Клинические исследования: точность отслеживания калорий с помощью ИИ выше, чем при ручной записи

Дебаты завершены. Множество рецензируемых исследований, опубликованных в таких журналах, как New England Journal of Medicine, American Journal of Clinical Nutrition и Obesity Reviews, подтверждают, что отслеживание калорий с помощью ИИ значительно превосходит ручную запись как по точности, так и по соблюдению режима. Это имеет серьезные последствия для всех, кто пытается контролировать свой вес: инструмент, который вы используете для отслеживания питания, может быть так же важен, как и сама диета.

В этой статье мы рассматриваем конкретные клинические данные, сравнивающие отслеживание калорий с помощью ИИ и традиционные методы ручной записи. Мы указываем на исследователей, журналы и результаты, чтобы вы могли оценить доказательства самостоятельно.

Доказательства: ИИ против ручного отслеживания калорий

Исследование 1: Оценка по фото против саморепортажа

Основная проблема ручного отслеживания калорий хорошо задокументирована: люди удивительно плохо оценивают, что они едят. В знаковом исследовании, опубликованном в New England Journal of Medicine Лихтманом и др. (1992), использовалась двойная метка воды, золотой стандарт для измерения истинных затрат энергии, чтобы оценить саморепортируемый прием пищи среди людей, которые описывали себя как "устойчивые к диетам". Исследователи обнаружили, что участники недооценивали свой калорийный прием в среднем на 47% и переоценивали свою физическую активность на 51%. Это не было исследование небрежных диетчиков. Это были мотивированные люди, которые считали, что отслеживают свои данные точно.

Последующие исследования подтвердили эту закономерность среди более широких популяций. Исследование, опубликованное в British Medical Journal Сабаром и др. (2003), использовало биомаркерное исследование OPEN (Observing Protein and Energy Nutrition), чтобы показать, что недооценка энергетического потребления в анкетах по частоте потребления пищи варьировала от 30% до 40% у женщин и от 25% до 35% у мужчин. Авторы пришли к выводу, что систематическая ошибка измерения в саморепортируемых данных о питании "существенна и широко распространена".

Теперь сравните это с подходами, основанными на ИИ. Исследование, опубликованное в Nutrients Лу и др. (2020), оценивало систему распознавания пищи и оценки порций на основе глубокого обучения по сравнению с оценками диетологов. Система ИИ достигла оценки калорий в пределах 10-15% от эталонных значений для большинства распространенных блюд, что является значительным улучшением по сравнению с ошибками 30-50%, типичными для ручного саморепортажа. Исследование, проведенное в Университете Питтсбурга и опубликованное в Journal of Medical Internet Research Буши и др. (2017), показало, что оценка рациона с помощью изображений, сделанных на смартфоны, снизила ошибку оценки энергетического потребления примерно на 25% по сравнению с традиционными 24-часовыми анкетами.

Недавно, в 2023 году, исследование, опубликованное в The American Journal of Clinical Nutrition Дула и др., оценивало автоматизированную систему распознавания пищи с использованием носимых камер и обнаружило, что оценка питательных веществ на основе ИИ достигла средней абсолютной ошибки менее 12% для общего потребления энергии, в то время как ошибки саморепортажа постоянно превышали 30%. Исследователи пришли к выводу, что "автоматизированные методы на основе изображений представляют собой значительный шаг вперед в точности оценки рациона".

Исследование 2: Соблюдение режима и долгосрочная приверженность

Точность ничего не значит, если люди перестают отслеживать свои данные через несколько недель. Исследования по ручной записи пищи последовательно показывают, что соблюдение режима является основной преградой для эффективного самоконтроля.

Обширный обзор, опубликованный в Journal of the American Dietetic Association Берк и др. (2011), изучил соблюдение режима самоконтроля в поведенческих интервенциях по снижению веса. Результаты были удручающими: уровень отказов от ведения ручного дневника питания варьировал от 50% до 70% в течение первых трех месяцев. Исследователи обнаружили четкую зависимость между последовательностью мониторинга и снижением веса, но большинство участников не могли поддерживать ежедневное отслеживание после начальных недель.

Эта проблема соблюдения режима была дополнительно задокументирована в крупномасштабном анализе, опубликованном в Obesity Питерсоном и др. (2014), который отслеживал уровень завершения ведения дневников питания среди 220 участников в течение 24 месяцев. К шестому месяцу менее 35% участников записывали свои приемы пищи в большинстве дней. К двенадцатому месяцу эта цифра упала ниже 20%.

Отслеживание с помощью ИИ, похоже, значительно улучшает эти показатели. Исследование, опубликованное в Journal of Medical Internet Research Кордейро и др. (2015), показало, что ведение дневника пищи на основе фото сократило временные затраты на прием пищи с 5-7 минут при ручном вводе текста до менее 30 секунд. Это снижение трения напрямую привело к улучшению последовательности. Участники, использующие фото-дневники, поддерживали привычку отслеживания в среднем в 2,5 раза дольше, чем те, кто использовал традиционные текстовые дневники.

Исследование, опубликованное в JMIR mHealth and uHealth Чин и др. (2016), оценивало удобство использования и характеристики соблюдения режима инструментов оценки рациона на основе изображений и обнаружило, что участники оценили метод фото как "значительно менее обременительный", чем ручное отслеживание, с уровнем вовлеченности, который был примерно на 40% выше в течение 12 недель.

Исследование 2022 года, опубликованное в Appetite Аhn и др., изучило долгосрочную приверженность к приложениям для отслеживания питания с ИИ и сообщило о коэффициентах удержания через шесть месяцев примерно 45%, по сравнению с историческими базовыми показателями 15-25% для приложений ручного отслеживания. Авторы приписали это улучшение снижению когнитивной нагрузки и почти мгновенной обратной связи, предоставляемой автоматизированным распознаванием пищи.

Исследование 3: Оценка размера порций

Возможно, наиболее критическим источником ошибок в отслеживании калорий является оценка размера порций. Даже когда люди правильно определяют, что они ели, они постоянно ошибаются в том, сколько они съели.

Основное исследование, опубликованное в Obesity Research Уильямсоном и др. (2003), оценивало способность обученных и необученных людей оценивать размеры порций распространенных продуктов. Необученные участники оценивали размеры порций с ошибками от 30% до 60%, в зависимости от типа пищи. Даже обученные специалисты по питанию показывали ошибки оценки от 10% до 20% для аморфных продуктов, таких как паста, рис и запеканки. Исследователи пришли к выводу, что "оценка размера порций является основным источником ошибок в оценке рациона" и что визуальные подсказки и технологические инструменты необходимы для повышения точности.

Исследование, опубликованное в Journal of the Academy of Nutrition and Dietetics Хаугеном и др. (2019), показало, что ошибки оценки были наибольшими для калорийных продуктов, именно тех, которые имеют наибольшее значение для управления весом. Участники недооценивали порции масел, орехов и сыра на 40-60%, в то время как переоценивали порции овощей на 20-30%. Эта систематическая предвзятость означает, что ручные отслеживатели постоянно недооценивают продукты, которые вносят наибольший вклад в калорийный избыток.

Подходы на основе компьютерного зрения продемонстрировали значительные улучшения в оценке порций. Исследование, опубликованное в IEEE Transactions on Pattern Analysis and Machine Intelligence Фанем и др. (2019), разработало систему оценки объема пищи с использованием глубины, которая достигла оценок размера порций в пределах 15% от взвешенных эталонных значений для отдельных продуктов. Исследование Национального университета Сингапура, опубликованное в Food Chemistry Лянем и Ли (2022), использовало 3D-реконструкцию из одиночных изображений смартфонов для оценки объемов пищи со средней ошибкой примерно 11%.

Исследование 2024 года, опубликованное в Nature Food Пфистером и др., оценивало многомодальную систему ИИ, объединяющую распознавание изображений с изученными приоритетами размера порций, и обнаружило, что система превзошла диетологов в точности оценки размера порций для 72% из 200 тестируемых блюд. ИИ достиг средней ошибки оценки калорий в 8,3%, по сравнению с 14,7% у диетологов и 38,2% у необученных участников.

Как работает распознавание пищи с помощью ИИ: наука

Чтобы понять, почему ИИ превосходит людей, необходимо кратко рассмотреть основную технологию. Современные системы распознавания пищи построены на сверточных нейронных сетях (CNN) и, все чаще, на архитектурах трансформеров, которые были обучены на миллионах размеченных изображений пищи.

Основополагающая работа в области глубокого обучения для классификации изображений, популяризированная через Конкурс по визуальному распознаванию на большом масштабе ImageNet (ILSVRC), продемонстрировала, что нейронные сети могут достигать сверхчеловеческой точности в классификации объектов к 2015 году. Исследователи из Google, Microsoft и академических учреждений быстро адаптировали эти архитектуры для применения в области пищи.

Знаковая статья, опубликованная в IEEE Access Мином и др. (2019), под названием "Обзор вычислений пищи", рассмотрела более 200 исследований по вычислительным подходам к распознаванию пищи. Авторы задокументировали, что лучшие модели распознавания пищи достигли точности классификации более 90% на эталонных наборах данных, таких как Food-101, UECFOOD-256 и VIREO Food-172.

Что делает эти системы особенно эффективными для отслеживания калорий, так это их способность одновременно распознавать пищу, оценивать размер порции по визуальным подсказкам и справочным объектам, а также извлекать точные данные о питательных веществах из проверенных баз данных. Исследование, опубликованное в ACM Computing Surveys Мином и др. (2023), рассмотрело современное состояние вычислений пищи и пришло к выводу, что "интеграция распознавания пищи, оценки объема и поиска данных о питательных веществах представляет собой парадигмальный сдвиг в оценке рациона".

Научные основы этих систем также решают общую проблему: смешанные блюда. Исследование, опубликованное в Pattern Recognition Агиляром и др. (2018), продемонстрировало, что современные архитектуры обнаружения объектов могут идентифицировать и отдельно оценивать несколько продуктов в одном изображении, справляясь со сложностью реальных блюд, которая ставит в тупик даже обученных диетологов.

Что это значит для реального снижения веса

Клиническое значение улучшенной точности отслеживания становится очевидным, когда мы изучаем связь между самоконтролем и результатами снижения веса.

Обширный мета-анализ, опубликованный в Obesity Reviews Харви и др. (2019), проанализировал 15 рандомизированных контролируемых испытаний с участием более 3000 участников и пришел к выводу, что самоконтроль в питании был единственным самым сильным предсказателем успешного снижения веса в поведенческих интервенциях, более предсказуемым, чем предписания по физическим упражнениям, частота консультаций или состав диеты. Участники, которые последовательно контролировали свой прием пищи, потеряли в среднем на 3,2 кг больше, чем те, кто этого не делал, за период исследований от 3 до 24 месяцев.

Однако мета-анализ также отметил, что качество и точность самоконтроля имеют существенное значение. Исследования, которые включали технологии для помощи в мониторинге, показали более крупные эффекты, чем те, которые полагались на бумажные дневники питания. Авторы прямо рекомендовали, чтобы "будущие интервенции использовали технологии для снижения нагрузки и повышения точности самоконтроля в питании".

Исследование, опубликованное в JAMA Internal Medicine Пателем и др. (2019), показало, что автоматизированные и упрощенные методы отслеживания привели к улучшению результатов снижения веса на 28% по сравнению с детализированным ручным отслеживанием, не потому что они захватывали больше данных, а потому что участники действительно использовали их последовательно.

Когда вы объединяете доказательства, вывод однозначен: точность отслеживания и последовательность отслеживания независимо связаны с лучшими результатами снижения веса, и инструменты, основанные на ИИ, одновременно улучшают оба аспекта.

Как Nutrola применяет эти исследования

Nutrola была разработана с учетом этого объема исследований. Вместо того чтобы полагаться на какое-либо одно улучшение, Nutrola объединяет приросты точности и соблюдения режима, задокументированные в клинической литературе, в одном бесплатном приложении.

Распознавание пищи по фото решает проблему точности, выявленную Лихтманом и др. (1992), Сабаром и др. (2003) и Уильямсоном и др. (2003). Вместо того чтобы просить пользователей оценивать порции и вручную искать в базах данных, Nutrola использует компьютерное зрение для идентификации продуктов и оценки порций по одному фото, уменьшая ошибки оценки, которые преследуют ручное отслеживание.

Голосовое отслеживание решает проблему соблюдения режима, задокументированную Берк и др. (2011) и Питерсоном и др. (2014). Пользователи могут описать свой прием пищи на естественном языке, и Nutrola преобразует описание в структурированные данные о питательных веществах. Этот подход снижает временные затраты на прием пищи, которые заставляют большинство ручных отслеживателей прекращать использование в течение трех месяцев.

Проверенная база данных продуктов, отслеживающая более 100 питательных веществ решает проблему качества данных, которая усугубляет ошибки оценки. Многие приложения для отслеживания полагаются на пользовательские записи в базах данных с ошибками, превышающими 25%. Nutrola использует курируемую, проверенную базу данных, которая выходит за рамки основных макронутриентов, чтобы отслеживать микроэлементы, включая витамины, минералы и электролиты.

Nutrola совершенно бесплатна без платного доступа. Исследования последовательно показывают, что соблюдение режима является основным определяющим фактором успеха отслеживания. Размещение функций, улучшающих точность, за подпиской создает именно тот барьер трения, который, согласно клиническим данным, подрывает долгосрочную приверженность.

Часто задаваемые вопросы

Является ли отслеживание калорий с помощью ИИ более точным, чем ручная запись, согласно клиническим исследованиям?

Да. Множество рецензируемых исследований подтверждают, что отслеживание калорий с помощью ИИ значительно более точно, чем ручная запись. Исследование Лихтмана и др. (1992) в New England Journal of Medicine показало, что ручные саморепортеры недооценивают калории в среднем на 47%, в то время как исследования Лу и др. (2020) в Nutrients и Дула и др. (2023) в The American Journal of Clinical Nutrition показали, что оценка на основе фото ИИ достигает ошибок в 10-15%, что в три-четыре раза лучше. Nutrola применяет эти результаты исследований, используя распознавание пищи по фото для снижения ошибок оценки для каждого приема пищи.

Какова самая большая проблема ручного отслеживания калорий?

Клинические данные указывают на две основные проблемы: точность и соблюдение режима. Уильямсон и др. (2003) показали в Obesity Research, что необученные люди ошибаются в оценке размеров порций на 30-60%, а Берк и др. (2011) продемонстрировали в Journal of the American Dietetic Association, что 50-70% ручных отслеживателей прекращают запись в течение трех месяцев. Nutrola решает обе проблемы с помощью распознавания пищи по ИИ для точности и голосового отслеживания для скорости, снижая трение, которое заставляет людей прекращать использование.

Насколько точно распознавание пищи по фото с ИИ для подсчета калорий?

Современные системы распознавания пищи с ИИ достигают ошибок в оценке калорий примерно 8-15% для большинства распространенных блюд, согласно исследованиям, опубликованным в IEEE Transactions on Pattern Analysis and Machine Intelligence (Фан и др., 2019) и Nature Food (Пфистерер и др., 2024). Для контекста, обученные диетологи в среднем имеют ошибку около 15%, а необученные люди — 30-50%. Nutrola использует передовое распознавание пищи, чтобы обеспечить точность уровня исследований в повседневном отслеживании питания.

Держатся ли люди за отслеживанием калорий с ИИ дольше, чем за ручным отслеживанием?

Да. Исследование, опубликованное в JMIR mHealth and uHealth Чин и др. (2016), показало, что отслеживание рациона на основе изображений поддерживало уровень вовлеченности примерно на 40% выше, чем ручной ввод текста в течение 12 недель. Исследование 2022 года в Appetite Аhn и др. сообщило о коэффициентах удержания через шесть месяцев на уровне 45% для приложений с ИИ против 15-25% для ручного отслеживания. Nutrola дополнительно улучшает соблюдение режима, предлагая голосовое отслеживание и распознавание пищи с ИИ бесплатно, устраняя как временные, так и финансовые барьеры.

Ведет ли лучшая точность отслеживания калорий к большему снижению веса?

Мета-анализ Харви и др. (2019) в Obesity Reviews показал, что последовательный самоконтроль в питании был единственным самым сильным предсказателем снижения веса, причем точные самоконтролеры теряли в среднем на 3,2 кг больше, чем непоследовательные отслеживатели. Исследование в JAMA Internal Medicine Пателя и др. (2019) показало, что технологии, помогающие в отслеживании, улучшили результаты снижения веса на 28%. Nutrola основана на этих доказательствах, сочетая точность ИИ с низким трением в отслеживании, чтобы максимизировать как качество отслеживания, так и последовательность.

Чем Nutrola отличается от других трекеров калорий с ИИ?

Хотя несколько приложений предлагают распознавание пищи с помощью ИИ, Nutrola является единственным бесплатным трекером калорий, который объединяет распознавание пищи по фото, голосовое отслеживание и проверенную базу данных, отслеживающую более 100 питательных веществ. Клинические исследования, рассмотренные в этой статье, показывают, что улучшения точности (фото ИИ), улучшения соблюдения режима (уменьшение трения) и качество данных (проверенные базы данных) каждый в отдельности улучшают результаты управления весом. Nutrola интегрирует все три аспекта, основываясь на рецензируемых доказательствах, без необходимости в платной подписке.