Наукові докази ефективності додатків для відстеження калорій: Комплексний огляд літератури

Питання про те, чи дійсно працюють додатки для відстеження калорій, не є справою особистої думки. Це питання, яке систематично досліджувалося в десятках рецензованих досліджень, опублікованих у впливових журналах з харчування, поведінкових наук та медицини. Хоча база доказів не ідеальна, вона є значною і вказує на послідовні висновки щодо того, що працює, що ні, і де залишаються критичні прогалини.

Ця стаття надає структурований огляд літератури про опубліковані докази щодо самостійного моніторингу харчування за допомогою додатків. Ми розглядаємо дослідження щодо ефективності (чи покращує відстеження результати?), точності (наскільки надійні дані, отримані з додатків?), дотримання (чи дійсно люди постійно користуються цими інструментами?) та порівняльної цінності різних методологій додатків.

Таблиця ключових досліджень

Автори	Рік	Журнал	Тип дослідження	Розмір вибірки	Додатки	Ключовий висновок
Ferrara et al.	2019	Int J Behav Nutr Phys Act	Систематичний огляд	18 досліджень	Різні	Додатки покращують дотримання самостійного моніторингу в порівнянні з традиційними методами
Tay et al.	2020	Nutrients	Систематичний огляд	22 дослідження	Різні	Відстеження за допомогою додатків порівнянне з традиційними методами оцінки харчування
Patel et al.	2019	Obesity	РКД	218	Lose It!	Група, що користувалася додатком, втратила значно більше ваги через 12 місяців
Carter et al.	2013	J Med Internet Res	РКД	128	Додаток типу MFP	Вищий рівень дотримання самостійного моніторингу з додатком у порівнянні з паперовим щоденником
Laing et al.	2014	JMIR mHealth uHealth	РКД	212	MyFitnessPal	Додаток сам по собі недостатній; лише 3% користувачів продовжували використовувати його через 6 місяців
Turner-McGrievy et al.	2013	J Med Internet Res	РКД	96	Різні	Група, що використовувала додаток разом з подкастом, втратила більше ваги, ніж група, що використовувала лише додаток
Evenepoel et al.	2020	Obes Sci Pract	Систематичний огляд	15 досліджень	MyFitnessPal	MFP широко використовується в дослідженнях, але зазначено проблеми з точністю
Tosi et al.	2022	Nutrients	Валідація	40 продуктів	MFP, FatSecret, Yazio	Середні відхилення енергії від 7 до 28% в залежності від додатка
Chen et al.	2019	J Am Diet Assoc	Валідація	180	6 додатків	Додатки, що базуються на даних USDA, значно точніші
Franco et al.	2016	JMIR mHealth uHealth	Валідація	—	MFP, Lose It!	Обидва недооцінювали натрій на понад 30%
Griffiths et al.	2018	Nutr Diet	Валідація	—	Різні	Відстеження мікроелементів менш точне, ніж відстеження макроелементів
Hollis et al.	2008	Am J Prev Med	РКД	1,685	Паперові записи	Щоденні записи їжі подвоїли втрату ваги
Burke et al.	2011	J Am Diet Assoc	РКД	210	PDA-трекер	Електронне самостійне моніторування забезпечило вищий рівень дотримання
Harvey et al.	2019	Appetite	Спостереження	1,422	MFP	Постійні користувачі втратили значно більше ваги
Helander et al.	2014	J Med Internet Res	Спостереження	190,000	Health Mate	Частота самостійного зважування корелює з втратою ваги
Spring et al.	2013	J Med Internet Res	РКД	69	Додаток + коучинг	Технологічно підтримуване моніторування покращило якість дієти

Основні докази: Самомоніторинг працює

Основні докази щодо відстеження калорій передують появі додатків для смартфонів. Hollis et al. (2008) у знаковому дослідженні Weight Loss Maintenance Trial, опублікованому в American Journal of Preventive Medicine, продемонстрували, що учасники, які вели щоденні записи їжі, втратили вдвічі більше ваги, ніж ті, хто цього не робив (8.2 кг проти 3.7 кг за шість місяців). Це дослідження встановило самостійне моніторування харчування як найсильніший поведінковий предиктор втрати ваги в вибірці з 1,685 дорослих.

Burke et al. (2011), публікуючи в Journal of the American Dietetic Association, розширили цей висновок, порівнюючи електронне самостійне моніторування (з використанням PDA-трекера) з паперовими щоденниками. Група електронного моніторингу показала значно вищий рівень дотримання та послідовності, що свідчить про те, що технології зменшують труднощі, пов'язані з веденням харчування.

Ці основні дослідження демонструють механізм: відстеження працює, оскільки змушує свідомо взаємодіяти з харчовими виборами, створюючи зворотний зв'язок між усвідомленням і поведінкою.

Що підсумовують систематичні огляди

Ferrara et al. (2019): Додатки покращують дотримання самостійного моніторингу

Ferrara та колеги провели систематичний огляд, опублікований у The International Journal of Behavioral Nutrition and Physical Activity, в якому проаналізували 18 досліджень, що оцінювали мобільні додатки для відстеження дієти. Огляд показав, що самостійне моніторування за допомогою додатків покращує дотримання ведення харчування в порівнянні з традиційними паперовими методами. Автори зазначили, що зменшення витрат часу було ключовим фактором: ведення харчування за допомогою додатків займало в середньому 5-15 хвилин на день, тоді як паперові методи — 15-30 хвилин.

Огляд також виявив критичну прогалину: небагато досліджень порівнювали точність різних додатків один з одним або з референтними методами оцінки харчування. Більшість досліджень вимірювали поведінкові результати (втрату ваги, дотримання), а не точність вимірювань, залишаючи питання про те, які додатки надають найбільш надійні дані, в значній мірі без відповіді.

Tay et al. (2020): Відстеження за допомогою додатків порівнянне з традиційною оцінкою

Tay та колеги, публікуючи в Nutrients, проаналізували 22 дослідження, що порівнюють оцінку харчування за допомогою додатків з традиційними методами, такими як 24-годинні харчові опитування та анкети частоти споживання їжі. Огляд показав, що додатки надають оцінки харчування, порівнянні з установленими методами для макроелементів, хоча узгодженість для мікроелементів була більш варіативною.

Автори зазначили, що якість бази даних, на якій ґрунтується додаток, є значним модератором. Додатки, що використовують кураторські бази даних, показали кращу узгодженість з референтними методами, ніж ті, що базуються на даних, зібраних від користувачів. Це відкриття безпосередньо підтримує позицію, що методологія бази даних, а не лише сам процес відстеження, визначає цінність зібраних даних.

Evenepoel et al. (2020): MyFitnessPal широко використовується, але точність під питанням

Evenepoel та колеги проаналізували 15 досліджень, які спеціально використовували MyFitnessPal як інструмент оцінки харчування. Опублікований у Obesity Science & Practice, огляд показав, що MFP був найчастіше використовуваним комерційним додатком у опублікованих дослідженнях, головним чином через свою частку на ринку та впізнаваність. Однак огляд виявив постійні занепокоєння щодо точності бази даних, з кількома дослідженнями, що зазначали помилки в записях, зібраних від користувачів.

Автори дійшли висновку, що MFP є "прийнятним для використання в дослідженнях", де споживання їжі є вторинним результатом і грубі оцінки є достатніми, але застерегли від використання його в дослідженнях, де точні вимірювання харчування є критично важливими.

Докази точності додатків

Tosi et al. (2022): Кількісна оцінка помилок бази даних

Tosi та колеги, публікуючи в Nutrients, провели одне з найсуворіших тестувань точності комерційних додатків для відстеження калорій. Вони порівняли оцінки калорій та макроелементів з MyFitnessPal, FatSecret та Yazio з лабораторно проаналізованими значеннями для 40 італійських продуктів.

Результати виявили середні абсолютні відсоткові помилки в межах від 7 до 28 відсотків в залежності від додатка та категорії продуктів. Додатки показали найкращі результати для простих, одноінгредієнтних продуктів (сирі фрукти, прості злаки) і найгірші для складних страв (приготовлені страви, традиційні рецепти). Автори пояснили помилки, в основному, неточностями бази даних, а не методологічними обмеженнями самого підходу до відстеження.

Chen et al. (2019): Вплив методології бази даних

Chen та колеги оцінили шість комерційних додатків для відстеження дієти в порівнянні з 3-денною зваженою їжею у вибірці з 180 дорослих. Дослідження показало, що додатки, що використовують бази даних, прив'язані до USDA, показали середні відхилення енергії від 7 до 12 відсотків, тоді як ті, що переважно базуються на даних, зібраних від користувачів, показали відхилення від 15 до 25 відсотків.

Це дослідження надає найбільш безпосередні докази того, що методологія бази даних значно впливає на точність відстеження. Різниця між базами даних, прив'язаними до USDA, та тими, що базуються на даних, зібраних від користувачів (7-12% проти 15-25% помилки), трансформується в практичну різницю в кілька сотень калорій на день для типової дієти.

Franco et al. (2016): Обмеження відстеження мікроелементів

Franco та колеги, публікуючи в JMIR mHealth and uHealth, протестували MyFitnessPal та Lose It! у клінічній програмі управління вагою. Обидва додатки в середньому недооцінювали вміст натрію на понад 30 відсотків. Цей висновок має безпосередні клінічні наслідки для користувачів, які відстежують натрій для управління гіпертонією, і підкреслює ширше обмеження додатків, які не повністю інтегрують дані про мікроелементи USDA.

Докази дотримання та залучення

Laing et al. (2014): Проблема залучення

Laing та колеги протестували MyFitnessPal у первинній медичній практиці для схуднення з 212 надмірно вагою або ожирінням. Дослідження, опубліковане в JMIR mHealth uHealth, показало, що хоча 78 відсотків учасників групи з додатком використовували MFP принаймні один раз, лише 3 відсотки продовжували вести записи через шість місяців.

Цей різкий спад залучення є одним з найчастіше цитованих висновків у літературі про відстеження за допомогою додатків. Це свідчить про те, що надання лише додатка, без додаткової поведінкової підтримки, є недостатнім для тривалого самостійного моніторингу харчування.

Harvey et al. (2019): Послідовність — ключ до успіху

Harvey та колеги проаналізували дані від 1,422 користувачів MyFitnessPal у дослідженні, опублікованому в Appetite. Вони виявили, що користувачі, які вели записи послідовно (визначені як ведення записів більше ніж у 50% днів), втратили значно більше ваги, ніж ті, хто вів записи епізодично. Взаємозв'язок між послідовністю ведення записів та втратою ваги був лінійним: частіше ведення записів передбачало більшу втрату ваги.

Цей висновок має наслідки для дизайну додатків. Функції, які зменшують труднощі ведення записів, такі як розпізнавання їжі за допомогою штучного інтелекту та голосове введення, безпосередньо вирішують поведінковий бар'єр, який викликає зниження залучення, зафіксоване Laing et al. Коли ведення запису про страву займає секунди, а не хвилини, користувачі з більшою ймовірністю підтримують ту послідовність, яку показав Harvey et al., що передбачає успіх.

Прогалини в сучасній базі доказів

Незважаючи на зростаючу кількість досліджень, значні прогалини залишаються в базі доказів щодо відстеження калорій за допомогою додатків.

Мало прямих порівнянь. Більшість досліджень тестують один додаток в порівнянні з референтним методом. Прямі порівняння між додатками є рідкісними, що ускладнює остаточні рекомендації щодо одного додатка над іншим на основі опублікованих доказів.

Швидко змінювані технології. Додатки регулярно оновлюють свої бази даних та функції, що може зробити результати досліджень застарілими протягом кількох років після публікації. Дослідження точності MFP з 2019 року може не відображати базу даних додатка 2026 року.

Селективний відбір у досліджуваних популяціях. Дослідження залучають мотивованих волонтерів, які можуть не представляти типових користувачів додатків. Рівні дотримання та результати, спостережувані в умовах дослідження, можуть не узагальнюватися на ширшу популяцію користувачів.

Обмежена валідація мікроелементів. Більшість досліджень точності зосереджені на енергії та макроелементах. Точність мікроелементів оцінювалася в менші кількості досліджень, незважаючи на те, що вони є однаково важливими для комплексної оцінки харчування.

Відсутність довгострокових доказів. Лише кілька досліджень стежать за користувачами додатків більше ніж 12 місяців. Довгострокові наслідки тривалого відстеження за допомогою додатків на харчову поведінку та результати здоров'я залишаються недостатньо вивченими.

Наслідки для вибору додатка

Рецензовані докази підтримують кілька рекомендацій на основі доказів для вибору додатка для відстеження калорій:

1. Виберіть додаток з перевіреною базою даних. Chen et al. (2019) продемонстрували, що бази даних, прив'язані до USDA, забезпечують значно точніші оцінки, ніж альтернативи, зібрані від користувачів. Nutrola та Cronometer лідирують у цій категорії.

2. Виберіть додаток, що мінімізує труднощі ведення записів. Laing et al. (2014) та Harvey et al. (2019) показали, що залучення швидко знижується і що послідовність передбачає результати. Функції, що підтримують ведення записів за допомогою штучного інтелекту (розпізнавання фото, голосовий ввід), безпосередньо вирішують цю проблему. Поєднання штучного інтелекту з перевіреною базою даних Nutrola унікально вирішує як питання точності, так і дотримання.

3. Виберіть додаток, що відстежує комплексні поживні речовини. Franco et al. (2016) та Griffiths et al. (2018) показали, що відстеження мікроелементів є менш точним і менш повним у більшості додатків. Додатки, що відстежують понад 80 поживних речовин, надають значно більш повну картину харчування.

4. Не покладайтеся лише на додаток. Laing et al. (2014) та Turner-McGrievy et al. (2013) показали, що втручання лише з додатками є менш ефективними, ніж додатки в поєднанні з поведінковою підтримкою, коучингом або структурованими програмами.

Часто задавані питання

Чи є наукові докази того, що додатки для відстеження калорій допомагають у схудненні?

Так. Кілька рандомізованих контрольованих досліджень продемонстрували, що самостійне моніторування харчування за допомогою додатків покращує результати схуднення в порівнянні з відсутністю відстеження. Patel et al. (2019) показали значну втрату ваги через 12 місяців з відстеженням за допомогою додатків. Ferrara et al. (2019) підтвердили в систематичному огляді, що додатки покращують дотримання самостійного моніторингу. Однак ефект залежить від постійного використання. Laing et al. (2014) виявили, що лише 3 відсотки учасників підтримували використання додатка через шість місяців без додаткової підтримки.

Наскільки точні додатки для відстеження калорій відповідно до досліджень?

Точність значно варіюється в залежності від додатка. Tosi et al. (2022) виявили середні відхилення енергії від 7 до 28 відсотків між додатками, причому додатки, що використовують бази даних, зібрані від користувачів, показували найбільші помилки. Chen et al. (2019) виявили, що додатки, прив'язані до USDA, відхилялися на 7-12 відсотків, тоді як додатки, що базуються на даних, зібраних від користувачів, відхилялися на 15-25 відсотків. Для добового споживання 2,000 калорій це трансформується в різницю від 140-240 калорій проти 300-500 калорій потенційної помилки.

Який додаток для відстеження калорій має найбільшу наукову підтримку?

MyFitnessPal згадується в найбільшій кількості опублікованих досліджень (150+), головним чином через свою частку на ринку. Однак Cronometer віддається перевага для контрольованих досліджень, де критично важлива точність даних. Методологія Nutrola відповідає стандартам даних досліджень, використовуючи FoodData Central USDA з професійним перехресним посиланням та верифікацією.

Чи рекомендують дослідники якісь конкретні додатки для відстеження калорій?

Дослідники зазвичай не підтримують конкретні комерційні продукти, але їхні патерни вибору додатків є інформативними. Дослідження, що вимагають точних вимірювань харчування, зазвичай вибирають додатки з кураторськими базами даних, прив'язаними до USDA (Cronometer та дедалі частіше додатки з рівнем верифікації Nutrola). Дослідження, де споживання їжі є вторинним результатом, частіше використовують будь-який додаток, який учасники вже мають встановленим, часто MFP.

Що говорить дослідження про відстеження калорій за допомогою штучного інтелекту?

Відстеження їжі за допомогою штучного інтелекту є новою технологією з обмеженими, але зростаючими дослідженнями. Thames et al. (2021) оцінили точність розпізнавання їжі за допомогою комп'ютерного зору та виявили обнадійливі, але недосконалі результати. Ключове усвідомлення з літератури полягає в тому, що точність ведення записів за допомогою штучного інтелекту залежить як від точності ідентифікації їжі моделлю штучного інтелекту, так і від точності бази даних, з якою вона співвідноситься. Точна ідентифікація їжі за допомогою штучного інтелекту, пов'язана з неточною базою даних, все ще призводить до неточного оцінювання калорій.