智能手机饮食跟踪应用的重点综述:可用性，功能，与行为改变理论的一致性，以及营养摄入和能量估计的比较有效性

介绍

背景

智能手机市场上出现了大量专注于健康和健身的应用程序。2017年，各大应用商店共有32.5万个移动健康(mHealth)应用程序，移动健康应用程序的用户数量将在未来几年继续增加[1]。这些应用程序有可能促进跟踪与健康相关的行为和体重管理[2]。在这组应用程序中，饮食跟踪应用程序非常受欢迎，其中一些应用程序的下载量高达5000万次(基于MyFitnessPal for Android市场，2017年4月)。跟踪某些食物和饮料的摄入量可能有助于个人更好地了解他们的饮食模式[3.]。使用饮食跟踪应用程序可以提高自我监控、目标设定、知识和自我效能——所有这些都是关键的行为改变结构[2-6]。然而，目前尚不清楚有多少节食跟踪应用程序采用了与行为改变理论相一致的功能。在过去对与饮食相关的健康应用程序的评论中，我们发现行为改变理论的采纳程度往往相当低[7-11]。

鉴于目前肥胖在美国的流行[12]以及世界上许多其他国家[13]，因此非常需要有效的理论驱动工具来帮助个人管理体重。除了跟踪能量摄入，饮食的其他方面也很重要。例如，人们的饮食习惯发生了变化，越来越多地摄入加工食品、外出就餐，以及摄入更多的油和加糖食品，这些都被认为是全球肥胖流行的潜在原因。14]。在美国，食物份量的变化可能导致能量摄入增加和肥胖[15]。此外，饮食跟踪可能对那些有风险或已经需要管理特定饮食相关健康问题的人特别有用，例如需要监测代谢疾病综合征的碳水化合物摄入量[16]、钠摄入量以治疗高血压[17]或消除食物以治疗肠易激综合症[18]或过敏[19]。因此，应用程序准确跟踪食物摄入量的能力可能有助于了解特定人群中不断变化的饮食趋势，以及与个人健康相关的饮食模式。然而，很少有研究评估饮食跟踪应用程序的准确性。例如，在一项研究中，一位记录了3天饮食的用户发现，与黄金标准营养编码相比，应用程序追踪能量摄入的准确性仅在总热量和宏量营养素和微量营养素的数量方面是公平的，而且应用程序之间存在很大的差异[2]。

除了精确的饮食测量的重要性之外，可用性是饮食跟踪应用质量的一个重要方面。可用性包含用户与应用交互的多个维度，包括易用性、复杂性、对培训和支持的需求以及继续使用的意愿。在单用户研究中，各种减肥应用程序的可用性得分[2)，应用的可用性通常都得到了不错到非常好的评价。此外，研究参与者普遍发现移动应用程序对健康干预的可接受性(即人们使用应用程序的意愿)很高[10]。然而，可用性和接受度可能会发生变化，特别是随着专注于饮食跟踪的应用数量的增加，应用变得更加复杂，有了更多的新功能。

目标

我们研究的目的是扩展现有的评估健康应用程序的文献，对Android和iPhone操作系统(iOS)的顶级饮食跟踪应用程序进行更集中的审查，以评估在行为改变研究中使用的质量和适用性的多个方面。本综述包括应用程序可用性评级和应用程序功能与行为改变理论的一致性，使用了一个50项列表，改编自理论领域框架(TDF)。我们进一步评估了每个应用程序编码卡路里、碳水化合物、脂肪和蛋白质摄入量的能力，并与美国农业部(USDA)的参考编码进行了比较。

方法

选择饮食跟踪应用程序

应用程序使用术语进行识别饮食跟踪和饮食的应用于2017年4月在Android和iTunes商店同时上架。在这两种情况下，iTunes都返回了排名前100的iPhone应用程序，但没有显示相关性较低的应用程序。Android Play store返回245个结果。以下类别用于筛选应用:(1)记录用户饮食摄入量的能力，(2)免费，(3)在iOS和Android设备上的可用性，以及(4)在应用商店中的高人气排名(基于一种算法，该算法查看应用商店的平均评分，评分和评论量，下载计数以及应用商店和Google Play生成的应用使用统计数据[20.，21])。我们之所以选择免费应用，是因为它们拥有更广泛的用户基础和下载量。我们选出了排名前7位的应用程序(表1）.除了这7款应用，其余的应用要么不那么受欢迎，评论很少，要么只出现在1个应用商店中。为了简单起见，我们在下面的结果中使用了一些应用程序的生产者名称。

评估标准

可用性是根据系统可用性量表(SUS)进行评分的，这是布鲁克于1986年开发的一份包含10个项目的问卷[22]，它被用来评估各种电子设备和系统的可用性，包括与健康相关的智能手机应用程序[23]。统一标准是评估可用性的有效和广泛使用的事实上的标准[24-26]。正如布鲁克所描述的那样，SUS旨在评估一个系统的程度符合目的。它的问题评估了可用性的多个方面，包括易用性和复杂性，以及使用系统所需的学习和专业知识。每个问题都以5分的李克特量表评分，范围从强烈同意来强烈反对。复合可用性度量是通过将奇数问题的分数和5 -将每个偶数题的得分乘以2.5。得到的SUS度量范围从0到100，考虑高于68的度量高于平均水平(27]。

功能由Cane等人开发并验证的TDF进行评估[28]。TDF是为行为改变研究而开发的，它将112个理论结构分为14个领域:知识、技能、社会/职业角色和身份、能力信念、乐观主义、后果信念、强化、意图、目标、记忆、注意和决策过程、环境背景和资源、社会影响、情绪和行为调节，这些可以与健康行为改变理论(如跨理论模型/改变阶段)相结合[29]。行为改变专家使用单词排序和聚类练习验证了TDF。基于TDF中的领域，我们创建了一个包含50个问题的清单，这些问题量化了与特定TDF领域相关的饮食跟踪应用程序功能的存在。这些问题是在使用这些应用程序的前提下提出的。每个问题都是由研究人员在回顾了TDF域和子域，讨论了域的预期含义以及它如何表现为应用程序功能后迭代设计的。此外，对每个问题的措辞进行了讨论，以确保清晰和易于评分。尽管措辞谨慎，但由于功能的存在可能并不清楚，如果评论者对功能的反应不一致，则会讨论不一致，重新审查应用，并由评论者确定共识。

由于所有的应用程序都是针对普通消费者使用的，而不是与特定的专业服务(例如，病人护理计划和营养服务)相关联，我们将社会/专业角色和身份领域的重点放在了用户身份的特征上。例如，这个问题这个应用程序是否使用了头像?与帮助用户建立关系的特性相关身份同样，对于其他领域，我们确定了特定的应用功能。这个问题该应用程序是否提供任何鼓励信息?涉及到乐观，问题是应用是否以某种方式奖励用户(如星星、荣誉和成就)?涉及到强化。完整的应用程序功能问题列表在多媒体附录1。

应用评价

在这项研究的作者中，有3位作者在评估时是营养科学专业的本科生，他们在两周的时间里下载并评估了每个应用程序。两位作者使用自己的智能手机使用iOS版本的应用程序，而第三位作者使用Android版本的应用程序。在使用完每个应用程序后，每个研究人员根据评估标准对应用程序的可用性和功能进行独立评级。计算每个应用程序的平均SUS测量，以及单个SUS项目的平均得分。注意并比较3个用户之间每个应用的特定应用特性(功能)的存在和缺失，并审查和讨论不一致之处以达成共识。对与应用功能相关的问题的回答进行分组，并将积极的回答汇总成分数。这些分数的描述性统计是为TDF中的每个域计算的。计算3位作者间SUS评分的相关性，并将应用平均SUS与应用功能进行比较。

最后，每个用户使用他们在美国农业部使用的所有食物的3天记录来评估应用程序的营养编码。他们记录了每个应用程序连续3天实时消耗的所有食物，包括2个工作日和周末(周四、周五和周六)。在每天结束时，记录了每个应用程序估计的所有食物的营养摄入量(总热量、蛋白质、脂肪和碳水化合物)。对每个用户和每个应用程序的3天营养测量结果进行平均。3天的饮食记录也由每位研究人员分别使用美国农业部食品成分数据库进行编码[30.]。份量是根据研究人员先前的营养训练来估计的。每个应用程序的3天平均值与美国农业部参考值之间的平均差异是在3个用户中计算的。

作为对编码准确性的额外评估，每个应用程序和美国农业部的数据库都输入了3种常见的食物样本，以检查卡路里和宏量营养素估计的一致性。一个中等大小的香蕉，一个普通的自然谷格兰诺拉燕麦棒，和麦当劳的巨无霸分别被选为常见和受欢迎的水果，包装食品和快餐食品的例子。对于这两种加工食品，也记录了食品标签上的营养数据。

结果

可用性

图1说明了来自SUS的可用性的积极和消极方面。详细的可用性子分数(评论者的平均值)和每个应用程序的综合SUS分数都在报告中多媒体附录2。用户的可用性得分之间存在一致性和正相关关系，从中等到高度相关(Pearson相关系数分别为0.66、0.84和0.89)。没有观察到高对比评分。然而，同一款应用的iOS和Android版本之间存在一些显著差异;例如，与Android版本相比，iOS版本的FatSecret的用户界面略有不同，并且有一些额外的功能，使其不必要地复杂，这导致该应用程序的最终SUS分数与其他应用程序相比差异更大。

‎ 查看此图

在研究中的7个应用程序中，根据SUS量表，LifeSum被发现是最友好的应用程序，平均SUS得分为89.2，而MyDietCoach被发现是最不友好的应用程序，平均SUS得分为46.7。比较所有7款应用的可用性得分，LifeSum在积极可用性子类别中得分一直很高，例如以下项目:会经常使用，易于使用,感觉很自信。相反，MyDietCoach在这些可用性子类别中的可用性得分一直很低。

对于代表消极可用性方面的项目，例如不必要的复杂，需要技术支持,太多的不一致在美国，这一类别的得分越低，说明应用程序的可用性越高。LifeSum在几乎所有项目中得分最低，这表明该应用程序比其他被测试的应用程序更用户友好。MyDietCoach在这些项目中的得分较高，这表明该应用程序的可用性不如其他应用程序。这些发现与其他提出积极可用性问题的可用性评分一致。

总的来说，所有的应用程序在易用性方面得分都很好，不需要大量的学习或技术支持。特别值得注意的是，许多应用程序的功能大大提高了输入食物的便利性。例如，7个应用程序中有6个使用条形码扫描输入包装食品，并且这7个应用程序都能够记住最近或经常出现的食品以便快速输入。LoseIt !还具有尝试从照片中识别食物的功能。

功能

每个应用程序都用50个问题的清单进行评估，以确定可能根据TDF改变用户行为的功能。一些应用显示，Android和iOS版本在功能上存在差异。最大的功能差异是MyDietCoach，其iOS版本允许免费记录和分析饮食，而Android版本需要付费才能解锁该功能。如果一个功能至少在一个iOS或Android版本中可用，那么它就被认为是现有的。应用程序的完整功能评分可以在多媒体附录1。

图2说明了在特定TDF域中具有功能的应用程序的数量(对于具有多个功能检查表问题的域，报告了该域中跨问题的应用程序的平均数量)。值得注意的是，所有的应用程序都有功能关于能力的信念领域，它强调通过跟踪进展和朝着目标努力来建立自我效能。大多数应用程序也有功能社会/职业角色和身份域，它试图通过帐户注册、使用化身和跟踪用户特定的个人资料信息来建立用户身份，从而根据用户的需求进行定制。

至于在应用程序中较少出现的域名，没有一个应用程序有情感特性。例如，这些应用程序既没有追踪饮食对情绪或压力的影响，也没有试图明确追踪用户因食用某些食物而产生的内疚感。这些应用程序都不允许用户记录味道，这是味觉的一个重要方面，也没有追踪用户的饥饿或饱腹感。下一个最不突出的行为改变领域是关于结果的信念这只存在于LifeSum这款应用中，它有一个健康测试功能，可以评估和挑战用户的饮食观念和知识。

‎ 查看此图

图3说明了每个应用程序中存在哪些行为变化域特征(线性模型在多媒体附录3）.应用程序在x轴上排序，以增加SUS分数，以说明每个功能与整体可用性之间的关系。通常情况下，应用行为领域功能与可用性之间的相关性很小(R²: 0- 0.396)，与关于结果的信念和记忆、注意力和决策成为与更高可用性最相关的功能(R²分别为。396和。262)。

强化是唯一与可用性负相关的领域，尽管相关性不强(R²= .094)。值得注意的是，MyDietCoach有许多与强化相关的功能，包括奖励用户(如星星、荣誉和成就)，具有类似游戏的功能，并提供偶尔的提醒。然而，这款应用在可用性方面的得分不如其他应用，这说明功能丰富并不一定与更高的可用性相关。

图4提供示例屏幕截图，说明一些应用程序如何实现与行为结构相关的功能。在可用性方面排名靠前的两款应用MyFitnessPal和LifeSum是仅有的两款应用记忆、注意力和决策域。应用程序中的决策功能为用户提供了对其饮食选择质量的判断。图4LifeSum提供了一个这样的判断的例子，它提供了不同的面部emoji与所记录食物的卡路里含量有关的图标。同样，MyFitnessPal的屏幕会让用户知道“这种食物含有大量维生素c。”SUS得分最高的应用LifeSum是唯一一个推荐维生素c的应用关于结果的信念域。图4说明如何使用健康测试，它评估并挑战用户对健康饮食的信念和知识。

‎ 查看此图

‎ 查看此图

应用程序的营养摄入估计之间的一致性

根据受试者的3天摄入量，我们观察到每个应用程序对3天总卡路里(kcal)和宏量营养素摄入量(g)的估计平均值与使用美国农业部食品成分数据库(USDA Food Composition Database) (图5）.由于Android版本的MyDietCoach没有免费的饮食跟踪功能，因此该应用仅使用了2名iOS用户的数据。应用之间的平均总卡路里摄入量相对相似，与USDA的平均差异为1.4%(平均差异9.6 [SD 50.3] kcal)。与USDA相比，LifeSum的偏差最大，高估了7.29% (SD 70.3) kcal。平均而言，与美国农业部相比，这些应用程序仅略微高估了碳水化合物摄入量1.0%(平均差异为0.8[标准差4.7]g)。，which slightly underestimated protein intake, most of the apps tended to greatly overestimate intake compared with the USDA (difference of 10.4% and mean difference 3.2 [SD 5.2] g). On average, the apps underestimated fat intake by a difference of 6.5% compared with the USDA. The app that tended to be most accurate in coding calorie and macronutrients relative to the USDA reference was MyFitnessPal, whereas the least accurate was LifeSum.

作为对编码准确性的额外评估，一个成熟的中等香蕉、一个普通的自然谷格兰诺拉燕麦棒和一个麦当劳的巨无霸都使用每个应用程序和美国农业部的数据库(表2）.我们发现，与美国农业部相比，应用程序和美国农业部数据库中中等香蕉的热量含量高度一致，平均相差3.7千卡(3.5%)。除LifeSum外，所有应用程序的估算结果都一致。LifeSum显示出更高的卡路里和常量营养素。这可能是由于份量的变化，因为该应用程序中列出的唯一一种香蕉的重量是130克，可能比一根香蕉还要大媒介香蕉其他应用程序提供的份量大小。自然谷格兰诺拉燕麦棒的差异很大，平均热量差异为- 8.4千卡(- 4.2%)。有趣的是，大多数应用程序显示出与该酒吧的食品标签(190千卡)比美国农业部数据库(203千卡)更一致。与美国农业部的数据库相比，食品标签不仅表明卡路里含量略低，而且蛋白质含量(3克比4克)和脂肪含量(7克比9克)也较低。对于格兰诺拉燕麦棒，LifeSum再次显示了与USDA相比最大的卡路里差异。三种食物中，麦当劳巨无霸的卡路里含量差异最大，平均相差7.9%。与美国农业部相比，所有应用程序都倾向于低估卡路里和常量营养素。麦当劳网站上的营养数据也低于美国农业部的数据。总的来说，其中两个应用程序与麦当劳提供的营养数据一致，而其他应用程序则不一致。

‎ 查看此图

讨论

主要研究结果

我们的调查发现，目前的饮食跟踪应用程序在可用性方面普遍得分很高，有4个应用程序的SUS得分在70分或以上。在行为改变研究中，可用性可能会影响用户使用这些应用程序的依从性和意愿[2]。在这项研究中，对于3天的饮食记录，我们将食物项目输入应用程序以及美国农业部网站，发现与传统的饮食编码方法相比，这些应用程序更容易使用。值得注意的是，这些应用程序利用了条形码扫描、照片输入、经常输入的食品列表等功能自动完成-只需输入食品单词的几个字母，就可以列出一个简短的食品建议列表，这大大增加了输入食品的便利性。一些应用程序中的数据库可能会提供更方便的营养编码。例如，我们的一个编码员尝试输入豆腐碗-由多种成分组成的综合食品。对于美国农业部的数据库，编码人员将需要估计的部分，并输入每个单独的组件，包括调味品到数据库中，而单一的豆腐碗项目已经在应用程序的数据库中了。如果用户花时间输入复合食品的每个成分，并且完整地输入，那么能量和营养成分的评估可能比简单地选择一般的复合食品更准确，因为不同的餐馆制作这道菜的方式可能会有很大的差异。

在评估应用程序时，我们注意到同一应用程序的iOS和Android版本之间存在一些不一致，这可能会影响可用性和功能。这些差异的存在可能是因为iOS和Android平台及其底层用户界面本质上是不同的。操作系统还具有不同的特性集和应用程序编程接口。此外，这些应用通常是用不同的编程语言编写的(面向Android的是Java，面向iOS的是Objective C)。尽管应用程序框架的开发已经取得了进展，例如那些利用HTML5的应用程序，允许跨平台的应用程序开发，但并不是所有的饮食跟踪应用程序都依赖于这些框架，或者框架可能仍然允许影响使用的特定平台的设计选择。由于iOS和Android版本的潜在差异，研究人员应该仔细评估两个版本的饮食跟踪应用程序，以确保它们在使用该应用程序进行行为改变研究之前具有相似的功能。

我们的研究结果与之前与饮食相关的应用程序评论研究略有不同[11该研究发现，这些应用程序普遍缺乏对行为改变理论的遵守。在我们的研究中，我们发现行为改变理论的一些元素开始在一些最受欢迎的饮食跟踪应用程序中得到应用。例如，我们评测的所有应用程序都允许用户跟踪自己的饮食进展，并朝着简单的个人目标努力，从而提高自我效能。Bandura在1977年描述[31]，自我效能是一个关键的行为理论，它描述了一个人对自己能够完成某些任务的信念和期望，这些任务可能包括满足饮食目标(例如，减肥、均衡饮食和遵循特定的饮食模式)。然而，尽管应用程序中存在可能用于提高自我效能的功能，但有关饮食跟踪应用程序有效性的证据仍然有限。未来的研究，特别是那些在现实环境中进行的研究，将需要评估用户在实现饮食目标方面的自我效能是否会通过使用某些应用程序得到增强。

行为改变特性的存在通常倾向于与更高的可用性相关。这是令人鼓舞的，因为研究人员可能会选择应用程序进行研究，因为它们坚持已知和特定的行为改变结构。与此同时，拥有特定的行为改变功能并不一定会降低研究参与者使用应用程序的乐趣。然而，并不是所有的功能都与可用性呈正相关。值得注意的是,强化领域，在我们的例子中，与用户奖励有关，如给予星星，荣誉，成就等，与可用性略有负相关。虽然游戏化通常被认为是一种在技术中使用的强大的行为改变策略[32]，这可能是因为饮食跟踪应用程序中类似游戏的功能可能会削弱记录饮食和观察营养估计的核心功能。可能需要进一步的研究来探索饮食跟踪应用程序在干预研究中的强化作用。

这项研究的目的不是评估特定行为改变特征在改变饮食方面的有效性;然而，我们确实观察到饮食跟踪应用程序之间存在相当大的差异，这使得选择特定的应用程序进行干预研究成为一个重要的考虑因素。就功能而言，没有应用程序天生就比其他应用程序更好，但相反，某些应用程序可能更适合在特定研究中使用，因为它们在特定行为改变领域比其他应用程序更强大，更适合整体干预策略。行为主义者可能会选择某些应用程序，因为它们强化了他们对健康教育和其他主题互动的关注领域。这样一来，让他们的研究对象使用合适的应用程序可能是对面对面工作的补充。该应用程序可能会弥补面对面访问之间的差距，让受试者探索自己的饮食活动[8，33，34]。尽管有这些机会，一项对澳大利亚、新西兰和英国饮食协会成员(即注册营养师和从业者)进行的调查发现，尽管饮食应用程序的使用率很高，但这些应用程序尚未完全融入营养保健实践或行为改变计划[35]。图3详细的特性清单的结果是多媒体附录1可以帮助行为学家识别合适的应用程序。美国营养与饮食学会定期审查个人应用程序，这可能是一个额外的资源[36]。

虽然承认应用程序之间的差异很重要，但某些应用程序中功能的存在和缺失值得注意。例如，LifeSum在可用性方面得分最高，并且有一个独特的功能——健康测试。我们没有评估他们测试的准确性，但整合常规知识/信念评估的概念，同时跟踪其对用户饮食跟踪变化的影响，有可能成为一种有用的干预工具。我们还注意到，尽管进行了大量研究，但所有应用程序都缺少与情绪相关的功能，这些研究已经确定了积极情绪和消极情绪与饮食之间的关联[37-41]。此外，这些饮食追踪应用程序往往缺乏对饮食的潜在上游决定因素和下游影响(如饥饿、饱腹感、内疚、压力、幸福感和味觉)的追踪，但可能有助于追踪评估与饮食模式的关联。这些缺失的行为领域可能是未来饮食追踪应用开发的一个重要领域。

作为测试的一部分，我们评估了3天饮食记录与美国农业部参考数据的准确性。总的来说，我们观察到卡路里和碳水化合物的追踪与美国农业部数据库的估计非常吻合;然而，应用程序之间在蛋白质和脂肪估计方面存在很大的不一致。这有点令人惊讶，因为蛋白质和脂肪都是热量摄入的组成部分。我们怀疑对脂肪的低估可能是由于难以估计烹饪中使用的油，特别是在餐馆用餐时。这些差异可能会对那些有特殊健康问题的人产生影响。例如，对于依赖此类应用跟踪脂肪摄入量的心血管疾病患者来说，低估他们的脂肪摄入量可能会导致血液中胆固醇水平升高，从而加剧他们的健康状况。这让我们对选定的食品进行了更仔细的研究，以更好地理解这些应用程序与美国农业部的参考资料有何不同。值得注意的是，我们的两种产品，格兰诺拉燕麦棒和快餐三明治，都有食品标签，我们发现美国农业部的营养价值与标签不同。在某些情况下，我们观察到，尽管这些应用程序与美国农业部的规定不一致，但它们与食品标签一致。 We found the unlabeled item, the banana, to be more consistent with USDA than the other 2 items. Perhaps food reformulations may make some databases, including USDA’s, more easily outdated compared with unprocessed food items. Furthermore, because some of the apps rely upon user suggestions for nutrient content, it may be that more users submit requests for updated caloric content for certain macronutrients for food items.

有趣的是，可用性最高的应用LifeSum与美国农业部的参考数据相比，营养编码的不一致性最大。这给干预措施带来了潜在的挑战，这些干预措施依赖于应用程序的准确估计，而不是让训练有素的工作人员使用标准参考数据库对食品进行重新编码。我们进一步研究了LifeSum使用的数据库，发现它使用了一系列数据库，包括USDA数据库、MyNetDiary数据库、英国食品标准局(英国)、bundeslebensmittelschl ssel(德国)、Livsmedelverket(瑞典)和用户贡献的食品(用户通过输入营养细节创建的新食品)[42]。LifeSum的总部设在瑞典，也许正因为如此，它可能更能适应欧洲用户。与欧洲数据库相比，该应用程序的营养编码可能更准确，尽管我们没有进行这项评估。另一个例子是，我们研究了MyFitnessPal(我们发现这款应用与美国农业部的数据库最一致)的开发。该应用程序最初由其创建者输入食品，后来依靠用户众包(即用户将食品的营养成分输入到他们的数据库中)[43]。与其他研究一致，尽管低估了营养成分，但MyFitnessPal与美国农业部数据库的相关性最高[44-46]。值得注意的是，Chen等人的研究是从澳大利亚的普通智能手机用户中招募的参与者之一，他们没有使用过应用程序(MyFitnessPal)，他们被要求使用该应用程序在接近现实世界的环境中记录他们的饮食摄入量(即，他们被要求安装和使用该应用程序，是专门为研究招募的，其中还包括24小时打电话的回忆)，发现每天的能量摄入被严重低估了445千卡[47]，而与我们类似的研究[45]，这些公司依靠接受过营养培训的用户来使用这款应用，可能会观察到更完整、更准确的结果。Teixeira等人[46[]在巴西招募了非营养学专业的大学生，进行了一项比较纸质和应用程序(MyFitnessPal)的研究，发现尽管与纸质记录相比，许多营养素被低估了，但两种方法之间存在适度的相关性。Griffiths等[45他们还观察到，与他们在研究中使用的标准(研究营养数据系统)相比，应用程序报告的营养水平存在显著差异。由于这些不一致，Chen等[47如果需要更准确的饮食数据，建议在营养师的指导下使用应用程序。

随着行为改变理论的元素被纳入流行的饮食跟踪应用程序，可能有理由将应用程序纳入利用这些功能的干预措施中。然而，使用智能手机饮食/营养应用程序也有缺点。这些问题包括屏幕时间增加，可用性和接受性问题，以及对用户隐私的担忧[48]。此外，一些新出现的证据表明，饮食失调症患者可能经常使用一些饮食跟踪应用程序，而这些应用程序的使用可能被视为导致他们的紊乱[49]。对于饮食失调的个人，需要谨慎使用饮食/营养应用程序，它们可能不适合替代临床治疗或医疗监测[48，50]。

限制

值得注意的是，我们的研究存在一些潜在的局限性。首先，这些应用程序由3名精通技术并接受过营养科学培训的大学年龄作者进行审查。这对于准确评估应用程序的功能和准确的饮食编码是必要的。然而，他们的可用性评分可能无法推广到没有接受过营养培训的人群。由于数码授权[51)，某些人群无法使用智能设备，也不能假设所有用户都能同样自如地使用这些应用程序。我们没有对3位评论者和所使用的测量工具进行任何内部或内部的可靠性评估。未来的研究应包括内部和内部的可靠性评估和更多的用户。

在我们评估的7款应用中，有5款来自美国。这些应用程序可能只使用美国食品数据库，由于食品加工、法规和政策的差异，这些数据库可能不适用于其他国家。

将3天饮食的研究结果推广到更广泛的人群中也可能存在问题。我们进行了连续3天的饮食评估，因为它相对容易，审稿人负担较小。与非连续日相比，连续日可能会限制食物摄入量的变化;然而，我们确实包括了2个工作日和1个周末，以捕捉作者食物摄入的更多变化。作者的饮食编码可能比一般用户能够实现的更准确，因为作者对某些食物的卡路里含量有更好的了解，使他们能够快速发现编码错误。此外，与普通用户相比，他们可能能够更好地估计服务大小。另一个可能影响更广泛推广的潜在问题是，这三位作者在3天内的平均卡路里摄入量低于美国成年人的平均卡路里摄入量，2007-2010年美国成年人的平均卡路里摄入量为每天2091千卡[30.]。如果这3天的卡路里摄入量更高，那么应用程序与美国农业部参考数据之间的差异可能更大。此外，能量低报在饮食评估中很常见，这可能会加剧低估食物摄入量的问题，尤其是在其他研究发现的应用程序中[47]。然而，其他研究人员指出，尽管自我报告的能量摄入可能不能准确反映真实的能量摄入，但自我报告方法仍然可以提供有关人群消费的食物和饮料的有价值信息，这些信息可用于告知营养政策以及饮食与疾病之间的联系[52]。食物的产地和种类(墨西哥香蕉与其他产地的香蕉)可能会导致它们的营养和热量变化。然而，我们并没有将这些信息包含在我们的营养编码中。

这是首次使用行为改变清单来评估饮食跟踪应用程序，尽管问题是通过迭代过程开发的，以使它们与行为改变框架保持一致，但清单尚未得到彻底验证。尽管存在这些局限性，但我们的综述对当前一代饮食跟踪应用程序在饮食干预研究中的潜在用途进行了广泛的评估。鉴于这些应用程序的受欢迎程度，有必要进一步研究评估使用这些应用程序的干预措施的有效性。

结论

这项研究表明，苹果应用商店和Google Play上最受欢迎的7款饮食跟踪应用程序功能丰富，易于使用。这些应用程序包含了与许多行为改变领域一致的功能，特别是通过跟踪饮食和实现目标的进展来提高自我效能。尽管与美国农业部的参考数据相比，这些应用程序在蛋白质和脂肪编码方面的差异相对较大，值得进一步研究，但它们在卡路里和碳水化合物编码方面的表现与美国农业部相似。综上所述，这些方面使得这些饮食跟踪应用程序可以用于广泛的饮食干预研究。