איזה כלי מעקב קלוריות משתמשים בו חוקרים בניסויים קליניים? סקר של מחקרים שפורסמו

כאשר חוקרים מתכננים ניסוי קליני שדורש מעקב אחר צריכת מזון, הבחירה בכלי מעקב היא החלטה מתודולוגית עם השפעות ישירות על איכות הנתונים. בניגוד לצרכנים שעשויים לבחור אפליקציה על סמך אסתטיקה או מחיר, חוקרים מעריכים אפליקציות מעקב לפי תוקף המדידה, יכולות ייצוא נתונים, תכונות עמידה של משתתפים, ושחזוריות. האפליקציות שמופיעות בתדירות הגבוהה ביותר במחקר קליני שפורסם משקפות תהליך בחירה קפדני שמגלה אילו כלים הקהילה המדעית סומכת עליהם עם הנתונים שלה.

מאמר זה סוקר את הספרות המחקרית הקלינית שפורסמה כדי לזהות אילו אפליקציות מעקב קלוריות בשימוש בניסויים, מדוע חוקרים בוחרים אפליקציות ספציפיות, ואילו תכונות הופכות אפליקציה מתאימה למעקב תזונתי ברמת מחקר.

טבלת סקר לפי מחקר

מחקר	כתב עת	שנה	אפליקציה בשימוש	סוג מחקר	גודל מדגם	מדוע נבחרה אפליקציה זו
Athinarayanan et al.	Frontiers in Endocrinology	2019	Cronometer	RCT	262	מעקב מקיף אחר מיקרו-נוטריינטים למעקב דיאטת קטו
Stringer et al.	Frontiers in Nutrition	2021	Cronometer	התערבות	42	נאמנות נתוני USDA/NCCDB לניתוח תזונתי מבוקר
Patel et al.	Obesity	2019	Lose It!	RCT	218	התערבות התנהגותית לירידה במשקל עם מעקב באפליקציה
Turner-McGrievy et al.	JAMA Internal Medicine	2017	מספר (כולל Lose It!)	RCT	96	השוואה בין שיטות מעקב תזונתי עצמי
Laing et al.	JMIR mHealth uHealth	2014	MyFitnessPal	RCT	212	היתכנות התערבות לירידה במשקל בטיפול ראשוני
Carter et al.	J Med Internet Res	2013	אפליקציית MFP	RCT	128	השוואה בין אפליקציה ליומן נייר
Harvey et al.	Appetite	2019	MyFitnessPal	תצפית	1,422	עקביות רישום ותוצאות ירידה במשקל
Spring et al.	J Med Internet Res	2013	אפליקציה מותאמת	RCT	69	מעקב תזונתי נתמך טכנולוגית עם אימון
Tosi et al.	Nutrients	2022	MFP, FatSecret, Yazio	אימות	40 מזונות	בדיקת דיוק בסיס הנתונים מול ערכים מעבדתיים
Chen et al.	J Am Diet Assoc	2019	6 אפליקציות מסחריות	אימות	180	השוואת דיוק בין אפליקציות מול רשומות משוקלות
Franco et al.	JMIR mHealth uHealth	2016	MFP, Lose It!	אימות	קליני	הערכת דיוק בתוכנית ניהול משקל
Evenepoel et al.	Obes Sci Pract	2020	MyFitnessPal	סקירה שיטתית	15 מחקרים	סקירה מקיפה של MFP בהגדרות מחקריות
Hollis et al.	Am J Prev Med	2008	רשומות נייר	RCT	1,685	תקן זהב בעידן שלפני האפליקציות למעקב עצמי
Burke et al.	J Am Diet Assoc	2011	מעקב PDA	RCT	210	השוואת מעקב אלקטרוני מול נייר
Ferrara et al.	Int J Behav Nutr Phys Act	2019	מספר	סקירה שיטתית	18 מחקרים	סקירה של כלים למעקב תזונתי מבוססי אפליקציה

מדוע חוקרים בוחרים אפליקציות ספציפיות

הגורמים שמניעים את בחירת האפליקציות על ידי חוקרים שונים באופן מהותי מהעדפות הצרכנים. הבנת גורמים אלה מגלה מה הקהילה המדעית מעריכה בכלי מעקב תזונתי.

דיוק ועומק בסיס הנתונים

הגורם הקריטי ביותר עבור חוקרים הוא דיוק בסיס הנתונים. כאשר נתוני צריכת המזון משמשים לחישוב חשיפה לתזונה בניסוי קליני, שגיאות בבסיס הנתונים מתורגמות ישירות לשגיאות במדידה שיכולות להסתיר את השפעות הטיפול.

Stringer et al. (2021) ציינו במפורש כי הם בחרו ב-Cronometer עבור מחקר הדיאטה הקטוגנית שלהם בשל השימוש בנתוני USDA FoodData Central ובנתוני NCCDB. המחקר דרש מעקב מדויק אחר יחסי מקרונוטריינטים כדי לאמת שהמשתתפים שמרו על קטוזיס תזונתי, מצב המוגדר על ידי רמות ספציפיות של הגבלת פחמימות. שגיאת בסיס נתונים של 20 אחוז בתוכן הפחמימות (בתחום של בסיסי נתונים שנאספו על ידי הציבור לפי Tosi et al., 2022) עשויה לסווג משתתף כמי שנמצא או לא נמצא בקטוזיס.

Athinarayanan et al. (2019) בחרו גם הם ב-Cronometer עבור התערבות בסוכרת סוג 2 שדרשה מעקב מפורט אחר מקרונוטריינטים. מודל הטיפול המרוחק המתמשך של המחקר התבסס על נתוני תזונה מדויקים כדי להנחות החלטות קליניות לגבי התאמת תרופות.

ייצוא נתונים ואינטגרציה

מחקר דורש נתונים בפורמטים שמתאימים לתוכנות ניתוח סטטיסטי (CSV, SPSS, SAS). אפליקציות שאינן יכולות לייצא נתוני מזון מפורטים בפורמט מסודר אינן מעשיות לשימוש במחקר, ללא קשר לאיכות בסיס הנתונים שלהן.

Cronometer מציעה ייצוא CSV עם פירוט תזונתי ברמת המזון, מה שהופך אותה לתואמת לזרימות עבודה סטנדרטיות של ניתוח נתוני מחקר. תכונה זו הוזכרה במפורש כגורם לבחירה במספר מחקרים שפורסמו.

רוב האפליקציות המיועדות לצרכנים מספקות רק נתונים ברמת סיכום (סכומים יומיים) ולא פירוט ברמת המזון, מה שמגביל את סוגי הניתוחים שהחוקרים יכולים לבצע. פרוטוקולי מחקר דורשים לעיתים קרובות נתוני מזון כדי לחשב ציוני תבניות תזונה, לזהות צריכת קבוצות מזון ספציפיות או לנתח את השפעות זמני הארוחות.

עמידה ומעורבות של משתתפים

מעקב תזונתי עצמי הוא משא ומתן עבור משתתפי מחקר. אפליקציות שמפחיתות את זמן הרישום ואת החיכוך משפרות את שיעורי העמידה, מה שמשפיע ישירות על שלמות הנתונים.

Laing et al. (2014) מצאו כי רק 3 אחוזים מהמשתתפים במחקר MFP שלהם המשיכו לרשום נתונים לאחר שישה חודשים, מה שמדגיש את אתגר המעורבות. ממצא זה הניע חוקרים לחפש אפליקציות עם תכונות שמפחיתות את העומס של הרישום.

תכונות רישום מונעות על ידי AI, כמו זיהוי תמונות והזנה קולית, מייצגות התקדמות משמעותית עבור עמידת מחקר. תכונות אלו מפחיתות את זמן הרישום לכל ארוחה מכמה דקות לשניות, מה שיכול לשפר משמעותית את שיעור הארוחות שנרשמות במהלך מחקר שנמשך מספר חודשים.

השילוב של Nutrola בין זיהוי תמונות בעזרת AI, רישום קולי, וסריקת ברקודים מספק שלושה מודלים של רישום עם חיכוך נמוך שמתאימים להעדפות שונות של משתתפים והקשרים של השימוש. בשילוב עם בסיס נתונים מאומת של 1.8 מיליון רשומות, גישה זו שומרת על דיוק נתוני מחקר ברמה גבוהה תוך מקסום עמידת המשתתפים, שילוב שקשה להשיג עם אפליקציות המיועדות רק לאחד משני היעדים הללו.

כיסוי נוטריינטים

מחקרים הבודקים מצב מיקרו-נוטריינטים, אינדקסי איכות תזונה, או קשרים ספציפיים בין נוטריינטים למחלות דורשים אפליקציות שעוקבות אחר סט מקיף של נוטריינטים.

כיסוי נוטריינטים	Cronometer	Nutrola	MFP	Lose It!
סך הנוטריינטים שנעקבים	82+	80+	19 (סטנדרטי)	22
חומצות אמינו בודדות	כן	כן	לא	לא
חומצות שומן בודדות	כן	כן	חלקי	לא
כל 13 הוויטמינים	כן	כן	חלקי	חלקי
כל המינרלים החיוניים	כן	כן	חלקי	חלקי
תתי סוגי סיבים תזונתיים	כן	כן	לא	לא

חוקרים הבודקים תוצאות קרדיווסקולריות זקוקים לפרופילים מפורטים של חומצות שומן. מחקרים על בריאות העצם דורשים נתוני סידן, ויטמין D, ויטמין K. מחקרי תזונה לבריאות נפש עשויים לדרוש מעקב אחר חומצות אמינו בודדות (טריפטופן, טירוזין) לניתוח מקדמי נוירוטרנסמיטרים. רק אפליקציות שעוקבות אחר 80+ נוטריינטים יכולות לתמוך ביישומים מחקריים אלה.

עלויות ודאגות פרסום

פרוטוקולי מחקר דורשים תנאים עקביים בין המשתתפים. אפליקציות נתמכות פרסומות מציגות שתי בעיות מתודולוגיות: פרסומות עשויות להשפיע על בחירות תזונתיות (פרסומות מזון המוצגות במהלך הרישום), וחוסר עקביות בהצגת פרסומות בין המשתתפים מביאה לשונות בלתי נשלטת.

המודל ללא פרסומות של Nutrola במחיר של 2.50 אירו לחודש מסלק את שתי הבעיות. בתקציב מחקר, עלות מתן כלי מעקב ללא פרסומות למשתתפים היא זניחה בהשוואה לעלות המחקר עצמו, אך היתרון המתודולוגי של הסרת השפעות פרסומות הוא משמעותי.

השוואת תכונות ברמת מחקר

תכונה	Cronometer	Nutrola	MFP	Lose It!
אינטגרציה עם USDA FoodData Central	כן	כן (מוצלב)	משלים	משלים
ייצוא נתונים (CSV)	כן	כן	מוגבל	מוגבל
נתוני תזונה ברמת המזון	כן	כן	רק סיכום	רק סיכום
פרוטוקולי הזנת מזון מותאמים	כן	כן	כן	כן
מעקב אחר עמידת משתתפים	מוגבל	באמצעות נתוני תדירות רישום	מוגבל	מוגבל
חוויית ללא פרסומות	שכבת תשלום	כל השכבות (2.50 אירו/חודש)	רק שכבת תשלום	רק שכבת תשלום
רישום בעזרת AI	לא	כן (תמונה + קול)	לא	לא
סריקת ברקודים	כן	כן	כן	כן

נוף כלי המחקר מעבר לאפליקציות לצרכנים

חשוב להקשר את אפליקציות הצרכנים בתוך הנוף הרחב יותר של כלים להערכת תזונה בשימוש במחקר.

כלים מחקריים מבוססים

ASA24 (זיכרון תזונתי אוטומטי בן 24 שעות). פותח על ידי המכון הלאומי לסרטן, ASA24 הוא כלי מבוסס אינטרנט שמנחה את המשתתפים דרך זיכרון תזונתי מובנה בן 24 שעות. הוא משתמש בבסיס הנתונים של USDA FNDDS ואומת במספר מחקרים. ASA24 הוא התקן הזהב להערכת תזונה במחקר, אך אינו מיועד למעקב יומי.

NDSR (מערכת נתוני תזונה למחקר). פותחה על ידי מרכז התיאום לתזונה של אוניברסיטת מינסוטה, NDSR היא מערכת הניתוח התזונתי המחקרית המקיפה ביותר הקיימת. היא משתמשת בבסיס הנתונים של NCCDB ומופעלת על ידי רואי חשבון תזונתיים מאומנים. NDSR הוא התקן הייחודי שאליו מאומתים כלים אחרים. עלות הרישיון שלה (כ-4,500 דולר לשנה) הופכת אותה לבלתי מעשית עבור מחקרים רחבי היקף שדורשים מעקב עצמי של משתתפים.

שאלונים על תדירות צריכת מזון (FFQs). שאלונים חצי-כמותיים שמעריכים צריכת מזון רגילה על פני תקופות ארוכות (בדרך כלל חודשים עד שנים). FFQs הם יעילים עבור מחקרים אפידמיולוגיים רחבי היקף אך חסרים את הפרטים היומיומיים שספקות המעקב מספקים.

היכן מתאימות אפליקציות הצרכנים

אפליקציות מעקב קלוריות לצרכנים תופסות נישה ייחודית בנוף כלי המחקר: הן מאפשרות מעקב תזונתי עצמי יומי, בזמן אמת, בקנה מידה רחב. לא ASA24 (זיכרונות תקופתיים) ולא NDSR (דורש רואי חשבון מאומנים) ולא FFQs (הערכות רטרוספקטיביות) יכולים לספק את סוג הנתונים הזה.

עבור מחקרים שדורשים מעקב תזונתי יומי במשתתפים חופשיים במשך שבועות עד חודשים, אפליקציות לצרכנים הן לעיתים קרובות האפשרות היחידה המעשית. השאלה המרכזית היא איזו אפליקציה לצרכנים מספקת איכות נתונים הקרובה ביותר לכלים ברמת מחקר תוך שמירה על קלות השימוש הנדרשת לעמידת המשתתפים.

אפליקציות כמו Nutrola ו-Cronometer, שמשתמשות באותם מקורות נתונים בסיסיים כמו כלים מחקריים (USDA FoodData Central, בסיסי נתונים לאומיים), סוגרות את הפער בין נגישות לצרכנים לבין מתודולוגיה ברמת מחקר.

מגמות מתפתחות: מעקב בעזרת AI במחקר

האינטגרציה של זיהוי מזון מונע על ידי AI בפרוטוקולי מחקר היא מגמה מתפתחת שעוסקת באתגר העמידה שהוזכר על ידי Laing et al. (2014).

הפחתת העומס על המשתתפים. רישום בעזרת תמונות של AI מפחית את זמן המעקב לכל ארוחה מ-3-5 דקות (הזנה ידנית) ל-10-30 שניות (צילום ואישור). במחקר בן 12 שבועות עם שלוש ארוחות ביום, חיסכון בזמן זה מסתכם בכ-15-25 שעות לכל משתתף. עבור מחקרים עם מאות משתתפים, מדובר בהפחתה משמעותית בעומס על המשתתפים שיכולה לשפר את השימור ושלמות הנתונים.

תיעוד אובייקטיבי של מנות. תמונות של ארוחות מספקות תיעוד אובייקטיבי שניתן לבדוק אותו באופן עצמאי על ידי חוקרים או דיאטנים, מה שמוסיף שכבת אימות שאינה זמינה עם רישום טקסטואלי ידני.

עיבוד שפה טבעית. רישום בעזרת קול, כפי שמיושם ב-Nutrola, מאפשר למשתתפים לתאר ארוחות בשפה טבעית. מודל זה הוא בעל ערך במיוחד עבור אוכלוסיות שמתקשות בהזנה ידנית של טקסט, כולל מבוגרים, אנשים עם אוריינות מוגבלת, ומשתתפים בהגדרות מחקר שטח.

דרישה קריטית: מערכת אחורית מאומתת. השימושיות של רישום בעזרת AI עבור מחקר תלויה לחלוטין בדיוק בסיס הנתונים שאליו מתאימים המזונות המזוהים על ידי AI. מערכת AI שמזהה נכון "חזה עוף בגריל" אך מתאימה אותו לרשומת בסיס נתונים שנאספה על ידי הציבור שאינה מדויקת מספקת דיוק שקרי: הזיהוי נכון, אך הנתונים התזונתיים שגויים. זו הסיבה לכך שהארכיטקטורה של Nutrola, שמשלבת רישום בעזרת AI עם בסיס נתונים מאומת של USDA, מתאימה במיוחד ליישומים מחקריים.

קריטריונים לבחירת אפליקציית מעקב ברמת מחקר

בהתבסס על התבניות שנצפו בספרות שפורסמה, הקריטריונים הבאים מגדירים אפליקציית מעקב לצרכנים ברמת מחקר:

1. בסיס נתונים מקושר ל-USDA FoodData Central או בסיס נתונים ממשלתי מקביל. זה מבטיח שהרשומות המזון הכלליות מבוססות על ערכים שנבדקו במעבדה ולא על הערכות שהוגשו על ידי משתמשים.

2. אימות מקצועי של רשומות שאינן של USDA. מוצרים מותגיים ומזונות אזוריים שאינם נמצאים ב-USDA צריכים לעבור סקירה מקצועית ולא להתקבל מהגשות שנאספו על ידי הציבור ללא אימות.

3. מעקב אחר 60+ נוטריינטים. מחקרים הבודקים מיקרו-נוטריינטים, איכות תזונה, או קשרים ספציפיים בין נוטריינטים לבריאות דורשים כיסוי נוטריינטים מקיף.

4. ייצוא נתונים ברמת מזון בפורמטים סטנדרטיים. ייצוא CSV או מקביל המאפשר ניתוח ב-R, SPSS, SAS, או Python.

5. חיכוך נמוך ברישום כדי למקסם את העמידה. רישום בעזרת AI (תמונה, קול, ברקוד) מפחית את העומס על המשתתפים ומשפר את שלמות הנתונים.

6. חוויית ללא פרסומות. מסלקת השפעות פרסומות ומפחיתה הסחות דעת של המשתתפים במהלך הרישום.

7. חוויית משתמש עקבית. אין שינויים בתכונות או שינויים בממשק במהלך תקופת המחקר שעשויים להשפיע על התנהגות הרישום.

Nutrola עומדת בכל שבעת הקריטריונים: בסיס נתונים מקושר ל-USDA ומוצלב, רשומות מאומתות על ידי תזונאים (1.8 מיליון), 80+ נוטריינטים שנעקבים, רישום בעזרת AI בעזרת תמונות וקול, סריקת ברקודים, חוויית ללא פרסומות במחיר של 2.50 אירו לחודש, וזמינה גם ב-iOS וגם ב-Android.

שאלות נפוצות

איזו אפליקציית מעקב קלוריות בשימוש הנפוץ ביותר במחקר קליני?

על פי נפח הציטוטים, MyFitnessPal מופיעה בתדירות הגבוהה ביותר במחקרים שפורסמו, בעיקר בשל הדומיננטיות שלה בשוק. עם זאת, עבור התערבויות תזונתיות מבוקרות שבהן דיוק הנתונים הוא קריטי, Cronometer היא הבחירה המועדפת. חוקרים בוחרים אפליקציות על סמך מתודולוגיית בסיס הנתונים ויכולות ייצוא הנתונים ולא על פי פופולריות.

מדוע חוקרים לא פשוט משתמשים ב-MyFitnessPal אם היא הפופולרית ביותר?

פופולריות והתאמה למחקר הם קריטריונים שונים. מספר מחקרים (Tosi et al., 2022; Evenepoel et al., 2020) תיעדו בעיות דיוק עם בסיס הנתונים שנאסף על ידי הציבור של MFP. חוקרים המבצעים מחקרי תזונה מדויקים או התערבויות תזונתיות מבוקרות זקוקים לנתונים מדויקים יותר ממה ש-MFP מספקת באופן עקבי. MFP משמשת במחקרים שבהם צריכת המזון היא משתנה משני והערכות משויכות מקובלות.

האם ניתן להשתמש ב-Nutrola במחקר קליני?

המתודולוגיה של Nutrola מתאימה לדרישות ברמת מחקר: בסיס הנתונים של USDA FoodData Central, צלבות תזונאים, 80+ נוטריינטים שנעקבים, ורישום בעזרת AI כדי למקסם את עמידת המשתתפים. 1.8 מיליון הרשומות המאומתות שלה, יכולות ייצוא הנתונים, ועיצוב ללא פרסומות במחיר של 2.50 אירו לחודש הופכים אותה מתאימה לפרוטוקולי מחקר שדורשים מעקב תזונתי יומי עם דיוק ומעורבות של המשתתפים.

מה ההבדל בין כלים תזונתיים מחקריים (ASA24, NDSR) ואפליקציות לצרכנים?

ASA24 ו-NDSR מיועדות להערכה תקופתית של תזונה המבוצעת או מונחית על ידי מקצוענים מאומנים. אפליקציות לצרכנים (Nutrola, Cronometer, MFP) מיועדות למעקב עצמי יומי על ידי אנשים ללא הכשרה מקצועית. אפליקציות לצרכנים מצטיינות במעקב רציף, בזמן אמת, אך עשויות להקריב חלק מהדיוק המתודולוגי. אפליקציות עם בסיסי נתונים מקושרים ל-USDA (Nutrola, Cronometer) מצמצמות את הפער הזה באופן משמעותי.

האם מעקב קלוריות מונע על ידי AI יחליף את ההערכה התזונתית המסורתית במחקר?

סביר להניח שמעקב מונע על ידי AI לא יחליף לחלוטין את השיטות המוכרות כמו NDSR או ASA24, אך הוא יוסיף להן יותר ויותר. הערך המחקרי העיקרי של מעקב בעזרת AI הוא הפחתת העומס על המשתתפים (שיפור העמידה ושלמות הנתונים) בשילוב עם תיעוד אובייקטיבי של תמונות. הדרישה הקריטית היא שהזיהוי של AI חייב להיות משולב עם בסיס נתונים תזונתי מאומת. אפליקציות כמו Nutrola שמשלבות את הנוחות של רישום בעזרת AI עם דיוק הנתונים המאומתים של USDA ממוקמות בצורה הטובה ביותר עבור יישום מחקרי מתפתח זה.