Отслеживание питания с помощью ИИ в клинических испытаниях: как исследователи используют фото-дневники питания

Исследования в области питания имеют неприятный секрет: данные о питании, на которые они полагаются, известны своей ненадежностью. Самостоятельные отчеты о питании, 24-часовые интервью по воспоминаниям о питании и анкеты о частоте потребления пищи страдают от систематического недооценивания и искажений памяти. Десятилетия валидирующих исследований подтвердили то, что большинство исследователей уже подозревали: участники не точно сообщают о том, что они едят, и величина ошибки достаточно велика, чтобы подорвать результаты исследований.

Это не просто незначительная методологическая заметка. Данные о потреблении пищи лежат в основе клинических исследований в области питания. Когда эти данные неверны, выводы о диетических интервенциях, взаимосвязях между питательными веществами и заболеваниями, а также рекомендации по общественному здоровью строятся на ненадежном основании.

Использование фото-дневников питания на основе ИИ становится решением, которое может значительно улучшить качество данных в клинических исследованиях по питанию. Переходя от ретроспективного саморепортажа к захвату изображений в реальном времени с автоматическим анализом питательных веществ, эта технология устраняет несколько наиболее устойчивых слабостей в оценке питания. Исследователи в области диетических интервенций, управления весом, диабета и спортивного питания начинают внедрять эти инструменты в свои протоколы, и первые результаты указывают на значительный шаг вперед в качестве данных.

Проблема традиционной оценки питания в исследованиях

Каждый установленный метод сбора данных о потреблении пищи в клинических исследованиях имеет хорошо задокументированные ограничения.

24-часовой отчет о питании

Метод 24-часового отчета предлагает участникам сообщить о всем, что они потребляли за предыдущий день, обычно под руководством обученного интервьюера с использованием многоступенчатого подхода. Хотя этот метод считается одним из более строгих инструментов саморепортажа, он в корне зависит от памяти. Участники должны вспомнить не только то, что они ели, но и конкретные количества, методы приготовления и ингредиенты — детали, которые быстро забываются даже у мотивированных людей.

Исследования последовательно показывают систематическое недооценивание в 24-часовых отчетах. Важное валидирующее исследование, проведенное Subar и др. (2003) и опубликованное в American Journal of Epidemiology, использовало двойную маркировку воды (золотой стандарт для оценки энергозатрат) для проверки саморепортируемого потребления энергии и обнаружило, что мужчины недооценивали потребление примерно на 12-14%, а женщины — на 16-20%. Последующие исследования подтвердили и в некоторых случаях усилили эти выводы, причем недооценивание особенно выражено среди участников с избыточным весом и ожирением.

Дневники питания

Перспективные дневники питания, в которых участники записывают свои приемы пищи в реальном времени в течение определенного периода (обычно 3-7 дней), теоретически устраняют проблему воспоминаний. Однако на практике они вводят другой набор искажений. Запись потребления пищи является обременительной, и исследования показывают, что это бремя само по себе меняет пищевое поведение. Участники упрощают свои рационы, чтобы облегчить запись, пропускают записи, когда приемы пищи становятся сложными, и могут снизить потребление просто потому, что осознают, что их контролируют — явление, известное как реактивность питания.

Уровень завершения дневников питания резко падает со временем. Обзор, проведенный Thompson и Subar в Nutritional Epidemiology, зафиксировал, что точность дневников значительно ухудшается после первых двух дней записи, и многие участники не завершают полный период записи. В клинических испытаниях более длительного срока поддерживать соблюдение дневников питания на протяжении недель или месяцев чрезвычайно сложно.

Анкеты о частоте потребления пищи

Анкеты о частоте потребления пищи (FFQ) просят участников сообщить о своем обычном потреблении определенных продуктов за длительный период, обычно за последний месяц или год. Эти инструменты широко используются в эпидемиологических исследованиях из-за их низкой стоимости и масштабируемости, но они слишком грубы для точного анализа на уровне питательных веществ, необходимого во многих клинических испытаниях. FFQ зависят от заранее определенных списков продуктов, которые могут не отражать фактические рационы участников, заставляют респондентов усреднять сильно изменяющиеся пищевые привычки и подвержены тем же искажениям памяти и социального одобрения, что и другие методы саморепортажа.

Масштаб проблемы

Совокупные данные рисуют тревожную картину. Исследования, использующие объективные биомаркеры потребления энергии, задокументировали недооценивание калорий в диапазоне 30-50% среди определенных популяций, особенно среди людей с ожирением — именно тех, кто чаще всего участвует в клинических испытаниях, связанных с питанием. Систематический обзор Dhurandhar и др. (2015), опубликованный в International Journal of Obesity, заключил, что саморепортируемое потребление энергии настолько ненадежно, что "не может использоваться для формирования национальных диетических рекомендаций или политики в области общественного здоровья."

Для исследователей клинических испытаний такой уровень ошибки измерения не просто неудобен. Он может скрывать реальные эффекты лечения, создавать ложные ассоциации, увеличивать размеры выборки, необходимые для выявления значимых различий, и в конечном итоге подрывать возможность делать обоснованные выводы о диетических интервенциях.

Как фото-дневники на основе ИИ улучшают данные исследований

Использование фото-дневников на основе ИИ устраняет основные слабости традиционной оценки питания, кардинально меняя способ сбора данных о потреблении.

Захват в реальном времени устраняет искажения памяти

Наиболее значительное преимущество фото-дневников заключается в том, что они фиксируют потребление пищи в момент приема пищи. Участники фотографируют свои блюда перед едой. Нет зависимости от памяти, нет ретроспективной оценки размеров порций и нет необходимости в конце дня восстанавливать уже забытые приемы пищи. Это само по себе устраняет, пожалуй, самый большой источник ошибок в традиционной оценке питания.

Фото-доказательства создают аудиторский след

В отличие от текстовых записей, основанных на саморепортаже, фото-дневники создают визуальный архив, который исследователи могут просматривать, проверять и кодировать независимо. Этот аудиторский след имеет значительные последствия для обеспечения качества данных. Исследовательский персонал может выявлять неправдоподобные записи, проверять размеры порций по фотографическим доказательствам и отмечать потенциальные пропуски — уровень проверки данных, который невозможен с традиционными инструментами саморепортажа.

ИИ обрабатывает оценку порций

Оценка размера порции — одна из самых подверженных ошибкам сторон саморепортажа о питании. Участники постоянно испытывают трудности с оценкой количеств, даже с использованием визуальных подсказок, таких как модели продуктов и руководства по порциям. Системы распознавания пищи на основе ИИ анализируют фотографии для алгоритмической оценки размеров порций, полностью исключая участников из этой задачи. Хотя оценка ИИ не идеальна, она вводит последовательный и систематически улучшающийся процесс измерения вместо сильно изменяющихся человеческих предположений.

Комплексный анализ питательных веществ

Современные системы отслеживания питания на основе ИИ анализируют блюда по 100 и более отдельным питательным веществам, предоставляя исследователям уровень детализации данных, который было бы крайне сложно получить с помощью ручного кодирования питания. Этот уровень детализации особенно ценен для клинических испытаний, изучающих статус микроэлементов, специфические профили жирных кислот, потребление аминокислот или другие конечные точки, выходящие за рамки основных макронутриентов и энергии.

Записи с временными метками

Каждое фото-записанное блюдо автоматически получает временную метку, предоставляя точные данные о времени приема пищи, частоте еды и временных пищевых паттернах. Для исследований в области хроно-нутрициологии, интервального голодания или взаимосвязи между временем приема пищи и метаболическими результатами эти автоматизированные временные данные гораздо надежнее, чем саморепортируемое время приема пищи.

Меньшая нагрузка на участников улучшает соблюдение

Возможно, наиболее важное практическое преимущество — это снижение нагрузки на участников. Сделать фотографию блюда требуется всего несколько секунд, в то время как традиционное взвешивание, измерение и описание каждого продукта занимает несколько минут. Меньшая нагрузка напрямую приводит к лучшему соблюдению, меньшему количеству пропущенных данных и возможности поддерживать сбор данных на протяжении более длительных периодов исследования без резкого снижения приверженности, которое преследует традиционные методы.

Текущие применения в клинических исследованиях

Инструменты оценки питания на основе ИИ находят применение в растущем количестве контекстов клинических исследований.

Исследования диетических интервенций

Испытания, оценивающие влияние конкретных диетических паттернов, заменителей пищи или пищевых добавок на результаты здоровья, выигрывают от более точных данных о потреблении, чтобы подтвердить, что участники действительно соблюдают предписанную интервенцию. Фото-дневники позволяют исследователям проверять соблюдение диетических протоколов почти в реальном времени, а не полагаться на ретроспективный саморепорт на запланированных визитах.

Испытания по управлению весом

Исследования по снижению веса и поддержанию веса особенно подвержены искажениям традиционной оценки питания, учитывая сильную связь между статусом веса и недооцениванием. Фото-дневники на основе ИИ предоставляют менее искаженное представление о фактическом потреблении энергии, что имеет решающее значение для понимания истинной взаимосвязи между потреблением калорий, энергозатратами и изменением веса.

Исследования диабета

Исследования, изучающие взаимосвязь между диетой и гликемическим контролем, требуют точных данных о потреблении углеводов, клетчатки, гликемическом индексе и времени приема пищи. Подробный анализ питательных веществ и точные временные метки приемов пищи, предоставляемые фото-дневниками на основе ИИ, имеют прямое отношение к этим исследовательским вопросам.

Исследования по медикаментам GLP-1

С быстрым расширением назначения агонистов рецепторов GLP-1 существует высокий интерес к исследованию диетических паттернов и питательной адекватности пациентов, принимающих эти препараты. Фото-дневники на основе ИИ могут фиксировать значительные изменения в потреблении пищи, происходящие во время терапии GLP-1 — включая уменьшение размеров порций и изменение пищевых предпочтений — с большей точностью, чем методы, основанные на воспоминаниях.

Исследования пищевого поведения

Исследования пищевых паттернов, частоты приемов пищи, перекусов и выбора продуктов выигрывают от объективного, временно зафиксированного фотозаписи, которую предоставляет логирование на основе ИИ. Эти данные позволяют исследователям изучать пищевое поведение в его естественном проявлении, а не в том, как участники восстанавливают его из памяти.

Исследования спортивного питания

Спортсмены представляют собой уникальные вызовы для оценки питания из-за их высоких энергетических потребностей, частых приемов пищи и потребления специализированных продуктов спортивного питания. Фото-дневники на основе ИИ могут фиксировать весь спектр потребления спортсмена, включая добавки и спортивные напитки, с меньшими нарушениями их тренировочных режимов, чем традиционные методы записи.

Преимущества исследований с использованием отслеживания на основе ИИ

Помимо устранения искажений отдельных методов оценки питания, фото-дневков на основе ИИ предлагают несколько структурных преимуществ для исследовательских операций.

Стандартизированный сбор данных на разных площадках

Многоцентровые клинические испытания сталкиваются с проблемой поддержания последовательного сбора данных о питании в разных исследовательских центрах, каждый из которых имеет свой персонал, обучение и процедуры. Приложение для логирования питания на основе ИИ предоставляет стандартизированный инструмент для сбора данных, который работает одинаково независимо от площадки, устраняя межплощадочную изменчивость в методологии оценки питания.

Автоматизированный анализ питательных веществ

Традиционная оценка питания требует от обученных исследовательских диетологов вручную кодировать записи о пище в базы данных питательных веществ — процесс, который занимает много времени, дорогостоящий и вводит дополнительные человеческие ошибки. ИИ-системы автоматизируют этот этап кодирования, предоставляя данные на уровне питательных веществ в реальном времени. Это снижает как затраты, так и время обработки данных о питании.

Фото-аудиторский след для обеспечения качества

Фотографический архив, связанный с каждым записанным приемом пищи, создает постоянный, подлежащий проверке набор данных, который может быть проверен исследовательским персоналом, независимыми мониторами или регулирующими органами. Этот уровень прозрачности ценен для соблюдения GCP (Good Clinical Practice) и обеспечения целостности данных.

Мониторинг соблюдения в реальном времени

Исследователи могут в реальном времени отслеживать соблюдение логирования участниками, выявляя тех, кто прекратил запись или чьи паттерны логирования указывают на неполную запись. Это позволяет своевременно вмешиваться — сделать звонок, напомнить или предоставить дополнительную поддержку — прежде чем пробелы в данных станут необратимыми.

Масштабируемость для больших когорт

Ручное кодирование питания является значительным узким местом в крупных исследованиях по питанию. Автоматизированный анализ на основе ИИ легко масштабируется от десятков до тысяч участников, что делает возможным сбор подробных данных о питании в исследованиях с большими когортами, где традиционные методы были бы экономически нецелесообразными.

Снижение нагрузки на исследователей

Исследовательские диетологи и нутрициологи тратят значительное время на ручное кодирование записей о пище. Автоматизация с помощью ИИ освобождает этих квалифицированных специалистов для сосредоточения на интерпретации данных, поддержке участников и управлении исследованием, а не на повторяющейся задаче перевода описаний пищи в значения питательных веществ.

Nutrola для исследовательских условий

Хотя многие инструменты логирования пищи на основе ИИ предназначены в первую очередь для потребительского использования, Nutrola предлагает несколько функций, которые делают его особенно подходящим для клинических исследований.

Проверенная база данных питательных веществ

База данных Nutrola построена на проверенных, источниках данных о питательных веществах, а не на краудсорсинговых записях переменной качества. Для исследований точность базы данных не является удобной функцией — это методологическое требование. Исследования, полагающиеся на неточные базы данных питательных веществ, будут производить неточные оценки потребления питательных веществ независимо от того, насколько хорошо участники ведут записи о своей пище. Обязательство Nutrola по верификации данных решает эту основополагающую проблему.

Более 100 питательных веществ на продукт

Большинство потребительских приложений для отслеживания питания отслеживают ограниченный набор макронутриентов и несколько микроэлементов. Nutrola предоставляет данные более чем по 100 отдельным питательным веществам на продукт, включая отдельные аминокислоты, профили жирных кислот, витамины, минералы и другие биоактивные соединения. Этот уровень детализации необходим для клинических исследований, где конечные точки могут включать статус конкретных микроэлементов, соотношения жирных кислот или потребление аминокислот.

Логирование с помощью фото

Распознавание пищи на основе ИИ в Nutrola позволяет участникам быстро фиксировать приемы пищи, фотографируя свою еду. ИИ определяет присутствующие продукты, оценивает размеры порций и возвращает полный профиль питательных веществ. Для участников исследования это означает меньше времени на логирование и более последовательный сбор данных на протяжении всего периода исследования.

Возможности экспорта данных

Исследования требуют возможности экспорта сырых данных о питании для анализа в статистическом программном обеспечении. Nutrola поддерживает функциональность экспорта данных, позволяющую исследовательским группам извлекать данные о потреблении участников в форматах, подходящих для их аналитических рабочих процессов.

Бесплатно для участников

Стоимость является реальным барьером в клинических исследованиях. Требование от участников исследования покупать премиум-подписку на приложение для логирования пищи создает препятствия для набора участников и может ввести социоэкономические искажения в выборку исследования. Бесплатный уровень Nutrola предоставляет достаточную функциональность для логирования пищи на уровне исследований, полностью устраняя этот барьер.

Защита конфиденциальности

Обработка данных о питании участников, включая фотографии приемов пищи, требует надежной защиты конфиденциальности в соответствии с требованиями IRB и нормативными актами о защите данных. Структура конфиденциальности Nutrola разработана с учетом этих требований, обеспечивая защиту конфиденциальности, требуемую протоколами исследований.

Ограничения и соображения

Ни один метод оценки питания не лишен ограничений, и фото-дневники на основе ИИ не являются исключением. Исследователи, рассматривающие эти инструменты, должны быть осведомлены о следующем.

Соблюдение участников остается важным

Хотя фото-дневники менее обременительны, чем традиционные дневники питания, они все равно требуют активного участия. Участники должны помнить о том, чтобы фотографировать свои приемы пищи, и некоторые приемы пищи могут быть упущены — особенно закуски, напитки и случаи еды, которые происходят вне структурированных приемов пищи. Уровни соблюдения, как правило, выше, чем с традиционными методами, но они не достигают 100%.

Точность ИИ имеет известные ограничения

Распознавание пищи на основе ИИ и оценка порций не безупречны. Смешанные блюда, частично закрытые продукты и предметы с похожими визуальными характеристиками могут представлять сложность для текущих ИИ-систем. Точность оценки питания на основе ИИ продолжает улучшаться, но исследователи должны понимать профиль ошибок используемых инструментов и учитывать это в своем дизайне исследования и анализе.

Валидация по сравнению с методами золотого стандарта

Для исследований, требующих наивысшего уровня точности данных о питании, фото-дневники на основе ИИ должны быть в идеале валидированы по сравнению с установленными методами, такими как взвешенные записи о пище или оценки на основе биомаркеров (например, двойная маркировка воды для оценки потребления энергии, мочевой азот для оценки потребления белка). Хотя ранние валидирующие исследования обнадеживают, база доказательств все еще развивается, и исследователи должны по возможности способствовать этой литературе по валидации.

Соображения IRB для фотоданных

Фотографии приемов пищи поднимают специфические соображения IRB (Институционального наблюдательного совета), которые не применимы к традиционным методам оценки питания. Фотографии могут захватывать идентифицируемую информацию (руки, окружение, других людей), и хранение и обработка фотоданных требуют дополнительных мер защиты конфиденциальности. Исследователи должны явно рассмотреть эти соображения в своих подачах IRB и документах о информированном согласии.

Доступ к технологиям

Исследовательские популяции различаются по уровню комфорта и доступу к смартфонной технологии. Хотя проникновение смартфонов высоко в большинстве популяций, участвующих в клинических испытаниях, исследователи должны убедиться, что их исследуемая популяция может надежно использовать приложение для логирования на основе фото и предоставлять техническую поддержку по мере необходимости.

Часто задаваемые вопросы

Насколько точны фото-дневники на основе ИИ для клинических исследований?

Современные системы фото-дневников на основе ИИ достигают уровней точности, которые конкурируют с обученными человеческими кодировщиками питания и значительно лучше, чем неоснащенный саморепорт участников. Хотя ни один метод оценки питания не достигает идеальной точности, фото-дневники на основе ИИ уменьшают несколько крупнейших источников ошибок в традиционных методах — особенно искажения памяти и ошибки оценки порций. Для большинства приложений клинических исследований точность достаточна, хотя исследователи, изучающие конкретные питательные вещества на очень точном уровне, могут пожелать валидировать оценки ИИ по сравнению с взвешенными записями о пище в своей исследуемой популяции.

Как фото-дневники на основе ИИ сравниваются с 24-часовым отчетом о питании в исследовательских условиях?

Фото-дневники на основе ИИ и 24-часовой отчет о питании служат несколько различным целям. 24-часовой отчет, проводимый обученным интервьюером, может уточнять забытые элементы и фиксировать детали о приготовлении пищи. Однако он по своей сути ретроспективен и трудоемок. Фото-дневники на основе ИИ фиксируют данные в реальном времени и в больших масштабах, с меньшей нагрузкой на участников и исследователей. Для исследований, требующих постоянного мониторинга питания, а не периодических снимков, фото-дневники на основе ИИ предлагают практические преимущества. Некоторые исследователи используют гибридный подход, комбинируя фото-дневники на основе ИИ для ежедневных данных с периодическими интервью для проверки.

Какие типы клинических испытаний больше всего выигрывают от оценки питания на основе ИИ?

Испытания, требующие непрерывного или частого мониторинга питания в течение длительных периодов, получают наибольшую выгоду, поскольку именно здесь традиционные методы страдают от наибольшего падения соблюдения. Испытания по управлению весом, исследования питания при диабете и любые интервенции, где соблюдение диеты является ключевой переменной, являются сильными кандидатами. Исследования с большими размерами выборки также значительно выигрывают, поскольку автоматизация ИИ устраняет узкое место ручного кодирования питания. Испытания, изучающие время приема пищи, частоту еды или хроно-нутрициологию, выигрывают от автоматического временного учета, который предоставляет логирование на основе ИИ.

Может ли Nutrola использоваться в многоцентровых международных клинических испытаниях?

Да. Стандартизированное распознавание пищи на основе ИИ и проверенная база данных питательных веществ Nutrola обеспечивают последовательный сбор данных на разных площадках и в разных географических регионах. База данных приложения охватывает разнообразные кухни и региональные продукты, что важно для международных исследований, где диетические паттерны значительно различаются между площадками. Стандартизированная методология снижает межплощадочную изменчивость в сборе данных о питании, что является распространенным источником шума в многоцентровых исследованиях по питанию.

Что исследователи должны включить в подачу IRB при использовании фото-дневников на основе ИИ?

Подачи IRB должны рассматривать несколько специфических моментов: природу сбора фотоданных и что может быть случайно захвачено на фотографиях приемов пищи; хранение данных, шифрование и контроль доступа к фотоданным; права участников на удаление фотографий; как фотографии будут использоваться в анализе и будут ли они просматриваться исследовательским персоналом; сроки хранения и уничтожения данных; и могут ли фотографии быть переданы третьим лицам (включая поставщиков услуг ИИ для обработки). Четкий язык информированного согласия, объясняющий методологию на основе фотографий и права участников в отношении их изображений, является необходимым.

Путь вперед

Переход от традиционной оценки питания на основе саморепортажа к методам с поддержкой ИИ представляет собой значительный методологический прогресс для клинических исследований в области питания. Хотя фото-дневники на основе ИИ не устраняют все источники ошибок измерения питания, они решают наиболее разрушительные — искажения памяти, ошибки оценки порций и нагрузку на участников — при этом добавляя новые возможности, такие как мониторинг соблюдения в реальном времени, автоматизированное кодирование питательных веществ и проверяемый фотодоказательство.

Для исследователей, разрабатывающих новые клинические испытания с диетическими конечными точками, стоит серьезно рассмотреть возможность внедрения фото-дневников на основе ИИ. Технология достигла такой зрелости, что предлагает практические преимущества по сравнению с традиционными методами для большинства исследовательских приложений. Инструменты, такие как Nutrola, с акцентом на точность базы данных, комплексное покрытие питательных веществ и доступность, хорошо подготовлены для поддержки все более строгого сбора данных о питании, который требует современное клиническое исследование в области питания.

Качество науки о питании зависит от качества ее данных о питании. Фото-дневники на основе ИИ не являются идеальным решением, но это значительно лучшее решение, чем методы, на которые клинические исследования полагались десятилетиями — и разрыв продолжает увеличиваться по мере улучшения технологии.