Kterou aplikaci pro sledování kalorií používají výzkumníci v klinických studiích? Přehled publikovaných studií

Když výzkumníci navrhují klinickou studii, která vyžaduje sledování příjmu potravy, volba sledovacího nástroje je metodologickým rozhodnutím, které přímo ovlivňuje kvalitu dat. Na rozdíl od spotřebitelů, kteří si mohou vybírat aplikaci podle vzhledu nebo ceny, výzkumníci hodnotí aplikace na základě validity měření, možností exportu dat, funkcí pro dodržování pokynů účastníků a reprodukovatelnosti. Aplikace, které se nejčastěji objevují v publikovaném klinickém výzkumu, odrážejí přísný výběrový proces, který ukazuje, které nástroje vědecká komunita důvěřuje.

Tento článek zkoumá publikovanou klinickou výzkumnou literaturu, aby identifikoval, které aplikace pro sledování kalorií se používají ve studiích, proč si výzkumníci vybírají konkrétní aplikace a jaké funkce činí aplikaci vhodnou pro sledování stravy na úrovni výzkumu.

Přehled studií

Studie	Časopis	Rok	Použitá aplikace	Typ studie	Velikost vzorku	Proč byla tato aplikace vybrána
Athinarayanan et al.	Frontiers in Endocrinology	2019	Cronometer	RCT	262	Komplexní sledování mikronutrientů pro monitoring ketogenic diet
Stringer et al.	Frontiers in Nutrition	2021	Cronometer	Intervence	42	Fidelity dat USDA/NCCDB pro kontrolovanou analýzu stravy
Patel et al.	Obesity	2019	Lose It!	RCT	218	Behaviorální intervence pro hubnutí s aplikací
Turner-McGrievy et al.	JAMA Internal Medicine	2017	Více (včetně Lose It!)	RCT	96	Srovnání metod sebehodnocení stravy
Laing et al.	JMIR mHealth uHealth	2014	MyFitnessPal	RCT	212	Prověřitelnost intervence pro hubnutí v primární péči
Carter et al.	J Med Internet Res	2013	Aplikace typu MFP	RCT	128	Srovnání aplikace vs. papírového deníku
Harvey et al.	Appetite	2019	MyFitnessPal	Observační	1,422	Konzistence logování a výsledky hubnutí
Spring et al.	J Med Internet Res	2013	Vlastní aplikace	RCT	69	Technologiemi podporované sledování stravy s koučováním
Tosi et al.	Nutrients	2022	MFP, FatSecret, Yazio	Validace	40 potravin	Testování přesnosti databáze proti laboratorním hodnotám
Chen et al.	J Am Diet Assoc	2019	6 komerčních aplikací	Validace	180	Srovnání přesnosti více aplikací proti váženým záznamům
Franco et al.	JMIR mHealth uHealth	2016	MFP, Lose It!	Validace	Klinická	Hodnocení přesnosti v programu pro řízení hmotnosti
Evenepoel et al.	Obes Sci Pract	2020	MyFitnessPal	Systematický přehled	15 studií	Komplexní přehled MFP v prostředí výzkumu
Hollis et al.	Am J Prev Med	2008	Papírové záznamy	RCT	1,685	Zlatý standard pro sebehodnocení před érou aplikací
Burke et al.	J Am Diet Assoc	2011	PDA tracker	RCT	210	Srovnání elektronického a papírového sebehodnocení
Ferrara et al.	Int J Behav Nutr Phys Act	2019	Více	Systematický přehled	18 studií	Přehled nástrojů pro sebehodnocení stravy založených na aplikacích

Proč výzkumníci vybírají konkrétní aplikace

Faktory, které ovlivňují výběr aplikací výzkumníky, se zásadně liší od priorit spotřebitelů. Porozumění těmto faktorům odhaluje, co vědecká komunita považuje za důležité při výběru nástroje pro sledování stravy.

Přesnost a hloubka databáze

Nejdůležitějším faktorem pro výzkumníky je přesnost databáze. Když se data o příjmu potravy používají k výpočtu expozice nutrientům v klinické studii, chyby v databázi se přímo promítají do chyb měření, které mohou zakrýt účinky léčby.

Stringer et al. (2021) výslovně uvedli, že pro svou studii o ketogenic dietě vybrali Cronometer kvůli použití dat z USDA FoodData Central a NCCDB. Studie vyžadovala přesné sledování poměrů makronutrientů, aby se ověřilo, že účastníci udržují nutriční ketózu, stav definovaný specifickými úrovněmi omezení sacharidů. Chyba databáze 20 procent v obsahu sacharidů (v rámci rozsahu crowdsourced databází podle Tosi et al., 2022) by mohla nesprávně klasifikovat účastníka jako v ketóze nebo mimo ni.

Athinarayanan et al. (2019) podobně zvolili Cronometer pro intervenci u diabetu 2. typu, která vyžadovala podrobné sledování makronutrientů. Kontinuální model vzdálené péče studie závisel na přesných datech o stravě pro vedení klinických rozhodnutí o úpravě medikace.

Export dat a integrace

Výzkum vyžaduje data ve formátech kompatibilních se softwarem pro statistickou analýzu (CSV, SPSS, SAS). Aplikace, které nemohou exportovat podrobná data o potravinách ve strukturovaném formátu, jsou pro výzkumné účely nepraktické, bez ohledu na kvalitu jejich databáze.

Cronometer nabízí export CSV s podrobným rozpisem nutrientů na úrovni potravin, což jej činí kompatibilním se standardními pracovními postupy analýzy dat ve výzkumu. Tato funkce byla výslovně uvedena jako faktor výběru v několika publikovaných studiích.

Většina aplikací zaměřených na spotřebitele poskytuje pouze souhrnné údaje (denní celky) místo detailů na úrovni potravin, což omezuje typy analýz, které mohou výzkumníci provádět. Výzkumné protokoly často vyžadují data na úrovni potravin pro výpočet skóre stravovacích vzorců, identifikaci příjmů specifických skupin potravin nebo analýzu účinků načasování jídel.

Dodržování pokynů účastníků a zapojení

Sebehodnocení stravy je pro účastníky výzkumu zatěžující. Aplikace, které minimalizují čas logování a zjednodušují proces, zvyšují míru dodržování pokynů, což přímo ovlivňuje úplnost dat.

Laing et al. (2014) zjistili, že pouze 3 procenta účastníků jejich studie MFP stále logovali po šesti měsících, což zdůrazňuje problém zapojení. Tento nález motivoval výzkumníky hledat aplikace s funkcemi, které snižují zátěž logování.

Funkce logování podporované AI, jako je rozpoznávání fotografií a hlasový vstup, představují významný pokrok pro dodržování pokynů ve výzkumu. Tyto funkce zkracují čas logování na porci z několika minut na sekundy, což může významně zlepšit podíl záznamů o jídlech během několikaměsíční studie.

Kombinace Nutrola s rozpoznáváním fotografií pomocí AI, hlasovým logováním a skenováním čárových kódů poskytuje tři nízkou zátěž modality logování, které vyhovují různým preferencím účastníků a kontextům použití. Společně s databází ověřenou USDA s 1,8 miliony záznamů tato kombinace udržuje přesnost dat na úrovni výzkumu a maximalizuje dodržování pokynů účastníků, což je kombinace, kterou je obtížné dosáhnout s aplikacemi optimalizovanými pouze pro jeden z těchto dvou cílů.

Pokrytí nutrientů

Studie zkoumající stav mikronutrientů, indexy kvality stravy nebo specifické vztahy mezi nutrienty a nemocemi vyžadují aplikace, které sledují komplexní sadu nutrientů.

Pokrytí nutrientů	Cronometer	Nutrola	MFP	Lose It!
Celkový počet sledovaných nutrientů	82+	80+	19 (standard)	22
Individuální aminokyseliny	Ano	Ano	Ne	Ne
Individuální mastné kyseliny	Ano	Ano	Částečně	Ne
Všechny 13 vitamínů	Ano	Ano	Částečně	Částečně
Všechny esenciální minerály	Ano	Ano	Částečně	Částečně
Podtypy dietní vlákniny	Ano	Ano	Ne	Ne

Výzkumníci zkoumající kardiovaskulární výsledky potřebují podrobné profily mastných kyselin. Studie o zdraví kostí vyžadují data o vápníku, vitaminu D a vitaminu K. Výzkum výživy v oblasti duševního zdraví může vyžadovat sledování jednotlivých aminokyselin (tryptofan, tyrosin) pro analýzu prekurzorů neurotransmiterů. Pouze aplikace sledující 80+ nutrientů mohou podpořit tyto výzkumné aplikace.

Náklady a obavy z reklamy

Výzkumné protokoly vyžadují konzistentní podmínky napříč účastníky. Aplikace s reklamou představují dvě metodologické obavy: reklamy mohou ovlivnit dietní volby (reklamy na potraviny zobrazené během logování) a nekonzistence prezentace reklam napříč účastníky zavádí nekontrolovanou variabilitu.

Ad-free model Nutrola za 2,50 EUR měsíčně eliminuje obě obavy. V rámci výzkumného rozpočtu jsou náklady na poskytnutí účastníkům nástroje pro sledování bez reklam zanedbatelné ve srovnání s náklady na samotný výzkum, přičemž metodologický přínos odstranění vlivu reklam je významný.

Srovnání funkcí na úrovni výzkumu

Funkce	Cronometer	Nutrola	MFP	Lose It!
Integrace s USDA FoodData Central	Ano	Ano (křížově ověřeno)	Doplněk	Doplněk
Export dat (CSV)	Ano	Ano	Omezeno	Omezeno
Údaje o nutrientu na úrovni potravin	Ano	Ano	Pouze souhrn	Pouze souhrn
Protokoly pro vlastní zadávání potravin	Ano	Ano	Ano	Ano
Sledování dodržování pokynů účastníků	Omezeno	Pomocí dat o frekvenci logování	Omezeno	Omezeno
Bezreklamový zážitek	Placená úroveň	Všechny úrovně (2,50 EUR/měsíc)	Pouze placená úroveň	Pouze placená úroveň
Logování s podporou AI	Ne	Ano (fotografie + hlas)	Ne	Ne
Skenování čárových kódů	Ano	Ano	Ano	Ano

Krajina výzkumných nástrojů nad rámec spotřebitelských aplikací

Je důležité kontextualizovat spotřebitelské aplikace v širším spektru nástrojů pro hodnocení stravy používaných ve výzkumu.

Zavedené výzkumné nástroje

ASA24 (Automatizovaný sebehodnocený 24hodinový dietní záznam). Vyvinutý Národním institutem pro rakovinu, ASA24 je webový nástroj, který provádí účastníky strukturovaným 24hodinovým dietním záznamem. Používá databázi USDA FNDDS a byl validován v několika studiích. ASA24 je zlatým standardem pro hodnocení stravy ve výzkumu, ale není navržen pro každodenní sledování.

NDSR (Systém dat o výživě pro výzkum). Vyvinutý Výživovým koordinačním centrem Univerzity v Minnesotě, NDSR je nejkomplexnější nástroj pro analýzu stravy ve výzkumu. Používá databázi NCCDB a je provozován školenými dietními tazateli. NDSR je referenční standard, vůči kterému jsou validovány další nástroje. Jeho cena za licenci (přibližně 4 500 USD ročně) činí jeho použití nepraktickým pro rozsáhlé studie vyžadující sebehodnocení účastníků.

Dotazníky o frekvenci potravin (FFQ). Polokvantitativní dotazníky, které hodnotí obvyklý příjem potravy během delších období (typicky měsíců až let). FFQ jsou efektivní pro velké epidemiologické studie, ale postrádají každodenní detail, který poskytují aplikace pro sledování.

Jak zapadají spotřebitelské aplikace

Spotřebitelské aplikace pro sledování kalorií zaujímají jedinečnou pozici v krajině výzkumných nástrojů: umožňují každodenní, reálné sledování stravy v měřítku. Ani ASA24 (periodické záznamy), ani NDSR (vyžaduje školené tazatele), ani FFQ (retrospektivní odhady) nemohou poskytnout tento typ dat.

Pro studie vyžadující každodenní sledování stravy u účastníků žijících volně po týdnech až měsících jsou spotřebitelské aplikace často jedinou praktickou volbou. Klíčovou otázkou je, která spotřebitelská aplikace poskytuje kvalitu dat nejblíže nástrojům na úrovni výzkumu, přičemž udržuje snadnost použití potřebnou pro dodržování pokynů účastníků.

Aplikace jako Nutrola a Cronometer, které používají stejné základní zdroje dat jako výzkumné nástroje (USDA FoodData Central, národní databáze), překlenou propast mezi dostupností pro spotřebitele a metodologií na úrovni výzkumu.

Nové trendy: AI sledování ve výzkumu

Integrace AI-podporovaného rozpoznávání potravin do výzkumných protokolů je novým trendem, který řeší výzvu dodržování pokynů identifikovanou Laing et al. (2014).

Snížená zátěž pro účastníky. Logování fotografií pomocí AI snižuje čas sledování na porci z 3-5 minut (ruční zadání) na 10-30 sekund (vyfotit a potvrdit). V 12týdenní studii se třemi jídly denně to představuje přibližně 15-25 hodin úspory času na účastníka. Pro studie s stovkami účastníků to představuje významné snížení zátěže pro účastníky, což může zlepšit udržení a úplnost dat.

Objektivní dokumentace porcí. Fotografie jídel poskytují objektivní záznam, který může být nezávisle přezkoumán výzkumníky nebo dietology, což přidává vrstvu validace, která není dostupná při ručním textovém logování.

Zpracování přirozeného jazyka. Logování pomocí hlasu, jak je implementováno v Nutrola, umožňuje účastníkům popisovat jídla v přirozeném jazyce. Tento způsob je obzvlášť cenný pro populace, které považují ruční zadání textu za zatěžující, včetně starších dospělých, osob s omezenou gramotností a účastníků v terénních výzkumných prostředích.

Kritická podmínka: ověřený backend. Užitečnost logování pomocí AI pro výzkum závisí výhradně na přesnosti databáze, s níž jsou potraviny identifikovány pomocí AI porovnány. AI systém, který správně identifikuje "grilované kuřecí prso", ale přiřadí ho k nepřesnému záznamu z crowdsourced databáze, poskytuje falešnou přesnost: identifikace je správná, ale nutriční data jsou špatná. Proto je architektura Nutrola, která spojuje logování pomocí AI s databází ověřenou USDA, obzvlášť vhodná pro výzkumné aplikace.

Kritéria pro výběr aplikace pro sledování na úrovni výzkumu

Na základě vzorců pozorovaných v publikované literatuře definují následující kritéria výzkumnou úroveň spotřebitelské sledovací aplikace:

1. Databáze ukotvená v USDA FoodData Central nebo ekvivalentní vládní databázi. To zajišťuje, že obecné záznamy potravin jsou založeny na laboratorně analyzovaných hodnotách, nikoli na odhadech uživatelů.

2. Profesionální ověření ne-USDA záznamů. Značkové produkty a regionální potraviny, které nejsou v databázi USDA, by měly projít profesionálním přezkumem, spíše než být přijaty z crowdsourced příspěvků bez ověření.

3. Sledování 60+ nutrientů. Studie zkoumající mikronutrienty, kvalitu stravy nebo specifické vztahy mezi nutrienty a zdravím vyžadují komplexní pokrytí nutrientů.

4. Export dat na úrovni potravin ve standardních formátech. CSV nebo ekvivalentní export umožňující analýzu v R, SPSS, SAS nebo Pythonu.

5. Nízká zátěž logování pro maximalizaci dodržování pokynů. Logování s podporou AI (fotografie, hlas, čárový kód) snižuje zátěž účastníků a zlepšuje úplnost dat.

6. Bezreklamový zážitek. Odstraňuje vlivy reklam a snižuje rozptýlení účastníků během logování.

7. Konzistentní uživatelský zážitek. Žádné změny funkcí nebo úpravy rozhraní během období studie, které by mohly ovlivnit chování logování.

Nutrola splňuje všech sedm kritérií: databáze ukotvená a křížově ověřená s USDA, ověřené záznamy nutričními specialisty (1,8 milionu), sledování 80+ nutrientů, logování pomocí AI (fotografie a hlas), skenování čárových kódů, bezreklamový model za 2,50 EUR měsíčně a dostupnost na iOS i Android.

Často kladené otázky

Která aplikace pro sledování kalorií je nejčastěji používaná v klinickém výzkumu?

Podle objemu citací se MyFitnessPal objevuje nejčastěji v publikovaném výzkumu, převážně díky své tržní dominanci. Nicméně pro kontrolované dietní intervence, kde je přesnost dat kritická, je preferovanou volbou Cronometer. Výzkumníci vybírají aplikace na základě metodologie databáze a možností exportu dat, nikoli na základě popularity.

Proč výzkumníci nepoužívají pouze MyFitnessPal, když je to nejpopulárnější?

Popularita a vhodnost pro výzkum jsou různé kritéria. Více studií (Tosi et al., 2022; Evenepoel et al., 2020) zdokumentovalo obavy o přesnost crowdsourced databáze MFP. Výzkumníci provádějící studie precizní výživy nebo kontrolované dietní intervence potřebují přesnější data, než jaká MFP konzistentně poskytuje. MFP se používá ve studiích, kde je příjem potravy sekundární proměnnou a přibližné odhady jsou přijatelné.

Může být Nutrola použita v klinickém výzkumu?

Metodologie Nutrola odpovídá požadavkům na úroveň výzkumu: základna v USDA FoodData Central, křížově ověřené nutriční záznamy, sledování 80+ nutrientů a logování s podporou AI pro maximalizaci dodržování pokynů účastníků. Její 1,8 milionu ověřených záznamů, možnosti exportu dat a bezreklamový design za 2,50 EUR měsíčně ji činí vhodnou pro výzkumné protokoly vyžadující každodenní sledování stravy s přesností a zapojením účastníků.

Jaký je rozdíl mezi nástroji pro výzkum stravy (ASA24, NDSR) a spotřebitelskými aplikacemi?

ASA24 a NDSR jsou navrženy pro periodické hodnocení stravy prováděné nebo řízené školenými odborníky. Spotřebitelské aplikace (Nutrola, Cronometer, MFP) jsou určeny pro každodenní sebehodnocení jednotlivců bez odborného školení. Spotřebitelské aplikace excelují v kontinuálním, reálném sledování, ale mohou obětovat část metodologické přísnosti. Aplikace s databázemi ukotvenými v USDA (Nutrola, Cronometer) tuto mezeru významně zúží.

Nahradí sledování kalorií s podporou AI tradiční hodnocení stravy ve výzkumu?

Sledování s podporou AI pravděpodobně plně nenahradí zavedené metody jako NDSR nebo ASA24, ale bude je stále více doplňovat. Hlavní výzkumnou hodnotou sledování pomocí AI je snížení zátěže pro účastníky (zlepšení dodržování pokynů a úplnosti dat) v kombinaci s objektivní dokumentací pomocí fotografií. Kritickou podmínkou je, že identifikace pomocí AI musí být spojena s ověřenou nutriční databází. Aplikace jako Nutrola, které kombinují pohodlí logování pomocí AI s přesností dat ověřených USDA, jsou nejlépe umístěny pro tuto novou výzkumnou aplikaci.