Vertaisarvioitu näyttö kaloriseurantasovelluksista: Kattava kirjallisuuskatsaus

Kysymys siitä, toimivatko sovelluspohjaiset kaloriseurannat, ei ole mielipidekysymys. Se on kysymys, jota on tutkittu systemaattisesti kymmenissä vertaisarvioiduissa tutkimuksissa, jotka on julkaistu merkittävissä ravitsemus-, käyttäytymistieteiden ja lääketieteen aikakauslehdissä. Vaikka näyttö ei ole täydellistä, se on merkittävää ja osoittaa johdonmukaisia johtopäätöksiä siitä, mikä toimii, mikä ei, ja missä kriittiset aukot edelleen ovat.

Tässä artikkelissa esitetään jäsennelty kirjallisuuskatsaus julkaistusta näytöstä sovelluspohjaisessa ravitsemuksellisessa itsevalvonnassa. Tarkastelemme tutkimuksia tehokkuudesta (parantaako seuranta tuloksia?), tarkkuudesta (kuinka luotettavaa sovelluksen tuottama data on?), sitoutumisesta (käyttävätkö ihmiset näitä työkaluja johdonmukaisesti?) ja erilaisten sovellusmenetelmien vertailuarvosta.

Yhteenvetotaulukko keskeisistä tutkimuksista

Tekijät	Vuosi	Aikakauslehti	Tutkimustyyppi	Otoskoko	Tutkitut sovellukset	Keskeinen löydös
Ferrara et al.	2019	Int J Behav Nutr Phys Act	Systemaattinen katsaus	18 tutkimusta	Useita	Sovellukset parantavat itsevalvonnan sitoutumista verrattuna perinteisiin menetelmiin
Tay et al.	2020	Nutrients	Systemaattinen katsaus	22 tutkimusta	Useita	Sovelluspohjainen seuranta on verrattavissa perinteisiin ravitsemusarvioihin
Patel et al.	2019	Obesity	RCT	218	Lose It!	Sovelluksen käyttäjät menettivät merkittävästi enemmän painoa 12 kuukauden aikana
Carter et al.	2013	J Med Internet Res	RCT	128	MFP-tyylinen sovellus	Korkeampi itsevalvonnan sitoutuminen sovelluksella verrattuna paperipäiväkirjaan
Laing et al.	2014	JMIR mHealth uHealth	RCT	212	MyFitnessPal	Pelkkä sovellus ei riitä; vain 3 % käytti sitä säännöllisesti 6 kuukauden jälkeen
Turner-McGrievy et al.	2013	J Med Internet Res	RCT	96	Useita	Sovellus plus podcast -ryhmä menetti enemmän painoa kuin pelkkä sovellus
Evenepoel et al.	2020	Obes Sci Pract	Systemaattinen katsaus	15 tutkimusta	MyFitnessPal	MFP:tä käytetään laajasti tutkimuksessa, mutta tarkkuudessa on huolenaiheita
Tosi et al.	2022	Nutrients	Validointi	40 ruokaa	MFP, FatSecret, Yazio	Keskimääräiset energiaprosenttivirheet 7–28 % sovelluksesta riippuen
Chen et al.	2019	J Am Diet Assoc	Validointi	180	6 sovellusta	USDA-pohjaiset sovellukset olivat merkittävästi tarkempia
Franco et al.	2016	JMIR mHealth uHealth	Validointi	—	MFP, Lose It!	Molemmat aliarvioivat natriumin yli 30 %
Griffiths et al.	2018	Nutr Diet	Validointi	—	Useita	Mikroravinteiden seuranta on vähemmän tarkkaa kuin makroravinteiden
Hollis et al.	2008	Am J Prev Med	RCT	1,685	Paperimuistiinpanot	Päivittäiset ruokamuistiinpanot kaksinkertaistivat painonpudotuksen
Burke et al.	2011	J Am Diet Assoc	RCT	210	PDA-seuranta	Sähköinen itsevalvonta tuotti suurempaa sitoutumista
Harvey et al.	2019	Appetite	Havainnointi	1,422	MFP	Johdonmukaisesti kirjaavat menettivät merkittävästi enemmän painoa
Helander et al.	2014	J Med Internet Res	Havainnointi	190,000	Health Mate	Itsensä punnitseminen korreloi painonpudotuksen kanssa
Spring et al.	2013	J Med Internet Res	RCT	69	Sovellus + valmennus	Teknologian tukema seuranta paransi ruokavalion laatua

Keskeinen näyttö: Itsevalvonta toimii

Kaloriseurannan perustavanlaatuinen näyttö on aikaisempaa kuin älypuhelinsovellukset. Hollis et al. (2008) julkaistussa merkittävässä Painonhallintakokeessa, joka julkaistiin American Journal of Preventive Medicine -lehdessä, todettiin, että osallistujat, jotka pitivät päivittäisiä ruokamuistiinpanoja, menettivät kaksinkertaisesti enemmän painoa kuin ne, jotka eivät pitäneet muistiinpanoja (8.2 kg vs. 3.7 kg kuuden kuukauden aikana). Tämä tutkimus vakiinnutti ravitsemuksellisen itsevalvonnan vahvimmaksi käyttäytymisennustajaksi painonpudotuksessa 1,685 aikuisen otoksessa.

Burke et al. (2011) julkaisi Journal of the American Dietetic Association -lehdessä laajentavan löydöksen vertaamalla sähköistä itsevalvontaa (PDA-pohjaisen seurannan avulla) paperipäiväkirjoihin. Sähköisen itsevalvontaryhmän sitoutuminen seurantaan ja johdonmukaisuus olivat merkittävästi korkeampia, mikä viittaa siihen, että teknologia vähentää ravitsemukselliseen kirjaamiseen liittyvää vaivannäköä.

Nämä perustutkimukset osoittavat mekanismin: seuranta toimii, koska se pakottaa tietoisesti sitoutumaan ravitsemusvalintoihin, luoden palautesilmukan tietoisuuden ja käyttäytymisen välille.

Mitä systemaattiset katsaukset päättävät

Ferrara et al. (2019): Sovellukset parantavat itsevalvonnan sitoutumista

Ferrara ja kollegat tekivät systemaattisen katsauksen, joka julkaistiin The International Journal of Behavioral Nutrition and Physical Activity -lehdessä, ja tutkivat 18 tutkimusta, jotka arvioivat mobiileja ruokavalioseurantasovelluksia. Katsaus päätti, että sovelluspohjainen itsevalvonta paransi ravitsemusmuistiinpanojen sitoutumista verrattuna perinteisiin paperipohjaisiin menetelmiin. Kirjoittajat huomauttivat, että vähentynyt ajankäyttö oli keskeinen tekijä: sovelluspohjainen kirjaaminen vei keskimäärin 5–15 minuuttia päivässä verrattuna 15–30 minuuttiin paperimenetelmillä.

Katsaus tunnisti myös kriittisen aukon: vain harvat tutkimukset vertasivat eri sovellusten tarkkuutta toisiinsa tai viitearviointimenetelmiin. Useimmat tutkimukset mittasivat käyttäytymiseen liittyviä tuloksia (painonpudotus, sitoutuminen) sen sijaan, että olisivat keskittyneet mittauksen tarkkuuteen, jättäen kysymyksen siitä, mitkä sovellukset tarjoavat luotettavinta dataa suurelta osin käsittelemättä.

Tay et al. (2020): Sovelluspohjainen seuranta on verrattavissa perinteisiin arvioihin

Tay ja kollegat, julkaisten Nutrients-lehdessä, tarkastelivat 22 tutkimusta, jotka vertasivat sovelluspohjaista ravitsemusarviointia perinteisiin menetelmiin, kuten 24 tunnin ruokavalion muisteluihin ja ruokafrekvenssikyselyihin. Katsaus havaitsi, että sovellukset tuottivat ravitsemusarvioita, jotka olivat verrattavissa vakiintuneisiin menetelmiin makroravinteiden osalta, vaikka mikroravinteiden osalta sopivuus oli vaihtelevaa.

Kirjoittajat huomauttivat, että sovelluksen taustatietokannan laatu oli merkittävä vaikuttava tekijä. Kuratoituja tietokantoja käyttävät sovellukset osoittivat vahvempaa sopivuutta viitemenetelmien kanssa kuin joukkosijoitustietokantoja käyttävät sovellukset. Tämä havainto tukee suoraan näkemystä siitä, että tietokannan metodologia, ei vain seurannan toiminta, määrittää kerätyn datan arvon.

Evenepoel et al. (2020): MyFitnessPal laajasti käytössä, mutta tarkkuus kyseenalaistettu

Evenepoel ja kollegat tarkastelivat 15 tutkimusta, joissa käytettiin erityisesti MyFitnessPalia ravitsemusarviointityökaluna. Julkaistu Obesity Science & Practice -lehdessä, katsaus havaitsi, että MFP oli eniten käytetty kaupallinen sovellus julkaistuissa tutkimuksissa, pääasiassa sen markkinaosuuden ja tunnettuuden vuoksi. Kuitenkin katsaus tunnisti toistuvia huolenaiheita tietokannan tarkkuudesta, useiden tutkimusten huomauttaessa virheistä joukkosijoitustietojen syötteissä.

Kirjoittajat päättivät, että MFP oli "hyväksyttävä tutkimuskäyttöön" tutkimuksissa, joissa ravitsemus oli toissijainen tulos ja karkea arviointi riitti, mutta he varoittivat sen käyttämisestä tutkimuksissa, joissa tarkka ravitsemusmittaus oli kriittistä.

Näyttö sovellusten tarkkuudesta

Tosi et al. (2022): Tietokantavirheiden kvantifiointi

Tosi ja kollegat, julkaisten Nutrients-lehdessä, suorittivat yhden tiukimmista tarkkuustesteistä kaupallisille kaloriseurantasovelluksille. He vertasivat kalorimäärä- ja makroravinnearvioita MyFitnessPalista, FatSecretista ja Yaziosta laboratoriossa analysoituihin arvoihin 40 italialaiselle ruoalle.

Tulokset paljastivat keskimääräisiä absoluuttisia prosenttivirheitä, jotka vaihtelivat 7–28 % sovelluksesta ja ruokakategoriasta riippuen. Sovellukset suoriutuivat parhaiten yksinkertaisista, yksiraaka-aineisista ruoista (raaka hedelmä, tavalliset viljat) ja huonoiten monimutkaisista ruoista (valmiit ateriat, perinteiset reseptit). Kirjoittajat johtivat virheet pääasiassa tietokannan epätarkkuuksista, ei seuranta-approachin menetelmällisistä rajoituksista.

Chen et al. (2019): Tietokannan metodologian vaikutus

Chen ja kollegat arvioivat kuutta kaupallista ruokavalioseurantasovellusta 3 päivän punnitun ruokakirjan perusteella 180 aikuisen otoksessa. Tutkimus havaitsi, että USDA-pohjaisia tietokantoja käyttävät sovellukset osoittivat keskimääräisiä energiaprosenttivirheitä 7–12 %, kun taas pääasiassa joukkosijoitusdataan perustuvat sovellukset osoittivat 15–25 % virheitä.

Tämä tutkimus tarjoaa suoran todisteen siitä, että tietokannan metodologia vaikuttaa merkittävästi seurannan tarkkuuteen. Ero USDA-pohjaisten ja joukkosijoitusdatapohjaisten tietokantojen välillä (7–12 % vs. 15–25 % virhe) tarkoittaa käytännössä useiden satojen kalorien eroa päivässä tyypillisessä ruokavaliossa.

Franco et al. (2016): Mikroravinteiden seurannan rajoitukset

Franco ja kollegat, julkaisten JMIR mHealth and uHealth -lehdessä, testasivat MyFitnessPalia ja Lose It! -sovellusta kliinisessä painonhallintaohjelmassa. Molemmat sovellukset aliarvioivat natriumin sisällön keskimäärin yli 30 %. Tämä havainto on suoraan kliinisesti merkityksellinen käyttäjille, jotka seuraavat natriumia verenpainetaudin hallitsemiseksi, ja korostaa laajempaa rajoitusta sovelluksissa, jotka eivät täysin integroi USDA:n mikroravinteiden tietoja.

Näyttö sitoutumisesta ja osallistumisesta

Laing et al. (2014): Osallistumisongelma

Laing ja kollegat testasivat MyFitnessPalia ensisijaisessa painonpudotustilanteessa 212 ylipainoisen tai lihavan aikuisen kanssa. Tutkimus, joka julkaistiin JMIR mHealth and uHealth -lehdessä, havaitsi, että vaikka 78 % sovelluksen käyttäjistä käytti MFP:tä ainakin kerran, vain 3 % jatkoi kirjaamista kuuden kuukauden jälkeen.

Tämä dramaattinen osallistumisen lasku on yksi eniten viitatusta löydöksestä sovelluspohjaisessa seurannassa. Se viittaa siihen, että pelkän sovelluksen tarjoaminen ilman lisäkäyttäytymistä tukevaa apua ei riitä kestävään ravitsemukselliseen itsevalvontaan.

Harvey et al. (2019): Johdonmukaisuus on avain

Harvey ja kollegat analysoivat tietoja 1,422 MyFitnessPal-käyttäjältä tutkimuksessa, joka julkaistiin Appetite-lehdessä. He havaitsivat, että johdonmukaisesti kirjaavat käyttäjät (määriteltynä kirjaamisena yli 50 % päivistä) menettivät merkittävästi enemmän painoa kuin satunnaisesti kirjaavat. Kirjaamisen johdonmukaisuuden ja painonpudotuksen välinen annos-vastaussuhde oli lineaarinen: useampi kirjaaminen ennusti suurempaa painonpudotusta.

Tällä havainnolla on vaikutuksia sovellusten suunnitteluun. Ominaisuudet, jotka vähentävät kirjaamisen vaivannäköä, kuten Nutrolan AI-kuvantunnistus ja äänikirjaus, käsittelevät suoraan käyttäytymiseen liittyvää estettä, joka aiheuttaa osallistumisen vähenemisen, jonka Laing et al. dokumentoivat. Kun aterian kirjaaminen vie sekunteja eikä minuutteja, käyttäjät ovat todennäköisemmin ylläpitämässä sitä johdonmukaisuutta, joka Harvey et al. osoitti ennustavan menestystä.

Nykyisen näyttöperustan aukot

Huolimatta kasvavasta tutkimusmäärästä, merkittäviä aukkoja on edelleen sovelluspohjaisessa kaloriseurannassa.

Vain harvat vertailut. Useimmat tutkimukset testaavat yhtä sovellusta viitemenetelmää vastaan. Suorat vertailut sovellusten välillä ovat harvinaisia, mikä tekee vaikeaksi suositella yhtä sovellusta toisen yli pelkästään julkaistun näytön perusteella.

Nopeasti kehittyvä teknologia. Sovellukset päivittävät tietokantojaan ja ominaisuuksiaan säännöllisesti, mikä voi tehdä tutkimustuloksista vanhentuneita vuosien kuluessa julkaisemisesta. MFP:n tarkkuustutkimus vuodelta 2019 ei välttämättä heijasta sovelluksen 2026 tietokantaa.

Valintabias tutkimuspopulaatioissa. Tutkimukset rekrytoivat motivoituneita vapaaehtoisia, jotka eivät välttämättä edusta tyypillisiä sovelluskäyttäjiä. Tutkimusasetelmissa havaittuja sitoutumisasteita ja tuloksia ei välttämättä voida yleistää laajempaan käyttäjäpopulaatioon.

Rajoitettu mikroravinteiden validointi. Useimmat tarkkuustutkimukset keskittyvät energiaan ja makroravinteisiin. Mikroravinteiden tarkkuutta on arvioitu vähemmän tutkimuksissa, vaikka ne ovat yhtä tärkeitä kattavassa ravitsemusarvioinnissa.

Pitkän aikavälin näyttö puuttuu. Vain harvat tutkimukset seuraavat sovelluskäyttäjiä yli 12 kuukauden. Pitkän aikavälin vaikutukset kestävästä sovelluspohjaisesta seurannasta ravitsemuskäyttäytymiseen ja terveysvaikutuksiin ovat edelleen riittämättömästi tutkittuja.

Vaikutukset sovelluksen valintaan

Vertaisarvioitu näyttö tukee useita näyttöön perustuvia suosituksia kaloriseurantasovelluksen valinnassa:

1. Valitse sovellus, jolla on vahvistettu tietokanta. Chen et al. (2019) osoittivat, että USDA-pohjaiset tietokannat tuottavat merkittävästi tarkempia arvioita kuin joukkosijoitusvaihtoehdot. Nutrola ja Cronometer johtavat tässä kategoriassa.

2. Valitse sovellus, joka minimoi kirjaamisen vaivannäön. Laing et al. (2014) ja Harvey et al. (2019) osoittivat, että sitoutuminen laskee nopeasti ja johdonmukaisuus ennustaa tuloksia. AI-avusteiset kirjausominaisuudet (kuvantunnistus, äänisyöttö) käsittelevät suoraan tätä estettä. Nutrolan yhdistelmä AI-kirjausta vahvistetun tietokannan kanssa käsittelee ainutlaatuisesti sekä tarkkuutta että sitoutumista.

3. Valitse sovellus, joka seuraa kattavia ravintoaineita. Franco et al. (2016) ja Griffiths et al. (2018) osoittivat, että mikroravinteiden seuranta on vähemmän tarkkaa ja vähemmän täydellistä useimmissa sovelluksissa. Sovellukset, jotka seuraavat yli 80 ravintoainetta, tarjoavat perustavanlaatuisesti kattavamman ravitsemuskuvan.

4. Älä luota pelkästään sovellukseen. Laing et al. (2014) ja Turner-McGrievy et al. (2013) osoittivat, että pelkkä sovellusinterventio on vähemmän tehokas kuin sovellukset, jotka yhdistyvät käyttäytymistä tukevan avun, valmennuksen tai rakenteellisten ohjelmien kanssa.

Usein kysytyt kysymykset

Onko tieteellistä näyttöä siitä, että kaloriseurantasovellukset auttavat painonpudotuksessa?

Kyllä. Useat satunnaistetut kontrolloidut kokeet ovat osoittaneet, että ravitsemuksellinen itsevalvonta sovellusten avulla parantaa painonpudotustuloksia verrattuna ilman seurantaa. Patel et al. (2019) osoittivat merkittävää painonpudotusta 12 kuukauden aikana sovelluspohjaisella seurannalla. Ferrara et al. (2019) vahvisti systemaattisessa katsauksessaan, että sovellukset parantavat itsevalvonnan sitoutumista. Kuitenkin vaikutus riippuu johdonmukaisesta käytöstä. Laing et al. (2014) havaitsi, että vain 3 prosenttia osallistujista säilytti sovelluksen käytön kuuden kuukauden jälkeen ilman lisätukea.

Kuinka tarkkoja kaloriseurantasovellukset ovat tutkimusten mukaan?

Tarkkuus vaihtelee merkittävästi sovelluksesta riippuen. Tosi et al. (2022) havaitsi keskimääräisiä energiaprosenttivirheitä 7-28 % sovellusten välillä, ja joukkosijoitusdatapohjaiset sovellukset osoittivat suurimmat virheet. Chen et al. (2019) havaitsi, että USDA-pohjaiset sovellukset poikkesivat 7-12 %, kun taas joukkosijoitusdatapohjaiset sovellukset poikkesivat 15-25 %. 2,000 kalorin päivittäisessä saannissa tämä tarkoittaa eroa 140-240 kaloria verrattuna 300-500 kalorin mahdolliseen virheeseen.

Mikä kaloriseurantasovellus on saanut eniten tieteellistä näyttöä?

MyFitnessPal on ollut eniten viitattu sovellus julkaistuissa tutkimuksissa (yli 150), pääasiassa sen markkinaosuuden vuoksi. Kuitenkin Cronometeria suositaan tarkkuuden kannalta kriittisissä tutkimuksissa. Nutrolan metodologia vastaa tutkimuslaatuvaatimuksia, käyttäen USDA FoodData Centralia ammatillisen ristiviittauksen ja vahvistuksen kanssa.

Suositteleeko tutkijat mitään tiettyä kaloriseurantasovellusta?

Tutkijat eivät yleensä suosittele tiettyjä kaupallisia tuotteita, mutta heidän sovelluksen valintamallinsa ovat informatiivisia. Tutkimukset, jotka vaativat tarkkaa ravitsemusmittausta, valitsevat yleensä sovelluksia, joilla on kuratoidut, USDA-pohjaiset tietokannat (Cronometer ja yhä useammin Nutrolan vahvistustason sovellukset). Tutkimukset, joissa ravitsemus on toissijainen tulos, käyttävät useammin mitä tahansa sovellusta, joka osallistujilla on jo asennettuna, usein MFP:tä.

Mitä tutkimus sanoo AI-pohjaisesta kaloriseurannasta?

AI-pohjainen ruokien tunnistus on uudempi teknologia, jolla on rajallista mutta kasvavaa tutkimusta. Thames et al. (2021) arvioivat tietokonenäön ruokien tunnistuksen tarkkuutta ja havaitsivat lupaavia, mutta epätäydellisiä tuloksia. Keskeinen oivallus kirjallisuudesta on, että AI-kirjaamisen tarkkuus riippuu sekä AI-mallin ruokien tunnistustarkkuudesta että sen tarkkuudesta, johon ravitsemustietokanta se yhdistää. Tarkka AI-tunnistus, joka liittyy epätarkkaan tietokannan syötteeseen, tuottaa silti epätarkan kalorimääräarvion.