Araştırmacılar Klinik Denemelerde Hangi Kalori Takip Uygulamalarını Kullanıyor? Yayınlanmış Çalışmaların Anketi

Araştırmacılar, diyet alımını izlemek için bir klinik deneme tasarladıklarında, bir takip aracının seçimi, veri kalitesi üzerinde doğrudan etkisi olan metodolojik bir karardır. Tüketicilerin estetik veya fiyat gibi unsurlara göre bir uygulama seçebileceği durumların aksine, araştırmacılar takip uygulamalarını ölçüm geçerliliği, veri dışa aktarma yetenekleri, katılımcı uyum özellikleri ve yeniden üretilebilirlik açısından değerlendirir. Yayınlanmış klinik araştırmalarda en sık görülen uygulamalar, bilim camiasının verilerine güvenerek hangi araçları tercih ettiğini gösteren titiz bir seçim sürecini yansıtır.

Bu makalede, yayınlanmış klinik araştırma literatürü incelenerek hangi kalori takip uygulamalarının denemelerde kullanıldığı, araştırmacıların belirli uygulamaları neden seçtiği ve bir uygulamanın araştırma düzeyinde diyet izleme için uygun olmasını sağlayan özellikler belirlenmiştir.

Çalışma Bazında Anket Tablosu

Çalışma	Dergi	Yıl	Kullanılan Uygulama	Çalışma Türü	Örnek Büyüklüğü	Neden Bu Uygulama Seçildi
Athinarayanan ve ark.	Frontiers in Endocrinology	2019	Cronometer	RCT	262	Ketojenik diyet izleme için kapsamlı mikro besin takibi
Stringer ve ark.	Frontiers in Nutrition	2021	Cronometer	Müdahale	42	Kontrol altındaki diyet analizi için USDA/NCCDB veri güvenilirliği
Patel ve ark.	Obesity	2019	Lose It!	RCT	218	Uygulama tabanlı takiple davranışsal kilo kaybı müdahalesi
Turner-McGrievy ve ark.	JAMA Internal Medicine	2017	Birden Fazla (Lose It! dahil)	RCT	96	Diyet öz-monitoring yöntemlerinin karşılaştırılması
Laing ve ark.	JMIR mHealth uHealth	2014	MyFitnessPal	RCT	212	Birincil bakım kilo kaybı müdahalesinin uygulanabilirliği
Carter ve ark.	J Med Internet Res	2013	MFP tarzı uygulama	RCT	128	Uygulama ile kağıt günlüğü karşılaştırması
Harvey ve ark.	Appetite	2019	MyFitnessPal	Gözlemsel	1,422	Kayıt tutma tutarlılığı ve kilo kaybı sonuçları
Spring ve ark.	J Med Internet Res	2013	Özel uygulama	RCT	69	Koçluk ile teknoloji destekli diyet izleme
Tosi ve ark.	Nutrients	2022	MFP, FatSecret, Yazio	Doğrulama	40 gıda	Laboratuvar değerlerine karşı veri tabanı doğruluğu testi
Chen ve ark.	J Am Diet Assoc	2019	6 ticari uygulama	Doğrulama	180	Ağırlıklı kayıtlara karşı çoklu uygulama doğruluğu karşılaştırması
Franco ve ark.	JMIR mHealth uHealth	2016	MFP, Lose It!	Doğrulama	Klinik	Kilo yönetim programında doğruluk değerlendirmesi
Evenepoel ve ark.	Obes Sci Pract	2020	MyFitnessPal	Sistematik inceleme	15 çalışma	Araştırma ortamlarında MFP'nin kapsamlı incelemesi
Hollis ve ark.	Am J Prev Med	2008	Kağıt kayıtlar	RCT	1,685	Uygulama öncesi dönemde öz-monitoring için altın standart
Burke ve ark.	J Am Diet Assoc	2011	PDA takipçisi	RCT	210	Elektronik ile kağıt öz-monitoring karşılaştırması
Ferrara ve ark.	Int J Behav Nutr Phys Act	2019	Birden Fazla	Sistematik inceleme	18 çalışma	Uygulama tabanlı diyet öz-monitoring araçlarının incelemesi

Araştırmacıların Belirli Uygulamaları Seçme Nedenleri

Araştırmacıların uygulama seçimini etkileyen faktörler, tüketici önceliklerinden temelde farklıdır. Bu faktörleri anlamak, bilim camiasının diyet takip aracında neyi değerli bulduğunu ortaya koyar.

Veri Tabanı Doğruluğu ve Derinliği

Araştırmacılar için en kritik faktör veri tabanı doğruluğudur. Diyet alım verileri, bir klinik denemede besin maruziyetini hesaplamak için kullanıldığında, veri tabanı hataları doğrudan ölçüm hatasına dönüşerek tedavi etkilerini gizleyebilir.

Stringer ve ark. (2021), ketojenik diyet çalışmaları için Cronometer'ı seçtiklerini, çünkü USDA FoodData Central ve NCCDB verilerini kullandıklarını açıkça belirtmişlerdir. Çalışma, katılımcıların besin ketozisinde kalmalarını doğrulamak için makro besin oranlarının hassas bir şekilde izlenmesini gerektiriyordu. Tosi ve ark. (2022) tarafından belirtilen kalabalık kaynaklı veri tabanlarındaki karbonhidrat içeriğinde %20'lik bir hata, bir katılımcının ketozis içinde veya dışında olarak yanlış sınıflandırılmasına neden olabilirdi.

Athinarayanan ve ark. (2019) da benzer şekilde, detaylı makro besin izleme gerektiren bir tip 2 diyabet müdahalesi için Cronometer'ı seçmiştir. Çalışmanın sürekli uzaktan bakım modeli, klinik kararları yönlendirmek için doğru diyet verilerine bağımlıydı.

Veri Dışa Aktarma ve Entegrasyon

Araştırmalar, istatistiksel analiz yazılımlarıyla (CSV, SPSS, SAS) uyumlu formatlarda veriye ihtiyaç duyar. Detaylı gıda düzeyinde verileri yapılandırılmış bir formatta dışa aktaramayan uygulamalar, veri tabanı kalitesinden bağımsız olarak araştırma kullanımı için pratik değildir.

Cronometer, gıda düzeyinde besin ayrıntılarıyla birlikte CSV dışa aktarma imkanı sunarak, standart araştırma veri analizi iş akışlarıyla uyumlu hale getirir. Bu özellik, birçok yayınlanmış çalışmada seçim faktörü olarak açıkça belirtilmiştir.

Çoğu tüketici odaklı uygulama, yalnızca özet düzeyinde veriler (günlük toplamlar) sunar, bu da araştırmacıların gerçekleştirebileceği analiz türlerini sınırlar. Araştırma protokolleri genellikle diyet kalıbı puanlarını hesaplamak, belirli gıda grubu alımlarını tanımlamak veya öğün zamanlaması etkilerini analiz etmek için gıda düzeyinde verilere ihtiyaç duyar.

Katılımcı Uyum ve Katılım

Diyet öz-monitoring, araştırma katılımcıları için zahmetli bir süreçtir. Kayıt süresini ve zorluğunu en aza indiren uygulamalar, uyum oranlarını artırır ve bu da veri tamlığını doğrudan etkiler.

Laing ve ark. (2014), MFP çalışmalarında katılımcıların yalnızca %3'ünün altı ay sonra hala kayıt yaptığını bulmuşlardır; bu da katılım zorluğunu vurgulamaktadır. Bu bulgu, araştırmacıları kayıt yükünü azaltan özelliklere sahip uygulamalar aramaya yönlendirmiştir.

Yapay zeka destekli kayıt özellikleri, fotoğraf tanıma ve sesli giriş gibi, araştırma uyumunu artırmak için önemli bir gelişme sunar. Bu özellikler, her bir öğün için kayıt süresini birkaç dakikadan birkaç saniyeye indirerek, çok aylık bir çalışmada kaydedilen öğünlerin oranını anlamlı bir şekilde artırabilir.

Nutrola'nın yapay zeka fotoğraf tanıma, sesli kayıt ve barkod tarama kombinasyonu, farklı katılımcı tercihleri ve kullanım bağlamlarını ele alan üç düşük zorluklu kayıt yöntemi sunar. 1.8 milyon girişe sahip USDA destekli doğrulanmış veri tabanı ile birleştirildiğinde, bu yaklaşım, araştırma düzeyinde veri doğruluğunu korurken katılımcı uyumunu maksimize eder; bu, yalnızca bu iki hedefin birine optimize edilmiş uygulamalarla elde edilmesi zor bir kombinasyondur.

Besin Kapsamı

Mikro besin durumu, diyet kalitesi indeksleri veya belirli besin-hastalık ilişkilerini inceleyen çalışmalar, kapsamlı bir besin setini takip eden uygulamalara ihtiyaç duyar.

Besin Kapsamı	Cronometer	Nutrola	MFP	Lose It!
Takip edilen toplam besin sayısı	82+	80+	19 (standart)	22
Bireysel amino asitler	Evet	Evet	Hayır	Hayır
Bireysel yağ asitleri	Evet	Evet	Kısmi	Hayır
Tüm 13 vitamin	Evet	Evet	Kısmi	Kısmi
Tüm temel mineraller	Evet	Evet	Kısmi	Kısmi
Diyet lif alt türleri	Evet	Evet	Hayır	Hayır

Kardiyovasküler sonuçları inceleyen araştırmalar, detaylı yağ asidi profillerine ihtiyaç duyar. Kemik sağlığı üzerine yapılan çalışmalar, kalsiyum, D vitamini ve K vitamini verilerine ihtiyaç duyar. Zihin sağlığı beslenme araştırmaları, nörotransmitter öncüsü analizi için bireysel amino asit takibini gerektirebilir (triptofan, tirozine). Sadece 80'den fazla besini takip eden uygulamalar, bu araştırma uygulamalarını destekleyebilir.

Maliyet ve Reklam Endişeleri

Araştırma protokolleri, katılımcılar arasında tutarlı koşullar gerektirir. Reklam destekli uygulamalar, iki metodolojik endişe doğurur: reklamlar diyet seçimlerini etkileyebilir (kayıt sırasında gösterilen gıda reklamları) ve reklamların katılımcılar arasında sunumundaki tutarsızlık, kontrol edilemeyen değişkenlik yaratır.

Nutrola'nın EUR 2.50 aylık ücretle reklam içermeyen modeli, her iki endişeyi de ortadan kaldırır. Bir araştırma bütçesinde, katılımcılara reklam içermeyen bir takip aracı sağlama maliyeti, araştırmanın kendisiyle kıyaslandığında önemsizdir; ancak reklam karmaşasını ortadan kaldırmanın metodolojik faydası anlamlıdır.

Araştırma Düzeyinde Özellikler Karşılaştırması

Özellik	Cronometer	Nutrola	MFP	Lose It!
USDA FoodData Central entegrasyonu	Evet	Evet (çapraz referanslı)	Tamamlayıcı	Tamamlayıcı
Veri dışa aktarma (CSV)	Evet	Evet	Sınırlı	Sınırlı
Gıda düzeyinde besin verisi	Evet	Evet	Sadece özet	Sadece özet
Özel gıda girişi protokolleri	Evet	Evet	Evet	Evet
Katılımcı uyum takibi	Sınırlı	Kayıt sıklığı verisi ile	Sınırlı	Sınırlı
Reklam içermeyen deneyim	Ücretli katman	Tüm katmanlar (EUR 2.50/ay)	Sadece ücretli katman
Yapay zeka destekli kayıt	Hayır	Evet (fotoğraf + ses)	Hayır	Hayır
Barkod tarama	Evet	Evet	Evet	Evet

Tüketici Uygulamaları Ötesinde Araştırma Araçları Manzarası

Tüketici uygulamalarını, araştırmalarda kullanılan diyet değerlendirme araçları bağlamında konumlandırmak önemlidir.

Kurumsal Araştırma Araçları

ASA24 (Otomatik Kendin Yönetilen 24 Saatlik Diyet Hatırlatması). Ulusal Kanser Enstitüsü tarafından geliştirilen ASA24, katılımcıları yapılandırılmış bir 24 saatlik diyet hatırlatması sürecinde yönlendiren web tabanlı bir araçtır. USDA FNDDS veri tabanını kullanır ve birçok çalışmada doğrulanmıştır. ASA24, araştırma diyet değerlendirmesi için altın standarttır ancak günlük izleme için tasarlanmamıştır.

NDSR (Araştırma için Beslenme Veri Sistemi). Minnesota Üniversitesi Beslenme Koordinasyon Merkezi tarafından geliştirilen NDSR, mevcut en kapsamlı araştırma diyet analizi aracıdır. NCCDB veri tabanını kullanır ve eğitimli diyetisyenler tarafından işletilmektedir. NDSR, diğer araçların doğrulandığı referans standardıdır. Lisans başına maliyeti (yaklaşık yılda 4,500 dolar) büyük ölçekli katılımcı öz takibi gerektiren çalışmalar için pratik değildir.

Gıda Sıklık Anketleri (FFQ'ler). Uzun süreler boyunca (genellikle aylar veya yıllar) alışılmış diyet alımını değerlendiren yarı nicel anketlerdir. FFQ'ler, büyük epidemiyolojik çalışmalar için verimlidir ancak takip uygulamalarının sağladığı günlük detayları içermez.

Tüketici Uygulamalarının Yeri

Tüketici kalori takip uygulamaları, araştırma aracı manzarasında benzersiz bir niş kaplar: geniş ölçekli günlük, gerçek zamanlı diyet öz-monitoring sağlarlar. Ne ASA24 (periyodik hatırlatmalar) ne de NDSR (eğitimli mülakatçılar gerektirir) ne de FFQ'ler (geriye dönük tahminler) bu tür verileri sağlayabilir.

Haftalarca veya aylarca serbest yaşayan katılımcılarda günlük diyet izleme gerektiren çalışmalar için, tüketici uygulamaları genellikle tek pratik seçenektir. Ana soru, hangi tüketici uygulamasının veri kalitesinin araştırma düzeyindeki araçlara en yakın veriyi sağladığı ve katılımcı uyumu sağlamak için gereken kullanım kolaylığını koruduğudur.

Nutrola ve Cronometer gibi uygulamalar, araştırma araçlarıyla aynı temel veri kaynaklarını (USDA FoodData Central, ulusal veri tabanları) kullanarak, tüketici erişilebilirliği ile araştırma düzeyindeki metodoloji arasında köprü kurar.

Yeni Trendler: Araştırmada Yapay Zeka Takibi

Yapay zeka destekli gıda tanıma entegrasyonu, Laing ve ark. (2014) tarafından belirlenen uyum zorluğunu ele alan yeni bir trenddir.

Katılımcı yükünü azaltma. Yapay zeka fotoğraf kaydı, her bir öğün için kayıt süresini 3-5 dakikadan (manuel giriş) 10-30 saniyeye (fotoğraf çek ve onayla) düşürür. Günde üç öğün içeren 12 haftalık bir çalışmada, bu zaman tasarrufu, katılımcı başına yaklaşık 15-25 saatlik bir azalma anlamına gelir. Yüzlerce katılımcının bulunduğu çalışmalarda, bu, katılımcı yükünde anlamlı bir azalma sağlar ve bu da devamlılık ve veri tamlığını artırabilir.

Objektif porsiyon belgeleme. Öğün fotoğrafları, araştırmacılar veya diyetisyenler tarafından bağımsız olarak incelenebilecek nesnel bir kayıt sağlar ve manuel metin tabanlı kayıtlarda bulunmayan bir doğrulama katmanı ekler.

Doğal dil işleme. Nutrola'da uygulanan sesli kayıt, katılımcıların öğünleri doğal dilde tanımlamasına olanak tanır. Bu yöntem, manuel metin girişi zor olan yaşlı yetişkinler, sınırlı okuryazarlığı olan bireyler ve saha araştırmalarındaki katılımcılar için özellikle değerlidir.

Kritik gereklilik: doğrulanmış arka uç. Araştırma için yapay zeka kaydının faydası, tamamen yapay zeka tarafından tanımlanan gıdaların eşleştirildiği veri tabanının doğruluğuna bağlıdır. "Izgara tavuk göğsü"nü doğru bir şekilde tanımlayan ancak onu yanlış bir kalabalık kaynaklı veri tabanı kaydına eşleştiren bir yapay zeka sistemi, yanlış bir kesinlik sağlar: tanımlama doğru, ancak besin verisi yanlıştır. Bu nedenle, Nutrola'nın mimarisi, yapay zeka kaydını USDA destekli doğrulanmış bir veri tabanı ile eşleştirerek araştırma uygulamaları için özellikle uygun hale gelir.

Araştırma Düzeyinde Bir Takip Uygulaması Seçerken Dikkate Alınması Gereken Kriterler

Yayınlanmış literatürde gözlemlenen kalıplara dayanarak, aşağıdaki kriterler araştırma düzeyinde bir tüketici takip uygulamasını tanımlar:

1. USDA FoodData Central veya eşdeğer bir devlet veri tabanına bağlı veri tabanı. Bu, genel gıda girişlerinin laboratuvar analizine dayalı değerlere dayanmasını sağlar, kullanıcı tarafından gönderilen tahminlere değil.

2. USDA dışındaki girişlerin profesyonel doğrulaması. USDA'da yer almayan markalı ürünler ve yerel gıdalar, doğrulama olmaksızın kalabalık kaynaklı gönderimlerden kabul edilmek yerine profesyonel incelemeye tabi olmalıdır.

3. 60'tan fazla besinin izlenmesi. Mikro besinler, diyet kalitesi veya belirli besin-sağlık ilişkilerini inceleyen çalışmalar, kapsamlı besin kapsama gerektirir.

4. Standart formatlarda gıda düzeyinde veri dışa aktarma. R, SPSS, SAS veya Python'da analiz yapabilen CSV veya eşdeğer bir dışa aktarma.

5. Uyumu maksimize etmek için düşük kayıt zorluğu. Yapay zeka destekli kayıt (fotoğraf, ses, barkod), katılımcı yükünü azaltır ve veri tamlığını artırır.

6. Reklam içermeyen deneyim. Reklam karmaşasını ortadan kaldırır ve kayıt sırasında katılımcının dikkatini azaltır.

7. Tutarlı kullanıcı deneyimi. Çalışma süresince kayıt davranışını etkileyebilecek özellik değişiklikleri veya arayüz modifikasyonları olmamalıdır.

Nutrola, yedi kriterin hepsini karşılar: USDA'ya bağlı ve çapraz referanslı veri tabanı, beslenme uzmanı tarafından doğrulanmış girişler (1.8 milyon), 80'den fazla besin takibi, yapay zeka fotoğraf ve ses kaydı, barkod tarama, EUR 2.50 aylık ücretle reklam içermeyen deneyim ve hem iOS hem de Android'de kullanılabilir.

Sıkça Sorulan Sorular

Hangi kalori takip uygulaması klinik araştırmalarda en yaygın olarak kullanılıyor?

Atıf hacmine göre, MyFitnessPal yayınlanmış araştırmalarda en sık görülen uygulamadır; bu, büyük ölçüde pazar hakimiyetine bağlıdır. Ancak, veri doğruluğunun kritik olduğu kontrollü diyet müdahalelerinde, tercih edilen seçenek Cronometer'dır. Araştırmacılar, popülariteden ziyade veri tabanı metodolojisi ve veri dışa aktarma yeteneklerine göre uygulama seçerler.

Araştırmacılar neden sadece MyFitnessPal'ı kullanmıyorlar, çünkü en popüler olanı?

Popülarite ve araştırma uygunluğu farklı kriterlerdir. Birçok çalışma (Tosi ve ark., 2022; Evenepoel ve ark., 2020), MFP'nin kalabalık kaynaklı veri tabanındaki doğruluk endişelerini belgelemektedir. Hassas beslenme çalışmaları veya kontrollü diyet müdahaleleri yürüten araştırmacılar, MFP'nin sürekli olarak sağladığı verilerden daha doğru verilere ihtiyaç duyarlar. MFP, diyet alımının ikincil bir değişken olduğu ve yaklaşık tahminlerin kabul edilebilir olduğu çalışmalarda kullanılmaktadır.

Nutrola klinik araştırmalarda kullanılabilir mi?

Nutrola'nın metodolojisi, araştırma düzeyindeki gerekliliklerle uyumludur: USDA FoodData Central temeli, beslenme uzmanı çapraz referanslama, 80'den fazla besin takibi ve katılımcı uyumunu maksimize etmek için yapay zeka destekli kayıt. 1.8 milyon doğrulanmış girişi, veri dışa aktarma yetenekleri ve EUR 2.50 aylık ücretle reklam içermeyen tasarımı, hem doğruluk hem de katılımcı etkileşimi gerektiren günlük diyet izleme için araştırma protokollerine uygun hale getirir.

Araştırma diyet araçları (ASA24, NDSR) ile tüketici uygulamaları arasındaki fark nedir?

ASA24 ve NDSR, eğitimli profesyoneller tarafından yürütülen veya yönlendirilen periyodik diyet değerlendirmeleri için tasarlanmıştır. Tüketici uygulamaları (Nutrola, Cronometer, MFP), profesyonel eğitim olmaksızın bireyler tarafından günlük öz takibe yönelik olarak tasarlanmıştır. Tüketici uygulamaları sürekli, gerçek zamanlı izleme konusunda başarılıdır ancak bazı metodolojik titizliklerden feragat edebilir. USDA'ya bağlı veri tabanlarına sahip uygulamalar (Nutrola, Cronometer) bu farkı önemli ölçüde daraltır.

Yapay zeka destekli kalori takibi, araştırmalardaki geleneksel diyet değerlendirmesinin yerini alacak mı?

Yapay zeka destekli takibin, NDSR veya ASA24 gibi yerleşik yöntemlerin tamamen yerini alması pek olası değildir, ancak giderek onları tamamlayacaktır. Yapay zeka takibinin temel araştırma değeri, katılımcı yükünü azaltmak (uyumu ve veri tamlığını artırmak) ve nesnel fotoğrafik belgeleme ile birleştirilmiş olmasıdır. Kritik gereklilik, yapay zeka tanımlamasının doğrulanmış bir besin veri tabanı ile eşleştirilmesidir. Nutrola gibi, yapay zeka kaydı kolaylığını USDA doğrulanmış veri doğruluğuyla birleştiren uygulamalar, bu yeni araştırma uygulaması için en iyi konumda olanlardır.