Kalori Takip Uygulamaları için Hakemli Kanıtlar: Kapsamlı Bir Literatür İncelemesi

Uygulama tabanlı kalori takibinin gerçekten işe yarayıp yaramadığı, bir görüş meselesi değildir. Bu konu, yüksek etki faktörüne sahip beslenme, davranış bilimleri ve tıp dergilerinde yayımlanan onlarca hakemli çalışmada sistematik olarak araştırılmıştır. Kanıt temeli, kusurlu olsa da, önemli ölçüde geniştir ve neyin işe yaradığı, neyin yaramadığı ve hangi kritik boşlukların bulunduğu konusunda tutarlı sonuçlara işaret etmektedir.

Bu makale, uygulama tabanlı beslenme öz izlemesi üzerine yayımlanan kanıtların yapılandırılmış bir literatür incelemesini sunmaktadır. Etkinlik (takip etmenin sonuçları iyileştirip iyileştirmediği?), doğruluk (uygulama tarafından üretilen verilerin ne kadar güvenilir olduğu?), uyum (insanlar bu araçları gerçekten tutarlı bir şekilde kullanıyor mu?) ve farklı uygulama metodolojilerinin karşılaştırmalı değeri üzerine çalışmalar incelenmektedir.

Ana Çalışmaların Özet Tablosu

Yazarlar	Yıl	Dergi	Çalışma Türü	Örneklem Büyüklüğü	İncelenen Uygulama(lar)	Ana Bulgu
Ferrara ve ark.	2019	Int J Behav Nutr Phys Act	Sistematik inceleme	18 çalışma	Çoklu	Uygulamalar, geleneksel yöntemlere göre öz izlemede uyumu artırıyor
Tay ve ark.	2020	Nutrients	Sistematik inceleme	22 çalışma	Çoklu	Uygulama tabanlı takip, geleneksel beslenme değerlendirmeleri ile karşılaştırılabilir
Patel ve ark.	2019	Obesity	RCT	218	Lose It!	Uygulama grubunun 12 ayda önemli ölçüde daha fazla kilo kaybettiği görüldü
Carter ve ark.	2013	J Med Internet Res	RCT	128	MFP tarzı uygulama	Uygulama ile kağıt günlüğü arasında daha yüksek öz izleme uyumu
Laing ve ark.	2014	JMIR mHealth uHealth	RCT	212	MyFitnessPal	Uygulama tek başına yetersiz; 6 ayda sadece %3 sürdürülebilir kullanım
Turner-McGrievy ve ark.	2013	J Med Internet Res	RCT	96	Çoklu	Uygulama ve podcast grubunun, yalnızca uygulama kullananlardan daha fazla kilo kaybettiği görüldü
Evenepoel ve ark.	2020	Obes Sci Pract	Sistematik inceleme	15 çalışma	MyFitnessPal	MFP, araştırmalarda yaygın olarak kullanılıyor ancak doğruluk endişeleri var
Tosi ve ark.	2022	Nutrients	Doğrulama	40 gıda	MFP, FatSecret, Yazio	Uygulamaya göre ortalama enerji sapmaları %7-28
Chen ve ark.	2019	J Am Diet Assoc	Doğrulama	180	6 uygulama	USDA'ya dayalı uygulamalar önemli ölçüde daha doğru
Franco ve ark.	2016	JMIR mHealth uHealth	Doğrulama	—	MFP, Lose It!	Her ikisi de sodyumu %30'dan fazla düşük tahmin etti
Griffiths ve ark.	2018	Nutr Diet	Doğrulama	—	Çoklu	Mikro besin takibi, makro besin takibinden daha az doğru
Hollis ve ark.	2008	Am J Prev Med	RCT	1,685	Kağıt kayıtları	Günlük gıda kayıtları, kilo kaybını iki katına çıkardı
Burke ve ark.	2011	J Am Diet Assoc	RCT	210	PDA takip cihazı	Elektronik öz izleme, daha yüksek uyum sağladı
Harvey ve ark.	2019	Appetite	Gözlemsel	1,422	MFP	Tutarlı kayıt yapanlar önemli ölçüde daha fazla kilo kaybetti
Helander ve ark.	2014	J Med Internet Res	Gözlemsel	190,000	Health Mate	Kendini tartma sıklığı, kilo kaybı ile ilişkilidir
Spring ve ark.	2013	J Med Internet Res	RCT	69	Uygulama + koçluk	Teknoloji destekli izleme, diyet kalitesini artırdı

Temel Kanıt: Öz İzleme İşe Yarıyor

Kalori takibine dair temel kanıt, akıllı telefon uygulamalarından önceye dayanır. Hollis ve ark. (2008), American Journal of Preventive Medicine dergisinde yayımlanan önemli Kilo Kaybı Bakım Deneyi'nde, günlük gıda kayıtları tutan katılımcıların, tutmayanlara göre iki kat daha fazla kilo kaybettiğini göstermiştir (6 ayda 8.2 kg vs. 3.7 kg). Bu çalışma, 1,685 yetişkin örnekleminde beslenme öz izlemesini kilo kaybının en güçlü davranışsal belirleyicisi olarak kurmuştur.

Burke ve ark. (2011), Journal of the American Dietetic Association dergisinde yayımlayarak bu bulguyu genişletmiş ve elektronik öz izlemenin (PDA tabanlı bir takip cihazı kullanarak) kağıt günlüğü ile karşılaştırmasını yapmıştır. Elektronik öz izleme grubu, kaydetme konusunda önemli ölçüde daha yüksek uyum ve daha fazla tutarlılık göstermiştir; bu da teknolojinin beslenme kaydıyla ilgili zorlukları azalttığını düşündürmektedir.

Bu temel çalışmalar, mekanizmayı göstermektedir: Takip, beslenme seçimleriyle bilinçli bir etkileşim sağlamaktadır ve bu da farkındalık ile davranış arasında bir geri bildirim döngüsü oluşturur.

Sistematik İncelemelerin Sonuçları

Ferrara ve ark. (2019): Uygulamalar Öz İzleme Uyumunu Artırıyor

Ferrara ve arkadaşları, The International Journal of Behavioral Nutrition and Physical Activity dergisinde yayımlanan sistematik bir inceleme ile mobil diyet takip uygulamalarını değerlendiren 18 çalışmayı inceledi. İnceleme, uygulama tabanlı öz izlemenin, geleneksel kağıt tabanlı yöntemlere göre diyet kaydına uyumu artırdığını sonucuna vardı. Yazarlar, zaman yükünün azaltılmasının önemli bir faktör olduğunu belirtti: Uygulama tabanlı kayıt, günde ortalama 5 ila 15 dakika alırken, kağıt tabanlı yöntemler 15 ila 30 dakika sürmektedir.

İnceleme ayrıca önemli bir boşluğu da ortaya koydu: Çok az çalışma, farklı uygulamaların doğruluğunu birbirleriyle veya referans diyet değerlendirme yöntemleriyle karşılaştırdı. Çoğu çalışma, ölçüm doğruluğundan ziyade davranışsal sonuçları (kilo kaybı, uyum) ölçtü ve hangi uygulamaların en güvenilir verileri sağladığı sorusu büyük ölçüde yanıtlanmamış kaldı.

Tay ve ark. (2020): Uygulama Tabanlı Takip Geleneksel Değerlendirme ile Karşılaştırılabilir

Tay ve arkadaşları, Nutrients dergisinde yayımlanan 22 çalışmayı inceleyerek uygulama tabanlı beslenme değerlendirmesini geleneksel yöntemlerle (24 saatlik diyet hatırlatmaları ve gıda sıklığı anketleri) karşılaştırdı. İnceleme, uygulamaların makro besinler için geleneksel yöntemlerle karşılaştırılabilir diyet tahminleri ürettiğini buldu; ancak mikro besinlerdeki uyum daha değişkenlik gösterdi.

Yazarlar, uygulamanın temel veritabanının kalitesinin önemli bir etkileyici faktör olduğunu belirtti. Küratörlü veritabanları kullanan uygulamalar, kalabalık kaynaklı veritabanları kullanan uygulamalara göre referans yöntemlerle daha güçlü bir uyum gösterdi. Bu bulgu, veritabanı metodolojisinin, yalnızca takip etme eyleminin değil, toplanan verilerin değerini belirlediğini doğrudan desteklemektedir.

Evenepoel ve ark. (2020): MyFitnessPal Yaygın Kullanılıyor Ancak Doğruluğu Sorgulanıyor

Evenepoel ve arkadaşları, MyFitnessPal'ı diyet değerlendirme aracı olarak kullanan 15 çalışmayı inceledi. Obesity Science & Practice dergisinde yayımlanan inceleme, MFP'nin yayımlanan araştırmalarda en sık kullanılan ticari uygulama olduğunu buldu; bu, esasen pazar payı ve isim tanınırlığına dayanmaktadır. Ancak inceleme, veritabanı doğruluğu ile ilgili tekrarlayan endişeleri de ortaya koydu; birçok çalışma, kalabalık kaynaklı girişlerde hatalar olduğunu belirtti.

Yazarlar, MFP'nin "araştırma kullanımı için kabul edilebilir" olduğunu, diyet alımının ikincil bir sonuç olduğu ve kaba tahminlerin yeterli olduğu çalışmalarda kullanılabileceğini, ancak kesin diyet ölçümünün kritik olduğu çalışmalarda kullanılmaması gerektiğini vurguladı.

Uygulama Doğruluğuna Dair Kanıt

Tosi ve ark. (2022): Veritabanı Hatalarını Nicelendirme

Tosi ve arkadaşları, Nutrients dergisinde yayımlanan ticari kalori takip uygulamalarının en titiz doğruluk testlerinden birini gerçekleştirdi. MyFitnessPal, FatSecret ve Yazio'dan elde edilen kalori ve makro besin tahminlerini, 40 İtalyan gıda maddesi için laboratuvar analiz değerleriyle karşılaştırdılar.

Sonuçlar, uygulama ve gıda kategorisine bağlı olarak %7 ila %28 arasında ortalama mutlak yüzde hataları ortaya koydu. Uygulamalar, basit, tek bileşenli gıdalar (çiğ meyve, sade tahıllar) için en iyi performansı gösterirken, karmaşık yemekler (hazırlanmış yemekler, geleneksel tarifler) için en kötü performansı sergiledi. Yazarlar, hataların esasen veritabanı yanlışlıklarından kaynaklandığını, izleme yaklaşımının metodolojik sınırlamalarından ziyade, belirttiler.

Chen ve ark. (2019): Veritabanı Metodolojisi Etkisi

Chen ve arkadaşları, 180 yetişkin örnekleminde altı ticari diyet takip uygulamasını 3 günlük tartılmış gıda kayıtları ile değerlendirdi. Çalışma, USDA'ya dayalı veritabanları kullanan uygulamaların %7 ila %12 arasında enerji sapmaları gösterdiğini, kalabalık kaynaklı verilere dayananların ise %15 ila %25 sapma gösterdiğini buldu.

Bu çalışma, veritabanı metodolojisinin takip doğruluğunu önemli ölçüde etkilediğine dair en doğrudan kanıtı sunmaktadır. USDA'ya dayalı ve kalabalık kaynaklı veritabanları arasındaki fark (7-12% vs. 15-25% hata), tipik bir diyet için günde birkaç yüz kalori farkına dönüşmektedir.

Franco ve ark. (2016): Mikro Besin Takibi Sınırlamaları

Franco ve arkadaşları, JMIR mHealth and uHealth dergisinde MyFitnessPal ve Lose It! uygulamalarını klinik bir kilo yönetim programında test etti. Her iki uygulama da ortalama %30'dan fazla sodyum içeriğini düşük tahmin etti. Bu bulgu, hipertansiyon yönetimi için sodyum takibi yapan kullanıcılar için doğrudan klinik sonuçlar doğurmakta ve USDA mikro besin verilerini tam olarak entegre etmeyen uygulamaların daha geniş sınırlamalarını vurgulamaktadır.

Uyum ve Katılım Üzerine Kanıtlar

Laing ve ark. (2014): Katılım Sorunu

Laing ve arkadaşları, 212 kilolu veya obez yetişkinle MyFitnessPal'ı birincil bakım kilo kaybı ortamında test etti. JMIR mHealth and uHealth dergisinde yayımlanan çalışma, uygulama grubundaki katılımcıların %78'inin MFP'yi en az bir kez kullandığını, ancak yalnızca %3'ünün altı ay sonra hala kayıt yaptığını buldu.

Bu katılımda dramatik düşüş, uygulama tabanlı takip literatüründe en çok alıntılanan bulgulardan biridir. Bu durum, yalnızca bir uygulama sağlamanın, ek davranışsal destek olmadan sürdürülebilir beslenme öz izlemesi için yetersiz olduğunu önermektedir.

Harvey ve ark. (2019): Tutarlılık Anahtar

Harvey ve arkadaşları, Appetite dergisinde yayımlanan bir çalışmada 1,422 MyFitnessPal kullanıcısının verilerini analiz etti. Tutarlı bir şekilde kayıt yapan kullanıcıların (günlerin %50'sinden fazlasında kayıt yapanlar) düzensiz kayıt yapanlardan önemli ölçüde daha fazla kilo kaybettiğini buldular. Kayıt tutarlılığı ile kilo kaybı arasındaki doz-tepki ilişkisi doğrusal bir ilişki gösterdi: daha sık kayıt, daha fazla kilo kaybını öngördü.

Bu bulgu, uygulama tasarımı için önemli sonuçlar taşımaktadır. Kayıt zorluğunu azaltan özellikler (Nutrola'nın AI fotoğraf tanıma ve sesle kayıt gibi) katılım düşüşünü ele alır. Bir öğünü kaydetmek birkaç saniye sürdüğünde, kullanıcıların Harvey ve arkadaşlarının başarıyı öngördüğü tutarlılığı sürdürme olasılığı daha yüksektir.

Mevcut Kanıt Temelindeki Boşluklar

Büyüyen araştırma havuzuna rağmen, uygulama tabanlı kalori takibi için önemli boşluklar bulunmaktadır.

Başka uygulamalarla doğrudan karşılaştırmalar az. Çoğu çalışma, bir uygulamayı referans yöntemiyle test etmektedir. Uygulamalar arasında doğrudan karşılaştırmalar nadirdir, bu da yalnızca yayımlanan kanıtlara dayanarak bir uygulamanın diğerine kesin olarak önerilmesini zorlaştırmaktadır.

Hızla gelişen teknoloji. Uygulamalar, veritabanlarını ve özelliklerini düzenli olarak güncellemektedir; bu da çalışma bulgularının yayımlanmasından birkaç yıl sonra geçerliliğini yitirmesine neden olabilir. 2019'daki MFP doğruluk çalışması, uygulamanın 2026 veritabanını yansıtmayabilir.

Araştırma popülasyonlarında seçim yanlılığı. Çalışmalar, motive olmuş gönüllüleri işe alır; bu da tipik uygulama kullanıcılarını temsil etmeyebilir. Araştırma ortamlarında gözlemlenen uyum oranları ve sonuçlar, daha geniş kullanıcı popülasyonuna genellenemeyebilir.

Mikro besin doğrulamasında sınırlı. Çoğu doğruluk çalışması, enerji ve makro besinlere odaklanmaktadır. Mikro besin doğruluğu, kapsamlı diyet değerlendirmesi için eşit derecede önemli olmasına rağmen daha az çalışmada değerlendirilmiştir.

Uzun vadeli kanıt eksikliği. Uygulama kullanıcılarını 12 aydan fazla takip eden az sayıda çalışma bulunmaktadır. Sürekli uygulama tabanlı takibin beslenme davranışları ve sağlık sonuçları üzerindeki uzun vadeli etkileri yeterince incelenmemiştir.

Uygulama Seçimi İçin Çıkarımlar

Hakemli kanıtlar, bir kalori takip uygulaması seçerken dikkate alınması gereken birkaç öneriyi desteklemektedir:

1. Doğrulanmış bir veritabanına sahip bir uygulama seçin. Chen ve arkadaşları (2019), USDA'ya dayalı veritabanlarının kalabalık kaynaklı alternatiflere göre önemli ölçüde daha doğru tahminler ürettiğini göstermiştir. Nutrola ve Cronometer bu kategoride öne çıkmaktadır.

2. Kayıt zorluğunu en aza indiren bir uygulama seçin. Laing ve arkadaşları (2014) ve Harvey ve arkadaşları (2019), katılımın hızla düştüğünü ve tutarlılığın sonuçları öngördüğünü göstermiştir. AI destekli kayıt özellikleri (fotoğraf tanıma, ses girişi) bu engeli doğrudan ele alır. Nutrola'nın doğrulanmış veritabanı ile AI kayıt kombinasyonu, hem doğruluk hem de uyum açısından benzersiz bir çözüm sunmaktadır.

3. Kapsamlı besinleri takip eden bir uygulama seçin. Franco ve arkadaşları (2016) ve Griffiths ve arkadaşları (2018), mikro besin takibinin çoğu uygulamada daha az doğru ve eksik olduğunu göstermiştir. 80'den fazla besini takip eden uygulamalar, temelde daha eksiksiz bir diyet resmi sunmaktadır.

4. Sadece uygulamaya güvenmeyin. Laing ve arkadaşları (2014) ve Turner-McGrievy ve arkadaşları (2013), yalnızca uygulama tabanlı müdahalelerin, davranışsal destek, koçluk veya yapılandırılmış programlarla birleştirilen uygulamalara göre daha az etkili olduğunu göstermiştir.

Sıkça Sorulan Sorular

Kalori takip uygulamalarının kilo kaybına yardımcı olduğuna dair bilimsel bir kanıt var mı?

Evet. Birçok randomize kontrollü çalışma, uygulamalar kullanarak yapılan diyet öz izlemenin, kayıtsız kalmaya göre kilo kaybı sonuçlarını iyileştirdiğini göstermiştir. Patel ve arkadaşları (2019), uygulama tabanlı takiple 12 ayda önemli kilo kaybı sağlandığını göstermiştir. Ferrara ve arkadaşları (2019), sistematik bir incelemede uygulamaların öz izleme uyumunu artırdığını doğrulamıştır. Ancak, etkinlik tutarlı kullanıma bağlıdır. Laing ve arkadaşları (2014), ek destek olmadan katılımcıların yalnızca %3'ünün altı ayda uygulama kullanımını sürdürebildiğini bulmuştur.

Araştırmalara göre kalori takip uygulamalarının doğruluğu ne kadar?

Doğruluk, uygulamaya göre önemli ölçüde değişiklik göstermektedir. Tosi ve arkadaşları (2022), uygulamalar arasında %7-28 arasında enerji sapmaları bulmuşlardır; kalabalık kaynaklı veritabanları kullanan uygulamalar en büyük hataları göstermiştir. Chen ve arkadaşları (2019), USDA'ya dayalı uygulamaların %7-12 sapma gösterdiğini, kalabalık kaynaklı uygulamaların ise %15-25 sapma gösterdiğini bulmuştur. 2,000 kalorilik günlük alım için bu, 140-240 kalori ile 300-500 kalori arasında bir hata farkına dönüşmektedir.

Hangi kalori takip uygulaması en fazla bilimsel kanıta sahiptir?

MyFitnessPal, en fazla yayımlanan çalışmada (150'den fazla) alıntılanmıştır; bu, esasen pazar payına dayanmaktadır. Ancak, Cronometer, veri doğruluğunun kritik olduğu kontrollü araştırmalar için tercih edilmektedir. Nutrola'nın metodolojisi, profesyonel çapraz referans ve doğrulama ile USDA FoodData Central'a dayanan araştırma düzeyindeki veri standartları ile uyumludur.

Araştırmacılar herhangi bir özel kalori takip uygulamasını öneriyor mu?

Araştırmacılar genellikle belirli ticari ürünleri onaylamazlar, ancak uygulama seçim kalıpları bilgilendiricidir. Kesin diyet ölçümü gerektiren çalışmalar, genellikle küratörlü, USDA'ya dayalı veritabanları olan uygulamaları (Cronometer ve giderek Nutrola'nın doğrulama seviyesine sahip uygulamalar) seçmektedir. Diyet alımının ikincil bir sonuç olduğu çalışmalarda ise katılımcıların zaten yüklediği uygulamalar daha sık kullanılmaktadır; bu genellikle MFP'dir.

Araştırmalar, AI destekli kalori takibi hakkında ne diyor?

AI destekli gıda tanıma, sınırlı ancak büyüyen bir araştırma alanıdır. Thames ve arkadaşları (2021), bilgisayarla görme gıda tanıma doğruluğunu değerlendirerek umut verici ancak kusurlu sonuçlar bulmuşlardır. Literatürden elde edilen ana içgörü, AI kaydı doğruluğunun, hem AI modelinin gıda tanıma doğruluğuna hem de eşleştirildiği beslenme veritabanının doğruluğuna bağlı olduğudur. Doğru bir AI tanımlaması, yanlış bir veritabanı girişi ile bağlantılı olduğunda, yine de yanlış bir kalori tahmini üretmektedir.