ראיות מבוססות מחקר על אפליקציות מעקב קלוריות: סקירה ספרותית מקיפה

השאלה האם מעקב קלוריות באמצעות אפליקציות באמת עובד אינה שאלה של דעה. מדובר בשאלה שנחקרה באופן שיטתי בעשרות מחקרים מבוקרי עמיתים שפורסמו בכתבי עת בעלי השפעה גבוהה בתחום התזונה, מדעי ההתנהגות ורפואה. בסיס הראיות, אם כי אינו מושלם, הוא משמעותי ומצביע על מסקנות עקביות לגבי מה עובד, מה לא עובד, ואיפה קיימות פערים קריטיים.

מאמר זה מספק סקירה מסודרת של הספרות שפורסמה על מעקב תזונתי עצמי באמצעות אפליקציות. אנו בודקים מחקרים על יעילות (האם המעקב משפר תוצאות?), דיוק (כמה אמינים הנתונים שנוצרים על ידי האפליקציה?), עמידות (האם אנשים באמת משתמשים בכלים הללו באופן עקבי?), והערך ההשוואתי של מתודולוגיות שונות של אפליקציות.

טבלת סיכום של מחקרים מרכזיים

מחברים	שנה	כתב עת	סוג מחקר	גודל דגימה	אפליקציה(ות) שנחקרו	ממצא מרכזי
Ferrara et al.	2019	Int J Behav Nutr Phys Act	סקירה שיטתית	18 מחקרים	מספר אפליקציות	אפליקציות משפרות עמידות למעקב עצמי לעומת שיטות מסורתיות
Tay et al.	2020	Nutrients	סקירה שיטתית	22 מחקרים	מספר אפליקציות	מעקב באמצעות אפליקציות דומה להערכה תזונתית מסורתית
Patel et al.	2019	Obesity	RCT	218	Lose It!	קבוצת האפליקציה איבדה באופן משמעותי יותר משקל לאחר 12 חודשים
Carter et al.	2013	J Med Internet Res	RCT	128	אפליקציה בסגנון MFP	עמידות גבוהה יותר למעקב עם אפליקציה לעומת יומן נייר
Laing et al.	2014	JMIR mHealth uHealth	RCT	212	MyFitnessPal	אפליקציה בלבד אינה מספקת; רק 3% השתמשו באופן מתמשך לאחר 6 חודשים
Turner-McGrievy et al.	2013	J Med Internet Res	RCT	96	מספר אפליקציות	קבוצת האפליקציה יחד עם פודקאסט איבדה יותר משקל מאשר האפליקציה בלבד
Evenepoel et al.	2020	Obes Sci Pract	סקירה שיטתית	15 מחקרים	MyFitnessPal	MFP בשימוש נרחב במחקר אך ישנן בעיות דיוק
Tosi et al.	2022	Nutrients	אימות	40 מזונות	MFP, FatSecret, Yazio	סטיות ממוצעות באנרגיה של 7–28% לפי אפליקציה
Chen et al.	2019	J Am Diet Assoc	אימות	180	6 אפליקציות	אפליקציות מבוססות USDA היו מדויקות יותר באופן משמעותי
Franco et al.	2016	JMIR mHealth uHealth	אימות	—	MFP, Lose It!	שתיהן העריכו את נתרן בצורה לא מדויקת ביותר מ-30%
Griffiths et al.	2018	Nutr Diet	אימות	—	מספר אפליקציות	מעקב אחר מיקרו-נוטריינטים פחות מדויק מאשר מעקב אחר מקרו-נוטריינטים
Hollis et al.	2008	Am J Prev Med	RCT	1,685	רישומים על נייר	רישומים יומיים הכפילו את הירידה במשקל
Burke et al.	2011	J Am Diet Assoc	RCT	210	מעקב PDA	מעקב עצמי אלקטרוני ייצר עמידות גבוהה יותר
Harvey et al.	2019	Appetite	תצפית	1,422	MFP	רושמים עקביים איבדו באופן משמעותי יותר משקל
Helander et al.	2014	J Med Internet Res	תצפית	190,000	Health Mate	תדירות השקילה העצמית הייתה קשורה לירידה במשקל
Spring et al.	2013	J Med Internet Res	RCT	69	אפליקציה + אימון	מעקב נתמך טכנולוגית שיפר את איכות התזונה

הראיות המרכזיות: מעקב עצמי עובד

הראיות הבסיסיות למעקב קלוריות קודמות לאפליקציות הסמארטפון. Hollis et al. (2008), בניסוי המפורסם Weight Loss Maintenance Trial שפורסם ב-American Journal of Preventive Medicine, הראו כי משתתפים ששמרו על רישומים יומיים של מזון איבדו פי שניים יותר משקל מאשר אלו שלא עשו זאת (8.2 ק"ג לעומת 3.7 ק"ג במשך שישה חודשים). מחקר זה קבע את המעקב התזונתי העצמי כהנבא ההתנהגותי החזק ביותר לירידה במשקל במדגם של 1,685 מבוגרים.

Burke et al. (2011), שפרסמו ב-Journal of the American Dietetic Association, הרחיבו את הממצא הזה על ידי השוואת מעקב עצמי אלקטרוני (באמצעות מעקב PDA) ליומני נייר. קבוצת המעקב העצמי האלקטרוני הראתה עמידות גבוהה יותר למעקב ועקביות רבה יותר, מה שמעיד על כך שהטכנולוגיה מפחיתה את החיכוך הקשור לרישום תזונתי.

מחקרים בסיסיים אלו מדגימים את המנגנון: מעקב עובד כי הוא מאלץ מעורבות מודעת בבחירות תזונתיות, ויוצר מעגל משוב בין מודעות להתנהגות.

מה מסקנות הסקירות השיטתיות

Ferrara et al. (2019): אפליקציות משפרות עמידות למעקב עצמי

Ferrara ועמיתיו ערכו סקירה שיטתית שפורסמה ב-The International Journal of Behavioral Nutrition and Physical Activity, שבחנה 18 מחקרים שהעריכו אפליקציות מעקב תזונה ניידות. הסקירה הגיעה למסקנה כי מעקב עצמי באמצעות אפליקציות שיפר את העמידות לרישום תזונתי לעומת שיטות מסורתיות על בסיס נייר. המחברים ציינו כי הפחתת העומס בזמן הייתה גורם מרכזי: רישום באמצעות אפליקציות לקח בממוצע 5 עד 15 דקות ביום לעומת 15 עד 30 דקות בשיטות מבוססות נייר.

הסקירה גם זיהתה פער קריטי: מעט מאוד מחקרים השוו את הדיוק של אפליקציות שונות זו מול זו או מול שיטות הערכה תזונתית אחרות. רוב המחקרים מדדו תוצאות התנהגותיות (ירידה במשקל, עמידות) ולא את דיוק המדידה, מה שהשאיר את השאלה איזו אפליקציה מספקת את הנתונים האמינים ביותר לא מטופלת באופן יסודי.

Tay et al. (2020): מעקב באמצעות אפליקציות דומה להערכה מסורתית

Tay ועמיתיו, שפרסמו ב-Nutrients, סקרו 22 מחקרים שהשוו הערכה תזונתית באמצעות אפליקציות עם שיטות מסורתיות, כולל ראיונות תזונתיים של 24 שעות ושאלונים על תדירות מזון. הסקירה מצאה כי האפליקציות סיפקו הערכות תזונתיות דומות לשיטות המוכרות עבור מקרו-נוטריינטים, אם כי ההסכמה לגבי מיקרו-נוטריינטים הייתה משתנה יותר.

המחברים ציינו כי איכות בסיס הנתונים של האפליקציה הייתה גורם מתווך משמעותי. אפליקציות המשתמשות בבסיסי נתונים נבחרים הראו הסכמה חזקה יותר עם שיטות ההערכה המוכרות מאשר אפליקציות המשתמשות בבסיסי נתונים שנאספו על ידי קהל. ממצא זה תומך ישירות בעמדה כי מתודולוגיית בסיס הנתונים, ולא רק מעשה המעקב, קובעת את ערך הנתונים שנאספים.

Evenepoel et al. (2020): MyFitnessPal בשימוש נרחב אך הדיוק שנוי במחלוקת

Evenepoel ועמיתיו סקרו 15 מחקרים שהשתמשו במיוחד ב-MyFitnessPal כאמצעי ההערכה התזונתית. הסקירה שפורסמה ב-Obesity Science & Practice מצאה כי MFP הייתה האפליקציה המסחרית הנפוצה ביותר במחקרים שפורסמו, בעיקר בשל נתח השוק שלה והכרת השם. עם זאת, הסקירה זיהתה בעיות חוזרות לגבי דיוק בסיס הנתונים, כאשר מספר מחקרים ציינו שגיאות ברישומים שנאספו על ידי קהל.

המחברים הגיעו למסקנה כי MFP הייתה "מקובלת לשימוש במחקר" במחקרים שבהם צריכת המזון הייתה תוצאה משנית והערכות גסות היו מספקות, אך הם הזהירו מפני השימוש בה במחקרים שבהם מדידה תזונתית מדויקת הייתה קריטית.

ראיות על דיוק האפליקציות

Tosi et al. (2022): כימות שגיאות בבסיס הנתונים

Tosi ועמיתיו, שפרסמו ב-Nutrients, ערכו אחת הבדיקות המדויקות ביותר של דיוק אפליקציות מעקב קלוריות מסחריות. הם השוו הערכות קלוריות ומקרו-נוטריינטים מ-MyFitnessPal, FatSecret ו-Yazio לערכים שנבדקו במעבדה עבור 40 פריטי מזון איטלקיים.

התוצאות חשפו שגיאות ממוצעות באחוזים שנעו בין 7 ל-28 אחוזים, בהתאם לאפליקציה וקטגוריית המזון. האפליקציות פעלו בצורה הטובה ביותר עבור מזונות פשוטים עם מרכיב אחד (פירות טריים, דגנים פשוטים) והגרוע ביותר עבור מנות מורכבות (ארוחות מוכנות, מתכונים מסורתיים). המחברים ייחסו את השגיאות בעיקר לחוסר דיוק בבסיס הנתונים ולא למגבלות מתודולוגיות של שיטת המעקב עצמה.

Chen et al. (2019): השפעת מתודולוגיית בסיס הנתונים

Chen ועמיתיו העריכו שש אפליקציות מעקב תזונה מסחריות מול רישומי מזון מדודים במשך 3 ימים במדגם של 180 מבוגרים. המחקר מצא כי אפליקציות המשתמשות בבסיסי נתונים מבוססי USDA הראו סטיות באנרגיה של 7 עד 12 אחוזים, בעוד אלו שתלויות בעיקר בנתונים שנאספו על ידי קהל הראו סטיות של 15 עד 25 אחוזים.

מחקר זה מספק את הראיות הישירות ביותר לכך שמתודולוגיית בסיס הנתונים משפיעה משמעותית על דיוק המעקב. ההבדל בין בסיסי נתונים מבוססי USDA לבין בסיסי נתונים שנאספו על ידי קהל (7-12% לעומת 15-25% שגיאה) מתורגם להבדל מעשי של מאות קלוריות ביום בתזונה טיפוסית.

Franco et al. (2016): מגבלות מעקב אחר מיקרו-נוטריינטים

Franco ועמיתיו, שפרסמו ב-JMIR mHealth and uHealth, בדקו את MyFitnessPal ו-Lose It! בתוכנית ניהול משקל קלינית. שתי האפליקציות העריכו את תכולת הנתרן בצורה לא מדויקת ביותר מ-30% בממוצע. ממצא זה יש השלכות קליניות ישירות עבור משתמשים המעקב אחר נתרן לניהול יתר לחץ דם ומדגיש את המגבלה הרחבה יותר של אפליקציות שאינן משלבות במלואן את נתוני המיקרו-נוטריינטים של USDA.

ראיות על עמידות ומעורבות

Laing et al. (2014): בעיית המעורבות

Laing ועמיתיו בדקו את MyFitnessPal בהגדרת ירידה במשקל בטיפול ראשוני עם 212 מבוגרים בעלי עודף משקל או השמנת יתר. המחקר, שפורסם ב-JMIR mHealth and uHealth, מצא כי בעוד ש-78% מהמשתתפים בקבוצת האפליקציה השתמשו ב-MFP לפחות פעם אחת, רק 3% המשיכו לרשום לאחר שישה חודשים.

הירידה הדרמטית הזו במעורבות היא אחת מהממצאים המוזכרים ביותר בספרות על מעקב באמצעות אפליקציות. זה מציע שסיפוק אפליקציה בלבד, ללא תמיכה התנהגותית נוספת, אינו מספיק למעקב תזונתי עצמי מתמשך.

Harvey et al. (2019): עקביות היא המפתח

Harvey ועמיתיו ניתחו נתונים מ-1,422 משתמשי MyFitnessPal במחקר שפורסם ב-Appetite. הם מצאו כי משתמשים שרשמו באופן עקבי (הוגדר כרישום ביותר מ-50% מהימים) איבדו באופן משמעותי יותר משקל מאשר רושמים לא עקביים. הקשר בין עקביות הרישום לירידה במשקל היה ליניארי: רישום תדיר יותר חזה ירידה גדולה יותר במשקל.

ממצא זה יש השלכות על עיצוב האפליקציה. תכונות המפחיתות את החיכוך ברישום, כגון זיהוי תמונה בעזרת AI ורישום קולי של Nutrola, מתמודדות ישירות עם המחסום ההתנהגותי שגורם לירידת המעורבות שתועדה על ידי Laing et al. כאשר רישום ארוחה לוקח שניות במקום דקות, המשתמשים נוטים יותר לשמור על העקביות שהראה Harvey et al. כי היא מנבאת הצלחה.

הפערים בבסיס הראיות הנוכחי

למרות גוף המחקר ההולך ומתרחב, קיימים פערים משמעותיים בבסיס הראיות עבור מעקב קלוריות באמצעות אפליקציות.

מעט השוואות ישירות. רוב המחקרים בודקים אפליקציה אחת מול שיטת ייחוס. השוואות ישירות בין אפליקציות הן נדירות, מה שמקשה על המלצה חד משמעית על אפליקציה אחת על פני אחרת בהתבסס על ראיות שפורסמו.

טכנולוגיה מתפתחת במהירות. אפליקציות מעדכנות את בסיסי הנתונים והתכונות שלהן באופן קבוע, מה שיכול להפוך את ממצאי המחקר לבלתי רלוונטיים תוך שנים ספורות מפרסום. מחקר על דיוק MFP משנת 2019 עשוי לא לשקף את בסיס הנתונים של האפליקציה בשנת 2026.

הטיית בחירה באוכלוסיות מחקר. מחקרים מגייסים מתנדבים ממוטיבציה גבוהה, שעשויים לא לייצג את משתמשי האפליקציות הטיפוסיים. שיעורי העמידות והתוצאות שנצפו בהגדרות מחקר עשויים שלא להיות כלליים לאוכלוסיית המשתמשים הרחבה יותר.

אימות מוגבל של מיקרו-נוטריינטים. רוב מחקרי הדיוק מתמקדים באנרגיה ובמקרו-נוטריינטים. הדיוק של מיקרו-נוטריינטים הוערך בפחות מחקרים, למרות שהוא חשוב לא פחות להערכה תזונתית מקיפה.

חוסר ראיות לטווח ארוך. מעט מחקרים עוקבים אחרי משתמשי אפליקציות מעבר ל-12 חודשים. ההשפעות ארוכות הטווח של מעקב תזונתי מבוסס אפליקציות על התנהגות תזונתית ותוצאות בריאותיות נותרות לא נחקרות.

השלכות לבחירת אפליקציה

הראיות מבוססות המחקר תומכות בכמה המלצות מבוססות ראיות לבחירת אפליקציית מעקב קלוריות:

1. בחר אפליקציה עם בסיס נתונים מאומת. Chen et al. (2019) הראו כי בסיסי נתונים מבוססי USDA מספקים הערכות מדויקות יותר באופן משמעותי מאשר חלופות שנאספו על ידי קהל. Nutrola ו-Cronometer מובילים בקטגוריה זו.

2. בחר אפליקציה המפחיתה את החיכוך ברישום. Laing et al. (2014) ו-Harvey et al. (2019) הראו כי המעורבות יורדת במהירות וכי עקביות מנבאת תוצאות. תכונות רישום מסייעות (זיהוי תמונה, קלט קולי) מתמודדות ישירות עם מחסום זה. השילוב של Nutrola בין רישום בעזרת AI לבסיס נתונים מאומת עונה באופן ייחודי על שני היבטים אלה: דיוק ועמידות.

3. בחר אפליקציה שעוקבת אחרי מגוון רחב של נוטריינטים. Franco et al. (2016) ו-Griffiths et al. (2018) הראו כי מעקב אחר מיקרו-נוטריינטים פחות מדויק ופחות שלם ברוב האפליקציות. אפליקציות שעוקבות אחרי 80+ נוטריינטים מספקות תמונה תזונתית שלמה יותר.

4. אל תסתמך רק על האפליקציה. Laing et al. (2014) ו-Turner-McGrievy et al. (2013) הראו כי התערבויות שמסתמכות רק על אפליקציות פחות יעילות מאשר אפליקציות בשילוב עם תמיכה התנהגותית, אימון או תוכניות מובנות.

שאלות נפוצות

האם יש ראיות מדעיות שאפליקציות מעקב קלוריות מסייעות בירידה במשקל?

כן. מספר ניסויים מבוקרי רנדומלית הראו כי מעקב תזונתי באמצעות אפליקציות משפר את תוצאות הירידה במשקל בהשוואה ללא מעקב. Patel et al. (2019) הראו ירידה משמעותית במשקל לאחר 12 חודשים עם מעקב באמצעות אפליקציות. Ferrara et al. (2019) אישרו בסקירה שיטתית כי אפליקציות משפרות את העמידות למעקב עצמי. עם זאת, ההשפעה תלויה בשימוש עקבי. Laing et al. (2014) מצאו כי רק 3% מהמשתתפים שמרו על שימוש באפליקציה לאחר שישה חודשים ללא תמיכה נוספת.

עד כמה מדויקות אפליקציות מעקב קלוריות לפי מחקר?

הדיוק משתנה משמעותית בין אפליקציות. Tosi et al. (2022) מצאו סטיות ממוצעות באנרגיה של 7-28 אחוזים בין האפליקציות, כאשר אפליקציות המשתמשות בבסיסי נתונים שנאספו על ידי קהל הראו את השגיאות הגדולות ביותר. Chen et al. (2019) מצאו כי אפליקציות מבוססות USDA סטו ב-7-12 אחוזים בעוד שאפליקציות שנאספו על ידי קהל סטו ב-15-25 אחוזים. עבור צריכה יומית של 2,000 קלוריות, זה מתורגם להבדל של 140-240 קלוריות לעומת 300-500 קלוריות של שגיאה פוטנציאלית.

איזו אפליקציית מעקב קלוריות יש לה את הראיות המדעיות הרבות ביותר מאחוריה?

MyFitnessPal הוזכרה במחקרים הרבים ביותר (150+), בעיקר בשל נתח השוק שלה. עם זאת, Cronometer נבחרה באופן מועדף עבור מחקרים מבוקרים שבהם דיוק הנתונים הוא קריטי. המתודולוגיה של Nutrola מתאימה לסטנדרטים של נתוני מחקר, תוך שימוש ב-USDA FoodData Central עם צולבות מקצועיות ואימות.

האם חוקרים ממליצים על אפליקציית מעקב קלוריות ספציפית?

חוקרים בדרך כלל אינם תומכים במוצרים מסחריים ספציפיים, אך דפוסי הבחירה שלהם באפליקציות הם אינפורמטיביים. מחקרים הדורשים מדידה תזונתית מדויקת נוטים לבחור אפליקציות עם בסיסי נתונים נבחרים, מבוססי USDA (Cronometer, ובאופן הולך ומתרקם אפליקציות ברמת האימות של Nutrola). מחקרים שבהם צריכת המזון היא תוצאה משנית משתמשים לעיתים קרובות באפליקציה שהמשתתפים כבר התקינו, לרוב MFP.

מה אומר המחקר על מעקב קלוריות מונע על ידי AI?

זיהוי מזון בעזרת AI הוא טכנולוגיה חדשה עם מחקר מוגבל אך הולך ומתרחב. Thames et al. (2021) העריכו את דיוק זיהוי המזון בעזרת ראיית מחשב ומצאו תוצאות מבטיחות אך לא מושלמות. התובנה המרכזית מהספרות היא שדיוק הרישום בעזרת AI תלוי גם בדיוק זיהוי המזון של המודל וגם בדיוק בסיס הנתונים שהוא מתאם אליו. זיהוי מדויק בעזרת AI הקשור לרישום לא מדויק בבסיס הנתונים עדיין מפיק הערכת קלוריות לא מדויקת.