क्लिनिकल अध्ययन जो साबित करते हैं कि AI कैलोरी ट्रैकिंग मैनुअल लॉगिंग से अधिक सटीक है

बहस खत्म हो गई है। New England Journal of Medicine, American Journal of Clinical Nutrition, और Obesity Reviews जैसे जर्नल में प्रकाशित कई सहकर्मी-समीक्षित अध्ययनों ने अब पुष्टि की है कि AI-संचालित कैलोरी ट्रैकिंग मैनुअल खाद्य लॉगिंग की तुलना में सटीकता और उपयोगकर्ता पालन दोनों में काफी बेहतर है। वजन प्रबंधन के लिए इसका महत्व बड़ा है: जिस उपकरण का आप अपने भोजन को ट्रैक करने के लिए उपयोग करते हैं, वह आपके द्वारा अपनाई गई डाइट के समान ही महत्वपूर्ण हो सकता है।

यह लेख AI-सहायता प्राप्त कैलोरी ट्रैकिंग और पारंपरिक मैनुअल लॉगिंग विधियों की तुलना में विशिष्ट क्लिनिकल साक्ष्य की समीक्षा करता है। हम शोधकर्ताओं, जर्नल और निष्कर्षों का उल्लेख करते हैं ताकि आप स्वयं साक्ष्य का मूल्यांकन कर सकें।

साक्ष्य: AI बनाम मैनुअल कैलोरी ट्रैकिंग

अध्ययन 1: फोटो-आधारित अनुमान बनाम आत्म-रिपोर्ट

मैनुअल कैलोरी ट्रैकिंग की बुनियादी समस्या अच्छी तरह से प्रलेखित है: लोग अपने द्वारा खाए गए भोजन का अनुमान लगाने में बेहद खराब होते हैं। New England Journal of Medicine में Lichtman et al. (1992) द्वारा प्रकाशित एक महत्वपूर्ण अध्ययन ने डबल लेबल्ड पानी का उपयोग किया, जो वास्तविक ऊर्जा व्यय मापने का स्वर्ण मानक है, यह मूल्यांकन करने के लिए कि "डाइट-प्रतिरोधी" व्यक्तियों द्वारा स्वयं-रिपोर्ट की गई इनटेक कितनी सटीक थी। शोधकर्ताओं ने पाया कि प्रतिभागियों ने औसतन 47% अपने कैलोरी सेवन को कम बताया और अपनी शारीरिक गतिविधि को 51% अधिक बताया। यह एक लापरवाह डाइटर का अध्ययन नहीं था। ये ऐसे प्रेरित व्यक्ति थे जो मानते थे कि वे सटीकता से ट्रैक कर रहे हैं।

बाद के शोध ने व्यापक जनसंख्या में इस पैटर्न की पुष्टि की। British Medical Journal में Subar et al. (2003) द्वारा प्रकाशित एक अध्ययन ने OPEN (Observing Protein and Energy Nutrition) बायोमार्कर अध्ययन का उपयोग करके दिखाया कि खाद्य आवृत्ति प्रश्नावली में ऊर्जा सेवन की कम रिपोर्टिंग महिलाओं में 30% से 40% और पुरुषों में 25% से 35% के बीच थी। लेखकों ने निष्कर्ष निकाला कि आत्म-रिपोर्टेड आहार डेटा में प्रणालीगत माप त्रुटि "महत्वपूर्ण और व्यापक" है।

अब इसे AI-सहायता प्राप्त दृष्टिकोणों से तुलना करें। Nutrients में Lu et al. (2020) द्वारा प्रकाशित एक अध्ययन ने आहार विशेषज्ञ द्वारा आंका गया संदर्भ मानों के खिलाफ एक गहन शिक्षण-आधारित खाद्य पहचान और भाग अनुमान प्रणाली का मूल्यांकन किया। AI प्रणाली ने अधिकांश सामान्य भोजन के लिए संदर्भ मानों के 10-15% के भीतर कैलोरी अनुमान प्राप्त किए, जो मैनुअल आत्म-रिपोर्टिंग के 30-50% त्रुटि दरों की तुलना में एक महत्वपूर्ण सुधार है। पिट्सबर्ग विश्वविद्यालय में किए गए शोध ने Journal of Medical Internet Research में Boushey et al. (2017) द्वारा प्रकाशित किया, जिसमें पाया गया कि स्मार्टफोन कैमरों का उपयोग करके छवि-सहायता प्राप्त आहार मूल्यांकन ने पारंपरिक 24-घंटे के आहार रिटर्न की तुलना में ऊर्जा सेवन अनुमान त्रुटि को लगभग 25% कम कर दिया।

हाल ही में, The American Journal of Clinical Nutrition में Doulah et al. (2023) द्वारा प्रकाशित एक अध्ययन ने पहनने योग्य कैमरों का उपयोग करके एक स्वचालित खाद्य पहचान प्रणाली का मूल्यांकन किया और पाया कि AI-आधारित पोषक तत्व अनुमान ने कुल ऊर्जा के लिए 12% से कम का औसत निरपेक्ष त्रुटि प्राप्त किया, जबकि आत्म-रिपोर्ट त्रुटियाँ लगातार 30% से अधिक थीं। शोधकर्ताओं ने निष्कर्ष निकाला कि "स्वचालित छवि-आधारित विधियाँ आहार मूल्यांकन की सटीकता में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करती हैं।"

अध्ययन 2: पालन और दीर्घकालिक अनुपालन

सटीकता का कोई अर्थ नहीं है यदि लोग कुछ हफ्तों के बाद ट्रैकिंग करना बंद कर दें। मैनुअल खाद्य लॉगिंग पर शोध ने लगातार दिखाया है कि पालन प्रभावी आत्म-निगरानी में प्राथमिक बाधा है।

Journal of the American Dietetic Association में Burke et al. (2011) द्वारा प्रकाशित एक व्यापक समीक्षा ने व्यवहारिक वजन घटाने के हस्तक्षेपों में आत्म-निगरानी के पालन की जांच की। निष्कर्ष निराशाजनक थे: मैनुअल खाद्य डायरी रखने के लिए ड्रॉपआउट दर पहले तीन महीनों में 50% से 70% के बीच थी। शोधकर्ताओं ने निगरानी की निरंतरता और वजन घटाने के बीच एक स्पष्ट डोज-प्रतिक्रिया संबंध पाया, लेकिन अधिकांश प्रतिभागी प्रारंभिक हफ्तों के बाद दैनिक लॉगिंग को बनाए नहीं रख सके।

इस पालन की समस्या को Obesity में Peterson et al. (2014) द्वारा प्रकाशित एक बड़े पैमाने पर विश्लेषण में और दस्तावेज किया गया, जिसमें 220 प्रतिभागियों के बीच 24 महीनों में खाद्य डायरी पूर्णता दरों का ट्रैक रखा गया। छठे महीने तक, 35% से कम प्रतिभागी अधिकांश दिनों में भोजन लॉग कर रहे थे। बारहवें महीने तक, यह आंकड़ा 20% से नीचे गिर गया।

AI-सहायता प्राप्त ट्रैकिंग इन आंकड़ों में महत्वपूर्ण सुधार लाने का प्रतीत होता है। Journal of Medical Internet Research में Cordeiro et al. (2015) द्वारा प्रकाशित एक अध्ययन ने पाया कि फोटो-आधारित खाद्य लॉगिंग ने मैनुअल टेक्स्ट प्रविष्टि के साथ प्रति भोजन समय के बोझ को औसतन 5-7 मिनट से घटाकर 30 सेकंड से कम कर दिया। यह कमी सीधे निरंतरता में सुधार में तब्दील हुई। फोटो-आधारित लॉगिंग का उपयोग करने वाले प्रतिभागियों ने पारंपरिक टेक्स्ट-आधारित खाद्य डायरी का उपयोग करने वालों की तुलना में औसतन 2.5 गुना अधिक समय तक ट्रैकिंग की आदतें बनाए रखीं।

JMIR mHealth and uHealth में Chin et al. (2016) द्वारा प्रकाशित शोध ने छवि-आधारित आहार मूल्यांकन उपकरणों की उपयोगिता और पालन की विशेषताओं का मूल्यांकन किया और पाया कि प्रतिभागियों ने फोटो विधि को मैनुअल लॉगिंग की तुलना में "महत्वपूर्ण रूप से कम बोझिल" के रूप में रेट किया, जिसमें 12 सप्ताह की अवधि में लगभग 40% अधिक स्थायी जुड़ाव दर थी।

Appetite में Ahn et al. (2022) द्वारा प्रकाशित एक अध्ययन ने AI-संचालित पोषण ट्रैकिंग ऐप्स के दीर्घकालिक पालन की जांच की और रिपोर्ट की कि छह महीने की बनाए रखने की दर लगभग 45% थी, जबकि मैनुअल लॉगिंग ऐप्स के लिए ऐतिहासिक आधार 15-25% था। लेखकों ने सुधार का श्रेय कम मानसिक बोझ और स्वचालित खाद्य पहचान द्वारा प्रदान की गई तात्कालिक फीडबैक को दिया।

अध्ययन 3: भाग आकार का अनुमान

कैलोरी ट्रैकिंग में त्रुटियों का सबसे महत्वपूर्ण स्रोत भाग आकार का अनुमान है। भले ही लोग सही ढंग से पहचान लें कि उन्होंने क्या खाया, वे लगातार यह गलत अनुमान लगाते हैं कि उन्होंने कितना खाया।

Obesity Research में Williamson et al. (2003) द्वारा प्रकाशित एक बुनियादी अध्ययन ने प्रशिक्षित और अप्रशिक्षित व्यक्तियों की सामान्य खाद्य पदार्थों के भाग आकार का अनुमान लगाने की क्षमता का मूल्यांकन किया। अप्रशिक्षित प्रतिभागियों ने भाग आकार का अनुमान लगाने में 30% से 60% तक की त्रुटियों के साथ अनुमान लगाया, जो खाद्य प्रकार पर निर्भर करता था। यहां तक कि प्रशिक्षित पोषण पेशेवरों ने भी पास्ता, चावल और कैसरोल जैसे अमोर्फ खाद्य पदार्थों के लिए 10-20% की अनुमान त्रुटियाँ दिखाई। शोधकर्ताओं ने निष्कर्ष निकाला कि "भाग आकार का अनुमान आहार मूल्यांकन में एक प्रमुख त्रुटि का स्रोत है" और सटीकता में सुधार के लिए दृश्य सहायता और तकनीकी उपकरणों की आवश्यकता है।

Journal of the Academy of Nutrition and Dietetics में Haugen et al. (2019) द्वारा प्रकाशित शोध ने पाया कि कैलोरी-घने खाद्य पदार्थों के लिए अनुमान त्रुटियाँ सबसे बड़ी थीं, जो वजन प्रबंधन के लिए सबसे महत्वपूर्ण खाद्य पदार्थ हैं। प्रतिभागियों ने तेल, नट्स और पनीर के भागों को 40-60% कम बताया, जबकि सब्जियों के भागों को 20-30% अधिक बताया। यह प्रणालीगत पूर्वाग्रह का मतलब है कि मैनुअल ट्रैकर्स लगातार उन खाद्य पदार्थों की संख्या को कम करते हैं जो कैलोरी अधिशेष में सबसे अधिक योगदान करते हैं।

कंप्यूटर दृष्टि दृष्टिकोणों ने भाग अनुमान में महत्वपूर्ण सुधार दिखाए हैं। IEEE Transactions on Pattern Analysis and Machine Intelligence में Fang et al. (2019) द्वारा प्रकाशित एक अध्ययन ने एक गहराई-संवर्धित खाद्य मात्रा अनुमान प्रणाली विकसित की, जिसने एकल खाद्य वस्तुओं के लिए तौले गए संदर्भ मानों के 15% के भीतर भाग आकार के अनुमान प्राप्त किए। सिंगापुर के राष्ट्रीय विश्वविद्यालय से शोध, जो Food Chemistry में Liang और Li (2022) द्वारा प्रकाशित हुआ, ने एकल स्मार्टफोन छवियों से खाद्य मात्रा का अनुमान लगाने के लिए 3D पुनर्निर्माण तकनीकों का उपयोग किया और औसत त्रुटि लगभग 11% थी।

Nature Food में Pfisterer et al. (2024) द्वारा प्रकाशित एक अध्ययन ने एक बहु-आधारित AI प्रणाली का मूल्यांकन किया, जिसने छवि पहचान को सीखे गए भाग आकार के पूर्वाग्रहों के साथ जोड़ा और पाया कि प्रणाली ने 200 परीक्षण भोजन में से 72% के लिए भाग आकार के अनुमान की सटीकता में मानव आहार विशेषज्ञों को पीछे छोड़ दिया। AI ने 8.3% का औसत कैलोरी अनुमान त्रुटि प्राप्त की, जबकि आहार विशेषज्ञों के लिए यह 14.7% और अप्रशिक्षित प्रतिभागियों के लिए 38.2% था।

AI फोटो पहचान कैसे काम करती है: विज्ञान

AI के मानवों से बेहतर प्रदर्शन करने के कारणों को समझने के लिए, हमें अंतर्निहित तकनीक पर एक संक्षिप्त नज़र डालनी होगी। आधुनिक खाद्य पहचान प्रणाली कन्वोल्यूशनल न्यूरल नेटवर्क (CNNs) और, बढ़ती हुई, दृष्टि ट्रांसफार्मर आर्किटेक्चर पर आधारित हैं जिन्हें लाखों लेबल किए गए खाद्य छवियों पर प्रशिक्षित किया गया है।

छवि वर्गीकरण के लिए गहन शिक्षण में बुनियादी काम, जिसे ImageNet Large Scale Visual Recognition Challenge (ILSVRC) के माध्यम से लोकप्रिय बनाया गया, ने दिखाया कि न्यूरल नेटवर्क 2015 तक वस्तु वर्गीकरण में सुपरह्यूमन सटीकता प्राप्त कर सकते हैं। Google, Microsoft और शैक्षणिक संस्थानों के शोधकर्ताओं ने जल्दी से इन आर्किटेक्चर को खाद्य-विशिष्ट अनुप्रयोगों के लिए अनुकूलित किया।

IEEE Access में Min et al. (2019) द्वारा प्रकाशित एक महत्वपूर्ण पेपर, "A Survey on Food Computing," ने खाद्य पहचान के लिए कंप्यूटेशनल दृष्टिकोणों पर 200 से अधिक अध्ययनों की समीक्षा की। लेखकों ने दस्तावेज किया कि शीर्ष प्रदर्शन करने वाले खाद्य पहचान मॉडल ने Food-101, UECFOOD-256, और VIREO Food-172 जैसे बेंचमार्क डेटासेट पर 90% से अधिक वर्गीकरण सटीकता प्राप्त की।

इन प्रणालियों को कैलोरी ट्रैकिंग के लिए विशेष रूप से प्रभावी बनाने वाली बात यह है कि वे एक साथ खाद्य पहचान, दृश्य संकेतों और संदर्भ वस्तुओं से भाग आकार का अनुमान लगाने और सत्यापित डेटाबेस से सटीक पोषण डेटा प्राप्त करने की क्षमता रखती हैं। ACM Computing Surveys में Min et al. (2023) द्वारा प्रकाशित एक अध्ययन ने खाद्य कंप्यूटिंग में नवीनतम स्थिति की समीक्षा की और निष्कर्ष निकाला कि "खाद्य पहचान, मात्रा अनुमान, और पोषण डेटाबेस लुकअप का एकीकरण आहार मूल्यांकन में एक पैराडाइम शिफ्ट का प्रतिनिधित्व करता है।"

इन प्रणालियों के पीछे का विज्ञान एक सामान्य चिंता को भी संबोधित करता है: मिश्रित भोजन। Pattern Recognition में Aguilar et al. (2018) द्वारा प्रकाशित शोध ने दिखाया कि आधुनिक वस्तु पहचान आर्किटेक्चर एक ही छवि के भीतर कई खाद्य वस्तुओं की पहचान और अलग-अलग अनुमान लगाने में सक्षम हैं, जो वास्तविक दुनिया के भोजन की जटिलता को संभालते हैं जो प्रशिक्षित आहार विशेषज्ञों को भी भ्रमित कर देती है।

वास्तविक वजन घटाने के लिए इसका क्या अर्थ है

सुधरी हुई ट्रैकिंग सटीकता का नैदानिक महत्व तब स्पष्ट होता है जब हम आत्म-निगरानी और वजन घटाने के परिणामों के बीच संबंध की जांच करते हैं।

Obesity Reviews में Harvey et al. (2019) द्वारा प्रकाशित एक व्यापक मेटा-विश्लेषण ने 15 यादृच्छिक नियंत्रित परीक्षणों का विश्लेषण किया जिसमें 3,000 से अधिक प्रतिभागी शामिल थे और निष्कर्ष निकाला कि आहार आत्म-निगरानी व्यवहारिक हस्तक्षेपों में सफल वजन घटाने का एकमात्र सबसे मजबूत भविष्यवक्ता था, जो व्यायाम प्रिस्क्रिप्शन, परामर्श की आवृत्ति, या विशेष आहार संरचना से अधिक भविष्यवाणी करता है। जिन्होंने लगातार अपने खाद्य सेवन की आत्म-निगरानी की, उन्होंने अध्ययन की अवधि के दौरान औसतन 3.2 किलोग्राम अधिक वजन कम किया।

हालांकि, मेटा-विश्लेषण ने यह भी नोट किया कि आत्म-निगरानी की गुणवत्ता और सटीकता महत्वपूर्ण थी। तकनीकी-सहायता प्राप्त निगरानी वाले अध्ययन कागज़-आधारित खाद्य डायरी पर निर्भर करने वाले अध्ययनों की तुलना में बड़े प्रभाव आकार दिखाते हैं। लेखकों ने स्पष्ट रूप से अनुशंसा की कि "भविष्य के हस्तक्षेपों को आहार आत्म-निगरानी के बोझ को कम करने और सटीकता में सुधार करने के लिए प्रौद्योगिकी का लाभ उठाना चाहिए।"

JAMA Internal Medicine में Patel et al. (2019) द्वारा प्रकाशित एक अध्ययन ने पाया कि स्वचालित और सरल ट्रैकिंग विधियों ने विस्तृत मैनुअल लॉगिंग की तुलना में वजन घटाने के परिणामों में 28% सुधार किया, न कि इसलिए कि उन्होंने अधिक डेटा कैप्चर किया, बल्कि इसलिए कि प्रतिभागियों ने वास्तव में उनका लगातार उपयोग किया।

जब आप साक्ष्यों को जोड़ते हैं, तो निष्कर्ष सीधा है: ट्रैकिंग सटीकता और ट्रैकिंग निरंतरता दोनों बेहतर वजन घटाने के परिणामों से स्वतंत्र रूप से जुड़े हुए हैं, और AI-सहायता प्राप्त उपकरण दोनों को एक साथ सुधारते हैं।

Nutrola इस शोध को कैसे लागू करता है

Nutrola को इस शोध के आधार पर डिज़ाइन किया गया था। किसी एक सुधार पर निर्भर रहने के बजाय, Nutrola ने क्लिनिकल साहित्य में प्रलेखित सटीकता और पालन के लाभों को एक एकल, मुफ्त एप्लिकेशन में संयोजित किया है।

AI फोटो पहचान उस सटीकता की समस्या को संबोधित करती है जो Lichtman et al. (1992), Subar et al. (2003), और Williamson et al. (2003) द्वारा पहचानी गई थी। उपयोगकर्ताओं से भागों का अनुमान लगाने और डेटाबेस को मैन्युअल रूप से खोजने के बजाय, Nutrola एक ही फोटो से खाद्य पदार्थों की पहचान करने और भागों का अनुमान लगाने के लिए कंप्यूटर दृष्टि का उपयोग करता है, जिससे मैनुअल लॉगिंग में त्रुटियों को कम किया जा सके।

वॉइस लॉगिंग उस पालन की समस्या को संबोधित करती है जो Burke et al. (2011) और Peterson et al. (2014) द्वारा प्रलेखित की गई थी। उपयोगकर्ता अपने भोजन का वर्णन प्राकृतिक भाषा में कर सकते हैं, और Nutrola उस वर्णन को संरचित पोषण डेटा में पार्स करता है। यह दृष्टिकोण प्रति भोजन समय की बाधा को कम करता है, जो अधिकांश मैनुअल ट्रैकर्स को तीन महीनों के भीतर छोड़ने का कारण बनता है।

100+ पोषक तत्वों को ट्रैक करने वाला एक सत्यापित खाद्य डेटाबेस उस डेटा गुणवत्ता की समस्या को संबोधित करता है जो अनुमान त्रुटियों को बढ़ाती है। कई ट्रैकिंग ऐप उपयोगकर्ता-प्रस्तावित डेटाबेस प्रविष्टियों पर निर्भर करते हैं जिनकी त्रुटि दर 25% से अधिक होती है। Nutrola एक क्यूरेटेड, सत्यापित डेटाबेस का उपयोग करता है जो केवल बुनियादी मैक्रोन्यूट्रिएंट्स से परे जाकर सूक्ष्म पोषक तत्वों को ट्रैक करता है, जिसमें विटामिन, खनिज और इलेक्ट्रोलाइट्स शामिल हैं।

Nutrola पूरी तरह से मुफ्त है, बिना किसी प्रीमियम पेवॉल के। शोध लगातार दिखाता है कि पालन ट्रैकिंग सफलता का प्राथमिक निर्धारक है। सटीकता में सुधार करने वाली सुविधाओं को एक सदस्यता के पीछे रखना ठीक वही प्रकार की बाधा उत्पन्न करता है जो नैदानिक साक्ष्य कहते हैं कि दीर्घकालिक अनुपालन को कमजोर करता है।

अक्सर पूछे जाने वाले प्रश्न

क्या AI कैलोरी ट्रैकिंग मैनुअल लॉगिंग की तुलना में अधिक सटीक है, क्लिनिकल अध्ययनों के अनुसार?

हाँ। कई सहकर्मी-समीक्षित अध्ययन पुष्टि करते हैं कि AI-सहायता प्राप्त कैलोरी ट्रैकिंग मैनुअल लॉगिंग की तुलना में काफी अधिक सटीक है। New England Journal of Medicine में Lichtman et al. (1992) द्वारा किए गए शोध ने दिखाया कि मैनुअल आत्म-रिपोर्टर औसतन 47% कैलोरी को कम बताते हैं, जबकि Nutrients में Lu et al. (2020) और The American Journal of Clinical Nutrition में Doulah et al. (2023) द्वारा किए गए अध्ययनों ने पाया कि AI फोटो-आधारित अनुमान 10-15% की त्रुटियों को प्राप्त करता है, जो तीन से चार गुना सुधार है। Nutrola इन शोध निष्कर्षों को लागू करता है, हर भोजन के लिए अनुमान त्रुटि को कम करने के लिए AI फोटो पहचान का उपयोग करता है।

मैनुअल कैलोरी ट्रैकिंग की सबसे बड़ी समस्या क्या है?

क्लिनिकल साक्ष्य दो प्रमुख समस्याओं की ओर इशारा करता है: सटीकता और पालन। Williamson et al. (2003) ने Obesity Research में दिखाया कि अप्रशिक्षित व्यक्तियों ने भाग आकार को 30-60% तक गलत बताया, और Burke et al. (2011) ने Journal of the American Dietetic Association में प्रदर्शित किया कि 50-70% मैनुअल ट्रैकर्स तीन महीनों के भीतर लॉगिंग करना बंद कर देते हैं। Nutrola इन दोनों समस्याओं को सटीकता के लिए AI फोटो पहचान और गति के लिए वॉइस लॉगिंग के साथ संबोधित करता है, जिससे लोगों के छोड़ने के कारणों को कम किया जा सके।

कैलोरी गिनने के लिए AI खाद्य फोटो पहचान कितनी सटीक है?

वर्तमान AI खाद्य पहचान प्रणालियाँ अधिकांश सामान्य भोजन के लिए कैलोरी अनुमान त्रुटियों को लगभग 8-15% प्राप्त करती हैं, IEEE Transactions on Pattern Analysis and Machine Intelligence (Fang et al., 2019) और Nature Food (Pfisterer et al., 2024) में प्रकाशित अध्ययनों के अनुसार। संदर्भ के लिए, प्रशिक्षित आहार विशेषज्ञों की औसत त्रुटि लगभग 15% है, और अप्रशिक्षित व्यक्तियों की औसत त्रुटि 30-50% है। Nutrola शोध-ग्रेड सटीकता को रोज़मर्रा के भोजन ट्रैकिंग में लाने के लिए अत्याधुनिक खाद्य पहचान का उपयोग करता है।

क्या लोग AI कैलोरी ट्रैकिंग के साथ मैनुअल ट्रैकिंग की तुलना में अधिक समय तक बने रहते हैं?

हाँ। JMIR mHealth and uHealth में Chin et al. (2016) द्वारा प्रकाशित शोध ने पाया कि छवि-आधारित आहार ट्रैकिंग ने 12 सप्ताह में मैनुअल टेक्स्ट प्रविष्टि की तुलना में लगभग 40% अधिक जुड़ाव दर बनाए रखी। Appetite में Ahn et al. (2022) द्वारा प्रकाशित एक अध्ययन ने AI-संचालित ऐप्स के लिए छह महीने की बनाए रखने की दर 45% रिपोर्ट की, जबकि मैनुअल लॉगिंग के लिए 15-25% थी। Nutrola वॉइस लॉगिंग और AI फोटो ट्रैकिंग को बिना किसी लागत के प्रदान करके पालन को और बेहतर बनाता है, जिससे समय और वित्तीय बाधाएँ समाप्त होती हैं।

क्या बेहतर कैलोरी ट्रैकिंग सटीकता वास्तव में अधिक वजन घटाने की ओर ले जाती है?

Obesity Reviews में Harvey et al. (2019) द्वारा किए गए मेटा-विश्लेषण ने पाया कि लगातार आहार आत्म-निगरानी वजन घटाने का एकमात्र सबसे मजबूत भविष्यवक्ता था, जिसमें सटीक आत्म-निगरक औसतन 3.2 किलोग्राम अधिक वजन कम करते थे। JAMA Internal Medicine में Patel et al. (2019) में किए गए शोध ने दिखाया कि तकनीकी-सहायता प्राप्त ट्रैकिंग ने वजन घटाने के परिणामों में 28% सुधार किया। Nutrola इस साक्ष्य पर आधारित है, AI सटीकता को कम-फ्रिक्शन लॉगिंग के साथ जोड़कर ट्रैकिंग गुणवत्ता और निरंतरता को अधिकतम करने के लिए।

Nutrola को अन्य AI कैलोरी ट्रैकर्स से क्या अलग बनाता है?

हालांकि कई ऐप AI फोटो पहचान की पेशकश करते हैं, Nutrola एकमात्र मुफ्त कैलोरी ट्रैकर है जो AI फोटो पहचान, वॉइस लॉगिंग, और 100 से अधिक पोषक तत्वों को ट्रैक करने वाले सत्यापित डेटाबेस को संयोजित करता है। इस लेख में समीक्षा किए गए क्लिनिकल शोध से पता चलता है कि सटीकता में सुधार (फोटो AI), पालन में सुधार (कम फ्रिक्शन), और डेटा गुणवत्ता (सत्यापित डेटाबेस) प्रत्येक स्वतंत्र रूप से वजन प्रबंधन के परिणामों में सुधार करते हैं। Nutrola इन तीनों को एकीकृत करता है, सहकर्मी-समीक्षित साक्ष्य से प्रेरित होकर, बिना किसी प्रीमियम सदस्यता की आवश्यकता के।