임상 및 역학 연구의 맥락에서 식이 섭취는 전 세계적으로 소비되는 식품의 다양성과 식사 상황, 요일, 계절 및 수명 주기에 따라 소비 패턴이 다양하다는 점을 고려할 때 측정하기에 특히 복잡한 노출입니다. 섭취량 평가는 후향적 평가(예: 24시간 식단 회상 및 음식 빈도 설문지)에서 섭취한 음식의 불완전한 회상 및 음식 기록의 경우 실시간 기록과 관련된 반응성을 포함하여 다양한 출처에서 발생하는 측정 오류로 인해 문제가 됩니다. 분석 및 해석에서 식이 패턴이 건강 및 질병 위험에 미치는 영향을 전체적으로 특성화하고 번역하기 위해 섭취의 다차원성을 설명해야 할 필요성에 대한 인식이 높아지는 것과 관련하여 주어진 연구에서 종종 관심을 갖는 식이 구성 요소의 다양성으로 인해 더 많은 복잡성이 도입됩니다. 이러한 과제는 전 세계 인구가 사용할 수 있는 식이 섭취 데이터의 양과 질의 격차와 식이 패턴 개선을 위한 시간 관련 및 증거 기반 전략의 결함을 초래할 뿐만 아니라 기존 식이 평가 방법이 직면한 문제를 극복하려는 혁신적인 접근 방식을 지속적으로 고취하고 있습니다.
2022년 10월 현재 이 방법 모음에는 연구자가 자신의 작업에 적용하는 것을 고려할 수 있는 혁신적인 식이 평가 및 분석 방법과 도구의 개발, 평가 및/또는 적용을 설명하는 7개의 기사가 포함되어 있습니다. 기사 중 3개는 관심 있는 연구자가 특정 환경이나 모집단에 맞는 유사한 방법을 만드는 데 도움이 되는 방법을 개발하기 위한 프로토콜을 설명합니다. 이 방법은 기계, 전기 및 소프트웨어 공학과 결합된 영양, 행동 및 컴퓨터 과학의 측면을 통합하여 이 분야의 혁신에 대한 광범위한 학제간 및 통합적 관점의 중요성을 강조합니다.
측정 장치
Lasschuijt et al.1 은 무게에 민감한 식사 트레이와 연결된 카메라 시스템으로 구성된 장치를 설계하여 씹는 횟수, 한 입 크기, 식사 중 다양한 음식의 섭취 속도 등 식습관에 대한 정보를 추출하여 음식을 무엇을, 얼마나 먹는지, 얼마나 빨리 먹는지에 대한 피드백을 제공합니다. 이 장치는 자가 보고 또는 자체 모니터링에 의존하지 않고 수정 가능한 식습관을 설명하는 잠재적으로 최소한의 부담 방법을 제공합니다.
Chung et al.2 은 왼쪽 및 오른쪽 경첩에 있는 특수 회로 기판을 사용하여 식사 및 다양한 신체 활동 중 측두근의 활동 패턴을 객관적으로 감지할 수 있는 한 쌍의 3D 프린팅 스마트 안경을 제시합니다. 이 프로토콜은 과도한 음식 소비를 줄이기 위한 개입을 맞춤화하는 방법으로 안경과 회로를 구성하는 방법과 수집된 데이터를 기계 학습 소프트웨어로 출력하여 식습관을 다른 행동과 구별하는 방법을 설명합니다.
소프트웨어 기반 평가 방법
Lucassen 등3 은 음식 구성, 부분 크기, 요리 수율 및 영양 보유를 고려하는 맞춤형 레시피에 대한 데이터를 통합하여 음식 기록 및 식이 회상을 수집하기 위한 사용자 친화적인 도구인 TRAQQ 모바일 앱을 개발했습니다. 앱 백엔드를 통해 연구원은 사용자 정의 가능한 샘플링 체계에 따라 평가를 완료하도록 참가자를 초대하고 상기시키고 응답하지 않는 사람의 일정을 자동으로 변경할 수 있습니다. 이 백서는 유사한 도구 개발 및 사용에 관심이 있는 사용자를 지원하기 위해 형성 연구, 앱 설계 및 평가, 연구 관리, 앱 구현을 위한 프로토콜을 제공합니다.
Boronat et al.4 은 자연 환경에서 식습관을 반복적으로 실시간 샘플링하는 기술적으로 지원되는 생태학적 순간 평가(EMA)의 개발을 설명하며, 이 경우 매일 및 매주 프롬프트를 통해 지중해식 식단 패턴 준수를 측정합니다. 기술 지원 EMA 플랫폼을 사용하면 참가자들에게 식단의 건강하고 건강에 해로운 측면을 요약하고 행동 변화를 촉진하는 주간 보고서를 제공합니다.
Meroni et al.5 은 내장된 식품 구성 데이터베이스에서 식품을 식별하고 각 식사에 대한 접시의 시각적 표현에 배치하여 영양소 섭취량 추정치를 생성하는 식품 섭취 데이터를 입력하는 방법인 Boden Food Plate를 제시합니다. 이는 접시 모델을 사용하여 다양한 식품군의 적절한 비율을 권장하는 식품 기반 식이 지침과 유사하게 음식 및 영양소 섭취를 평가하는 매력적인 대화형 방법을 제공합니다.
소프트웨어 개발
Mezgec과 Seljak6 은 서로 다른 음식과 음료("세분화")를 구별하고 각각을 정확하게 식별하여 식사 이미지를 처리하기 위한 심층 신경망 아키텍처의 개발을 설명합니다. 이 프로토콜은 기계 학습 전문가가 이러한 분석을 훈련하고 구현하는 데 사용되는 데이터 세트의 선택 및 정리를 포함하여 식품 분할 및 분류를 수행하기 위한 딥 러닝 방법과 데이터 증강 단계를 선택하는 데 도움이 되는 리소스 역할을 합니다.
Bromage7 은 간단한 공식을 사용하여 영양소 및 식품군 섭취량과 영양소 섭취량에 대한 식품군의 기여도를 계산하는 ISNAPDS(Integrated Spreadsheets for Nutritional Analysis of Population Diet Surveys) 시스템을 제시합니다. 이 시스템은 다양한 참조 기간 및 부분 크기 추정 방법, 사용자 제공 식품 구성표를 사용하여 전향적 및 후향적 평가 방법을 사용하여 수집된 정량적, 반정량적 및 비정량적 식품 소비 데이터를 유연하게 수용합니다.
이러한 사례는 식이 평가의 미래에 대한 흥미로운 창을 제공하는 동시에 현존하는 글로벌 데이터 격차에 대한 실현 가능하고 시기적절한 솔루션을 제공하기 위해 이 분야의 최첨단이 싸우고 있는 중요한 과제를 강조합니다. 음식 섭취량을 기록하는 기술의 발전에도 불구하고 일반적인 장기 섭취량을 정확하게 파악하는 것은 전향적으로 음식 섭취량을 측정하기 위한 새로운 기술적 접근 방식을 통해 완전히 해결되지 않는 과제로 남아 있습니다. 따라서 건강 및 질병과 관련된 식이 패턴을 이해하는 능력을 향상시키기 위해 식이 섭취 및 영양에 대한 자가 보고되고 객관적인 측정을 집계할 수 있는 방법을 계속 탐구할 필요가 있습니다. 이러한 노력은 신체 활동, 수면 및 체성분을 포함한 건강의 다른 측면 측정의 발전을 통합함으로써 강화될 수 있습니다.
기술 발전의 다양성은 인상적이며, 체계적인 모니터링과 국제 비교를 촉진하기 위해 연구 및 감시 시스템에 통합될 수 있는 표준화되고 잘 평가된 방법 및 도구에 통합될 수 있는 가장 유망한 접근 방식을 식별하는 것이 중요합니다. 인구 식단에 대한 실행 가능한 고품질 데이터에 대한 필요성이 틀림없이 가장 크고 그러한 데이터를 수집할 수 있는 능력이 일반적으로 낮은 남반구에서는 기술 혁신이 실행 가능하고 유익한지 확인하기 위해 구현 과학이 필요합니다.