Какой трекер калорий имеет наибольшую научную поддержку? Обзор опубликованных данных

При выборе приложения для отслеживания калорий большинство пользователей ориентируются на рейтинги в магазинах приложений, рекомендации блогеров или сравнения функций. Однако более строгий подход задает другой вопрос: какие приложения были протестированы, валидированы или использованы в опубликованных рецензируемых исследованиях? Наличие приложения в научной литературе свидетельствует о том, что исследователи сочли его методологию достаточно надежной для использования в качестве инструмента измерения, где качество данных напрямую влияет на выводы.

В этой статье представлен обзор опубликованных исследований по основным приложениям для отслеживания калорий, в котором рассматривается, сколько исследований ссылается на каждое приложение, какие типы исследований их использовали и что результаты говорят о надежности каждого приложения как инструмента для оценки диеты.

Почему важна валидация исследований

Приложение для отслеживания калорий, использующееся в клиническом испытании, проходит уровень проверки, которому не может соответствовать ни один потребительский обзор. Исследователи оценивают приложения по таким критериям, как возможности экспорта данных, точность базы данных, функции соблюдения и воспроизводимость. Когда исследование публикуется в рецензируемом журнале, раздел методов, описывающий инструмент отслеживания, проверяется независимыми экспертами, которые оценивают, подходит ли выбранный инструмент для поставленного исследовательского вопроса.

Turner-McGrievy и др. (2013), публикуя в Journal of Medical Internet Research, отметили, что выбор инструмента для самоконтроля диеты для исследований требует валидации по сравнению с установленными методами, такими как 24-часовые диетические опросы или взвешенные записи продуктов. Приложения, которые проходят этот порог, демонстрируют базовый уровень точности измерений, которого нет у приложений, ориентированных только на потребителей.

Таблица цитирования исследований по приложениям

Приложение	Оценочное количество опубликованных исследований	Основные типы исследований	Замечательное использование в исследованиях
MyFitnessPal	150+	Наблюдательные, исследования осуществимости, вмешательства по снижению веса	Наиболее часто цитируется по объему из-за доли рынка
Cronometer	40–60	РКИ, клиническое питание, метаболические исследования	Предпочтительно в контролируемых диетических вмешательствах
Lose It!	25–35	РКИ по снижению веса, поведенческие вмешательства	Используется в исследованиях по управлению весом, финансируемых NIH
FatSecret	15–20	Наблюдательные, валидация оценки диеты	Используется в австралийских и юго-восточноазиатских исследованиях
Nutrola	Новое	Методология соответствует стандартам данных для исследований	База данных, проверенная USDA, подходит для исследовательских протоколов
MacroFactor	<5	Кейсы оценки адаптивного TDEE	Слишком новое для значительной исследовательской литературы
Cal AI	<5	Исследования осуществимости компьютерного зрения	Изучалась методология ИИ, а не само приложение
Samsung Health	10–15	Исследования платформы mHealth, акцент на физической активности	В основном изучалось для отслеживания активности, а не питания

MyFitnessPal: Наиболее цитируемый по объему, наиболее критикуемый за точность

MyFitnessPal доминирует в научной литературе по количеству цитирований. С более чем 150 опубликованными исследованиями, ссылающимися на приложение, оно является самым изученным потребительским трекером калорий. Однако этот объем отражает его долю на рынке, а не качество данных.

Evenepoel и др. (2020), публикуя в Obesity Science & Practice, провели систематический обзор исследований, использующих MyFitnessPal, и обнаружили, что, хотя приложение широко использовалось в вмешательствах по снижению веса, многие исследования отметили проблемы с точностью базы данных. Обзор выявил, что краудсорсинговая база данных MFP вводила ошибку измерения, которая могла повлиять на результаты исследований.

Tosi и др. (2022) специально протестировали точность базы данных MFP по сравнению с лабораторно проанализированными значениями продуктов и обнаружили средние отклонения энергии на уровне 17,4 процента для итальянских продуктов. Исследователи отметили, что дублирующиеся записи с противоречивой информацией о питательных веществах были постоянным источником ошибок.

Несмотря на эти ограничения, MFP использовался в нескольких важных исследованиях. Laing и др. (2014) в JMIR mHealth and uHealth изучили эффективность MFP в вмешательстве по снижению веса в первичной медицинской помощи с участием 212 человек. Исследование показало, что, хотя приложение увеличивало самоконтроль в диете, устойчивое вовлечение было низким: только 3 процента участников продолжали вести записи через шесть месяцев.

Carter и др. (2013), публикуя в Journal of Medical Internet Research, сравнили пищевые дневники на основе приложений, подобных MFP, с традиционными бумажными дневниками в рандомизированном контролируемом испытании. Группа, использующая приложение, показала более высокую приверженность самоконтролю, но аналогичные результаты по снижению веса, что свидетельствует о том, что форма инструмента имеет меньшее значение, чем поведение постоянного отслеживания.

Cronometer: Выбор исследователей для контролируемых исследований

Cronometer занимает уникальное положение в исследовательском ландшафте. Хотя его цитируют в меньшем количестве исследований, чем MFP, он непропорционально представлен в контролируемых диетических вмешательствах, где точность данных имеет критическое значение.

Stringer и др. (2021), публикуя в Frontiers in Nutrition, использовали Cronometer для отслеживания потребления пищи в исследовании по кетогенной диете. Исследователи специально отметили использование данных USDA и NCCDB как причину выбора этого приложения вместо альтернатив с более крупными, но менее проверенными базами данных.

Athinarayanan и др. (2019) в исследовании, опубликованном в Frontiers in Endocrinology, использовали Cronometer для отслеживания диеты в непрерывном удаленном уходе за пациентами с диабетом 2 типа, в котором участвовали 262 человека. Исследование требовало детального отслеживания макро- и микроэлементов для мониторинга нутритивного кетоза, что является примером, где точность базы данных напрямую влияла на клинические решения.

Привлекательность Cronometer для исследований объясняется тремя факторами: интеграцией обширных данных USDA и NCCDB, отслеживанием 82 и более питательных веществ на запись и возможностью экспортировать детализированные данные о питательных веществах в форматы, совместимые с исследованиями.

Lose It!: Участие в исследованиях, финансируемых NIH

Lose It! был представлен в нескольких исследовательских программах, финансируемых NIH, что придает ему надежную позицию в иерархии исследований.

Patel и др. (2019) в Obesity изучили использование Lose It! в 12-месячном поведенческом вмешательстве по снижению веса. Исследование показало, что участники, использовавшие приложение, потеряли значительно больше веса, чем контрольные группы, при этом функция ведения учета пищи приложения была определена как ключевой поведенческий механизм.

Turner-McGrievy и др. (2017) сравнили несколько инструментов для самоконтроля диеты, включая Lose It!, в 6-месячном исследовании по снижению веса, опубликованном в JAMA Internal Medicine. Исследование показало, что мобильные трекеры на основе приложений (включая Lose It!) обеспечили сопоставимые результаты по снижению веса с традиционными методами, требуя при этом меньше времени на каждую сессию ведения учета.

FatSecret: Региональное использование в исследованиях

FatSecret нашел свою нишу в исследованиях питания, проводимых в Австралии и Юго-Восточной Азии. Chen и др. (2019) включили FatSecret в многоприложенческое сравнение точности и обнаружили, что его база данных по общим американским продуктам показала сопоставимые результаты с MFP, но продемонстрировала более высокие уровни ошибок для продуктов, распространенных в не-западных диетах.

Ambrosini и др. (2018), публикуя в Nutrients, использовали FatSecret в австралийском исследовании оценки диеты и отметили, что охват базы данных приложения для австралийских продуктов был улучшен благодаря модели вклада сообщества, хотя проверка точности оставалась проблемой.

Nutrola: Методология исследовательского уровня в потребительском приложении

Подход Nutrola к построению базы данных отражает методологию, используемую исследовательскими инструментами для оценки диеты. Основанное на данных USDA FoodData Central, сопоставленных с национальными базами данных о питании и проверенных обученными диетологами, приложение следует той же многоисточниковой валидационной протоколу, что и инструмент ASA24 Национального института рака и Система данных о питании для исследований (NDSR) Университета Миннесоты.

Хотя Nutrola новее на рынке и еще не накопила объем цитирования, сопоставимый с MFP или Cronometer, ее 1,8 миллиона проверенных диетологами записей и методология базы данных ставят ее в ряд подходящих инструментов для исследовательских приложений. Сочетание AI-управляемого ведения учета (распознавание по фото и голосовой ввод) с проверенной базой данных решает ключевую задачу в диетических исследованиях: поддержание соблюдения участниками при сохранении точности данных.

При цене 2,50 евро в месяц без рекламы Nutrola также устраняет практическое препятствие, которое влияет на использование исследований бесплатных приложений с рекламой. Реклама, показываемая во время сессий ведения учета пищи, была определена как потенциальный источник отвлечения участников и отказа от ведения учета в исследовательских условиях (Helander и др., 2014, Journal of Medical Internet Research).

Какие типы исследований используют приложения для отслеживания калорий?

Исследования, использующие приложения для отслеживания калорий, делятся на несколько категорий, каждая из которых имеет разные последствия для выбора приложения.

Рандомизированные контролируемые испытания (РКИ). Наиболее надежный дизайн исследования. Приложения, используемые в РКИ, должны продемонстрировать приемлемые свойства измерения. Cronometer и Lose It! чаще всего встречаются в этой категории.

Наблюдательные исследования. Эти исследования отслеживают диетические привычки в свободно живущих популяциях. MFP доминирует благодаря своей большой базе пользователей, что обеспечивает удобные популяции для исследований.

Исследования валидации. Эти исследования напрямую тестируют точность приложения по сравнению с эталонными методами. Tosi и др. (2022), Chen и др. (2019) и Franco и др. (2016) попадают в эту категорию. Эти исследования наиболее актуальны для оценки качества данных приложения.

Исследования осуществимости. Эти исследования оценивают, является ли приложение практичным для использования в конкретной популяции или клинической обстановке. Многие ранние исследования приложений попадают в эту категорию.

Систематические обзоры и мета-анализы. Эти исследования синтезируют результаты нескольких исследований. Evenepoel и др. (2020) и Ferrara и др. (2019) предоставляют высокоуровневые резюме доказательств для отслеживания диеты на основе приложений.

Пробел в сравнительных исследованиях

Существенным ограничением текущей литературы является нехватка прямых сравнений между конкретными приложениями. Большинство исследований используют одно приложение и сравнивают его с эталонным методом (таким как взвешенные записи продуктов или 24-часовые опросы), а не сравнивают несколько приложений друг с другом.

Chen и др. (2019) являются заметным исключением, сравнивая шесть приложений одновременно. Их результаты показали, что выбор приложения значительно влияет на диетические оценки, при этом межприложенческая изменчивость превышала внутрипользовательскую изменчивость для нескольких питательных веществ. Это предполагает, что выбор приложения может ввести столько же ошибок измерения, сколько индивидуальные различия в поведении ведения учета.

Ferrara и др. (2019) в The International Journal of Behavioral Nutrition and Physical Activity провели систематический обзор мобильных приложений для самоконтроля диеты и обнаружили, что, хотя приложения в целом улучшали соблюдение самоконтроля по сравнению с бумажными методами, точность питательных оценок сильно варьировала в зависимости от приложения и редко валидировалась по сравнению с эталонными методами в рамках изученных дизайнов.

Новые тенденции в использовании исследовательских приложений

Несколько тенденций меняют подход исследователей к выбору инструментов для отслеживания калорий.

AI-помощь в ведении учета в исследованиях. Распознавание пищи по фото и голосовой ввод снижают нагрузку на участников, что напрямую улучшает соблюдение в исследованиях и полноту данных. Сочетание AI-ведущего учета Nutrola с проверенной базой данных решает как проблемы соблюдения, так и точности одновременно.

Спрос на проверенные базы данных. Поскольку все больше исследований выявляют точность базы данных как источник ошибок измерения, исследователи все чаще выбирают приложения с проверенными, кураторскими базами данных вместо краудсорсинговых альтернатив. Эта тенденция благоприятствует Cronometer и Nutrola по сравнению с MFP.

Доступ к данным в реальном времени. Современные приложения, которые предлагают доступ к API или экспорт данных в реальном времени, позволяют исследователям отслеживать соблюдение участниками и вмешиваться на ранних стадиях, когда возникают пробелы в ведении учета.

Требования к отслеживанию микроэлементов. Исследования, изучающие качество диеты (не только потребление энергии), требуют приложений, отслеживающих обширный набор микроэлементов. Приложения, отслеживающие менее 20 питательных веществ, становятся все менее достаточными для современных исследований в области питания.

Часто задаваемые вопросы

Какое приложение для отслеживания калорий имеет наибольшее количество рецензируемых исследований?

MyFitnessPal был процитирован более чем в 150 опубликованных исследованиях, что делает его самым часто упоминаемым приложением в литературе. Однако многие из этих цитат сопровождаются оговорками по точности. Cronometer, хотя и цитируется в меньшем количестве исследований (40–60), предпочтительно выбирается для контролируемых вмешательств, где критична точность данных.

Был ли MyFitnessPal валидирован на точность в исследованиях?

Несколько исследований тестировали точность MFP с разными результатами. Tosi и др. (2022) обнаружили средние отклонения энергии на уровне 17,4 процента для итальянских продуктов. Evenepoel и др. (2020) отметили постоянные проблемы с точностью базы данных в научной литературе. MFP показывает разумные результаты для общих продуктов с одним ингредиентом, но демонстрирует более высокие уровни ошибок для сложных блюд и региональных кухонь.

Предпочитают ли исследователи определенные приложения для отслеживания калорий?

Да. Исследователи, проводящие контролируемые диетические вмешательства, где важна точность данных, склонны предпочитать приложения с кураторскими базами данных, основанными на государственных источниках. Cronometer является наиболее распространенным выбором в этой категории. Приложения, такие как Nutrola, которые сочетают базы данных, основанные на USDA, с профессиональной проверкой, также хорошо подходят для исследовательских приложений.

Могу ли я использовать данные любого приложения для отслеживания калорий в медицинских целях?

Потребительские приложения для отслеживания калорий не классифицируются как медицинские устройства и не должны использоваться для клинической диагностики или планирования лечения без профессионального надзора. Тем не менее, приложения с валидированными базами данных могут предоставить полезные дополнительные данные для обсуждения со специалистами в области здравоохранения. Приложения с проверенными базами данных (Nutrola, Cronometer) предоставляют более надежные данные для этой цели, чем краудсорсинговые альтернативы.

Почему так мало сравнительных исследований, сравнивающих приложения для отслеживания калорий?

Сравнительные исследования логически сложны, требуют наличия нескольких групп участников, использующих разные приложения, при этом отслеживая одну и ту же эталонную диету. Кроме того, функции приложений и базы данных со временем меняются, что может сделать результаты исследований устаревшими всего через несколько лет после публикации. Chen и др. (2019) являются одним из немногих исследований, которые напрямую сравнили несколько приложений, и их результаты подчеркнули значительную межприложенческую изменчивость.