Ce aplicație de urmărire a caloriilor folosesc cercetătorii în studiile clinice? O analiză a studiilor publicate

Atunci când cercetătorii proiectează un studiu clinic care necesită monitorizarea consumului alimentar, alegerea unui instrument de urmărire devine o decizie metodologică cu implicații directe asupra calității datelor. Spre deosebire de consumatori, care pot alege o aplicație pe baza esteticii sau prețului, cercetătorii evaluează aplicațiile de urmărire în funcție de validitatea măsurătorilor, capacitățile de exportare a datelor, caracteristicile de conformitate ale participanților și reproducibilitate. Aplicațiile care apar cel mai frecvent în cercetările clinice publicate reflectă un proces riguros de selecție, care arată ce instrumente sunt de încredere pentru comunitatea științifică.

Acest articol analizează literatura de cercetare clinică publicată pentru a identifica ce aplicații de urmărire a caloriilor sunt utilizate în studii, de ce cercetătorii aleg aplicații specifice și ce caracteristici fac o aplicație potrivită pentru monitorizarea dietetică de calitate de cercetare.

Tabel de analiză studiu cu studiu

Studiu	Revistă	An	Aplicație utilizată	Tip de studiu	Dimensiunea eșantionului	De ce a fost aleasă această aplicație
Athinarayanan et al.	Frontiers in Endocrinology	2019	Cronometer	RCT	262	Monitorizarea cuprinzătoare a micronutrienților pentru dieta ketogenică
Stringer et al.	Frontiers in Nutrition	2021	Cronometer	Intervenție	42	Fidelitatea datelor USDA/NCCDB pentru analiza dietetică controlată
Patel et al.	Obesity	2019	Lose It!	RCT	218	Intervenție comportamentală pentru pierderea în greutate cu urmărire prin aplicație
Turner-McGrievy et al.	JAMA Internal Medicine	2017	Multiple (inclusiv Lose It!)	RCT	96	Compararea metodelor de auto-monitorizare dietetică
Laing et al.	JMIR mHealth uHealth	2014	MyFitnessPal	RCT	212	Fezabilitatea intervenției pentru pierderea în greutate în îngrijirea primară
Carter et al.	J Med Internet Res	2013	Aplicație de tip MFP	RCT	128	Compararea aplicației cu jurnalul pe hârtie
Harvey et al.	Appetite	2019	MyFitnessPal	Observațional	1,422	Consistența înregistrării și rezultatele pierderii în greutate
Spring et al.	J Med Internet Res	2013	Aplicație personalizată	RCT	69	Monitorizarea dietetică susținută de tehnologie cu coaching
Tosi et al.	Nutrients	2022	MFP, FatSecret, Yazio	Validare	40 alimente	Testarea acurateței bazei de date în raport cu valorile de laborator
Chen et al.	J Am Diet Assoc	2019	6 aplicații comerciale	Validare	180	Compararea acurateței între aplicații în raport cu înregistrările cântărite
Franco et al.	JMIR mHealth uHealth	2016	MFP, Lose It!	Validare	Clinic	Evaluarea acurateței în programul de gestionare a greutății
Evenepoel et al.	Obes Sci Pract	2020	MyFitnessPal	Revizuire sistematică	15 studii	Revizuire cuprinzătoare a MFP în medii de cercetare
Hollis et al.	Am J Prev Med	2008	Înregistrări pe hârtie	RCT	1,685	Standardul de aur din era pre-aplicație pentru auto-monitorizare
Burke et al.	J Am Diet Assoc	2011	Tracker PDA	RCT	210	Compararea auto-monitorizării electronice cu cea pe hârtie
Ferrara et al.	Int J Behav Nutr Phys Act	2019	Multiple	Revizuire sistematică	18 studii	Revizuirea instrumentelor de auto-monitorizare dietetică bazate pe aplicații

De ce aleg cercetătorii aplicații specifice

Factorii care influențează alegerea aplicațiilor de către cercetători sunt fundamental diferiți de prioritățile consumatorilor. Înțelegerea acestor factori dezvăluie ce apreciază comunitatea științifică într-un instrument de urmărire dietetică.

Acuratețea și profunzimea bazei de date

Cel mai important factor pentru cercetători este acuratețea bazei de date. Atunci când datele despre consumul alimentar sunt utilizate pentru a calcula expunerea la nutrienți într-un studiu clinic, erorile din baza de date se traduc direct în erori de măsurare care pot estompa efectele tratamentului.

Stringer et al. (2021) au declarat explicit că au ales Cronometer pentru studiul lor despre dieta ketogenică datorită utilizării datelor din USDA FoodData Central și NCCDB. Studiul a necesitat o urmărire precisă a raporturilor macronutrienților pentru a verifica dacă participanții au menținut cetoză nutrițională, o stare definită prin niveluri specifice de restricție a carbohidraților. O eroare de 20% în conținutul de carbohidrați (în intervalul bazelor de date crowdsourced conform lui Tosi et al., 2022) ar putea clasifica greșit un participant ca fiind în sau în afara cetoză.

Athinarayanan et al. (2019) au ales de asemenea Cronometer pentru o intervenție în diabetul de tip 2 care necesita monitorizarea detaliată a macronutrienților. Modelul de îngrijire continuă la distanță al studiului depindea de datele alimentare precise pentru a ghida deciziile clinice privind ajustarea medicației.

Exportul și integrarea datelor

Cercetarea necesită date în formate compatibile cu software-ul de analiză statistică (CSV, SPSS, SAS). Aplicațiile care nu pot exporta date detaliate la nivel de aliment într-un format structurat sunt impracticabile pentru utilizarea în cercetare, indiferent de calitatea bazei de date.

Cronometer oferă export CSV cu detalii nutriționale la nivel de aliment, făcându-l compatibil cu fluxurile de lucru standard de analiză a datelor în cercetare. Această caracteristică a fost citată explicit ca un factor de selecție în mai multe studii publicate.

Cele mai multe aplicații orientate către consumatori oferă doar date la nivel de rezumat (totaluri zilnice) în loc de detalii la nivel de aliment, ceea ce limitează tipurile de analize pe care cercetătorii le pot efectua. Protocoalele de cercetare necesită adesea date la nivel de aliment pentru a calcula scorurile de tipare dietetice, a identifica consumurile de grupuri alimentare specifice sau a analiza efectele temporale ale meselor.

Conformitatea și implicarea participanților

Auto-monitorizarea dietetică este o sarcină dificilă pentru participanții la cercetare. Aplicațiile care minimizează timpul de înregistrare și fricțiunea îmbunătățesc ratele de conformitate, ceea ce afectează direct completitudinea datelor.

Laing et al. (2014) au constatat că doar 3% dintre participanții la studiul lor MFP continuau să înregistreze date după șase luni, evidențiind provocarea angajamentului. Această constatare a motivat cercetătorii să caute aplicații cu caracteristici care reduc povara înregistrării.

Funcțiile de înregistrare asistate de AI, cum ar fi recunoașterea prin fotografie și introducerea vocală, reprezintă un avans semnificativ pentru conformitatea în cercetare. Aceste caracteristici reduc timpul de înregistrare pe masă de la câteva minute la câteva secunde, ceea ce poate îmbunătăți semnificativ proporția meselor înregistrate pe parcursul unui studiu de câteva luni.

Combinația Nutrola de recunoaștere foto asistată de AI, înregistrare vocală și scanare de coduri de bare oferă trei modalități de înregistrare cu fricțiune redusă care răspund diferitelor preferințe și contexte de utilizare ale participanților. Asociată cu o bază de date verificată, ancorată de USDA, cu 1.8 milioane de intrări, această abordare menține acuratețea datelor de calitate de cercetare, maximizând în același timp conformitatea participanților, o combinație greu de realizat cu aplicații optimizate doar pentru unul dintre aceste două obiective.

Acoperirea nutrienților

Studiile care examinează starea micronutrienților, indicii de calitate dietetică sau relațiile specifice nutrienți-bolă necesită aplicații care urmăresc un set cuprinzător de nutrienți.

Acoperirea nutrienților	Cronometer	Nutrola	MFP	Lose It!
Total nutrienți urmăriți	82+	80+	19 (standard)	22
Aminoacizi individuali	Da	Da	Nu	Nu
Acizi grași individuali	Da	Da	Parțial	Nu
Toate cele 13 vitamine	Da	Da	Parțial	Parțial
Toate mineralele esențiale	Da	Da	Parțial	Parțial
Subtipuri de fibre dietetice	Da	Da	Nu	Nu

Cercetătorii care studiază rezultatele cardiovasculare au nevoie de profiluri detaliate ale acizilor grași. Studiile despre sănătatea oaselor necesită date despre calciu, vitamina D și vitamina K. Cercetările nutriționale legate de sănătatea mintală pot necesita urmărirea aminoacizilor individuali (triptofan, tirozina) pentru analiza precursorilor neurotransmițătorilor. Numai aplicațiile care urmăresc 80+ nutrienți pot susține aceste aplicații de cercetare.

Costuri și probleme legate de publicitate

Protocoalele de cercetare necesită condiții constante pentru toți participanții. Aplicațiile susținute de publicitate prezintă două probleme metodologice: reclamele pot influența alegerile alimentare (reclame alimentare afișate în timpul înregistrării), iar inconsistența prezentării reclamelor între participanți introduce variabilitate necontrolată.

Modelul fără reclame al Nutrola, la 2.50 EUR pe lună, elimină ambele probleme. În cadrul unui buget de cercetare, costul de a oferi participanților un instrument de urmărire fără reclame este neglijabil în comparație cu costul cercetării în sine, însă beneficiul metodologic de a elimina confuziile cauzate de publicitate este semnificativ.

Compararea caracteristicilor de calitate de cercetare

Caracteristică	Cronometer	Nutrola	MFP	Lose It!
Integrarea USDA FoodData Central	Da	Da (verificat)	Suplimentar	Suplimentar
Export de date (CSV)	Da	Da	Limitat	Limitat
Date nutriționale la nivel de aliment	Da	Da	Numai rezumat	Numai rezumat
Protocoale de introducere a alimentelor personalizate	Da	Da	Da	Da
Monitorizarea conformității participanților	Limitat	Prin datele de frecvență a înregistrării	Limitat	Limitat
Experiență fără reclame	Nivel plătit	Toate nivelurile (2.50 EUR/lună)	Numai nivel plătit	Numai nivel plătit
Înregistrare asistată de AI	Nu	Da (foto + vocal)	Nu	Nu
Scanare coduri de bare	Da	Da	Da	Da

Peisajul instrumentelor de cercetare dincolo de aplicațiile pentru consumatori

Este important să contextualizăm aplicațiile pentru consumatori în cadrul mai larg al instrumentelor de evaluare dietetică utilizate în cercetare.

Instrumente de cercetare consacrate

ASA24 (Automated Self-Administered 24-hour Dietary Recall). Dezvoltat de Institutul Național al Cancerului, ASA24 este un instrument web care ghidează participanții printr-o reamintire dietetică structurată de 24 de ore. Folosește baza de date USDA FNDDS și a fost validat în multiple studii. ASA24 este standardul de aur pentru evaluarea dietetică în cercetare, dar nu este conceput pentru urmărirea zilnică.

NDSR (Nutrition Data System for Research). Dezvoltat de Centrul de Coordonare a Nutriției de la Universitatea Minnesota, NDSR este cel mai cuprinzător instrument de analiză dietetică pentru cercetare disponibil. Folosește baza de date NCCDB și este operat de intervievatori dietetici instruiți. NDSR este standardul de referință împotriva căruia sunt validate alte instrumente. Costul pe licență (aproximativ 4,500 USD pe an) îl face impracticabil pentru studii la scară largă care necesită auto-monitorizarea participanților.

Chestionarele de frecvență alimentară (FFQs). Chestionare semi-quantitative care evaluează consumul alimentar obișnuit pe perioade extinse (de obicei luni sau ani). FFQ-urile sunt eficiente pentru studii epidemiologice mari, dar lipsesc detaliile zilnice pe care le oferă aplicațiile de urmărire.

Rolul aplicațiilor pentru consumatori

Aplicațiile de urmărire a caloriilor pentru consumatori ocupă o nișă unică în peisajul instrumentelor de cercetare: permit auto-monitorizarea dietetică zilnică, în timp real, la scară. Nici ASA24 (reamintiri periodice), nici NDSR (necesită intervievatori instruiți) și nici FFQ-urile (estimări retrospective) nu pot oferi acest tip de date.

Pentru studiile care necesită monitorizarea zilnică a dietei în rândul participanților care trăiesc liber pe parcursul săptămânilor sau lunilor, aplicațiile pentru consumatori sunt adesea singura opțiune practică. Întrebarea cheie este care aplicație pentru consumatori oferă calitatea datelor cea mai apropiată de instrumentele de calitate de cercetare, menținând în același timp ușurința de utilizare necesară pentru conformitatea participanților.

Aplicații precum Nutrola și Cronometer, care utilizează aceleași surse de date fundamentale ca instrumentele de cercetare (USDA FoodData Central, baze de date naționale), reduc distanța dintre accesibilitatea pentru consumatori și metodologia de calitate de cercetare.

Tendințe emergente: Urmărirea asistată de AI în cercetare

Integrarea recunoașterii alimentelor asistate de AI în protocoalele de cercetare este o tendință emergentă care abordează provocarea conformității identificată de Laing et al. (2014).

Reducerea poverii pentru participanți. Înregistrarea prin fotografie asistată de AI reduce timpul de urmărire pe masă de la 3-5 minute (introducere manuală) la 10-30 de secunde (fotografie și confirmare). Într-un studiu de 12 săptămâni cu trei mese pe zi, această economisire de timp se ridică la aproximativ 15-25 de ore pe participant. Pentru studii cu sute de participanți, aceasta reprezintă o reducere semnificativă a poverii pentru participanți, ceea ce poate îmbunătăți retenția și completitudinea datelor.

Documentația obiectivă a porțiunilor. Fotografii ale meselor oferă un record obiectiv care poate fi revizuit independent de cercetători sau dieteticieni, adăugând un strat de validare care nu este disponibil cu înregistrările manuale bazate pe text.

Procesare a limbajului natural. Înregistrarea vocală, așa cum este implementată în Nutrola, permite participanților să descrie mesele în limbaj natural. Această modalitate este deosebit de valoroasă pentru populațiile care consideră că introducerea manuală a textului este o povară, inclusiv persoanele în vârstă, indivizii cu alfabetizare limitată și participanții în medii de cercetare pe teren.

Cerință critică: backend verificat. Utilitatea înregistrării asistate de AI pentru cercetare depinde în întregime de acuratețea bazei de date cu care sunt corelate alimentele identificate de AI. Un sistem AI care identifică corect "piept de pui la grătar", dar îl corelează cu o intrare inexactă dintr-o bază de date crowdsourced oferă o precizie falsă: identificarea este corectă, dar datele nutriționale sunt greșite. De aceea, arhitectura Nutrola, care combină înregistrarea asistată de AI cu o bază de date verificată ancorată de USDA, este deosebit de bine adaptată pentru aplicațiile de cercetare.

Criterii pentru selectarea unei aplicații de urmărire de calitate de cercetare

Pe baza modelelor observate în literatura publicată, următoarele criterii definesc o aplicație de urmărire pentru consumatori de calitate de cercetare:

1. Bază de date ancorată la USDA FoodData Central sau o bază de date guvernamentală echivalentă. Acest lucru asigură că intrările alimentare generice se bazează pe valori analizate în laborator, nu pe estimări trimise de utilizatori.

2. Verificarea profesională a intrărilor non-USDA. Produsele de marcă și alimentele regionale care nu sunt în USDA ar trebui să fie supuse unei revizuiri profesionale, mai degrabă decât să fie acceptate din trimiteri crowdsourced fără verificare.

3. Urmărirea a 60+ nutrienți. Studiile care examinează micronutrienții, calitatea dietetică sau relațiile specifice nutrienți-sănătate necesită o acoperire cuprinzătoare a nutrienților.

4. Export de date la nivel de aliment în formate standard. Export CSV sau echivalent care permite analiza în R, SPSS, SAS sau Python.

5. Fricțiune redusă în înregistrare pentru a maximiza conformitatea. Înregistrarea asistată de AI (foto, vocal, cod de bare) reduce povara pentru participanți și îmbunătățește completitudinea datelor.

6. Experiență fără reclame. Elimină confuziile cauzate de publicitate și reduce distragerea atenției participanților în timpul înregistrării.

7. Experiență utilizator consistentă. Fără modificări ale caracteristicilor sau ale interfeței în perioada studiului care ar putea afecta comportamentul de înregistrare.

Nutrola îndeplinește toate cele șapte criterii: bază de date ancorată și verificată de USDA, intrări verificate de nutriționiști (1.8 milioane), 80+ nutrienți urmăriți, înregistrare asistată de AI prin fotografie și vocal, scanare coduri de bare, experiență fără reclame la 2.50 EUR pe lună și disponibilitate pe iOS și Android.

Întrebări frecvente

Ce aplicație de urmărire a caloriilor este cea mai utilizată în cercetarea clinică?

După volumul de citări, MyFitnessPal apare cel mai frecvent în cercetările publicate, în mare parte datorită dominației sale pe piață. Totuși, pentru intervențiile dietetice controlate, unde acuratețea datelor este critică, Cronometer este alegerea preferată. Cercetătorii aleg aplicațiile pe baza metodologiei bazei de date și a capacităților de exportare a datelor, mai degrabă decât pe popularitate.

De ce nu folosesc cercetătorii doar MyFitnessPal, având în vedere că este cel mai popular?

Popularitatea și adecvarea pentru cercetare sunt criterii diferite. Multiple studii (Tosi et al., 2022; Evenepoel et al., 2020) au documentat probleme de acuratețe cu baza de date crowdsourced a MFP. Cercetătorii care desfășoară studii de nutriție de precizie sau intervenții dietetice controlate necesită date mai precise decât cele pe care MFP le oferă constant. MFP este utilizat în studii în care consumul alimentar este o variabilă secundară și estimările aproximative sunt acceptabile.

Poate fi utilizat Nutrola în cercetarea clinică?

Metodologia Nutrola se aliniază cerințelor de calitate de cercetare: bază de date fundamentată pe USDA FoodData Central, verificare de nutriționiști, 80+ nutrienți urmăriți și înregistrare asistată de AI pentru a maximiza conformitatea participanților. Cele 1.8 milioane de intrări verificate, capacitățile de exportare a datelor și designul fără reclame la 2.50 EUR pe lună îl fac potrivit pentru protocoalele de cercetare care necesită monitorizarea dietetică zilnică cu atât acuratețe, cât și implicare din partea participanților.

Care este diferența dintre instrumentele dietetice de cercetare (ASA24, NDSR) și aplicațiile pentru consumatori?

ASA24 și NDSR sunt concepute pentru evaluarea periodică a dietei efectuată sau ghidată de profesioniști instruiți. Aplicațiile pentru consumatori (Nutrola, Cronometer, MFP) sunt concepute pentru auto-monitorizarea zilnică de către indivizi fără formare profesională. Aplicațiile pentru consumatori excelează în monitorizarea continuă, în timp real, dar pot sacrifica unele rigori metodologice. Aplicațiile cu baze de date ancorate de USDA (Nutrola, Cronometer) reduc semnificativ această distanță.

Va înlocui urmărirea asistată de AI metodele tradiționale de evaluare dietetică în cercetare?

Urmărirea asistată de AI este puțin probabil să înlocuiască complet metodele consacrate precum NDSR sau ASA24, dar va suplimenta din ce în ce mai mult aceste metode. Valoarea principală a cercetării a urmăririi asistate de AI este reducerea poverii pentru participanți (îmbunătățind conformitatea și completitudinea datelor) combinată cu documentația fotografică obiectivă. Cerința critică este ca identificarea AI să fie asociată cu o bază de date nutrițională verificată. Aplicațiile precum Nutrola, care combină comoditatea înregistrării asistate de AI cu acuratețea datelor verificate de USDA, sunt cele mai bine poziționate pentru această aplicație emergentă în cercetare.