokładność danych jest kluczowa, preferowanym wyborem jest Cronometer. Badacze wybierają aplikacje na podstawie metodologii bazy danych i możliwości eksportu danych, a nie popularności.

Dlaczego badacze nie korzystają po prostu z MyFitnessPal, skoro jest najpopularniejsza?

Popularność i odpowiedniość do badań to różne kryteria. Wiele badań (Tosi et al., 2022; Evenepoel et al., 2020) udokumentowało obawy dotyczące dokładności bazy danych MFP opartej na crowdsourcingu. Badacze prowadzący badania dotyczące precyzyjnego żywienia lub kontrolowanych interwencji dietetycznych wymagają dokładniejszych danych, niż MFP regularnie dostarcza. MFP jest używane w badaniach, w których spożycie diety jest zmienną drugorzędną, a przybliżone szacunki są akceptowalne.

Czy Nutrola może być używana w badaniach klinicznych?

Metodologia Nutrola jest zgodna z wymaganiami na poziomie badawczym: fundament oparty na USDA FoodData Central, krzyżowa weryfikacja przez dietetyków, śledzenie 80+ składników odżywczych oraz rejestrowanie wspomagane przez AI w celu maksymalizacji zgodności uczestników. Jej 1,8 miliona zweryfikowanych wpisów, możliwości eksportu danych oraz model bez reklam w cenie 2,50 EUR miesięcznie czynią ją odpowiednią do protokołów badawczych wymagających codziennego monitorowania diety z zachowaniem zarówno dokładności, jak i zaangażowania uczestników.

Jaka jest różnica między narzędziami dietetycznymi do badań (ASA24, NDSR) a aplikacjami dla konsumentów?

ASA24 i NDSR są zaprojektowane do okresowej oceny diety prowadzonej lub kierowanej przez wykwalifikowanych specjalistów. Aplikacje dla konsumentów (Nutrola, Cronometer, MFP) są zaprojektowane do codziennego samodzielnego śledzenia przez osoby bez profesjonalnego przeszkolenia. Aplikacje dla konsumentów doskonale sprawdzają się w ciągłym, rzeczywistym monitorowaniu, ale mogą poświęcać część rygoru metodologicznego. Aplikacje z bazami danych opartymi na USDA (Nutrola, Cronometer) znacząco zmniejszają tę różnicę.

Czy śledzenie kalorii wspomagane przez AI zastąpi tradycyjne metody oceny diety w badaniach?

Śledzenie wspomagane przez AI prawdopodobnie nie zastąpi w pełni ustalonych metod, takich jak NDSR czy ASA24, ale będzie coraz częściej je uzupełniać. Główna wartość badawcza śledzenia AI polega na zmniejszeniu obciążenia uczestników (poprawiając zgodność i kompletność danych) w połączeniu z obiektywną dokumentacją fotograficzną. Krytycznym wymogiem jest, aby identyfikacja AI była połączona z zweryfikowaną bazą danych żywieniowych. Aplikacje takie jak Nutrola, które łączą wygodę rejestrowania AI z dokładnością danych zweryfikowanych przez USDA, są najlepiej przygotowane do tego nowego zastosowania badawczego.