ردیابی رژیم غذایی عنصر ضروری برای کاهش وزن موثر مطالعه سلامت نیوز

نگهداری از آن در طول زمان سخت و دشوار است تا ردیابی همه چیزهایی که در یک روز مصرف می کنید. متأسفانه، یک مطالعه اخیر نشان می دهد که ردیابی دقیق یک عنصر ضروری برای کاهش وزن موثر است. یافته های مطالعه منتشر شده در Obesity نشان می دهد که برای دستیابی به کاهش وزن قابل توجه نیازی به ردیابی کامل نیست. محققانی از UConn، دانشگاه فلوریدا، و دانشگاه پنسیلوانیا، کاربران یک برنامه تجاری دیجیتال کاهش وزن را که خودشان میزان غذای مصرفی خود را گزارش می‌کردند، به مدت شش ماه دنبال کردند.

هدف از این مطالعه تعیین سطوح ردیابی رژیم غذایی ایده آل برای پیش بینی کاهش وزن 3، 5 و 10 درصد پس از شش ماه بود. پروفسور شری پاگوتو، یکی از نویسندگان و دپارتمان علوم بهداشتی متفقین، می گوید: «ما با WeightWatchers که در حال برنامه ریزی برای انتشار یک برنامه جدید امتیازات شخصی بود، همکاری کردیم و آنها می خواستند از طریق کارآزمایی بالینی ما داده های تجربی را به دست آورند.

پاگوتو توضیح می‌دهد که برنامه جدید رویکردی شخصی‌سازی شده برای تعیین امتیاز شامل فهرستی از غذاهای نقطه صفر دارد تا نیاز به محاسبه کالری برای همه چیز را از بین ببرد. “ردیابی رژیم غذایی سنگ بنای تمام مداخلات کاهش وزن است، و بزرگترین پیش بینی کننده نتایج است. این برنامه با اجازه دادن به غذاهای نقطه صفر که نیازی به ردیابی ندارند، بار این کار را کاهش می دهد.”

همچنین بخوانید : مطالعه کودکانی که داوطلب می شوند کمتر دچار اضطراب و افسردگی می شوند

محققان و توسعه‌دهندگان به دنبال راه‌هایی هستند که فرآیند ردیابی را کم‌هزینه‌تر کنند، زیرا همانطور که Pagoto می‌گوید، برای بسیاری از برنامه‌ها، کاربران ممکن است احساس کنند که برای بقیه عمر خود نیاز به شمارش کالری دارند: “این فقط پایدار نیست. آیا کاربران نیاز دارند. برای پیگیری همه چیز هر روز یا نه لزوما؟”

با داده های شش ماهه، ران زو، استادیار دپارتمان علوم بهداشتی متحد، علاقه مند بود ببیند آیا راهی برای پیش بینی نتایج بر اساس میزان پیگیری رژیم غذایی شرکت کنندگان وجود دارد یا خیر. دکتر ران خو و علوم بهداشتی متفقین. دانشجوی ریچارد بنر داده ها را تجزیه و تحلیل کرد تا ببیند آیا الگوهای مرتبط با موفقیت کاهش وزن از دیدگاه علم داده وجود دارد یا خیر. آنها با استفاده از روشی به نام تجزیه و تحلیل منحنی ویژگی های عملکرد گیرنده (ROC) دریافتند که افراد به چند روز نیاز دارند تا غذای خود را دنبال کنند تا از نظر بالینی به کاهش وزن قابل توجهی برسند.

Xu می‌گوید: «معلوم است که برای موفقیت هر روز نیازی به ردیابی 100٪ ندارید. به طور خاص در این کارآزمایی، متوجه شدیم که افراد فقط باید حدود 30 درصد از روزها را برای از دست دادن بیش از 3 درصد وزن و 40 درصد از روزها برای از دست دادن بیش از 5 درصد وزن یا تقریبا 70 درصد از روزها برای کاهش وزن بیشتر ردیابی کنند. بیش از 10 درصد وزن. نکته کلیدی در اینجا این است که برای کاهش وزن قابل توجهی از نظر بالینی نیازی به پیگیری هر روز نیست.

این امیدوار کننده است زیرا پاگوتو اشاره می کند که هدف برای یک برنامه کاهش وزن شش ماهه معمولاً 5٪ تا 10٪ است، محدوده ای که مزایای سلامتی در آزمایشات بالینی دیده شده است.

“بسیاری از اوقات مردم احساس می کنند که باید 50 پوند وزن کم کنند تا سالم تر شوند، اما در واقع زمانی که افراد حدود 5 تا 10 درصد وزن کم می کنند، تغییراتی را در مواردی مانند فشار خون، چربی ها، خطر بیماری های قلبی عروقی و خطر دیابت مشاهده می کنیم. پاگوتو می گوید از وزن آنها. اگر شرکت کنندگان در هفته حدود یک تا دو پوند وزن کم کنند، می توان این کار را انجام داد که سرعت کاهش وزن سالمی محسوب می شود.

شو سپس به مسیرهای ردیابی رژیم غذایی در طول شش ماه برنامه نگاه کرد. محققان سه مسیر متمایز پیدا کردند. یکی از آنها را ردیاب‌های بالا یا کاربران فوق‌العاده می‌نامند که در اکثر روزهای هفته در طول شش ماه غذا را دنبال می‌کردند و به طور متوسط ​​حدود 10 درصد از وزن خود را از دست دادند.

با این حال، بسیاری از شرکت‌کنندگان متعلق به گروه دومی بودند که به طور منظم ردیابی را شروع کردند، قبل از اینکه ردیابی آن‌ها به تدریج در طول زمان کاهش پیدا کرد و تا حد چهار ماه، فقط یک روز در هفته کاهش یافت. آنها هنوز حدود 5 درصد از وزن خود را از دست دادند.

گروه سوم به نام ردیاب های پایین، تنها سه روز در هفته ردیابی را شروع کردند و سه ماه به صفر رسیدند و بقیه مداخله را در آنجا ماندند. این گروه به طور متوسط ​​تنها 2 درصد از وزن خود را از دست دادند.

“یک چیزی که در مورد این داده ها جالب است این است که اغلب در ادبیات، محققان فقط به این موضوع نگاه می کنند که آیا بین ردیابی و نتایج کلی کاهش وزن همبستگی وجود دارد یا خیر. ران یک رویکرد علم داده به داده ها در نظر گرفت و دریافت که داستان چیزهای بیشتری وجود دارد. پاگوتو می گوید. “اکنون ما شاهد الگوهای مختلف ردیابی هستیم. این به ما کمک می کند تا تشخیص دهیم چه زمانی کمک اضافی ارائه کنیم و چه کسانی بیشتر به آن نیاز دارند.”

این الگوها می توانند به اطلاع رسانی برنامه های آینده کمک کنند که می توانند برای کمک به بهبود ردیابی کاربران بر اساس گروهی که در آن قرار می گیرند، طراحی شوند. مطالعات آینده عمیق‌تر به این الگوها می‌پردازند تا بفهمند چرا آنها به وجود می‌آیند و امیدواریم مداخلاتی برای بهبود نتایج ایجاد کنند.

Xu می‌گوید: «برای من، چیزی که در مورد این برنامه‌های دیجیتال هیجان‌انگیز است این است که ما ردپای دیجیتالی از رفتار شرکت‌کنندگان داریم.

“ما می‌توانیم کارهایی را که مردم در طول این برنامه‌ها انجام می‌دهند، دقیق بررسی کنیم. داده‌ها می‌توانند رویکردهای پزشکی دقیق را نشان دهند، جایی که می‌توانیم این دیدگاه علم داده را در نظر بگیریم، الگوهای رفتاری را شناسایی کنیم و رویکردی هدفمند طراحی کنیم.”

برنامه‌های بهداشتی ارائه‌شده به‌صورت دیجیتالی داده‌های زیادی را در اختیار محققان قرار می‌دهد که قبلاً هرگز نداشته‌اند و می‌توانند بینش‌های جدیدی به همراه داشته باشند، اما این علم به یک رویکرد چند رشته‌ای نیاز دارد.

“پیش از این، احساس می‌کردیم که در تاریکی پرواز می‌کنیم یا فقط با حکایت‌ها یا اقداماتی که خود گزارش داده‌ایم دنبال می‌کنیم، اما اکنون که داده‌های کاربر زیادی داریم، متفاوت است. ما برای درک همه این داده‌ها به علم داده نیاز داریم. اینجاست که علم تیمی بسیار مهم است زیرا دانشمندان بالینی و داده‌ها از دیدگاه‌های بسیار متفاوتی به این مشکل فکر می‌کنند، اما با هم، می‌توانیم بینش‌هایی ایجاد کنیم که هیچ یک از ما به تنهایی نمی‌توانستیم انجام دهیم. این باید آینده این کار باشد.”

شو موافق است: “از دیدگاه علم داده، یادگیری ماشین هیجان انگیز است، اما اگر ما فقط یادگیری ماشینی داشته باشیم، فقط می دانیم مردم چه می کنند، اما نمی دانیم چرا یا با این اطلاعات چه کنیم. اینجاست که ما به دانشمندان بالینی نیاز داریم. مانند شری برای درک این نتایج. به همین دلیل است که علم تیم بسیار مهم است.”