“Điều tra cho thấy việc theo dõi chế độ ăn là yếu tố cần thiết cho việc giảm cân hiệu quả”

Việc thỉnh thoảng theo dõi mọi thứ bạn ăn trong một ngày là điều khó khăn và khó duy trì. Thật không may, các nghiên cứu gần đây đã chỉ ra rằng siêng năng theo dõi là một yếu tố cần thiết để giảm cân hiệu quả. Những phát hiện của một nghiên cứu được công bố trên tạp chí Béo phì cho thấy rằng việc phát hiện hoàn hảo là không cần thiết để đạt được hiệu quả giảm cân đáng kể.

Những người sử dụng các chương trình giảm cân kỹ thuật số thương mại tự báo cáo lượng thức ăn của họ đã được theo dõi trong sáu tháng bởi các nhà nghiên cứu từ UConn, Đại học Florida và Đại học Pennsylvania. Mục đích của nghiên cứu là xác định mức phát hiện chế độ ăn kiêng lý tưởng để dự đoán mức giảm 3%, 5% và 10% trọng lượng sau sáu tháng. “Chúng tôi đang làm việc với WeightWatchers, những người đang có kế hoạch phát hành một chương trình Điểm cá nhân mới và họ muốn lấy dữ liệu thực nghiệm thông qua thử nghiệm lâm sàng của chúng tôi”, đồng tác giả và Giáo sư Sherry Pagoto của Khoa Khoa học Y tế Đồng minh cho biết.

Pagoto giải thích rằng chương trình mới áp dụng cách tiếp cận được cá nhân hóa để đặt mục tiêu bao gồm danh sách thực phẩm không điểm để loại bỏ nhu cầu tính lượng calo cho mọi thứ, “Theo dõi chế độ ăn uống là nền tảng của tất cả các biện pháp can thiệp giảm cân và nó có xu hướng là yếu tố dự báo lớn nhất .kết quả. Chương trình này giảm bớt gánh nặng của nhiệm vụ đó bằng cách cho phép thực phẩm không có điểm, không cần phải theo dõi.”

Các nhà nghiên cứu và nhà phát triển đang tìm cách để quá trình theo dõi bớt nặng nề hơn, vì như Pagoto nói, đối với nhiều chương trình, người dùng có thể cảm thấy họ phải tính lượng calo trong suốt quãng đời còn lại: “Điều đó không bền vững. Người dùng có cần theo dõi mọi thứ không mỗi ngày hay không nhất thiết?” Với sáu tháng dữ liệu, Trợ lý Giáo sư tại Khoa Khoa học Y tế Đồng minh Ran Xu quan tâm đến việc xem liệu có cách nào để dự đoán kết quả dựa trên mức độ người tham gia theo dõi chế độ ăn uống đã thực hiện hay không. Ran Xu và Allied Health Science Ph.D. sinh viên Richard Bannor đã phân tích dữ liệu để xem liệu có các mô hình liên quan đến việc giảm cân thành công từ góc độ khoa học dữ liệu hay không. Sử dụng một phương pháp gọi là phân tích đường cong đặc tính vận hành máy thu (ROC), họ đã tìm ra số ngày mà mọi người cần theo dõi lượng thức ăn của mình để đạt được mức giảm cân đáng kể về mặt lâm sàng.

“Hóa ra, bạn không cần phải theo dõi 100% mỗi ngày để thành công,” Xu nói. “Cụ thể trong thử nghiệm này, chúng tôi thấy rằng mọi người chỉ cần theo dõi khoảng 30% số ngày giảm hơn 3% và 40% số ngày giảm hơn 5%, hoặc gần 70% số ngày giảm hơn 10 cân. %. Điều quan trọng ở đây là bạn không cần phải theo dõi mỗi ngày để giảm cân đáng kể về mặt lâm sàng.” Điều này đầy hứa hẹn vì Pagoto chỉ ra rằng mục tiêu của chương trình giảm cân trong sáu tháng thường là 5% đến 10%, một phạm vi mà lợi ích sức khỏe đã được nhìn thấy trong các thử nghiệm lâm sàng.

“Rất nhiều lần mọi người cảm thấy họ cần giảm 50 pound để khỏe mạnh hơn, nhưng thực tế chúng ta bắt đầu thấy những thay đổi về huyết áp, lipid, nguy cơ mắc bệnh tim mạch và nguy cơ mắc bệnh tiểu đường khi mọi người giảm khoảng 5 đến 10% cơ thể. trọng lượng,” Pagoto nói. “Điều đó có thể đạt được nếu những người tham gia giảm khoảng 1 đến 2 pound mỗi tuần, đây được coi là tốc độ giảm cân lành mạnh.” Sau đó, Xu xem xét quỹ đạo theo dõi chế độ ăn uống trong sáu tháng của chương trình.

Các nhà nghiên cứu tìm thấy ba quỹ đạo khác nhau. Một người mà họ gọi là người theo dõi cao, hoặc siêu người dùng, theo dõi thức ăn hầu hết các ngày trong tuần trong sáu tháng và trung bình giảm khoảng 10% trọng lượng cơ thể của họ. Tuy nhiên, nhiều người tham gia thuộc nhóm thứ hai bắt đầu theo dõi thường xuyên, trước khi việc theo dõi của họ giảm dần theo thời gian, đến mốc bốn tháng, chỉ khoảng một ngày một tuần. Chúng vẫn giảm khoảng 5% trọng lượng cơ thể.

Nhóm thứ ba, được gọi là những người theo dõi thấp, chỉ bắt đầu theo dõi ba ngày một tuần và giảm xuống 0 trong ba tháng, nơi họ ở lại trong phần còn lại của can thiệp. Trung bình nhóm này chỉ giảm được 2% trọng lượng cơ thể. “Một điều thú vị về dữ liệu này là, thông thường trong tài liệu, các nhà nghiên cứu chỉ xem xét liệu có mối tương quan giữa việc theo dõi và kết quả giảm cân tổng thể hay không. Ran đã áp dụng phương pháp khoa học dữ liệu đối với dữ liệu và nhận thấy rằng có nhiều câu chuyện hơn. , “Pagoto nói. “Bây giờ chúng tôi đang thấy các mẫu theo dõi khác nhau. Điều này sẽ giúp chúng tôi xác định khi nào cần trợ giúp thêm và ai cần trợ giúp nhất.”

Những mẫu này có thể giúp thông báo cho các chương trình trong tương lai có thể được điều chỉnh để giúp cải thiện việc theo dõi người dùng dựa trên nhóm họ thuộc về. Các nghiên cứu trong tương lai sẽ tìm hiểu sâu hơn về các mô hình này để hiểu lý do tại sao chúng phát sinh và hy vọng phát triển các biện pháp can thiệp để cải thiện kết quả. “Đối với tôi, điều thú vị về chương trình kỹ thuật số này là chúng tôi có dấu vết kỹ thuật số về hành vi của những người tham gia,” Xu nói. “Chúng tôi có thể theo dõi những gì mọi người làm trong chương trình. Dữ liệu có thể cung cấp phương pháp tiếp cận y học chính xác, nơi chúng tôi có thể áp dụng quan điểm khoa học dữ liệu này, xác định các kiểu hành vi và thiết kế các phương pháp tiếp cận có mục tiêu.”

Các chương trình y tế được cung cấp bằng kỹ thuật số cung cấp cho các nhà nghiên cứu nhiều loại dữ liệu mà họ chưa từng có trước đây, có thể mang lại những hiểu biết mới, nhưng khoa học này đòi hỏi một cách tiếp cận đa ngành. “Trước đây, có vẻ như chúng tôi đang bay trong bóng tối hoặc chỉ làm theo những giai thoại hoặc các biện pháp tự báo cáo, nhưng bây giờ thì khác vì chúng tôi có quá nhiều dữ liệu người dùng. Chúng tôi cần khoa học dữ liệu để hiểu được tất cả dữ liệu này. Đây là lúc nhóm nghiên cứu khoa học rất quan trọng bởi vì các nhà khoa học lâm sàng và dữ liệu nghĩ về vấn đề từ những quan điểm rất khác nhau, nhưng cùng nhau, chúng ta có thể tạo ra những hiểu biết sâu sắc mà chúng ta không thể làm một mình. Đây phải là tương lai của công việc này,” Pagoto nói.

Xu đồng ý: “Từ góc độ khoa học dữ liệu, máy học rất thú vị nhưng nếu chỉ có máy học, chúng tôi chỉ biết con người làm gì, nhưng chúng tôi không biết tại sao hoặc phải làm gì với thông tin này. Đó là lúc chúng tôi cần các nhà khoa học lâm sàng như Sherry để hiểu những kết quả này. Đó là lý do tại sao khoa học nhóm rất quan trọng.” ()