概要

创新智能手机饮食评估工具的迭倍开发:Traqq

Published: March 19, 2021
doi:

概要

本文介绍了开发基于智能手机的创新饮食评估应用程序 Traqq的协议,包括专家评估和可用性测试。

Abstract

为了快速可靠地收集饮食摄入数据,开发了一款名为 Traqq 的灵活创新的智能手机应用程序(应用程序)(iOS/Android)。此应用程序可以用作食品记录和 24 小时召回(或更短的召回期)。在这两种方法的预定时间内,可以在预先指定或随机的天/时间创建不同的取样方案,并发出推送通知,敦促参与者登记其食物摄入量。在未响应的情况下,通知会自动重新安排,以确保完整的数据收集。要用作食物记录,受访者可以访问应用程序并全天记录其食物摄入量。食物记录在一天结束时自动关闭;在提交消耗物品后关闭召回。召回以及食品记录模块提供了基于荷兰食品成分数据库 (FCDB) 的广泛食品列表,该数据库可以习惯于满足不同的研究目的。在选择食品时,受访者同时被提示插入份量大小, 在家庭测量(例如,杯子、勺子、眼镜)、标准份量(例如,小、中、大)或重量(克数)以及用餐场合/消费时间。部分大小选项可以调整, 例如,只有在称量食物记录或消费时间(而不是进食场合)的情况下,才输入克数。该应用程序还包括一个 我的菜功能 ,它允许受访者创建自己的食谱或产品组合(例如,每日早餐),只报告总消费量。随后,应用程序会考虑收益和保留因素。数据存储在安全服务器上。如果需要,可以纳入其他问题, 一般或与特定食品或用餐场合有关的问题。本文描述了系统(应用程序和后端)的发展,包括专家评估和可用性测试。

Introduction

准确的饮食评估对于确保营养在健康和疾病预防中的作用的研究质量至关重要。目前,此类研究通常使用既定的自我报告饮食评估方法,食物频率问卷、24小时召回(24hRs)和/或食品记录1。尽管这些方法对营养研究具有重大意义,但它们也具有各种缺点,例如与记忆有关的偏见、社会可取性偏见,对被调查者和研究人员来说都是沉重的负担。最近的技术发明现在提供了克服这些缺点的机会。在过去的几年里,各研究小组抓住这一机遇,开发了基于网络和基于智能手机的营养研究饮食评估工具,解决了其中一些已知的缺点(见Eldridge等人对基于网络和智能手机的工具进行了广泛的概述),减少错误的原因,提高用户友好性,并减轻参与者和研究人员的负担1。

然而,适合营养研究的全自动和经过验证的智能手机应用程序(应用程序)的数量仍然有限。大多数可用的饮食评估应用程序(商业或开发的研究)要么不是完全自动化(需要食品的手工编码),要么不是(好)验证3。此外,大多数可用的经过验证的应用程序都是为了一个特定的研究目的而开发的,并在特定国家/地区使用:由于相当固定的设计,重复使用这样的应用程序用于其他研究目的或在其他国家似乎具有挑战性的3,4,5,6,7,8。最后,尽管有基于食品记录的应用程序,但到目前为止,似乎还没有基于召回的应用程序存在。虽然食物记录容易产生反应偏差,受访者可能会因为意识到他们正在被观察到2、9而改变食物摄入量,但召回的情况并非如此,这强调了开发基于召回的验证应用程序10的必要性。一种名为Traqq的创新饮食评估应用程序在荷兰开发使用,可以用作食品记录和召回,这取决于研究问题1。

除了在食物记录选项和召回选项之间交替的可能性,这个程序也不同于其他饮食评估工具,因为它的灵活性性质。具体来说,关于食品清单、份量估计、抽样方案以及纳入其他问题的可能性。系统的灵活性水平使定制适合多个研究目的,需要准确评估饮食行为。目前,该应用程序正在验证过程中,将准备用于各种类型的营养相关研究。该应用程序也可以使用,也许进一步改善使用,在营养干预计划,以测量和影响饮食行为。由于开发可靠的饮食评估工具是具有挑战性的,而且关于这些过程的报告很少,特别是在用户和专家参与3,11,12方面,本文提供了关于不同信息源如何整合到基于智能手机的膳食评估应用程序的系统和迭代开发的详细概述。该过程包括理论、专家咨询和用户参与。

Protocol

注:包括人类参与者在内的所有程序都是通过主要定性研究方法以非侵入性的方式进行的。在评估开始前,所有参与者都获得了知情同意。本协议描述了迭次发展过程,大致可分为四个阶段,其中阶段1-3交织在一起(图1)。 图1:应用程序迭次开发过程的概述。 开发过程共分五个阶段。然而,这个过程是反复的,这意味着第1阶段到第3阶段是交织在一起的。 请单击此处查看此图的较大版本。 1. 进行广泛的形成性研究,为实际发展过程做准备。 进行桌面研究,探索现有的基于 Web 和智能手机的饮食评估工具,特别注意已知对准确收集食物摄入量数据至关重要的功能, 即食物输入方法(包括食物列表和基础 FCDB)和份量估计。 检查现有的基于 Web 和智能手机的饮食评估工具,重点是饮食评估方法、信息提供、可靠性、搜索引擎和实施功能(例如图像、条形码扫描仪、配方功能)。 咨询饮食评估领域的专家。注:桌面研究和现有工具检查的结果与饮食评估领域的专家进行了讨论,最终形成了应用程序开发的设计计划草案。专家对设计方案草案进行了评估,并根据需要进一步完善。 2. 设计饮食评估应用程序 创建应用程序的视觉设计,考虑重要的方面,如动画,品牌,颜色,布局和排版20。注:由于空间、颜色、字体、图形和界面元素突出内容并传达交互性,因此必须整合有助于应用功能的元素。 选择一个值得信赖的FCDB(这里,NEVO),以促进营养计算收集的食物摄入量数据14。 通过批判性地评估 FCDB 中提及的食品项目的描述,创建食品列表。注:FCDB大多是为专业用途而开发的:食物描述往往复杂和阻碍可搜索性(例如,”人造黄油低脂肪35%脂肪<10克饱和脂肪无盐”23)。 制定搜索引擎要求;考虑使用标点符号、外号、拼写错误、不同的搜索词和搜索结果的排名,以方便食品的可搜索性。 通过评估各种现有饮食评估工具和适当选项的现场测试,选择份量估计(辅助)。 在应用内设计路由,以确保用户通过应用程序的导航是合乎逻辑的、可预测的和易于遵循的。 设计控制应用的后端功能和要求;包括与总体项目管理、项目特定管理(例如参与者、邀请函、数据收集)和用户管理(例如授权)相关的功能。 3. 研究人员的评价 注:每次升级后,营养科学家和研究营养师对应用程序进行了测试,他们拥有饮食评估(内部测试)方面的专业知识,以验证功能是否如预期的那样得到改善。以下说明将由研究人员执行。 通过认知演练进行专家评估,模拟首次使用体验,使专家能够单独探索应用程序,无需指导28。确保认知演练包括以下步骤。 确保专家填写一份询问智能手机品牌和类型的一般问卷。 在专家的智能手机上安装应用程序。注:为了确保适当的安装和功能,并最大限度地降低评估过程中中断的风险,建议研究人员首先验证应用的功能。 指导专家测试程序,要求每个专家承担第一次使用者(即研究参与者)的角色。强调评估是从用户的角度进行的,而不是从专家自身的角度进行的。注:用户被认为是一个有经验的智能手机用户,并了解一般应用程序的使用。但是,此应用是首次使用。 启动屏幕和音频录制。 让专家在使用应用程序和执行预先确定的任务31: 1) 时完成认知演练”我想记录我的晚餐。我开始喝一杯番茄汤和一杯牛奶。 [食谱提供], 3) “因为我也吃了意大利面菜, 我想把它添加到今天的食物摄入记录。我想再次检查我的条目,然后提交它。注:在执行任务时,专家通过解释完成所述任务所需的 步骤,向研究人员通报其思维过程。 进行简短的跟进,澄清歧义32,并为专家提供进一步反馈的机会。 通过检查记录以确保任务按预期执行以及审查所提供的额外注释来评估每个专家的结果。 与专家分享结果,以评估基于录音做出的假设是否正确。注:与专家协商,讨论并优先讨论了评价结果。根据此评估的结果,该应用进行了进一步升级。 通过通过思考式访谈和系统可用性等级 (SUS)33, 对预期用户进行可用性测试,通过以下步骤评估应用在预期用户中的可用性和可爱度: 招募代表目标用户群体的参与者35。 指导参与者有关研究程序,包括屏幕和音频的录制。然后,获得参与者的知情同意。注:研究人员鼓励参与者在评估过程中”大声思考”, 即解释他们对在执行任务时完成每个任务所需的步骤的想法,以及评论哪些功能是否有效。 将应用程序安装在参与者的智能手机上。注:为了确保适当的安装和功能,并最大限度地降低评估期间中断的风险,建议研究人员首先验证应用的功能。 要求参与者为思维大声面试执行练习任务:要求参与者形象化他们的卧室,计算窗户的数量,同时告诉研究人员他们在数窗户时看到和思考的内容。接下来,请参与者走近卧室的一扇窗户,描述他们在前往窗户的路上的经历。注:如果需要,会提供练习任务并重复,以确保参与者能够随心所欲地思考。 启动屏幕和音频录制。 要求参与者完成对预定任务的实际思考式面试:参与者必须:1) 记录他们前一天吃喝的所有东西,2) 通过 “我的菜” 功能记录定期食用的菜肴。 在会议期间,观察、做笔记,并通过简单的提示(如”继续大声说话”、”告诉我你的想法”或”告诉我你的想法”)来激励参与者在必要时继续大声思考。尽量减少进一步的互动,以防止干扰参与者的思维过程28,32。 进行简短的跟进,以澄清歧义32。 要求参与者填写一份评估问卷,其中涉及年龄、性别、教育程度、智能手机类型、智能手机体验水平(即有经验的用户更有可能快速正确地执行任务38),以及 SUS33-a 10 项问卷,通过从 1(强烈反对)到 5(强烈同意)的类似评分来评估系统的可用性。 通过 1) 转录、编码和创建(子)主题来分析每个会话的数据:2) 使用预定义公式计算 SUS 分数,结果得分在 0 到 10033之间,其中>68/100 表示工具的可用性水平高于平均水平,分数>80/100 表示出色的可用性39, 40.注:建议指导会话的研究人员使用定性数据分析软件分析数据。如果模棱两可,可以咨询第二位研究人员。 根据经验证的传统方法对饮食摄入记录进行定量验证,最好是独立措施3。注:该应用程序正在验证基于网络和电话(即访谈)24hR以及独立的泌尿和血液生化标记。由于应用程序的定量验证不在本文的范围之外,因此不会进一步讨论此问题。 4. 使用后端系统进行应用和学习管理 注:系统具有三个授权级别:(1) 管理员- 此授权级别提供对后端所有部分的访问权限(即创建新用户、确定用户授权和授予用户访问一个或多个项目):(2) 项目经理-这一授权级别允许访问特定项目和创建新项目的可能性:和 (3) 研究人员 – 此授权级别仅提供访问研究人员参与的特定项目。 管理员对后端用户和项目的管理 通过 traqq.idbit.net访问在线后端,并具有登录凭据(即用户名、密码)。 点击 项目选项卡 ,然后创建新 项目,创建新项目。 在下一个屏幕中,输入所请求的项目详细信息(即项目名称、联系人描述、联系电子邮件、联系电话、联系网站)。注:创建新项目必须使用项目名称。联系人描述、电子邮件、电话号码和网站将在 “联系人与信息” 按钮下的应用中可见。 选择所需的功能(即产品列表、询问用餐场合和/或消费时间、记录或召回)。注:每个新项目都需要就最合适的饮食评估方法(即记录或回忆)、食物清单、份量估计以及用餐场合或用餐时间做出个人决策。 通过点击” 保存”来保存新项目。注:当屏幕关闭时,管理员返回 项目概述 屏幕。 接下来,通过单击 用户 选项卡,然后 添加新用户创建新用户。 在以下屏幕中,输入 用户名、 密码,并给用户分配 角色 (即管理员、经理或用户)。 点击”保存”保存” 来保存新用户。注:当屏幕关闭时,管理员返回 到用户概述 屏幕。 通过单击特定用户的记事本图标(即编辑列),将用户分配到项目。 通过打开 链接项目下的下拉菜单、选择所需的项目并单击 “添加”来分配项目。注:对于用户需要分配给的每个项目,此操作需要重复。 将登录凭据与后端 URL 一起传达给新用户。 研究人员在后端管理项目 (i.e., 经理或用户角色)使用管理员提供的凭据通过 traqq.idbit.net 登录后端。 单击 “去”项目 来管理项目。 单击 “视图” 列中的箭头,查看所需的项目。注:在此执行此工作后,研究人员将被带到 项目概述 页面,并会出现此特定项目的新选项卡。 单击参与者选项卡进入后端的 参与者 。接下来,当 出现参与者概述 屏幕时,单击 “添加新参与者”。 在下面的屏幕上,输入 代号,注释 (可选),登录ID,登录密钥,并以 保存结尾。注:建议将参与者的学习 ID 用作代号和登录 ID。这样,在多个登录凭据的情况下,参与者的混淆将最小化。此外,在响应中可以看到代号。使用参与者 ID 使使用数据变得容易。此选项需要为每个参与者重复。对于较大的组,可以使用文件(.csv) 的导入参与者 。在这里,每个参与者都需要相同的详细信息。后端可能不包含参与者的任何个人信息。 单击”邀请”选项卡,为每位参与者安排 邀请 。接下来,当 邀请概述 屏幕出现时,单击 “添加新邀请”。 在以下屏幕中,从下拉菜单中选择参与者,并输入期间开始时间、期间结束时间、开放时间、关闭时间、调查 URL(即用于执行其他问题的可选)、注释(可选)、启用(始终为”是”)。注:期间开始和结束时间是指报告时间框架(即在 。 和 。相比之下,开放和关闭时间是指参与者实际可以报告其摄入量的期间。正确实施外部调查需要一些编码:为此,建议管理员提供帮助。对于大多数邀请,可以使用文件下(.csv)选项的导入邀请。该文件需要与手动输入相同的信息。邀请也可以通过抽样计划创建(即系统根据预设的规则(如抽样期、所需邀请次数、响应截止日期)在不同的日期和时间生成随机邀请计划)。采样方案选项的一个优点是,系统在未响应时自动安排新邀请。 通过 “日历” 选项卡从”下拉菜单”中选择感兴趣的参与者来跟踪数据收集。注:日历概述了项目内的预定邀请,无论是一般邀请还是特定参与者邀请。未来的邀请被描绘成蓝色,完成过去的邀请是绿色的,而过去的邀请没有回应是红色的。也可以通过响应选项卡检查对邀请 的回复 。 通过响应选项卡跟踪 响应 。注:在 响应 部分,收集了报告的食物摄入量数据(即食物项目、消费量、进食场合和/或消费时间)。 请求管理员进行数据导出。注:数据可从后端导出到.csv文件,供管理员进一步分析(例如,响应/食品摄入量数据、合规性数据)。答复包括报告的食物项目、选定的份量、以克为单位的消费量以及用餐场合/时间。 将.csv文件导入营养计算软件,进行深入的营养分析。注:数据可以导入使用荷兰 FCDB 的营养计算软件。 5. 参与者在研究期间使用该应用程序 从应用商店 (iOS) 或 Google 播放商店 (Android) 下载免费可用的应用,并通过登录访问应用程序。注:根据研究人员提供登录凭据,需要访问应用程序(步骤 4.2.5.)。登录后,应用会根据参与者的凭据(步骤 4.2.7.)在后端如期发送邀请函。 通过应用程序收到邀请后,报告食物摄入量。注:参与者只能在预定的日期和时间登记其食物摄入量。 通过单击收到的通知或通过应用图标打开应用来打开应用。注:打开应用后, 邀请概述 屏幕会显示显示当前和当前邀请的位置。 单击公开邀请。注:参与者被带到邀请期可见的 概述 屏幕。 点击 产品托沃根 (添加食品项目),首先输入消耗的食物项目。注:参与者被带到 搜索 屏幕。 开始键入消耗物品的名称(例如橙汁[果汁’橙])。单击键入时显示的所需项目。 在下面的屏幕上,报告消耗量(霍维尔海德),相应的份量大小描述(波蒂),进食场合(马尔蒂德莫特)和/或消费时间(提伊斯蒂普),最后保存(奥普斯兰)。 重复上述步骤,直到报告所有食品。 单击(Lijst versturen)(发送列表),或邀请在一天结束时自动关闭(记录),提交列表(召回)。注: 发送列表 选项在记录版本中也可见,因此使用记录的参与者也可以将其输入发送到数据库。但是,即使数据已经发送,邀请仍然在一天结束时关闭,将所有数据发送到服务器。

Representative Results

系统(应用程序和后端)是使用上述协议中概述的步骤开发的;此过程的关键结果如下所述,最后以应用程序的最终设计结束。 形成性研究除了广泛的文献回顾外,还检查了一些基于网络的工具(例如,康普吃13、ASA2414、食品书2415、MyFood2416),检查了饮食评估方法和实施特征。此外,还比较了荷兰经常使用的几个食品跟踪应用程序的性能(例如,MijnEetmeter17、MyFitnessPal18、Virtuagym Food19),重点是饮食评估方法、信息提供、可靠性、搜索引擎以及其他功能的使用(例如图像、条形码扫描仪、配方功能)。这次检查的结果导致决定开发应用程序的方式,它可以用作食品记录和召回。此外,它导致实施我的菜功能,可用于创建原始食谱或经常消费的产品组合(例如,每天的早餐)。在此功能中,自动考虑产量和保留因素。 要准确量化食物和营养摄入量,一份完整但实用的食物清单至关重要。编制这样的食品清单需要在食品清单的广度和食品的可搜索性(即食品描述需要清晰、易于理解和易于定位)之间权衡。由于食物成分数据是21、22日膳食评估的基本依据,因此确保已开发的食物清单能够与准确的食物成分数据挂钩非常重要。该应用程序中包含的食品列表基于荷兰 FCDB (NEVO)14,该列表因其可靠性和丰富的食品成分数据而入选。最初,NEVO 由 2,389 种食品(2016/5.0 版本)组成,通过消除”混淆项目”(例如, 不能生食用的食物、不能不添加的食物)或不必要包括的物品(例如,由于荷兰食品消费调查(DNFCS)43的低消费率)。 此外,NEVO 含有具有不同品牌名称的类似食品;在这种情况下,只有通用选项包含在食品列表中。为了进一步促进可用性,一些食品被改名,以消除不必要的术语,如”准备”、”冷冻”、”平均”和”自然”。这个”清洁协议”是由三个训练有素的研究营养师开发的,并通过语法执行,一旦NEVO更新,就可以重新运行。此外,为了优化食品的可搜索性,在食品清单中增加了1,019个知名食品的同义词。因此,应用程序中包含的食物列表最终包含 2,468 个项目。 图2显示食物清单发展的概述。需要注意的是,虽然这个广泛的食品清单已经开发为一般用途,应用程序的后端确实允许进口替代食品列表,如果需要的话。 图2:为应用程序开发的食物列表的结构。 食品清单基于荷兰食品成分数据库 (FCDB),并在最终食品列表中为每个项目添加了相应的份量建议和同义词。 请单击此处查看此图的较大版本。 饮食评估的另一个关键方面是份量的量化。虽然份量估计辅助工具(PSEAs),例如图像、参考对象和标准份量,支持报告所消费的食物数量24、26、44,但误报份量仍然是偏见的一个重大来源,24、25、45、46和关于不同PCA有效性的文献不一致26。食品图像、份量建议(即标准尺寸和家庭测量)以及以克为单位的重量自由进入是网络和智能手机饮食评估工具中使用最多的 PSEA34。例如,当部分大小建议(例如,杯子,勺子,小,大)用于工具,如康普吃13和牛津WebQ47,图像帮助部分大小估计的工具,如ASA2414和Myfood2416。为了调查最合适的 PSEA 应用程序,进行了一项试点研究,以比较部分大小建议的准确性(例如,小、中、大或杯子、勺子)、克自由进入和部分大小图像。这项研究的结果导致实施部分大小的建议,作为PCAS在应用程序中,以及选择输入金额在克27。 专家评审专家评估的目的是从功能和学习方便性方面对应用程序进行定性评估。由于许多用户更喜欢通过探索来学习软件,因此系统的学习能力很重要。共有10名专家,即4名(研究)营养师和6名营养与健康行为专家(科学家)参与了认知演练,其中60%的人使用Android智能手机。最重要的是,专家评估表明,该应用程序的第一个版本不够直观,例如,菜单结构判断不清楚,由于模糊的按钮/图标,搜索引擎产生了一个不合逻辑的结果顺序。专家审查产生的另一个关键点涉及选定的项目无法修改的事实。基于这些结果,应用程序的设计从第 2 阶段开始进行了大幅升级(图 1)。 可用性评估共有22名参与者参加了思想访谈,这是可用性评估的基础。初始样本量设定为20名参与者36人,之后对数据饱和度进行了评估。由于在20次访谈后没有达到数据饱和度,因此在连续每次访谈后评估数据饱和度时继续纳入。参与者的平均±标准偏差年龄为48±17岁(范围为22-70岁):36%为男性,大多数人口受过高等教育(55%)。此外,大多数参与者都使用 Android 设备(n=14,64%),几乎所有参与者都有超过 1 年的智能手机使用经验(n=21,96%)(表 1)。所有参与者在没有或用最少的指令完成任务。 总计(n=22) 性 男性(%) 36.4 女性 (%) 63.6 平均年龄(平均,SD) 48.1 (17.2) 教育水平 低 (%) 0 中等(%) 45.5 高 (%) 54.5 智能手机类型 安卓系统 (%) 63.6 iOS (%) 36.4 智能手机体验 短于 6 个月 (%) 4.5 6个月至1年(%) 0 超过 1 年 (%) 95.5 苏斯 (平均, Sd) 79.4 (15.1) 表1。研究人群的特点和可用性评价的结果。 只有系统可用性量表 (SUS) 的结果与参与者特征一起在此表中描述。 而一些参与者(n=13,59%)表示在使用”我的菜”功能时有困难;其他(n=5,23%)遇到一些小功能问题,如菜单按钮响应缓慢,以及难以使用与小型智能手机屏幕尺寸不足相关的按钮。此外,15(68%)的参与者表示,他们更喜欢选择输入以克为单位的消费份量。最后,对 SUS 分数的评估显示评分为 79/100(范围 40-100),其中 22 名参与者中只有 3 人将应用评级为低于 68/100,13 名参与者的评分为 80/100 >,这表明该应用可以被视为用户友好型。因此,总体而言,建议的改进不大,可用性评估很有希望。随后,研究团队内部讨论了改进建议,如果认为相关,则纳入第 4 阶段升级,以进一步优化应用程序的可爱性和可用性(图 1)。 最终设计协议中描述的步骤和评估研究的结果最终导致了应用程序和后端的最终设计,旨在实现简单的视觉设计。此应用程序可以用作食品记录和召回。如前所述,食品列表是 NEVO 的修改版本。份量估计由食物特定份量建议支持;消耗的部分也可以输入克。如果应用的召回版本,研究人员可以选择不同的时隙(例如2hR、8hR 或 24hR)。为了收集不同日期和时间的食物摄入数据,可以在预定的周期内创建各种取样方案。推送通知邀请受访者记录其食物摄入量。为确保完整的数据收集,请柬在未响应时会自动重新安排。在召回模块中,受访者只能在收到邀请后报告其食物摄入量。如果有食物记录,受访者可以访问应用程序并全天记录食物摄入量。 与大多数 24hR 工具相比,应用程序的召回模块并非基于自动多通方法(收集以前 24 小时48年的食品摄入数据的五步法),因为此方法过于复杂且耗时,不适合在应用中使用。更具体地说,为了增加可用性,提高食物摄入记录的合规性,11、38、49,导航被减少到最低限度,将需要访问的屏幕数量限制在4(图3):1)显示报告窗口的概述屏幕:2) 消耗的食物项目通过搜索屏幕报告,一旦选择所需的项目 3) 对话框显示探测进食场合和消费量,之后 4) 用户返回概述屏幕,现在显示录制的食品。此外,用户还可以使用”我的菜”功能创建食谱或产品组合,这些食谱或产品组合可以通过菜单按钮输入。 图3:应用程序中路由的示意图概述。请单击此处查看此图的较大版本。 数据存储在安全服务器上。如果需要,可以纳入额外的问题-一般或与特定的饮食场合或食品有关-可以纳入。该应用程序可以与在线调查工具连接。因此,有可能在预先指定的时间(例如上下文、行为、情绪问题)通过应用程序进行与食物摄入量无关的调查。也可以询问与报告的食品或饮食场合有关的具体问题(例如,当苹果被报告时,当午餐被报告时)。使用在线调查工具提供了通过应用程序提出许多不同问题的机会。收集的食品摄入数据可以从服务器导出并导入营养计算软件进行进一步分析。如果使用其他问题,这些数据将照常在调查工具中提供。其目的是开发结构良好、易于使用的应用程序。设计的一些截图可以在图4A-E中看到。 图4: 应用程序最终版本的截图。 (A)开始/概述屏幕,显示邀请与(在这种情况下)2小时召回期。用户可以按产品托沃根(即添加项目)报告食品项目或格德龙肯的涅茨格格滕(即,我没有吃或喝任何东西),以防在此期间没有消耗任何东西。(B)搜索屏幕,显示与食物列表中的搜索词”Jus”匹配的结果。可从搜索结果中选择所需的项目。(C) 弹出式屏幕需要输入所选项目”Jus d’橙色”的详细信息。在这种情况下,应用程序要求消耗和饮食场合的量。用户可以通过按Annuleren(即取消)或Opslaan(即保存)来返回搜索结果以更进一步。(D) 再次概述,这次显示所有报告的项目。另一个项目可以添加(产品托沃根)或输入可以发送(利斯特弗斯特伦)。(E) 在选择Lijst versturen后,会出现一个弹出窗口,询问用户是否确定要发送,并提醒用户在列表发送后无法进行任何更改。用户可以选择取消 (年纳雷伦) 或发送 (弗斯特伦)。请单击此处查看此图的较大版本。

Discussion

本文介绍了基于智能手机的饮食评估应用程序Traqq的迭次发展过程。平衡所需的准确性和用户友好性水平,在开发与 1) 数据输入决策相关的应用程序时面临以下主要挑战(选择最准确的食物识别和份量量化方法)、2) 食物成分数据(选择准确的数据库并创建完整的食物列表)、3) 自定义选项(, 食品清单、份量量化和食谱的灵活性),以及4)验证(根据传统方法和/或独立措施)3,50。在文献审查期间,确定了5个经过验证和全自动化的,基于智能手机的,为研究开发的饮食评估工具3,即我的膳食伴侣4,电子饮食摄入量评估(eDIA)7,轻松饮食日记8,电子卡内特阿里门泰尔(e-CA)5,和饮食和轨道(EaT)6。

由于这五个饮食评估应用程序以及这个应用程序的自动化水平,研究人员的负担和成本大大降低,而数据完整性增加相比,传统的饮食评估方法。此外,该应用程序,反过来,不同于现有的五个饮食评估工具的灵活性。具体来说,虽然现有的应用程序都基于食物记录方法,但此应用程序可以用作食物记录和召回。此外,虽然这些应用程序的设计是固定的,Traqq有主要的优势,它可以修改,以适应不同的研究目的(饮食评估方法,食物清单,抽样方案,附加问题)3,50。相反,其他现有的饮食评估应用程序包含有价值的功能,这些功能尚未在应用中实现(尚未实施)。为了说明这一点,一些应用程序允许用户拍摄他们的食物的照片,以获得食物识别和份量估计,如半自动,技术辅助的饮食评估(TADA)系统51,52。

可用性研究的参与者还表示,使用照片可能是辅助部分大小估计的宝贵补充。然而,在现阶段实施这种功能仍有许多挑战需要解决,例如,具体说明和指导摄影角度(评估深度)、需要参考制作者(纠正大小和颜色)、照片前后必不可少的(评估消耗量), 以及如何处理食谱菜肴。由于这些技术挑战,现有的基于图像的饮食评估应用程序仍然是半自动化的,这意味着手动图像审查必须由用户,研究人员,或两者51,52。技术进步,如众包和机器学习,有可能改善使用食物图像的饮食评估53,54。将来,这些选项将探讨,以进一步改善应用程序。应用的发展过程以各种关键步骤为特征。首先,完成了一个形成性的研究步骤,其中科学概念作为应用创建基础的科学概念,有助于决策建立应用程序的总体轮廓。

在这一阶段,特别注意FCDB的选择和PSEA方面的选择,这两个方面都直接影响到数据的准确性21。关于FCDB,由于该应用程序最初是在荷兰开发使用的,其食品清单是基于荷兰FCDB,NEVO14。将来,目标是进一步开发用于国际的应用程序,这需要更广泛的食物成分数据,因为许多食品是针对国家的。目前,还没有国际 FCDB 存在,如果存在,其使用可能有限。更具体地说,由于荷兰食品清单中已经包含2,389个食品项目,因此,为5个国家实施国际食品成分表可能会使食品数量增加约5种,从而对食品的可搜索性以及应用程序的可用性产生负面影响。因此,针对具体国家的食品清单可能是最有价值的,而且往往也受到专业人士青睐。

这得益于应用程序,因为它允许进口替代食品清单,从而与不同的(国际)食品成分表连接。关于份量,有多种选项可用于支持估计的准确性,例如,使用图像小册子、参考对象和/或文本部分大小建议26。鉴于用户友好性,在应用中直接实现 PSEA 比在应用旁边使用 PSEA(例如图像手册、参考对象)更可取。在开发应用程序期间,决定通过提供使用份量建议输入部分大小建议和以克为单位输入部分大小的机会,从而促进份量量化。份量大小建议是基于唯一可用的荷兰份量数据库56。虽然荷兰的饮食评估工具,如康普吃和Eetmeter也依赖于这个数据库13,17,需要注意的是,这个部分大小数据库可以追溯到2003年,餐具大小已经增加了57。因此,使用此数据库可能低估了食物摄入量。

目前,部分大小数据库正在由荷兰国家公共卫生与环境研究所(RIVM)、荷兰营养中心和瓦格宁根大学和58研究所更新,最终将用于更新应用程序中的份量建议。新旧部分之间的差异将在需要时进行映射和调整。虽然使用部分大小图像(一系列图像描绘不同数量的选定食物)可能是一个很好的替代文本部分大小建议59,研究表明,部分大小估计的准确性是最高的,当一系列部分大小的图像同时呈现,而不是一个图像一次45, 6061。一般来说,目前可用的智能手机屏幕相对较小,这限制了一系列图像的呈现。虽然新技术有助于使用交互式部分大小图形,其中虚拟盘子或杯子上的食物量可以通过使用滑块61来增加或减少,但这些技术相对较新,仍需要彻底评估以评估其准确性。

开发该应用程序的另一个关键步骤包括专家和预期最终用户的参与。虽然不经常纳入工具(或未描述)11,12的发展过程,从专家的反馈,以及预期的最终用户-是关键的61,允许最大限度地利用,并保持所需的准确性水平。预期最终用户的反馈在“我的菜”功能的最终设计中特别有帮助。总的来说,用户对创建自己的菜肴的可能性感到满意。但是,他们确实在处理某些程序时举步维艰,例如,尽管该功能会自动保存数据,但用户看不到这些数据。因此,许多用户不断搜索保存按钮,并卡住了,害怕回去,失去了他们的输入。基于这些反馈,功能得到了改进,以更好地满足用户的期望。

总之 ,Traqq 是一款创新的应用程序,与现有应用和基于 Web 的工具相比具有许多优势。但是,仍然存在各种限制。由于应用程序仍然依赖于自我报告,自报告相关的测量错误仍然存在(例如,记忆偏差(在回忆的情况下),社会可取性偏差,和食物摄入量修改(,在食物记录的情况下),不准确的部分大小估计(,在两者中)1。在未来几年中,将探索最近推出的新技术,以进一步推进应用程序, 例如,通过探索实现功能的价值,如条形码扫描仪,录音,聊天机器人和图像,这可以改善食品识别和份量估计。也正在探讨与其他应用程序(活动跟踪器、睡眠跟踪器)和设备(加速度计、心率监测器、咀嚼传感器)连接的可能性。最后,后端也正在受到进一步发展,例如,通过扩大抽样选项。

開示

The authors have nothing to disclose.

Acknowledgements

作者要感谢阿努克·吉伦和阿文德·达迪安在特拉克的发展中发挥的关键作用。此外,作者还要感谢罗米·威廉森在数据收集和可用性研究中的数据分析方面给予的帮助。最后,作者要感谢专家和参与者在整个过程中分享他们的经验和意见。该开发项目由瓦格宁根大学和研究公司执行,部分资金来自农业、自然和食品质量和工业部,在TKI农业与食品PPS项目(智能食品摄入量(AF16096)的背景下。

Materials

ASA24 Portion size picture book American National Cancer Institute na The portion size image database as used in the ASA24-tool
Atlas.ti v8 ATLAS.ti Scientific Software Development GmbH na Qualitative data analysis software for research
Compl-eat Wageningen University na The portion size suggestions database as used in the Compl-eat 24hR module
iOS screen record function Apple Inc. na Build-in iOS feature to make screen recordings
NEVO (version 2016/5.0) RIVM na Dutch Food Composition Database
Qualtrics Qualtrics XM na Online survey tool that can be used to implement additional questions in Traqq
Recordable Invisibility ltd. na Android app to make screen recordings
SPSS version 24.0 IBM Corporation na Statistical software
System Usability Scale (SUS) na na Validated questionnaire to assess a system's usability

参考文献

  1. Brouwer-Brolsma, E. M., Athanasiadis, I., Frysinger, S., Schimak, G., Knibbe, W. Dietary intake assessment: From traditional paper-pencil questionnaires to technology-based tools. Data science in action. ISESS 2020. IFIP Advances in Information and Communication Technolog. 554, 7-23 (2020).
  2. Thompson, F. E., Subar, A. F., Coulston, A., Boushey, C., Ferruzzi, M., Delahanty, L. . Nutrition in the prevention and treatment of disease. , 5-48 (2017).
  3. Eldridge, A. L., et al. Evaluation of new technology-based tools for dietary intake assessment-an ILSI Europe Dietary Intake and Exposure Task Force Evaluation. Nutrients. 11 (1), 55 (2018).
  4. Carter, M. C., Burley, V. J., Nykjaer, C., Cade, J. E. ‘My Meal Mate’ (MMM): validation of the diet measures captured on a smartphone application to facilitate weight loss. British Journal of Nutrition. 109 (3), 539-546 (2013).
  5. Buchaer Della Torre, S., Carrard, I., Farina, E., Danuser, B., Kruseman, M. Development and Evaluation of e-CA, an electronic mobile-based food record. Nutrients. 9 (1), 76 (2017).
  6. Wellard-Cole, L., et al. Relative validity of the Eat and Track (EaT) smartphone app for collection of dietary intake data in 18-to-30-year olds. Nutrients. 11 (3), 621 (2019).
  7. Rangan, A. M., et al. Electronic Dietary Intake Assessment (e-DIA): Comparison of a mobile phone digital entry app for dietary data collection with 24-hour dietary recalls. JMIR mHealth and uHealth. 3 (4), 98 (2015).
  8. Ambrosini, G. L., Hurworth, M., Giglia, R., Trapp, G., Strauss, P. Feasibility of a commercial smartphone application for dietary assessment in epidemiological research and comparison with 24-h dietary recalls. Nutrition. 117 (1), 5 (2018).
  9. Subar, A. F., et al. Addressing current criticism regarding the value of self-report dietary data. The Journal of Nutrition. 145 (12), 2639-2645 (2015).
  10. Kipnis, V., et al. Bias in dietary-report instruments and its implications for nutritional epidemiology. Public Health Nutrition. 5 (6), 915-923 (2002).
  11. Simpson, E., et al. Iterative development of an online dietary recall tool: INTAKE24. Nutrients. 9 (2), 118 (2017).
  12. Chen, J., Cade, J. E., Allman-Farinelli, M. The most popular smartphone apps for weight loss: a quality assessment. JMIR Mhealth Uhealth. 3 (4), 104 (2015).
  13. Human Interface Guidelines. Apple Inc Available from: https://developer.apple.com/ios/human-interface-guidelines/ (2017)
  14. NEVO. RIVM 5.0. NEVO-online. , (2016).
  15. Jaspers, M. W. A comparison of usability methods for testing interactive health technologies: methodological aspects and empirical evidence. International Journal of Medical Informatics. 78 (5), 340-353 (2009).
  16. Penha, A. D. S., dos Santos, F. A. N. V. Evaluating the use of the cognitive walk-through usability. Human Factors in Design. 1 (1), (2012).
  17. Fonteyn, M. E., Kuipers, B., Grobe, S. J. A description of think aloud method and protocol analysis. Qualitative Health Research. 3 (4), 430-441 (2016).
  18. Brooke, J., et al. SUS – A quick and dirty usability scale. Usability evaluation in industry. 189 (194), 4-7 (1996).
  19. Kushniruk, A. W., Patel, V. L. Cognitive and usability engineering methods for the evaluation of clinical information systems. Journal of Biomedical Informatic. 37 (1), 56-76 (2004).
  20. Davison, G. C., Vogel, R. S., Coffman, S. G. Think-aloud approaches to cognitive assessment and the articulated thoughts in simulated situations paradigm. Journal of Consulting and Clinical Psychology. 65 (6), 950-958 (1997).
  21. Mouname, K., Idri, A., Abran, A. Usability evaluation of mobile applications using ISO 9241 and ISO 25062 standards. SpringerPlus. 5, 548 (2016).
  22. Sauro, J. A practical guide to the system usability scale: Background, benchmarks & best practices. CreateSpace Independent Publishing Platform. , (2011).
  23. Bangor, A., Kortum, P., Miller, J. Determining what individual SUS scores mean: Adding an adjective rating scale. Journal of Usability Studies. 4 (3), 114-123 (2009).
  24. Meijboom, S., et al. Evaluation of dietary intake assessed by the Dutch self-administered web-based dietary 24-h recall tool (Compl-eatTM) against interviewer-administered telephone-based 24-h recalls. Journal of Nutritional Science. 6, 49 (2017).
  25. Subar, A. F., et al. The Automated Self-Administered 24-hour dietary recall (ASA24): a resource for researchers, clinicians, and educators from the National Cancer Institute. Journal of the Academy of Nutrition and Dietetics. 112 (8), 1134-1137 (2012).
  26. Timon, C. M., et al. The development, validation, and user evaluation of Foodbook24: A web-based dietary assessment tool developed for the Irish adult population. Journal of Medical Internet Research. 19 (5), 158 (2017).
  27. Carter, M. C., et al. Development of a UK online 24-h dietary assessment tool: myfood24. Nutrients. 7 (6), 4016-4032 (2015).
  28. Voedingscentrum. Mijn Eetmeter Available from: https://itunes.apple.com/nl/app/mijn-eetmeter/id663382012?mt=8 (2014)
  29. Virtuagym. Virtuagym Available from: https://virtuagym.com/food (2017)
  30. Evans, K., et al. Development and evaluation of a concise food list for use in a web-based 24-h dietary recall tool. Journal of Nutritional Science. 6, 46 (2017).
  31. Svensson, A., Magnusson, M., Larsson, C. Overcoming barriers: adolescents’ experiences using a mobile phone dietary assessment app. JMIR mHealth and uHealth. 4 (3), 92 (2016).
  32. Finglas, P. M., Berry, R., Astley, S. Assessing and improving the quality of food composition databases for nutrition and health applications in Europe: the contribution of EuroFIR. Advances in Nutrition. 5 (5), 608-614 (2014).
  33. Gibson-Moore, H. EuroFIR: Where we are now. Nutrition Bulletin. 38 (3), 358-362 (2013).
  34. Rossum, C. T. M., et al. The diet of the Dutch. Results of the first two years of the Dutch National Food Consumption Survey 2012–2016. RIVM. , (2016).
  35. Byrd-Bredbenner, C., Schwartz, J. The effect of practical portion size measurement aids on the accuracy of portion size estimates made by young adults. Journal of Human Nutrition and Dietetics. 17 (4), 351-357 (2004).
  36. Faggiano, F., et al. Validation of a method for the estimation of food portion size. Epidemiology. 3 (4), 379-382 (1992).
  37. Faulkner, G. P., et al. An evaluation of portion size estimation aids: precision, ease of use and likelihood of future use. Public Health Nutrition. 19 (13), 2377-2387 (2016).
  38. Hernandez, T., et al. Portion size estimation and expectation of accuracy. Journal of Food Composition and Analysis. 19, 14-21 (2006).
  39. Nelson, M., Atkinson, M., Darbyshire, S. Food photography. I: The perception of food portion size from photographs. British Journal of Nutrition. 72 (5), 649-663 (1994).
  40. Young, L. R., Nestle, M. S. Portion sizes in dietary assessment: issues and policy implications. Nutrition Reviews. 53 (6), 149-158 (1995).
  41. Liu, B., et al. Development and evaluation of the Oxford WebQ, a low-cost, web-based method for assessment of previous 24 h dietary intakes in large-scale prospective studies. Public Health Nutrition. 14 (11), 1998-2005 (2011).
  42. Lucassen, D. A., Willemsen, R. F., Geelen, A., Brouwer-Brolsma, E. M., Feskens, E. J. M. The accuracy of portion size estimation using food images and textual descriptions of portion sizes: an evaluation study. Journal of Human Nutrition and Dietetics. , (2021).
  43. Wharton, C., Rieman, J., Lewis, C., Polson, P., Nielsen, J., Mack, R. L. . Usability Inspection Methods. , 79-104 (1994).
  44. . How many test users in a usability test Available from: https://www.nngroup.com/articles/how-many-test-users/ (2012)
  45. AMPM – Features. USDA Available from: https://www.ars.usda.gov/mortheast-area/beltsville-md/beltsville-human-nutrition-research-center/food-surveys-research-group/docs/ampm-features/ (2016)
  46. Zhang, D. S., Adipat, B. Challenges, methodologies, and issues in the usability testing of mobile applications. International Journal of Human-Computer Interaction. 18 (3), 293-308 (2005).
  47. Cade, J. E. Measuring diet in the 21st century: use of new technologies. Proceedings of the Nutrition Society. 76 (3), 276-282 (2017).
  48. Ahmad, Z., et al. A mobile food record for integrated dietary assessment. MADiMa16. 2016, 53-62 (2016).
  49. Boushey, C. J., Spoden, M., Zhu, F. M., Delp, E. J., Kerr, D. A. New mobile methods for dietary assessment: review of image-assisted and image-based dietary assessment methods. Proceedings of the Nutrition Society. 76 (3), 283-294 (2017).
  50. Fang, S., et al. . 2018 IEEE Southwest Symposium on Image Analysis and Interpretation (SSIAI). , 25-28 (2018).
  51. Shao, Z., Mao, R., Zhu, F. . 2019 IEEE International Conference on Big Data (Big Data). , 5186-5189 (2019).
  52. Chen, J., Lieffers, J., Bauman, A., Hanning, R., Allman-Farinelli, M. Designing health apps to support dietetic professional practice and their patients: qualitative results from an international survey. JMIR Mhealth Uhealth. 5 (3), 40 (2017).
  53. Donders-Engelen, M. R., Van der Heijden, L. J. M., Hulshof, K. F. A. M. Maten, Gewichten en Codenummers 2003. Food portion sizes and coding instructions. Wageningen University: Division of Human Nutrition and TNO Nutrition. , (2003).
  54. Van Ittersum, K., Wansink, B. Plate size and color suggestibility: The Delboeuf Illusion’s bias on serving and eating behavior. Journal of Consumer Research. 39 (2), 215-228 (2012).
  55. Portiegrootte voedingsmiddelen. RIVM Available from: https://www.rivm.nl/portiegrootte-voedingsmiddelen (2019)
  56. Timon, C. M., et al. A review of the design and validation of web- and computer-based 24-h dietary recall tools. Nutrition Research Reviews. 29 (2), 268-280 (2016).
  57. Kirkpatrick, S. I., et al. The use of digital images in 24-hour recalls may lead to less misestimation of portion size compared with traditional interviewer-administered recalls. The Journal of Nutrition. 146 (12), 2567-2573 (2016).
  58. Subar, A. F., et al. Assessment of the accuracy of portion size reports using computer-based food photographs aids in the development of an automated self-administered 24-hour recall. Journal of the American Dietetic Association. 110 (1), 55-64 (2010).
  59. Figwee – Learn More. Figwee Available from: https://figwee.com/learn-more/ (2021)
  60. Preece, J., Sharp, H., Rogers, Y. . Interaction design: beyond human-computer interaction. , (2015).

Play Video

記事を引用
Lucassen, D. A., Brouwer-Brolsma, E. M., van de Wiel, A. M., Siebelink, E., Feskens, E. J. M. Iterative Development of an Innovative Smartphone-Based Dietary Assessment Tool: Traqq. J. Vis. Exp. (169), e62032, doi:10.3791/62032 (2021).

View Video