研究人员在临床试验中使用的卡路里追踪器是什么？已发表研究的调查

当研究人员设计需要监测饮食摄入的临床试验时，选择追踪工具是一项具有直接影响数据质量的方法论决策。与消费者可能基于美观或价格选择应用程序不同，研究人员会根据测量有效性、数据导出能力、参与者合规性特征和可重复性来评估追踪应用。出现在已发表临床研究中的应用程序反映了一个严格的选择过程，揭示了科学界对其数据的信任。

本文调查了已发表的临床研究文献，以确定在试验中使用的卡路里追踪应用程序、研究人员选择特定应用的原因以及使应用适合研究级饮食监测的特性。

逐项研究调查表

研究	期刊	年份	使用的应用	研究类型	样本量	选择该应用的原因
Athinarayanan 等	Frontiers in Endocrinology	2019	Cronometer	RCT	262	适用于生酮饮食监测的全面微量营养素追踪
Stringer 等	Frontiers in Nutrition	2021	Cronometer	干预	42	USDA/NCCDB 数据的可靠性用于控制饮食分析
Patel 等	Obesity	2019	Lose It!	RCT	218	基于应用的行为减重干预
Turner-McGrievy 等	JAMA Internal Medicine	2017	多个（包括 Lose It!）	RCT	96	比较饮食自我监测方法
Laing 等	JMIR mHealth uHealth	2014	MyFitnessPal	RCT	212	初级保健减重干预的可行性
Carter 等	J Med Internet Res	2013	MFP 风格应用	RCT	128	应用与纸质日记的比较
Harvey 等	Appetite	2019	MyFitnessPal	观察性	1,422	记录一致性与减重结果
Spring 等	J Med Internet Res	2013	自定义应用	RCT	69	技术支持的饮食监测与辅导
Tosi 等	Nutrients	2022	MFP, FatSecret, Yazio	验证	40 食品	数据库准确性测试与实验室值对比
Chen 等	J Am Diet Assoc	2019	6 个商业应用	验证	180	多应用准确性与称重记录的比较
Franco 等	JMIR mHealth uHealth	2016	MFP, Lose It!	验证	临床	准确性评估在减重管理程序中的应用
Evenepoel 等	Obes Sci Pract	2020	MyFitnessPal	系统评价	15 项研究	对 MFP 在研究环境中的全面回顾
Hollis 等	Am J Prev Med	2008	纸质记录	RCT	1,685	应用前时代自我监测的黄金标准
Burke 等	J Am Diet Assoc	2011	PDA 追踪器	RCT	210	电子与纸质自我监测的比较
Ferrara 等	Int J Behav Nutr Phys Act	2019	多个	系统评价	18 项研究	应用基础饮食自我监测工具的回顾

研究人员选择特定应用的原因

驱动研究人员选择应用的因素与消费者的优先事项根本不同。理解这些因素揭示了科学界在饮食追踪工具中所重视的内容。

数据库准确性和深度

对研究人员来说，最关键的因素是数据库的准确性。当饮食摄入数据用于计算临床试验中的营养素暴露时，数据库错误会直接转化为测量误差，从而掩盖治疗效果。

Stringer 等（2021）明确表示，他们选择 Cronometer 进行生酮饮食研究是因为其使用了 USDA FoodData Central 和 NCCDB 数据。该研究需要精确跟踪宏量营养素比例，以验证参与者是否维持营养性酮症，这一状态由特定的碳水化合物限制水平定义。Tosi 等（2022）指出，碳水化合物含量的 20% 数据库错误可能会错误分类参与者为处于或不处于酮症状态。

Athinarayanan 等（2019）同样选择 Cronometer 进行需要详细宏量营养素监测的 2 型糖尿病干预。该研究的持续远程护理模型依赖于准确的饮食数据，以指导临床决策关于药物调整。

数据导出和集成

研究需要以与统计分析软件兼容的格式（CSV、SPSS、SAS）导出数据。无法以结构化格式导出详细食品级数据的应用，无论其数据库质量如何，都不适合用于研究。

Cronometer 提供食品级营养成分的 CSV 导出，使其与标准研究数据分析工作流程兼容。这个特性在多项已发表的研究中被明确提及为选择因素。

大多数面向消费者的应用仅提供汇总级数据（每日总量），而不是食品级详细信息，这限制了研究人员可以进行的分析类型。研究协议通常需要食品级数据来计算饮食模式评分、识别特定食品组摄入或分析餐时效应。

参与者合规性和参与度

饮食自我监测对研究参与者来说是一项繁重的任务。能够减少记录时间和摩擦的应用可以提高合规率，这直接影响数据的完整性。

Laing 等（2014）发现，在他们的 MFP 研究中，仅有 3% 的参与者在六个月后仍在记录，突显了参与度的挑战。这一发现促使研究人员寻求具有减少记录负担特性的应用。

AI 驱动的记录功能，如照片识别和语音输入，代表了研究合规性的一项重大进展。这些功能将每餐记录时间从几分钟减少到几秒钟，这可以显著提高在多个月研究中记录的餐食比例。

Nutrola 结合了 AI 照片识别、语音记录和条形码扫描，提供三种低摩擦的记录方式，以满足不同参与者的偏好和使用场景。配合 USDA 验证的 180 万条数据的数据库，这种方法在保持研究级数据准确性的同时，最大限度地提高了参与者的合规性，这一组合在仅优化其中一个目标的应用中是难以实现的。

营养素覆盖

研究微量营养素状态、饮食质量指数或特定营养素与疾病关系的研究需要能够追踪全面营养素的应用。

营养素覆盖	Cronometer	Nutrola	MFP	Lose It!
总追踪营养素数量	82+	80+	19（标准）	22
单独氨基酸	是	是	否	否
单独脂肪酸	是	是	部分	否
所有 13 种维生素	是	是	部分	部分
所有必需矿物质	是	是	部分	部分
膳食纤维亚型	是	是	否	否

研究心血管结果的研究需要详细的脂肪酸谱。骨骼健康研究需要钙、维生素 D 和维生素 K 数据。心理健康营养研究可能需要单独氨基酸的追踪（如色氨酸、酪氨酸）以分析神经递质前体。只有追踪 80 种以上营养素的应用才能支持这些研究应用。

成本和广告问题

研究协议要求参与者之间的条件一致。带广告的应用存在两个方法论问题：广告可能影响饮食选择（在记录时显示的食品广告），而广告展示的不一致性在参与者之间引入了不可控的变异性。

Nutrola 每月 2.50 欧元的无广告模式消除了这两个问题。在研究预算中，为参与者提供无广告追踪工具的成本与研究本身的成本相比微不足道，但消除广告干扰所带来的方法论好处却是显著的。

研究级特性比较

特性	Cronometer	Nutrola	MFP	Lose It!
USDA FoodData Central 集成	是	是（交叉参考）	辅助	辅助
数据导出（CSV）	是	是	有限	有限
食品级营养数据	是	是	仅汇总	仅汇总
自定义食品录入协议	是	是	是	是
参与者合规性追踪	有限	通过记录频率数据	有限	有限
无广告体验	付费层级	所有层级（每月 2.50 欧元）	仅付费层级	仅付费层级
AI 辅助记录	否	是（照片 + 语音）	否	否
条形码扫描	是	是	是	是

研究工具的景观超越消费者应用

将消费者应用置于更广泛的饮食评估工具背景中是重要的。

既有研究工具

ASA24（自动自我管理的 24 小时饮食回忆）。 由国家癌症研究所开发，ASA24 是一款基于网络的工具，引导参与者进行结构化的 24 小时饮食回忆。它使用 USDA FNDDS 数据库，并在多项研究中得到了验证。ASA24 是研究饮食评估的黄金标准，但并不设计用于日常追踪。

NDSR（营养数据系统研究）。 由明尼苏达大学的营养协调中心开发，NDSR 是可用的最全面的研究饮食分析工具。它使用 NCCDB 数据库，由经过培训的饮食访谈员操作。NDSR 是其他工具验证的参考标准。其每年约 4,500 美元的许可费用使其在需要参与者自我追踪的大规模研究中不切实际。

食品频率问卷（FFQs）。 半定量问卷，用于评估通常的饮食摄入，时间跨度通常为几个月到几年。FFQs 对于大型流行病学研究高效，但缺乏追踪应用提供的日常细节。

消费者应用的适用性

消费者卡路里追踪应用在研究工具的景观中占据独特的细分市场：它们能够在大规模上实现每日实时饮食自我监测。无论是 ASA24（周期性回忆）、NDSR（需要经过培训的访谈员）还是 FFQs（回顾性估计）都无法提供这种类型的数据。

对于需要在自由生活参与者中进行数周到数月的每日饮食监测的研究，消费者应用通常是唯一的实用选择。关键问题是哪个消费者应用提供的数据质量最接近研究级工具，同时保持参与者合规所需的易用性。

像 Nutrola 和 Cronometer 这样的应用，使用与研究工具相同的基础数据源（USDA FoodData Central、国家数据库），弥合了消费者可达性与研究级方法论之间的差距。

新兴趋势：研究中的 AI 追踪

将 AI 驱动的食品识别集成到研究协议中是一种新兴趋势，旨在解决 Laing 等（2014）所识别的合规性挑战。

减少参与者负担。 AI 照片记录将每餐追踪时间从 3-5 分钟（手动输入）减少到 10-30 秒（拍照并确认）。在一项为期 12 周的研究中，每天三餐，这一时间节省相当于每位参与者约 15-25 小时。对于有数百名参与者的研究，这代表了参与者负担的显著减少，可以改善留存率和数据完整性。

客观的部分记录。 餐食照片提供了一个客观记录，可以由研究人员或营养师独立审查，增加了手动文本记录所无法提供的验证层。

自然语言处理。 Nutrola 中实施的基于语音的记录允许参与者用自然语言描述餐食。这种方式对那些觉得手动文本输入繁重的人群尤其有价值，包括老年人、识字能力有限的个体以及参与实地研究的参与者。

关键要求：经过验证的后端。 AI 记录在研究中的实用性完全依赖于与之匹配的数据库的准确性。如果 AI 系统正确识别“烤鸡胸肉”，但将其匹配到不准确的众包数据库条目，则提供了虚假的精度：识别是正确的，但营养数据是错误的。这就是为什么 Nutrola 的架构，结合 AI 记录与 USDA 认证的验证数据库，特别适合研究应用的原因。

选择研究级追踪应用的标准

根据已发表文献中观察到的模式，以下标准定义了研究级消费者追踪应用：

1. 数据库基于 USDA FoodData Central 或同等政府数据库。 这确保了通用食品条目基于实验室分析的值，而不是用户提交的估计。

2. 对非 USDA 条目的专业验证。 对于不在 USDA 中的品牌产品和地方食品，应进行专业审核，而不是接受未经验证的众包提交。

3. 追踪 60 种以上营养素。 研究微量营养素、饮食质量或特定营养素与健康关系的研究需要全面的营养素覆盖。

4. 以标准格式导出食品级数据。 CSV 或等效导出，以便在 R、SPSS、SAS 或 Python 中进行分析。

5. 低记录摩擦以最大化合规性。 AI 辅助记录（照片、语音、条形码）减少参与者负担，提高数据完整性。

6. 无广告体验。 消除广告干扰，减少参与者在记录时的分心。

7. 一致的用户体验。 在研究期间没有功能变化或界面修改，以免影响记录行为。

Nutrola 满足所有七个标准：基于 USDA 的交叉参考数据库、营养师验证的条目（180 万条）、追踪 80 种以上营养素、AI 照片和语音记录、条形码扫描、每月 2.50 欧元的无广告体验，并且在 iOS 和 Android 上均可用。

常见问题解答

哪个卡路里追踪应用在临床研究中使用最为普遍？

根据引用量，MyFitnessPal 在已发表的研究中出现频率最高，主要是由于其市场主导地位。然而，对于数据准确性至关重要的控制饮食干预，Cronometer 是首选。研究人员根据数据库方法论和数据导出能力选择应用，而非流行度。

为什么研究人员不直接使用 MyFitnessPal，既然它是最受欢迎的？

流行度和研究适用性是不同的标准。多项研究（Tosi 等，2022；Evenepoel 等，2020）已记录了 MFP 的众包数据库的准确性问题。进行精准营养研究或控制饮食干预的研究人员需要比 MFP 一贯提供的更准确的数据。MFP 在饮食摄入为次要变量且近似估计可接受的研究中使用。

Nutrola 可以用于临床研究吗？

Nutrola 的方法论符合研究级要求：以 USDA FoodData Central 为基础，营养师交叉验证，追踪 80 种以上营养素，以及 AI 辅助记录以最大化参与者合规性。其 180 万条经过验证的条目、数据导出能力和每月 2.50 欧元的无广告设计，使其适合需要每日饮食监测的研究协议，兼具准确性和参与者参与度。

研究饮食工具（ASA24、NDSR）与消费者应用有什么区别？

ASA24 和 NDSR 旨在由经过培训的专业人员进行或指导的周期性饮食评估。消费者应用（Nutrola、Cronometer、MFP）则设计用于没有专业培训的个人进行每日自我追踪。消费者应用在持续实时监测方面表现出色，但可能牺牲一些方法论的严谨性。具有 USDA 认证数据库的应用（Nutrola、Cronometer）显著缩小了这一差距。

AI 驱动的卡路里追踪会取代传统的研究饮食评估方法吗？

AI 驱动的追踪不太可能完全取代 ASA24 或 NDSR 等既有方法，但会越来越多地补充它们。AI 追踪的主要研究价值在于减少参与者负担（提高合规性和数据完整性），并结合客观的照片记录。关键要求是 AI 识别必须与经过验证的营养数据库相结合。像 Nutrola 这样将 AI 记录便利性与 USDA 验证的数据准确性相结合的应用，最有可能在这一新兴研究应用中占据有利位置。