Hvilken kaloriapp bruker forskere i kliniske studier? En oversikt over publiserte studier

Når forskere utformer en klinisk studie som krever overvåking av kosthold, er valget av et sporingsverktøy en metodologisk beslutning som har direkte innvirkning på datakvaliteten. I motsetning til forbrukere som kanskje velger en app basert på estetikk eller pris, vurderer forskere sporingsapper ut fra målevaliditet, muligheter for dataeksport, funksjoner for deltakerengasjement og reproduksjonsevne. Appene som oftest brukes i publisert klinisk forskning, reflekterer en grundig utvelgelsesprosess som viser hvilke verktøy det vitenskapelige fellesskapet stoler på.

Denne artikkelen undersøker den publiserte kliniske forskningslitteraturen for å identifisere hvilke kaloriapper som brukes i studier, hvorfor forskere velger spesifikke apper, og hvilke funksjoner som gjør en app egnet for forskningskvalitets kostholdsovervåking.

Studie-for-studie oversiktstabell

Studie	Tidsskrift	År	Brukt App	Studietype	Utvalgsstørrelse	Hvorfor denne appen ble valgt
Athinarayanan et al.	Frontiers in Endocrinology	2019	Cronometer	RCT	262	Omfattende mikronæringsstoffovervåking for ketogen diett
Stringer et al.	Frontiers in Nutrition	2021	Cronometer	Intervensjon	42	Nøyaktighet av USDA/NCCDB-data for kontrollert kostholdsanalys
Patel et al.	Obesity	2019	Lose It!	RCT	218	Atferdsintervensjon for vekttap med app-basert overvåking
Turner-McGrievy et al.	JAMA Internal Medicine	2017	Flere (inkl. Lose It!)	RCT	96	Sammenligning av metoder for selvovervåking av kosthold
Laing et al.	JMIR mHealth uHealth	2014	MyFitnessPal	RCT	212	Mulighet for vekttap i primærhelsetjenesten
Carter et al.	J Med Internet Res	2013	MFP-stil app	RCT	128	Sammenligning av app vs. papirdagbok
Harvey et al.	Appetite	2019	MyFitnessPal	Observasjon	1,422	Konsistens i logging og vekttapresultater
Spring et al.	J Med Internet Res	2013	Tilpasset app	RCT	69	Teknologi-støttet kostholdsovervåking med coaching
Tosi et al.	Nutrients	2022	MFP, FatSecret, Yazio	Validering	40 matvarer	Testing av databasens nøyaktighet mot laboratorieverdier
Chen et al.	J Am Diet Assoc	2019	6 kommersielle apper	Validering	180	Sammenligning av nøyaktighet mellom flere apper mot veide opptegnelser
Franco et al.	JMIR mHealth uHealth	2016	MFP, Lose It!	Validering	Klinisk	Nøyaktighetsvurdering i vekthåndteringsprogram
Evenepoel et al.	Obes Sci Pract	2020	MyFitnessPal	Systematisk gjennomgang	15 studier	Omfattende gjennomgang av MFP i forskningsinnstillinger
Hollis et al.	Am J Prev Med	2008	Papiropptegnelser	RCT	1,685	Gullstandarden for selvovervåking før app-epoken
Burke et al.	J Am Diet Assoc	2011	PDA-sporer	RCT	210	Sammenligning av elektronisk vs. papir selvovervåking
Ferrara et al.	Int J Behav Nutr Phys Act	2019	Flere	Systematisk gjennomgang	18 studier	Gjennomgang av app-baserte verktøy for kostholdsovervåking

Hvorfor forskere velger spesifikke apper

Faktorene som driver forskeres valg av apper er fundamentalt forskjellige fra forbrukernes prioriteringer. Å forstå disse faktorene avdekker hva det vitenskapelige fellesskapet verdsetter i et kostholdsovervåkingsverktøy.

Databasenøyaktighet og dybde

Den mest kritiske faktoren for forskere er databasenøyaktighet. Når data om kosthold brukes til å beregne næringsstoffeksponering i en klinisk studie, oversettes databasefeil direkte til målefeil som kan skjule behandlingseffekter.

Stringer et al. (2021) uttalte eksplisitt at de valgte Cronometer for sin ketogene diettstudie på grunn av bruken av USDA FoodData Central og NCCDB-data. Studien krevde presis overvåking av makronæringsstoffforhold for å bekrefte at deltakerne opprettholdt ernæringsmessig ketose, en tilstand definert av spesifikke karbohydratbegrensningsnivåer. En databasefeil på 20 prosent i karbohydratinnholdet (innenfor rekkevidden av crowdsourced databaser ifølge Tosi et al., 2022) kunne feilklassifisere en deltaker som værende i eller ute av ketose.

Athinarayanan et al. (2019) valgte også Cronometer for en type 2 diabetesintervensjon som krevde detaljert overvåking av makronæringsstoffer. Studiens kontinuerlige fjernpleiemodell var avhengig av nøyaktige kostholdsdata for å veilede kliniske beslutninger om medikamentjustering.

Dataeksport og integrasjon

Forskning krever data i formater som er kompatible med statistisk analyseprogramvare (CSV, SPSS, SAS). Apper som ikke kan eksportere detaljerte matnivådata i et strukturert format, er upraktiske for forskningsbruk uansett kvaliteten på databasen.

Cronometer tilbyr CSV-eksport med næringsstoffoversikt på matnivå, noe som gjør det kompatibelt med standard forskningsdataanalysearbeidsflyter. Denne funksjonen har blitt eksplisitt nevnt som en utvelgelsesfaktor i flere publiserte studier.

De fleste forbrukerorienterte apper gir kun oppsummeringsdata (daglige totaler) i stedet for detaljer på matnivå, noe som begrenser hvilke typer analyser forskere kan utføre. Forskningsprotokoller krever ofte matnivådata for å beregne kostholdsmønstre, identifisere spesifikke matgruppers inntak eller analysere effekter av måltidstidspunkt.

Deltakerengasjement og etterlevelse

Selvmonitorering av kosthold er en byrde for forskningsdeltakere. Apper som reduserer loggingstid og friksjon, forbedrer etterlevelsesratene, noe som direkte påvirker datakvaliteten.

Laing et al. (2014) fant at bare 3 prosent av deltakerne i deres MFP-studie fortsatt logget etter seks måneder, noe som fremhever engasjementsutfordringen. Denne oppdagelsen har motivert forskere til å søke apper med funksjoner som reduserer loggingsbyrden.

AI-drevne loggingsfunksjoner, som fotogjenkjenning og stemmeinnputt, representerer et betydelig fremskritt for forskningsetterlevelse. Disse funksjonene reduserer loggings tiden per måltid fra flere minutter til sekunder, noe som kan forbedre andelen måltider logget over flere måneder.

Nutrolas kombinasjon av AI-fotogjenkjenning, stemmelogging og strekkodeskanning gir tre lavfriksjons loggingsmodaliteter som adresserer ulike deltakerpreferanser og bruksforhold. Kombinert med en verifisert database fra USDA med 1,8 millioner oppføringer, opprettholder denne tilnærmingen forskningskvalitets datanøyaktighet samtidig som deltakerengasjementet maksimeres, en kombinasjon som er vanskelig å oppnå med apper optimalisert for bare ett av disse to målene.

Næringsstoffdekning

Studier som undersøker mikronæringsstoffstatus, kostholdskvalitetsindekser eller spesifikke næringsstoff-sykdomsforhold krever apper som sporer et omfattende sett av næringsstoffer.

Næringsstoffdekning	Cronometer	Nutrola	MFP	Lose It!
Totalt antall næringsstoffer sporet	82+	80+	19 (standard)	22
Individuelle aminosyrer	Ja	Ja	Nei	Nei
Individuelle fettsyrer	Ja	Ja	Delvis	Nei
Alle 13 vitaminer	Ja	Ja	Delvis	Delvis
Alle essensielle mineraler	Ja	Ja	Delvis	Delvis
Kostfiber subtyper	Ja	Ja	Nei	Nei

Forskere som studerer kardiovaskulære utfall trenger detaljerte fettsyreprofiler. Studier om beinhelse krever data om kalsium, vitamin D og vitamin K. Forskning på ernæring og mental helse kan kreve sporing av individuelle aminosyrer (tryptofan, tyrosin) for analyse av forløpere til nevrotransmittere. Kun apper som sporer 80+ næringsstoffer kan støtte disse forskningsapplikasjonene.

Kostnad og reklamebekymringer

Forskningsprotokoller krever konsistente forhold på tvers av deltakerne. Reklamefinansierte apper presenterer to metodologiske bekymringer: annonser kan påvirke kostholdsvalg (matannonser vist under logging), og inkonsekvens i annonsevisning på tvers av deltakere introduserer ukontrollert variabilitet.

Nutrolas reklamefrie modell til EUR 2,50 per måned eliminerer begge bekymringene. I et forskningsbudsjett er kostnaden for å gi deltakerne et reklamefritt sporingsverktøy ubetydelig sammenlignet med kostnaden for forskningen selv, men den metodologiske fordelen ved å fjerne reklameforstyrrelser er betydelig.

Sammenligning av forskningskvalitetsfunksjoner

Funksjon	Cronometer	Nutrola	MFP	Lose It!
Integrasjon med USDA FoodData Central	Ja	Ja (kryssreferert)	Supplerende	Supplerende
Dataeksport (CSV)	Ja	Ja	Begrenset	Begrenset
Næringsdata på matnivå	Ja	Ja	Kun oppsummering	Kun oppsummering
Prosedyrer for tilpasset matregistrering	Ja	Ja	Ja	Ja
Deltakerens etterlevelsesoppfølging	Begrenset	Via loggingsfrekvensdata	Begrenset	Begrenset
Reklamefri opplevelse	Betalt nivå	Alle nivåer (EUR 2,50/mnd)	Kun betalt nivå	Kun betalt nivå
AI-assistert logging	Nei	Ja (foto + stemme)	Nei	Nei
Strekkodeskanning	Ja	Ja	Ja	Ja

Forskningsverktøylandskapet utover forbrukerapper

Det er viktig å kontekstualisere forbrukerapper innenfor det bredere landskapet av kostholdsvurderingsverktøy brukt i forskning.

Etablerte forskningsverktøy

ASA24 (Automated Self-Administered 24-hour Dietary Recall). Utviklet av National Cancer Institute, ASA24 er et nettbasert verktøy som veileder deltakere gjennom en strukturert 24-timers kostholdsgjennomgang. Det bruker USDA FNDDS-databasen og har blitt validert i flere studier. ASA24 er gullstandarden for forskningskostholdsvurdering, men er ikke designet for daglig overvåking.

NDSR (Nutrition Data System for Research). Utviklet av University of Minnesotas Nutrition Coordinating Center, NDSR er det mest omfattende verktøyet for forskningskostholdsanalyse tilgjengelig. Det bruker NCCDB-databasen og drives av trente kostholdsintervjuere. NDSR er referansestandarden som andre verktøy valideres mot. Dens kostnad per lisens (omtrent 4 500 USD per år) gjør den upraktisk for storskala studier som krever selvsporing av deltakere.

Matfrekvensspørreskjemaer (FFQs). Semi-kvantitative spørreskjemaer som vurderer vanlig kosthold inntak over lengre perioder (typisk måneder til år). FFQs er effektive for store epidemiologiske studier, men mangler den daglige detaljrikdommen som sporingsapper gir.

Hvor forbrukerapper passer inn

Forbruker kalori tracking apper fyller en unik nisje i forskningsverktøylandskapet: de muliggjør daglig, sanntids kostholdsselvmonitorering i stor skala. Verken ASA24 (periodiske tilbakekallinger), NDSR (krever trente intervjuere) eller FFQs (retrospektive estimater) kan gi denne typen data.

For studier som krever daglig kostholdsovervåking i frie deltakere over uker til måneder, er forbrukerapper ofte det eneste praktiske alternativet. Det sentrale spørsmålet er hvilken forbrukerapp som gir datakvalitet nærmest forskningskvalitetsverktøyene samtidig som den opprettholder brukervennligheten som er nødvendig for deltakerengasjement.

Apper som Nutrola og Cronometer, som bruker de samme underliggende datakildene som forskningsverktøy (USDA FoodData Central, nasjonale databaser), bygger bro over gapet mellom forbruker tilgjengelighet og forskningskvalitetsmetodikk.

Nye trender: AI-overvåking i forskning

Integreringen av AI-drevet matgjenkjenning i forskningsprotokoller er en ny trend som adresserer etterlevelsesutfordringen identifisert av Laing et al. (2014).

Redusert deltakerbyrde. AI-fotologging reduserer loggings tiden per måltid fra 3-5 minutter (manuell inntasting) til 10-30 sekunder (fotografere og bekrefte). I en 12 ukers studie med tre måltider per dag, utgjør denne tidsbesparelsen omtrent 15-25 timer per deltaker. For studier med hundrevis av deltakere representerer dette en betydelig reduksjon i deltakerbyrden som kan forbedre opprettholdelse og datakvalitet.

Objektiv dokumentasjon av porsjoner. Måltidsbilder gir et objektivt bevis som kan vurderes uavhengig av forskere eller dietetikere, noe som tilfører et valideringslag som ikke er tilgjengelig med manuell tekstbasert logging.

Naturlig språkprosessering. Stemmesbasert logging, som implementert i Nutrola, lar deltakerne beskrive måltider med naturlig språk. Denne modaliteten er spesielt verdifull for befolkninger som finner manuell tekstinndatering byrdefull, inkludert eldre, personer med begrenset leseferdighet, og deltakere i feltforskningsmiljøer.

Kritisk krav: verifisert backend. Nytten av AI-logging for forskning avhenger helt av nøyaktigheten til databasen som AI-identifiserte matvarer matches mot. Et AI-system som korrekt identifiserer "grillet kyllingbryst" men matcher det til en unøyaktig crowdsourced databaseoppføring gir falsk presisjon: identifikasjonen er korrekt, men de ernæringsmessige dataene er feil. Dette er grunnen til at Nutrolas arkitektur, som kombinerer AI-logging med en USDA-ankret verifisert database, er spesielt godt egnet for forskningsapplikasjoner.

Kriterier for valg av en forskningskvalitets sporingsapp

Basert på mønstrene observert i den publiserte litteraturen, definerer følgende kriterier en forskningskvalitets forbrukersporingsapp:

1. Database forankret til USDA FoodData Central eller tilsvarende offentlig database. Dette sikrer at generiske matoppføringer er basert på laboratorieanalyserte verdier snarere enn brukerinnsendte estimater.

2. Profesjonell verifisering av ikke-USDA oppføringer. Merkevarer og regionale matvarer som ikke finnes i USDA bør gjennomgå profesjonell vurdering i stedet for å bli akseptert fra crowdsourced innsendelser uten verifisering.

3. Sporing av 60+ næringsstoffer. Studier som undersøker mikronæringsstoffer, kostholdskvalitet eller spesifikke næringsstoff-helseforhold krever omfattende næringsdekning.

4. Matnivådataeksport i standardformater. CSV eller tilsvarende eksport som muliggjør analyse i R, SPSS, SAS eller Python.

5. Lav loggingfriksjon for å maksimere etterlevelse. AI-assistert logging (foto, stemme, strekkode) reduserer deltakerbyrden og forbedrer datakvaliteten.

6. Reklamefri opplevelse. Fjerner reklameforstyrrelser og reduserer deltakerens distraksjon under logging.

7. Konsistent brukeropplevelse. Ingen endringer i funksjoner eller grensesnittmodifikasjoner i løpet av studieperioden som kan påvirke loggingsatferd.

Nutrola oppfyller alle syv kriterier: USDA-ankret og kryssreferert database, ernæringsfysiolog-verifiserte oppføringer (1,8 millioner), 80+ næringsstoffer sporet, AI-foto- og stemmelogging, strekkodeskanning, reklamefritt til EUR 2,50 per måned, og tilgjengelig på både iOS og Android.

Ofte stilte spørsmål

Hvilken kaloriapp er mest brukt i klinisk forskning?

Etter antall siteringer ser MyFitnessPal ut til å være mest brukt i publisert forskning, hovedsakelig på grunn av sin markedsdominans. Imidlertid, for kontrollerte kostholdsintervensjoner der datanøyaktighet er kritisk, er Cronometer det foretrukne valget. Forskere velger apper basert på database-metodikk og dataeksportmuligheter snarere enn popularitet.

Hvorfor bruker ikke forskere bare MyFitnessPal siden det er mest populært?

Popularitet og forskningsegnethet er forskjellige kriterier. Flere studier (Tosi et al., 2022; Evenepoel et al., 2020) har dokumentert nøyaktighetsproblemer med MFPs crowdsourced database. Forskere som gjennomfører presisjonsernæringsstudier eller kontrollerte kostholdsintervensjoner krever mer nøyaktige data enn det MFP konsekvent gir. MFP brukes i studier der kostholdsinntekt er en sekundær variabel og omtrentlige estimater er akseptable.

Kan Nutrola brukes i klinisk forskning?

Nutrolas metodikk samsvarer med kravene til forskningskvalitet: grunnlag i USDA FoodData Central, ernæringsfysiolog-kryssreferering, 80+ næringsstoffer sporet, og AI-assistert logging for å maksimere deltakerens etterlevelse. Dens 1,8 millioner verifiserte oppføringer, dataeksportmuligheter og reklamefrie design til EUR 2,50 per måned gjør den egnet for forskningsprotokoller som krever daglig kostholdsovervåking med både nøyaktighet og deltakerengasjement.

Hva er forskjellen mellom forskningskostholdsverktøy (ASA24, NDSR) og forbrukerapper?

ASA24 og NDSR er designet for periodisk kostholdsvurdering utført eller veiledet av trente fagfolk. Forbrukerapper (Nutrola, Cronometer, MFP) er designet for daglig selvsporing av enkeltpersoner uten profesjonell opplæring. Forbrukerapper utmerker seg i kontinuerlig, sanntids overvåking, men kan ofre noe metodologisk stringens. Apper med USDA-ankrede databaser (Nutrola, Cronometer) reduserer dette gapet betydelig.

Vil AI-drevet kalori tracking erstatte tradisjonell kostholdsvurdering i forskning?

AI-drevet overvåking er usannsynlig å fullt ut erstatte etablerte metoder som NDSR eller ASA24, men vil i økende grad supplere dem. Den primære forskningsverdien av AI-overvåking er redusert deltakerbyrde (forbedring av etterlevelse og datakvalitet) kombinert med objektiv fotografisk dokumentasjon. Det kritiske kravet er at AI-identifikasjonen må pares med en verifisert ernæringsdatabase. Apper som Nutrola som kombinerer AI-loggingens bekvemmelighet med USDA-verifisert datanøyaktighet er best posisjonert for denne nye forskningsapplikasjonen.