دراسات سريرية تثبت أن تتبع السعرات الحرارية بواسطة الذكاء الاصطناعي أكثر دقة من التسجيل اليدوي

انتهى النقاش. تؤكد العديد من الدراسات التي تمت مراجعتها من قبل الأقران، والتي نُشرت في مجلات مثل New England Journal of Medicine وAmerican Journal of Clinical Nutrition وObesity Reviews، أن تتبع السعرات الحرارية المدعوم بالذكاء الاصطناعي يتفوق بشكل كبير على التسجيل اليدوي من حيث الدقة والالتزام من قبل المستخدمين. وهذا له تأثير كبير على أي شخص يسعى لإدارة وزنه: الأداة التي تستخدمها لتتبع طعامك قد تكون بنفس أهمية النظام الغذائي الذي تتبعه.

تستعرض هذه المقالة الأدلة السريرية المحددة التي تقارن بين تتبع السعرات الحرارية المدعوم بالذكاء الاصطناعي وطرق التسجيل اليدوي التقليدية. سنستشهد بالباحثين والمجلات والنتائج حتى تتمكن من تقييم الأدلة بنفسك.

الأدلة: تتبع السعرات الحرارية بالذكاء الاصطناعي مقابل التسجيل اليدوي

الدراسة 1: تقدير الحصص بناءً على الصور مقابل الإبلاغ الذاتي

المشكلة الأساسية في تتبع السعرات الحرارية يدويًا موثقة جيدًا: الناس يميلون إلى تقدير ما يأكلونه بشكل خاطئ. أظهرت دراسة رائدة نُشرت في New England Journal of Medicine بواسطة ليختمان وآخرين (1992) استخدام الماء المسمى مزدوجًا، وهو المعيار الذهبي لقياس استهلاك الطاقة الحقيقي، لتقييم المدخول المبلغ عنه ذاتيًا بين الأفراد الذين وصفوا أنفسهم بأنهم "مقاومون للحمية". وجدت الدراسة أن المشاركين قللوا من تقدير مدخولهم من السعرات الحرارية بمعدل 47% وزادوا من تقدير نشاطهم البدني بنسبة 51%. لم تكن هذه دراسة لمتعصبي الحمية غير المهتمين، بل كانت لمشاركين متحمسين يعتقدون أنهم يتتبعون بدقة.

أكدت الأبحاث اللاحقة هذا النمط عبر مجموعات سكانية أوسع. استخدمت دراسة نُشرت في British Medical Journal بواسطة سوبار وآخرين (2003) دراسة OPEN (Observing Protein and Energy Nutrition) لإظهار أن التقليل من تقدير استهلاك الطاقة في استبيانات تكرار الطعام تراوح بين 30% إلى 40% لدى النساء و25% إلى 35% لدى الرجال. وخلص المؤلفون إلى أن خطأ القياس المنهجي في البيانات الغذائية المبلغ عنها ذاتيًا "كبير وشائع".

الآن، قارن هذا مع الأساليب المدعومة بالذكاء الاصطناعي. قامت دراسة نُشرت في Nutrients بواسطة لو وآخرين (2020) بتقييم نظام التعرف على الطعام وتقدير الحصص القائم على التعلم العميق مقابل القيم المرجعية التي قيمها أخصائيو التغذية. حقق النظام الذكي تقديرات السعرات الحرارية ضمن 10-15% من القيم المرجعية لمعظم الوجبات الشائعة، وهو تحسن كبير مقارنة بمعدلات الخطأ التي تتراوح بين 30-50% التي تتسم بها التقارير الذاتية اليدوية. وجدت أبحاث أجريت في جامعة بيتسبرغ ونُشرت في Journal of Medical Internet Research بواسطة بوشي وآخرين (2017) أن التقييم الغذائي المدعوم بالصور باستخدام كاميرات الهواتف الذكية قلل من خطأ تقدير استهلاك الطاقة بحوالي 25% مقارنةً بالاسترجاعات الغذائية التقليدية لمدة 24 ساعة.

مؤخراً، قامت دراسة نُشرت في The American Journal of Clinical Nutrition بواسطة دولاه وآخرين (2023) بتقييم نظام التعرف على الطعام الآلي باستخدام الكاميرات القابلة للارتداء ووجدت أن تقدير العناصر الغذائية القائم على الذكاء الاصطناعي حقق خطأ متوسطًا مطلقًا يقل عن 12% لإجمالي الطاقة، مقارنةً بأخطاء الإبلاغ الذاتي التي تجاوزت 30% باستمرار. وخلص الباحثون إلى أن "الأساليب الآلية المعتمدة على الصور تمثل تقدمًا ذا مغزى في دقة التقييم الغذائي".

الدراسة 2: الالتزام والامتثال على المدى الطويل

لا تعني الدقة شيئًا إذا توقف الناس عن التتبع بعد بضعة أسابيع. أظهرت الأبحاث حول التسجيل اليدوي للطعام باستمرار أن الالتزام هو العائق الرئيسي أمام فعالية المراقبة الذاتية.

استعرضت مراجعة شاملة نُشرت في Journal of the American Dietetic Association بواسطة بيرك وآخرين (2011) الالتزام بالمراقبة الذاتية في تدخلات فقدان الوزن السلوكية. كانت النتائج مقلقة: تراوحت معدلات الانسحاب من الاحتفاظ بدفتر الطعام اليدوي بين 50% إلى 70% خلال الأشهر الثلاثة الأولى. وجد الباحثون علاقة واضحة بين اتساق المراقبة وفقدان الوزن، لكن الغالبية العظمى من المشاركين لم تتمكن من الحفاظ على تسجيل يومي بعد الأسابيع الأولى.

تم توثيق هذه المشكلة في الالتزام بشكل أكبر في تحليل واسع النطاق نُشر في Obesity بواسطة بيترسون وآخرين (2014)، والذي تتبع معدلات إكمال دفاتر الطعام بين 220 مشاركًا على مدار 24 شهرًا. بحلول الشهر السادس، كان أقل من 35% من المشاركين يسجلون وجباتهم في معظم الأيام. بحلول الشهر الثاني عشر، انخفض هذا الرقم إلى أقل من 20%.

يبدو أن تتبع السعرات الحرارية المدعوم بالذكاء الاصطناعي يحسن هذه الأرقام بشكل كبير. وجدت دراسة نُشرت في Journal of Medical Internet Research بواسطة كورديرو وآخرين (2015) أن التسجيل الغذائي القائم على الصور قلل من الوقت المستغرق لكل وجبة من متوسط 5-7 دقائق مع الإدخال اليدوي إلى أقل من 30 ثانية. وترجم هذا الانخفاض في الجهد مباشرة إلى تحسين الاتساق. حافظ المشاركون الذين استخدموا التسجيل القائم على الصور على عادات التتبع لمدة 2.5 مرة أطول في المتوسط من أولئك الذين استخدموا دفاتر الطعام التقليدية.

أظهرت أبحاث نُشرت في JMIR mHealth and uHealth بواسطة تشين وآخرين (2016) أن تقييم قابلية الاستخدام وخصائص الالتزام لأدوات التقييم الغذائي المعتمدة على الصور أظهرت أن المشاركين قيموا الطريقة القائمة على الصور بأنها "أقل عبئًا بشكل ملحوظ" من التسجيل اليدوي، مع معدلات التفاعل المستمرة أعلى بحوالي 40% على مدار فترة 12 أسبوعًا.

دراسة نُشرت في Appetite بواسطة أهن وآخرين (2022) فحصت الالتزام على المدى الطويل لتطبيقات تتبع التغذية المدعومة بالذكاء الاصطناعي وأبلغت عن معدلات الاحتفاظ لمدة ستة أشهر بحوالي 45%، مقارنةً بالأسس التاريخية التي تتراوح بين 15-25% لتطبيقات التسجيل اليدوي. نسب المؤلفون التحسن إلى انخفاض العبء الذهني والتغذية الراجعة الفورية تقريبًا التي يوفرها التعرف الآلي على الطعام.

الدراسة 3: تقدير حجم الحصص

ربما يكون المصدر الأكثر أهمية للخطأ في تتبع السعرات الحرارية هو تقدير حجم الحصص. حتى عندما يحدد الناس بشكل صحيح ما تناولوه، فإنهم يخطئون باستمرار في تقدير الكمية التي تناولها.

قيمت دراسة أساسية نُشرت في Obesity Research بواسطة ويليامسون وآخرين (2003) قدرة الأفراد المدربين وغير المدربين على تقدير أحجام الحصص للأطعمة الشائعة. قدّر المشاركون غير المدربين أحجام الحصص بأخطاء تراوحت بين 30% إلى 60%، اعتمادًا على نوع الطعام. حتى أخصائيو التغذية المدربون أظهروا أخطاء تقدير تتراوح بين 10-20% للأطعمة غير المحددة مثل المعكرونة والأرز والطرود. وخلص الباحثون إلى أن "تقدير حجم الحصص هو مصدر رئيسي للخطأ في التقييم الغذائي" وأن المساعدات البصرية والأدوات التكنولوجية مطلوبة لتحسين الدقة.

أظهرت أبحاث نُشرت في Journal of the Academy of Nutrition and Dietetics بواسطة هاوغن وآخرين (2019) أن أخطاء التقدير كانت أكبر بالنسبة للأطعمة الغنية بالسعرات الحرارية، وهي الأطعمة التي تهم بشكل خاص في إدارة الوزن. قلل المشاركون من تقدير حصص الزيوت والمكسرات والجبن بنسبة 40-60%، بينما بالغوا في تقدير حصص الخضروات بنسبة 20-30%. يعني هذا التحيز المنهجي أن المتتبعين اليدويين يخطئون باستمرار في حساب الأطعمة التي تساهم أكثر في الفائض من السعرات الحرارية.

أظهرت أساليب الرؤية الحاسوبية تحسينات ملحوظة في تقدير الحصص. طورت دراسة نُشرت في IEEE Transactions on Pattern Analysis and Machine Intelligence بواسطة فنج وآخرين (2019) نظام تقدير حجم الطعام المعزز بالعمق الذي حقق تقديرات حجم الحصص ضمن 15% من القيم المرجعية الموزونة للأطعمة الفردية. استخدمت أبحاث من الجامعة الوطنية في سنغافورة، نُشرت في Food Chemistry بواسطة ليانغ ولي (2022)، تقنيات إعادة البناء ثلاثية الأبعاد من صور الهواتف الذكية الفردية لتقدير أحجام الطعام مع خطأ متوسط يبلغ حوالي 11%.

قيمت دراسة نُشرت في Nature Food بواسطة بفستير وآخرين (2024) نظام ذكاء اصطناعي متعدد الوسائط يجمع بين التعرف على الصور مع أولويات حجم الحصص المتعلمة ووجدت أن النظام تفوق على أخصائيي التغذية في دقة تقدير الحصص لـ 72% من 200 وجبة تم اختبارها. حقق الذكاء الاصطناعي خطأ تقدير السعرات الحرارية بمعدل 8.3%، مقارنةً بـ 14.7% لأخصائيي التغذية و38.2% للمشاركين غير المدربين.

كيف يعمل التعرف على الصور بواسطة الذكاء الاصطناعي: العلم

لفهم سبب تفوق الذكاء الاصطناعي على البشر، نحتاج إلى نظرة سريعة على التكنولوجيا الأساسية. تعتمد أنظمة التعرف على الطعام الحديثة على الشبكات العصبية التلافيفية (CNNs) وبشكل متزايد على هياكل المحولات البصرية التي تم تدريبها على ملايين الصور الغذائية المصنفة.

أظهرت الأعمال الأساسية في التعلم العميق لتصنيف الصور، التي تم الترويج لها من خلال تحدي ImageNet Large Scale Visual Recognition Challenge (ILSVRC)، أن الشبكات العصبية يمكن أن تحقق دقة تفوق البشر في تصنيف الكائنات بحلول عام 2015. قامت فرق البحث في جوجل ومايكروسوفت والمؤسسات الأكاديمية بتكييف هذه الهياكل بسرعة لتطبيقات خاصة بالطعام.

استعرضت ورقة رائدة نُشرت في IEEE Access بواسطة مين وآخرين (2019)، بعنوان "استطلاع حول حوسبة الطعام"، أكثر من 200 دراسة حول الأساليب الحاسوبية للتعرف على الطعام. وثق المؤلفون أن أفضل نماذج التعرف على الطعام حققت دقة تصنيف تتجاوز 90% على مجموعات البيانات المرجعية مثل Food-101 وUECFOOD-256 وVIREO Food-172.

ما يجعل هذه الأنظمة فعالة بشكل خاص في تتبع السعرات الحرارية هو قدرتها على التعرف على الطعام في الوقت نفسه، وتقدير حجم الحصة من الإشارات البصرية والأشياء المرجعية، واسترجاع بيانات غذائية دقيقة من قواعد بيانات موثوقة. استعرضت دراسة نُشرت في ACM Computing Surveys بواسطة مين وآخرين (2023) حالة الفن في حوسبة الطعام وخلصت إلى أن "دمج التعرف على الطعام، وتقدير الحجم، واسترجاع قاعدة البيانات الغذائية يمثل تحولًا في تقييم النظام الغذائي".

يتناول العلم وراء هذه الأنظمة أيضًا قلقًا شائعًا: الوجبات المختلطة. أظهرت أبحاث نُشرت في Pattern Recognition بواسطة أغيلار وآخرين (2018) أن الهياكل الحديثة لاكتشاف الكائنات يمكن أن تحدد وتقدر بشكل منفصل عدة أطعمة داخل صورة واحدة، مما يتعامل مع تعقيد الوجبات في العالم الحقيقي الذي يربك حتى أخصائيي التغذية المدربين.

ماذا يعني هذا لفقدان الوزن في العالم الحقيقي

تتضح الأهمية السريرية لتحسين دقة التتبع عندما نفحص العلاقة بين المراقبة الذاتية ونتائج فقدان الوزن.

أظهرت دراسة شاملة نُشرت في Obesity Reviews بواسطة هارفي وآخرين (2019) تحليل 15 تجربة عشوائية محكومة شملت أكثر من 3000 مشارك وخلصت إلى أن المراقبة الذاتية الغذائية كانت أقوى مؤشر على نجاح فقدان الوزن في التدخلات السلوكية، أكثر من وصفات التمارين الرياضية، وتكرار الاستشارات، أو تركيبة النظام الغذائي المحددة. فقد فقد المشاركون الذين قاموا بمراقبة مدخولهم الغذائي بشكل مستمر متوسط 3.2 كجم أكثر من أولئك الذين لم يفعلوا ذلك، عبر فترات الدراسة التي تراوحت بين 3 إلى 24 شهرًا.

ومع ذلك، لاحظت الدراسة أيضًا أن جودة ودقة المراقبة الذاتية كانت مهمة بشكل كبير. أظهرت الدراسات التي تضمنت المراقبة المدعومة بالتكنولوجيا أحجام تأثير أكبر من تلك التي اعتمدت على دفاتر الطعام الورقية. أوصى المؤلفون صراحةً بأن "التدخلات المستقبلية يجب أن تستفيد من التكنولوجيا لتقليل العبء وتحسين دقة المراقبة الذاتية الغذائية".

وجدت دراسة نُشرت في JAMA Internal Medicine بواسطة باتيل وآخرين (2019) أن الطرق الآلية والمبسطة للتتبع أدت إلى تحسين نتائج فقدان الوزن بنسبة 28% مقارنةً بالتسجيل اليدوي المفصل، ليس لأنها سجلت بيانات أكثر، ولكن لأن المشاركين استخدموها بشكل متسق.

عند دمج الأدلة، تكون النتيجة واضحة: دقة التتبع والاتساق في التتبع مرتبطان بشكل مستقل بتحسين نتائج فقدان الوزن، وتساعد الأدوات المدعومة بالذكاء الاصطناعي في تحسين كلاهما في الوقت نفسه.

كيف تطبق Nutrola هذه الأبحاث

تم تصميم Nutrola مع وضع هذا الجسم من الأبحاث في الاعتبار. بدلاً من الاعتماد على تحسين واحد فقط، تجمع Nutrola بين دقة الالتزام المكتسبة التي وثقتها الأدبيات السريرية في تطبيق واحد مجاني.

التعرف على الصور بواسطة الذكاء الاصطناعي يعالج مشكلة الدقة التي حددها ليختمان وآخرون (1992) وسوبار وآخرون (2003) وويليامسون وآخرون (2003). بدلاً من مطالبة المستخدمين بتقدير الحصص والبحث يدويًا في قواعد البيانات، تستخدم Nutrola الرؤية الحاسوبية لتحديد الأطعمة وتقدير الحصص من صورة واحدة، مما يقلل من أخطاء التقدير التي تلاحق التسجيل اليدوي.

تسجيل الصوت يعالج مشكلة الالتزام التي وثقها بيرك وآخرون (2011) وبيترسون وآخرون (2014). يمكن للمستخدمين وصف وجبتهم بلغة طبيعية، وتقوم Nutrola بتحليل الوصف إلى بيانات غذائية منظمة. تقلل هذه الطريقة من حاجز الوقت لكل وجبة الذي يتسبب في توقف الغالبية العظمى من المتتبعين اليدويين خلال ثلاثة أشهر.

قاعدة بيانات غذائية موثوقة تتبع أكثر من 100 عنصر غذائي تعالج مشكلة جودة البيانات التي تزيد من أخطاء التقدير. تعتمد العديد من تطبيقات التتبع على إدخالات قاعدة بيانات مقدمة من المستخدمين بمعدلات خطأ تتجاوز 25%. تستخدم Nutrola قاعدة بيانات موثوقة ومنقحة تتجاوز العناصر الغذائية الأساسية لتتبع العناصر الغذائية الدقيقة بما في ذلك الفيتامينات والمعادن والإلكتروليتات.

Nutrola مجانية تمامًا دون أي جدار دفع متميز. تظهر الأبحاث باستمرار أن الالتزام هو المحدد الرئيسي لنجاح التتبع. وضع ميزات تحسين الدقة خلف اشتراك ينشئ بالضبط نوع حاجز الاحتكاك الذي تقول الأدلة السريرية إنه يقوض الالتزام على المدى الطويل.

الأسئلة الشائعة

هل تتبع السعرات الحرارية بالذكاء الاصطناعي أكثر دقة من التسجيل اليدوي وفقًا للدراسات السريرية؟

نعم. تؤكد العديد من الدراسات التي تمت مراجعتها من قبل الأقران أن تتبع السعرات الحرارية المدعوم بالذكاء الاصطناعي أكثر دقة بشكل كبير من التسجيل اليدوي. أظهرت أبحاث ليختمان وآخرين (1992) في New England Journal of Medicine أن المبلغين عن أنفسهم يدويًا يقللون من تقدير السعرات الحرارية بمعدل 47%، بينما وجدت دراسات لو وآخرين (2020) في Nutrients ودولاه وآخرين (2023) في The American Journal of Clinical Nutrition أن تقديرات السعرات الحرارية المعتمدة على الصور الذكية تحقق أخطاء تتراوح بين 10-15%، وهو تحسن ثلاثي إلى رباعي. تطبق Nutrola هذه النتائج البحثية باستخدام التعرف على الصور بالذكاء الاصطناعي لتقليل خطأ التقدير لكل وجبة.

ما هي أكبر مشكلة في تتبع السعرات الحرارية يدويًا؟

تشير الأدلة السريرية إلى مشكلتين رئيسيتين: الدقة والالتزام. أظهرت دراسة ويليامسون وآخرين (2003) في Obesity Research أن الأفراد غير المدربين يخطئون في تقدير أحجام الحصص بنسبة تتراوح بين 30-60%، وأثبتت دراسة بيرك وآخرين (2011) في Journal of the American Dietetic Association أن 50-70% من المتتبعين اليدويين يتوقفون عن التسجيل خلال ثلاثة أشهر. تعالج Nutrola كلا المشكلتين باستخدام التعرف على الصور بالذكاء الاصطناعي للدقة وتسجيل الصوت للسرعة، مما يقلل من الاحتكاك الذي يتسبب في توقف الناس.

ما مدى دقة التعرف على صور الطعام بالذكاء الاصطناعي في حساب السعرات الحرارية؟

تحقق أنظمة التعرف على الطعام الحالية أخطاء تقدير السعرات الحرارية تتراوح بين 8-15% لمعظم الوجبات الشائعة، وفقًا لدراسات نُشرت في IEEE Transactions on Pattern Analysis and Machine Intelligence (فنج وآخرين، 2019) وNature Food (بفستير وآخرين، 2024). للتوضيح، يحقق أخصائيو التغذية المدربون متوسط خطأ يبلغ حوالي 15%، بينما يحقق الأفراد غير المدربين متوسط خطأ يتراوح بين 30-50%. تستخدم Nutrola أحدث تقنيات التعرف على الطعام لتحقيق دقة على مستوى الأبحاث في تتبع الوجبات اليومية.

هل يستمر الناس في تتبع السعرات الحرارية بالذكاء الاصطناعي لفترة أطول من التسجيل اليدوي؟

نعم. وجدت أبحاث نُشرت في JMIR mHealth and uHealth بواسطة تشين وآخرين (2016) أن تتبع النظام الغذائي القائم على الصور حافظ على معدلات الالتزام أعلى بحوالي 40% مقارنةً بالإدخال النصي اليدوي على مدار 12 أسبوعًا. وأبلغت دراسة عام 2022 في Appetite بواسطة أهن وآخرين عن معدلات الاحتفاظ لمدة ستة أشهر تبلغ 45% لتطبيقات مدعومة بالذكاء الاصطناعي مقابل 15-25% للتسجيل اليدوي. تعزز Nutrola الالتزام بشكل أكبر من خلال تقديم تسجيل صوتي وتسجيل الصور بالذكاء الاصطناعي دون أي تكلفة، مما يزيل الحواجز الزمنية والمالية.

هل تؤدي دقة تتبع السعرات الحرارية الأفضل فعلاً إلى فقدان وزن أكبر؟

وجدت الميتا-تحليل الذي أجراه هارفي وآخرين (2019) في Obesity Reviews أن المراقبة الذاتية الغذائية المستمرة كانت أقوى مؤشر على فقدان الوزن، حيث فقد المتتبعون الدقيقون متوسط 3.2 كجم أكثر من المتتبعين غير المتسقين. أظهرت أبحاث في JAMA Internal Medicine بواسطة باتيل وآخرين (2019) أن التتبع المدعوم بالتكنولوجيا حسن نتائج فقدان الوزن بنسبة 28%. تم بناء Nutrola على هذه الأدلة، حيث تجمع بين دقة الذكاء الاصطناعي مع تسجيل سهل لتعظيم جودة التتبع والاتساق.

ما الذي يجعل Nutrola مختلفة عن تطبيقات تتبع السعرات الحرارية الأخرى المدعومة بالذكاء الاصطناعي؟

بينما تقدم العديد من التطبيقات التعرف على الصور بالذكاء الاصطناعي، تعد Nutrola التطبيق المجاني الوحيد الذي يجمع بين التعرف على الصور بالذكاء الاصطناعي، وتسجيل الصوت، وقاعدة بيانات موثوقة تتبع أكثر من 100 عنصر غذائي. تظهر الأبحاث السريرية التي تمت مراجعتها في هذه المقالة أن تحسينات الدقة (الذكاء الاصطناعي للصور)، وتحسينات الالتزام (تقليل الاحتكاك)، وجودة البيانات (قواعد بيانات موثوقة) كل منها يحسن نتائج إدارة الوزن بشكل مستقل. تدمج Nutrola بين الثلاثة، مستندة إلى الأدلة التي تمت مراجعتها من قبل الأقران، دون الحاجة إلى اشتراك متميز.