本文内容如下e-collection /主题问题:

评论(1) 机器学习(895) 数字生物标记和数字表型(123)

发表在在第3卷第1期(2022):1 - 12月

本文的预印本(早期版本)可在https://preprints.www.mybigtv.com/preprint/39618，首次出版．
使用机器学习方法的健康数字表型:范围审查

使用机器学习方法的健康数字表型:范围审查

使用机器学习方法的健康数字表型:范围审查

本文作者:

Schenelle Dayna Dlima1 作者Orcid图片； 桑托什Shevade1 作者Orcid图片； 索尼娅·丽贝卡·梅内塞斯1 作者Orcid图片； Aakash赶车1 作者Orcid图片
文章 作者 引用的 Tweetations (28) 指标

    审查

    Saathealth，孟买，印度

    通讯作者:

    Schenelle Dayna Dlima，硕士

    Saathealth

    波威区Hiranandani花园，Glen Croft 1103号

    孟买,400076

    印度

    电话:971 559558006

    电子邮件:schenelle@saathealth.com


    背景:数字表型是指通过个人数字设备(如手机和可穿戴设备)实时收集来自自然主义和自由生活环境中的用户的个人主动和被动数据。鉴于该领域研究的新颖性，在临床用例、收集的数据类型、数据收集的模式、数据分析方法和测量的结果方面存在异质性。

    摘要目的:本范围综述的主要目的是绘制已发表的数字表型研究，概述研究特征、数据收集和分析方法、机器学习方法和未来影响。

    方法:在PRISMA-ScR(系统评价首选报告项目和范围评价元分析扩展)的指导下，我们采用先验方法进行文献搜索、数据提取和图表制作过程。我们使用与数字表型相关的搜索词，确定了PubMed和谷歌Scholar上发表于2020年、2021年和2022年的相关研究。标题、摘要和关键词在筛选过程的第一阶段进行筛选，第二阶段涉及筛选入围文章的全文。我们提取并绘制了最终研究的描述性特征，包括原产国、研究设计、临床领域、主动和/或被动收集的数据、数据收集模式、数据分析方法和局限性。

    结果:通过与数字表型相关的搜索词，PubMed和谷歌Scholar上共有454篇文章被确定，其中46篇文章被认为符合纳入本范围审查的条件。大多数研究评估可穿戴数据，起源于北美。最主要的研究设计是观察性的，其次是随机试验，大多数研究集中在精神疾病、精神健康障碍和神经系统疾病。共有7项研究使用机器学习方法进行数据分析，其中随机森林、逻辑回归和支持向量机是最常见的。

    结论:我们的综述提供了卫生数字表型的基础和面向应用的方法。未来的工作应侧重于更具前瞻性的纵向研究，包括来自不同人群的更大数据集，解决消费者技术数据收集的隐私和道德问题，并建立“数字表型”，以个性化数字健康干预和治疗计划。

    JMIR Bioinform生物技术2022;3(1):e39618

    doi: 10.2196/39618

    关键字

    数字表现型； 机器学习； 个人设备数据； 被动数据； 活动数据； 可穿戴设备； 可穿戴式传感器； 移动应用程序； 数字医疗


    患者参与是卫生保健组织面临的一项重大挑战，因为消费者在寻求卫生保健服务时期望并要求更个性化的方法[1］．人工智能(AI)主导的智能医疗服务正在成为提高医疗服务提供效率和效果的有前途的工具[2］．其中包括数字表型，即通过个人数字设备(如手机和可穿戴设备)实时收集来自自然主义和自由生活环境中的用户的个人层面的主动和被动数据[3.］．个人数字设备和平台，如智能手机、可穿戴设备和社交媒体，提供了关于个人行为和健康状况的丰富信息。这些都是一些主动和被动数据点的宝贵来源，例如手机使用指标、GPS信息、搜索历史、文本信息中的语言差异、睡眠持续时间、步数、燃烧的卡路里和心率变异性。可以利用这些数据点对个体行为进行细致入微的了解，以预测疾病恶化或复发，设计更有针对性的干预措施，并改善临床环境中的决策[2，3.］．

    数字表型是一个新兴领域，它交叉数据分析、工程和临床实践，在报告和可重复性方面带来了独特的挑战。虽然多学科方法的优势显而易见，但这些多学科领域尚未有效结合起来，以确保标准化报告和更易于复制[4］．

    用于收集、处理和分类数字表型中主动和被动数据的技术和方法在文献中各不相同。人工智能和机器学习已经推动了可穿戴传感和移动医疗的发展;它们帮助增强了人类活动识别模型，提高了预测人类行为的准确性，并提供了更个性化的生活方式建议[5］．研究指出，信任、感知有用性和个性化直接影响数字医疗保健服务的使用频率[2］．

    考虑到智能手机和可穿戴传感器和设备产生的大量数据点，人工智能和机器学习可以用来处理和分析这些大型数据集[6］．被动数据的目的是在各种临床应用中改善患者监测和结果[7］．在对精神病谱系疾病数字表型的机器学习研究的系统回顾中，使用的机器学习方法包括随机森林、支持向量机、神经网络、k-最近邻和朴素贝叶斯分类器[8］．用于分析这些多维数据的机器学习算法也可用于预测风险和概率，并做出二元决策，例如出院与不出院[9］．其他用于数字表型的计算工具包括数据挖掘和统计方法[10］．

    数字表型在临床领域的巨大潜力正受到越来越多的关注，导致在过去5年相关发表的研究有了可测量的增加。在分析智能手机和可穿戴设备的主动和被动数据的健康和临床研究中，也观察到了这一趋势。数字表型可能证明了精确数字健康干预的最大潜力。分配数字表型可以帮助围绕用户行为建立预测模型，提供洞察他们的参与水平和优化数字健康干预效果的方法。这种分割方法为增强诊断、风险预测、治疗效果和患者监测提供了进一步的机会[11］．鉴于数字表型领域的研究尚处于初级阶段，临床用例、收集的数据类型、数据收集的模式、数据分析方法和测量的结果都存在异质性。

    因此，本范围综述的主要目的是绘制已发表的数字表型研究，概述研究特征、主动和被动数据收集方法、使用的数据分析方法(特别是机器学习技术，如果有的话)以及未来的影响。本综述的预期结果是提供对正在进行的数字表型研究的广泛概述，并确定未来研究和实践的差距和机会，特别是在利用机器学习技术进行数字表型方面。


    概述

    我们进行了这次范围审查，以检查与医疗保健中数字表型相关的已发表证据的广度。我们利用先验方法进行文献搜索和数据提取过程，以确保搜索协议是可复制的。PRISMA-ScR(系统评价和元分析范围评价扩展的首选报告项目)检查表指导了本次范围评价的方法和报告(多媒体附件1) [12］．

    搜索条件

    由于“数字表型”一词在研究领域相对较新，我们对PubMed和谷歌Scholar上的文献进行了初步的范围研究，以确定与数字表型相关的不同搜索词。这确保了我们的文献搜索将捕获所有与数字表型相关的已发表研究，即使文本中没有明确提到这个术语。这些是最终用于进行文献搜索的搜索词:“数字表型*”或“主动数据”或“被动数据”或“数字生物标记*”或“数字足迹”或“移动数据”或“移动电话数据”或“数字传感”或“数字指纹*”或“智能手机数据”或“可穿戴式数据”或“可穿戴式设备*”或“可穿戴式数据”或“精度数据”。

    合格标准

    我们收录了同行评议的英文原创研究文章，因为我们的目的是探索数字表型科学研究中的差距和机遇。此外，根据Onnela对数字表型定义的分解[3.]，如果研究包括以下特征，则被认为是合格的:(1)如果收集了任何类型的主动或被动数据。在本综述中，主动数据指的是需要用户根据提示直接输入的数据，而被动数据指的是无需用户输入而生成和收集的数据[13];(2)是否使用可穿戴设备或移动电话收集主动和/或被动数据;(3)标题、摘要或关键词中是否出现“数字表型”或“数字表型”等术语;(4)主动和/或被动数据是否以某种方式进行分类(即，是否建立了任何“表型”，或者是否使用数据对诊断、症状加重或复发进行预测)。

    我们将发表年份限制在2020年、2021年和2022年，因为从我们的初步搜索中，我们推测这几年与数字健康、主动和被动数据收集以及可穿戴设备相关的出版物数量急剧增加。此外，关注这些年份将提供数字表型研究的最新快照，因为该领域正在迅速而持续地发展。表1显示了过去5年发表的数字表型研究的上升。这个时间轴是使用搜索词和文章类型过滤器的结果，这是我们资格标准的一部分。

    我们排除了综述、元分析、观点文章、灰色文献、致编辑的信、评论、研究方案、在遗传学背景下描述表型的文章，以及非英文文章。我们还排除了仅关注使用数字显型干预的可行性和可接受性的研究。

    表1。PubMed 2017年至2022年发表的数字表型研究时间表。时间轴显示，自2019年以来，已发表的文献数量急剧增加。
    一年 发表研究论文，n
    2017 129
    2018 173
    2019 257
    2020 246
    2021 232
    2022 114

    证据来源

    我们使用PubMed和谷歌Scholar进行相关文献的识别。我们选择了PubMed，因为它专注于临床和健康相关的研究，而谷歌Scholar则是为了让多个学科交叉的文献浮出水面。

    我们在PubMed上使用了额外的过滤器，排除了以下不符合我们的研究类型和发表年份标准的文章:(1)研究类型:临床研究、临床试验、比较研究、对照临床试验、多中心研究、观察性研究、随机对照试验(RCT);(2)年度结果:从2020年1月1日至2022年1月18日。

    在谷歌Scholar中，我们根据发表日期对结果进行筛选。我们使用了2020-2022年的自定义范围。

    筛选过程

    应用PubMed和谷歌Scholar上的搜索词和过滤器识别相关文章后，将引文导入Rayyan。ai系统(Rayyan Systems Inc)，这是一个创建和管理系统评论的免费在线工具。作者SDD在2022年1月18日进行了最终搜索并导入了引文。然后，作者SDD和SS使用预先确定的资格标准独立筛选标题、摘要和关键字。关于哪些文章应该入围的任何分歧都由SDD和SS讨论解决。筛选过程的下一步是筛选这些入围文章的全文;所有审稿人都被随机分配文章，以筛选符合资格标准的一致性。审稿人定期讨论以解决任何关于纳入最终分析的研究的分歧。

    数据提取和制图

    在作者筛选了全文文章以纳入范围审查之后，创建了一个谷歌表来提取最终文章的描述性特征。谷歌表中记录的详细信息包括研究标题、作者、发表年份、原产国、研究设计、临床领域、收集的主动和/或被动数据、数据收集模式、数据分析方法和研究的局限性。

    审稿人独立地进行了最终文章的数据提取和图表绘制。对于其他评审员所提出的关于数据提取和图表制作过程的任何疑问，都要咨询SDD和SS。数据提取和制图过程的结果在多媒体附件2．

    我们没有对最终的文章进行正式的批判性评估，因为我们的范围审查的主要目的是描述证据的广度，并描绘数字表型文献的特征。

    结果综合

    我们根据以下特点总结了这些研究:原产国、研究设计、临床区域、主动和/或被动收集的数据、数据收集模式、数据分析方法和局限性。使用世界卫生组织的地区分类对原产国进行分类[14］．研究设计分组如下:观察性研究、随机试验、观察性研究的事后分析和随机对照试验的事后分析。

    在此范围综述中，我们将研究中收集的数据类型映射为以下类别:可穿戴/活动(被动数据)、手机(被动数据)、临床/生物特征(被动数据)和主动数据。被动数据类别基于Jayakumar及其同事的活动-生物识别-通信框架[15］．可穿戴/活动数据包括可穿戴设备生成和收集的数据，手机数据包括从移动应用程序或移动设备本身(如麦克风)被动收集的数据，临床/生物特征数据包括被动收集的生物数据，如血压、体温、心率等。主动数据包括移动应用程序上患者报告的结果测量，以及移动应用程序上对调查问题的回答。我们将纳入的研究中收集的所有被动和主动数据点制成表格。

    使用以下类别来映射所包含的研究中如何收集主动和被动数据:可穿戴设备、移动应用程序、可穿戴设备+移动应用程序、可穿戴设备+其他和其他。我们将研究中使用的可穿戴设备和移动应用程序制成表格。我们使用以下大类来映射数据分析方法:回归、统计方法、机器学习技术和潜在增长分析。


    搜索结果

    图1描述了研究选择过程的PRISMA流程图。从PubMed和谷歌Scholar剔除重复后，共识别出454篇文章。在对标题、摘要和关键词进行筛选后，有80篇文章符合全文审查的条件。在审查全文文章后，我们排除了30篇不符合我们资格标准的文章和4篇全文不可用的文章。因此，46篇文章被认为有资格纳入这次范围审查。这46篇文章的详细特征在多媒体附件2．

    ‎
    图1。PRISMA(系统评价和元分析首选报告项目)研究鉴定、合格性筛选和最终纳入范围评价的流程流程图。
    查看此图

    原产国

    大多数研究(n= 26,56.5%)起源于北美，包括美国(n=24) [16-39]和加拿大(n=2) [40，41］．12项研究(26.1%)在欧洲国家进行，例如法国[42，43]，德国[44，45]，意大利[46，47]、卢森堡[43]，西班牙[48，49]，瑞士[50]、荷兰[48，49]，以及联合王国[47-49，51-53］．六项研究(13%)来自西太平洋地区的国家，包括澳大利亚[54，55]、日本[56，57]，以及韩国[58，59］．只有1项研究(2.2%)来自东南亚(中国)[60]及东地中海(卡塔尔)[61)地区。表2总结研究的起源地区。

    表2。根据世界卫生组织的区域分类总结研究数量。
    世界卫生组织的区域分类 原产国 研究，n (%)
    地中海东部 卡塔尔 1 (2.2)
    欧洲 法国、德国、意大利、卢森堡、西班牙、瑞士、荷兰和英国 12 (26.1)
    东南亚 中国 1 (2.2)
    北美 加拿大，美国 26日(56.5)
    西太平洋 澳大利亚，日本，韩国 6 (13)

    研究设计

    最主要的研究设计为观察性研究(n=28, 60.9%) [17，20.，21，23-25，27，28，31，32，34，36-40，42-47，49-51，57，58，60]，其次是随机试验(n=10, 21.7%) [19，22，26，30.，35，41，52-55]，随机对照试验的事后分析(n=5, 10.9%) [18，29，56，59，61]，以及观察性研究的事后分析(n= 3,6.5%) [16，33，48］．

    临床领域

    纳入研究的临床研究领域是异质性的。大多数(n=15, 32.6%)研究集中于精神疾病、精神健康障碍和神经系统疾病，包括帕金森病[44，51］．精神和精神健康障碍包括躯体畸形障碍[37]、饮食失调[54]、认知障碍[61]、物质使用障碍[17，31]，抑郁[40，46，48，49，53，60]、焦虑障碍[40，53]、精神分裂症[23]，重音[26］．

    共有7项(15.2%)研究集中于心血管疾病，其中包括高血压[19，21，45]、高胆固醇血症[56]、心力衰竭[24]，以及一般心血管健康[32，47］．五项研究(10.9%)聚焦癌症，包括皮肤癌[28]，黑素瘤[34，35]、乳癌[55]，以及监察接受化疗的病人[27］．此外，3例(6.5%)主要关注糖尿病[30.，38，52]， 7项(15.2%)关注超重或肥胖的参与者[16，18，30.，33，36，43，59］．同时，4项(8.7%)研究评估了医院相关结局，包括术后恢复[20.]、出院[22，29]，以及老年病人入院[50］．三项研究(6.5%)纳入血液透析患者[25，46，61］．研究的其他临床领域包括昼夜节律[42]，咳嗽[57]、肌肉减少症[58]、体能训练[39]、类风湿性关节炎及红斑狼疮[41］．

    收集的主动和被动数据类型

    我们将研究中收集的数据类型分类如下:可穿戴/活动(被动数据)、手机(被动数据)、临床/生物特征(被动数据)和主动数据。

    关于被动收集的数据，37项(80.4%)研究评估了可穿戴/活动数据，3项(6.5%)研究评估了手机数据，13项(28.3%)研究评估了临床/生物特征数据。9项(19.6%)研究评估了活跃数据。表3总结了研究中收集的可穿戴/活动、移动电话、临床/生物特征和活动数据点。

    表3。本范围综述中包括的研究中收集的主动和被动数据点列表。
    被动数据 活动数据
    可穿戴/活动 移动电话 临床/生物
    流动模式[37］ 应用程序使用频率[37］ 心率[17，19-21，32，39，43，45，48，53，60］ 运动量[54，59］
    紫外线照射[28，34，35］ 应用程序使用数量[36］ 皮肤电导[17］ 身体满意度[54］
    步数[18-22，26，27，29，30.，39，43，46，56，59-61］ 活动监测数据上传到网络应用的天数[52］ 皮肤温度[17］ 运动的健身/健康动机[54］
    步态参数[44，51，58］ 通话记录[60］ 血压[19，21，43］ 暴饮暴食[54］
    预期体位调整[51］ 短信记录[60］ 上腹部的运动[57］ 节制饮食[54］
    从坐到站的持续时间[51］ 应用程序使用记录[60］ 喉部皮肤扩张[57］ 即时情绪[60］
    能量消耗[39，52］ GPS位置[40，60］ 重量(38，43］ 应用程序内的病人健康问卷-9 [60］
    睡眠时间[19，26，39，48，49，53，56，60］ 屏幕开关状态[40，60］ 血糖水平[38］ 利博维茨社会焦虑量表[40］
    睡眠效率[19，48，49，53，56］ 环境音频[40］ N/A一个 广泛性焦虑障碍七项量表[40］
    睡眠阶段[56］ 光感测器数据[40］ N/A 病人健康问卷八项量表[40，48，49］
    步行的距离[45，56］ 电话接收者[42］ N/A 希恩残疾量表[40］
    日间午睡时间[24］ 通话时间[42］ N/A 对每日评估的回应[59］
    日间午睡次数[24］ 通话时长[42］ N/A 膳食记录[59］
    重新定位事件[36］ 文章阅读[59］ N/A 记录绿色食物的摄入量[59］
    三维加速度[17］ 发表的评论[59］ N/A 罗森伯格自尊量表[48］
    在整个干预过程中活动监控器的磨损天数[52］ 职位数目[59］ N/A 称重记录[59］
    与可穿戴传感器的交互次数[17］ 发给教练的讯息[59］ N/A 自报地点[31］
    体力活动[16，33，38，41，45，47，48，50，52］ 点赞数[59］ N/A 自我报告的社会背景[31］
    姿势转换次数[61］ 屏幕时间指标[24］ N/A 自我报告吸食大麻情况[31］
    运动时间[59］ N/A N/A 身心五分制[39］
    步进速度[19］ N/A N/A 自我报告的睡眠、水分和营养状况[39］
    行走的时间[16］ N/A N/A 对导师及毕业有信心[39］
    姿势转换的持续时间[61］ N/A N/A 说话方式[48］
    N/A N/A N/A 认知功能[23，48］

    一个N/A:不适用。

    数据收集方式

    在所包括的研究中，用于绘制主动和被动数据收集方式的类别如下:可穿戴设备、移动应用程序、可穿戴设备+移动应用程序、可穿戴设备+其他和其他。大多数(n= 25,54.3%)研究属于可穿戴设备类别[16-20.，22，24，25，32-34，36，38，43，44，46，47，49-51，55-58，61］．许多研究(n= 14,30.4%)还使用可穿戴设备和移动应用程序的组合收集数据，因此属于可穿戴设备+移动应用程序类别[21，23，26-30.，35，39，45，48，53，54，60］．在这些研究中，8.7% (n=4)属于移动应用类别[31，37，40，59]，可穿戴设备+其他类别下的4.4% (n=2) [41，52]，另一类[n=1]的比例为2.2%。42]，其中包括通过基于网络的应用程序收集数据。文本框1列出了研究中使用的可穿戴设备和移动应用程序的类型。

    用于收集研究中主动和被动数据的可穿戴设备和移动应用程序列表，包括在本范围审查中。

    可穿戴设备:

    • 活动监控器(Actical, Philips呼吸器)[24］
    • activPAL (PAL科技有限公司)[55］
    • Apple Watch Series 2、3或4智能手表[21，39，45］
    • 生物束可穿戴装置[53］
    • 体重计(体重秤)[43］
    • BP-800血压计(Withings) [43］
    • 细胞激活量表[38］
    • E4可穿戴传感器(Empatica) [17］
    • FitBit (16，20.，25，26，32，33，38，41，48，49，54，56］
    • Garmin Vivofit2活动监控器[55］
    • 惯性微光传感器(微光研究有限公司)[44］
    • 小米手环2(小米Corporation) [60］
    • 微软Band 2 [27］
    • 欧姆龙Evolv无线血压计[19，21］
    • 手机系绳血糖仪[38］
    • Withings脉搏活动追踪器[43］
    • 三星Galaxy手表[19］
    • SenseWear Mini (BodyMedia)多感官监控器[41］
    • SenseWear袖标[46］
    • 遮阳式可穿戴紫外线辐射传感器[28］
    • 智能手表(未指明)[23］
    • 紫外线照射传感器[28，34］
    • 经过验证的垂坠传感器(PAMSysTM, BioSensics LLC) [61］
    • 腰间运动追踪器(ActiGraph wGT3X-BT) [34］
    • 可穿戴智能腰带(WELT) [58］
    • 可穿戴式三轴加速度计传感器[36］
    • 腕戴式ActiGraph GT3X+ [55］
    • 腕戴式紫外线剂量计[35］
    • 腕戴式可穿戴装置(Withings Activite Steel) [18，22，29，30.］

    移动应用程序:

    • 苹果健康应用程序[21］
    • Beiwe app [23］
    • BreeConnect App [45］
    • 即时调查智能手机应用程序[54］
    • iOS Biobase应用程序[53］
    • 宾州[31］
    • mindLAMP应用程序[23］
    • “心情镜子”应用程序[60］
    • Noom应用程序(美食日记)[59］
    • 患者报告结果应用程序[27］
    • iOS上的Perspectives应用[37］
    • Withings HealthMate应用程序[29］
    文本框1。用于收集研究中主动和被动数据的可穿戴设备和移动应用程序列表，包括在本范围审查中。

    数据分析方法

    在数据分析技术方面，22项(47.8%)研究采用基于回归的统计方法[16，20.，22，23，28，30.，33，35，37，40，41，43，45，48-50，53，54，56，58，61]， 2(4.3%)采用潜在增长分析[18，38]， 14例(30.4%)采用其他统计分析方法[21，24-26，29，31，32，34，42，44，46，47，52，55］．一项(2.2%)研究没有进行任何统计分析，因为它是一份病例报告[36］．只有7项(15.2%)研究使用机器学习方法构建预测模型[17，19，39，51，57，59，60]，而有一项研究使用了逻辑回归和随机森林分类器[51］．另一项研究测试了来自以下类别的25个分类模型:决策树、判别分析、逻辑回归、朴素贝叶斯分类器、支持向量机、最近邻分类器和集成分类器[17］．一项研究使用了6种不同的机器学习模型:支持向量机、k近邻、决策树、朴素贝叶斯、随机森林和逻辑回归[60］．在日本进行的一项研究使用了一种基于深度学习的机器学习算法，称为变分自编码器，用于特征提取，k-means聚类算法用于分类[57］．另一项研究使用了随机森林、支持向量机、梯度增强决策树、长短期记忆和自回归集成移动平均技术[19］．韩国的一项研究使用了弹性网络机器学习方法[59]，美国的1采用随机森林方法[39］．

    纳入研究的局限性

    本综述中作者提出的局限性是异质性的。由于样本量小、单中心研究设计、研究持续时间短和纳入研究的人群段狭窄，大多数研究报告其发现的概括性较低。由于研究的观察性质，收集的被动和主动数据与结果测量之间的因果关系无法确认。一些研究还报告了与设备和应用程序相关的限制，包括智能手表的电池寿命短(导致低估体力活动)[21]，保持应用全天候运行的挑战[60]，没有测量用户与手机通知的互动[26]，数据缺失[23，30.，48，49]，以及所测试算法的缺陷[16，32，45，57，58］．报告的另一个局限性是依赖自我报告数据，其中包括收集的活动数据和为结果测量收集的数据。


    主要研究结果

    我们的范围审查提供了一个深入了解在过去3年发表的数字表型研究的广度。大多数研究起源于北美，采用观察性研究设计，并使用可穿戴设备收集被动和/或主动数据。这些研究涵盖了各种临床适应症，但精神疾病、精神健康障碍和神经系统疾病是最常见的领域。只有7项(15.2%)研究使用基于机器学习的方法进行数据分析，其余主要使用统计方法。大多数研究样本量低，限制了它们对其他人群和临床环境的推广。

    可穿戴设备的数字化成熟度和普及程度在不同地区差异显著;然而，COVID-19大流行的发生普遍导致数字卫生工具用于远程监测的使用增加[62］．在我们的范围综述中，56.5% (n=26)的研究在北美进行。从2021年开始的市场研究趋势表明，北美目前处于全球数字医疗市场的领先地位，而在2021年至2025年期间，这一市场的增长速度将超过全球平均水平[63］．大规模企业系统实现的后续影响也会对转换的速度产生重大影响。该地区的消费者报告称，在过去4年里，可穿戴设备的使用从9%增长到33%，而智能手表的用户数量从2020年的4200万增长到2021年的4520万，预计到2024年将达到5190万[64］．这些趋势表明，北美健康监测工具和可穿戴设备的使用更加个性化和创新。在欧洲，患者对数字健康工具的采用从2015年的85%增加到2017年的87%，患者越来越多地采用可穿戴设备和远程患者监测工具等技术[65］．在欧洲，数字工具的使用增加归因于老年人口的增长，以及对远程患者监测的偏好日益增加。政府在该地区发展数字卫生的举措不断增加，数字基础设施不断发展，将推动市场增长[66］．

    本综述的研究类型主要为观察性研究(n=28, 60.9%)，其中大部分为基于队列的前瞻性观察性研究。由于可穿戴设备相关的研究相对较新，研究方案的严谨性和复杂性差异很大，从随机试验到简单的观察性研究。我们发现，数字表型研究主要是在精神疾病和精神障碍相关的临床适应症中进行探索，但也有一些研究集中在心血管疾病、肥胖和癌症等慢性疾病上。这表明人们越来越关注慢性、长期疾病的实时监测，因为这些疾病的患者旅程主要发生在临床环境之外。

    我们观察到，研究中最常用的数据收集工具是商用可穿戴设备，这与该领域进行的其他综述一致[15，67］．可穿戴设备在研究和疾病管理方面具有巨大潜力，因为它们能够收集大量高粒度和连续性的生活方式数据[19］．虽然这类设备的入门门槛较低，但在研究中报告了一些关于商业可穿戴设备使用的挑战。例如，我们的范围综述中的一项研究报告称，智能手表的短电池寿命可能低估了身体活动水平[21]，而另一项入围研究报告称，Apple Watch只能收集有限范围的心率数据[39］．此外，这些设备与数据隐私问题有关[39］．大多数这些设备通常使用的“黑箱”算法没有提供数据收集和分析实践的清晰度，导致在收集被动数据时存在固有偏见和随后的道德缺陷[68］．

    虽然在包括的研究中使用较少，但智能手机应用程序通过用户报告的实时活动数据在生态瞬时评估中很有用。这有助于自我监测行为、症状和治疗依从性，以及提供信息/教育和反馈[31］．在他们的评论中，科格伦和达方索[13]描述了数字表型的第三种数据类型，称为交互数据。这些交互可以是无内容的交互(如滑动、点击和网页搜索)或内容丰富的交互(如使用社交媒体)[9］．例如，其中一项入围研究在应用程序上使用互动数据，如每周阅读的文章、每周的群帖子和每周的点赞，来识别肥胖患者的数字行为表型[59］．来自智能手机的这些数据可以为用户的健康状况和行为提供有价值的见解，但它们也容易出现数据隐私问题和固有偏见。

    对于通常使用可穿戴设备收集的纵向数据，使用和采用更新的分析和机器学习方法正在数字健康领域获得关注。我们发现2项(4.3%)研究使用潜在分类分析[18，38]，这是一种统计程序，用于确定种群中具有某些共同外部特征的定性不同的子群。随机森林是最常用的机器学习技术[19，39，51，60]，然后是逻辑回归[17，51，60]和支持向量机[17，19，60］．随机森林的工作原理是将许多小而弱的决策组合成一个强大的预测[6］．这种机器学习方法在非计算领域越来越受欢迎，并正在成为许多科学领域的标准分类方法[69］．随机森林算法对过拟合具有鲁棒性，可以处理高度非线性的数据，并且在存在异常值时保持稳定[70］．正如我们的一项入围研究报告所述，尽管基于神经网络的方法在图像和语言等非结构化数据中表现更好，但基于树的集成机器学习模型(如随机森林)在本质上以表格形式出现的结构化数据中表现最好[19］．我们的范围综述中包含的一项研究使用并比较了各种机器学习方法，包括支持向量机、k近邻、决策树、朴素贝叶斯、随机森林和逻辑回归;在大多数情况下，作者发现随机森林方法效果最好[60］．

    使用新颖的机器学习方法，从可穿戴设备和移动电话收集的被动和主动数据可用于构建“数字表型”，从而实现数字健康干预和治疗计划的个性化。这些数字表型可以比作其他行业使用的客户细分模型。更好地细分健康消费者行为可以在我们提供精确数字健康干预的能力中发挥关键作用。本范围综述中包括的一些研究使用他们收集的数字数据建立了数字表型，但这些类别并没有明确地称为数字表型。例如，一项研究使用FitBit数据将参与者分为以下几组身体活动:稳定活跃(即，达到2周的身体活动建议)、稳定的活动不足、稳定的无效磨损、有利的过渡(即，身体活动类别的改善)和不利的过渡[33］．另一项研究利用可穿戴传感器的临床/生物特征数据开发了一种咳嗽监测系统，该系统利用机器学习来区分咳嗽和非咳嗽单位[57］．这种数字表型可以帮助监测和采取行动之间的“闭环”，帮助创建适应性的、量身定制的预防和治疗旅程[71］．

    定期使用可穿戴技术或行为跟踪数字健康技术是管理健康的一种有价值的干预措施;然而，个性化的解决方案对于用户的参与至关重要，正如对可穿戴设备在医疗保健中的使用的研究所显示的那样[72］．Myneni和同事们[73]分析了支持戒烟的基于社区的可穿戴设备的行为改变内容，并从包括自我效能理论在内的各种行为改变理论中找到了证据。其他研究考察了行为改变技术，探讨了自我效能在改变一个人的行为中的作用，提出了自我效能理论作为可穿戴设备的关键基础，这表明感知的自我效能促进了干预和行为改变之间的联系[72］．因此，整合数字表型和可穿戴设备的使用可以改善自我效能行为，使患者和健康消费者能够掌握自己的健康和健康。

    未来的意义

    数字表型显示出改善以人为本的护理的前景。这种精准护理有助于推动对卫生干预和改善结果采取积极、可预测的方法。我们的范围综述强调了统计和机器学习模型在可穿戴设备健康消费者数据上的日益应用。利用个人、自我报告的数据点和真实世界的被动健康信息来改进数字表型的机会可能会为多个医学研究学科增加价值，并加速行为健康。数字表型的成功取决于医院、医生和卫生保健组织是否愿意参与其开发，以造福患者和健康消费者。因此，前瞻性的纵向研究，包括来自不同人群的更大数据集，对于灌输数字表型方法的更大信心非常重要。数字表型研究主要在与精神疾病和精神障碍相关的临床指征方面进行探索。未来的工作应侧重于多元的、可复制的模型，这些模型与各种适应症的健康结果有关，并结合和分析多个数据源，以提供个人行为和疾病状态的更全面的图景。

    此外，考虑到影响消费者技术的隐私问题的快速发展，找到确保数据隐私和健康信息的道德使用的方法应该被视为战略优先事项，不仅要了解可用于数字表型的信息类型的边界，而且要优先考虑系统和检查健康消费者的同意和参与。人工智能和机器学习方法需要使用更透明、可复制、无偏见的算法来辅助稳健的决策制定。这在低收入和中等收入环境中尤其重要，在这些环境中，围绕机器学习在医疗保健领域部署的法律和监管框架可能没有得到充分的定义[74］．

    构建数字表型对于改善基于移动应用程序的数字健康解决方案的用户体验有巨大的机会，有助于推动积极的健康结果。来自智能手机的交互式数据可用于生成“参与表型”，数字旅程可针对每种表型量身定制[71］．我们之前在机器学习方面的工作表明，用户流失等指标与数字显型相结合，可以帮助提高用户对数字健康干预的参与度，从而可能带来更好的结果[75］．在医疗保健环境中，基于机器学习的数字表型模型的实际应用需要做进一步的工作。

    范围审查限制

    我们的范围审查可能错过了相关文章，因为我们只使用了2个证据来源(谷歌Scholar和PubMed)来查找文章，因为它们的开源性质。因为我们想要捕捉最近发表的数字表型文献的广度，所以我们只考虑了2020年以后发表的文章。然而，数字显型的证据在过去几年中迅速增长。因此，我们的范围审查很可能提供了一个关于数字显型的新兴研究的恰当快照。为了提高速度，多名审稿人参与了全文文章的筛选，这可能会导致对结果和影响的不同解释。为了帮助解决这一问题，我们组织了审稿人之间的频繁讨论，以解决任何关于是否应该纳入研究的问题，并达成共识。我们没有对最终的文章进行深入的引用检索。因此，我们可能错过了相关的文章。最后，我们没有使用经过验证的质量评估检查表来评估纳入文章的质量。这主要是由于研究特征的异质性。

    结论

    我们的范围综述为数字表型提供了深刻的基础和面向应用的方法，包括主动和被动数据的使用，研究设计的差异，也许最重要的是，越来越多地使用更新的数据分析和机器学习算法来定义和实现医疗保健中的数字表型。未来的工作应侧重于对来自多个来源的不同人群和更大的数据集进行纵向研究，利用更新的机器学习方法进行数字表型，解决从商业可穿戴设备和智能手机被动收集数据的隐私和道德问题，并构建数字表型以定制治疗计划和数字健康干预。

    致谢

    我们感谢Saathealth的同事Anjali Dhingra和Cheryl Gonsalves在本次范围审查中对数据提取和图表制作过程的贡献。

    利益冲突

    没有宣布。

    ‎
    多媒体附件1

    PRISMA-ScR(系统评价和元分析的首选报告项目，范围评价的扩展)检查表。

    DOCX文件，21 KB
    ‎
    多媒体附件2

    最终研究的数据提取和制图过程的结果包括在范围综述中。

    XLSX文件(Microsoft Excel文件)，21kb
    1. Snowdon AW, Alessi C, Bassi H, DeForge RT, Schnarr K.通过个性化医疗服务提高患者体验。健康管理论坛2015年9月01日;28(5):182-185。［CrossRef] [Medline］
    2. 刘凯，陶迪。信任、个性化、隐私丢失和拟人化在公众接受智能医疗服务中的作用。Comput Hum Behav 2022年2月;127:107026。［CrossRef］
    3. 数字表型数据收集和分析中的机遇和挑战。神经精神药理学2021 Jan;46(1):45-54 [免费全文] [CrossRef] [Medline］
    4. de Angel V, Lewis S, White K, Oetzmann C, Leightley D, Oprea E，等。抑郁症被动监测的数字健康工具:方法的系统回顾。NPJ数字医学2022年1月11日;5(1):3 [免费全文] [CrossRef] [Medline］
    5. Perez-Pozuelo I, Spathis D, Clifton E, Mascolo C.用于数字表型和健康的可穿戴设备、智能手机和人工智能。在:Syed-Abdul S, Zhu X, Fernandez-Luque L，编辑。数字健康:参与式健康应用的移动和可穿戴设备。荷兰阿姆斯特丹:爱思唯尔;2020:33-54。
    6. 数据与机器对话:深度表型和人工智能互联网的交集。深度表型研讨会的伦理、法律和社会影响。:哈佛大学法学院;2021年7月27日。URL:https://blog.petrieflom.law.harvard.edu/2021/01/27/deep-phenotyping-artificial-intelligence/[2022-02-25]访问
    7. Maher NA, Senders JT, Hulsbergen AF, Lamba N, Parker M, Onnela J，等。医疗保健中的被动数据收集和使用:伦理问题的系统审查。Int J Med Inform 2019 Sep;129:242-247。［CrossRef] [Medline］
    8. 李文杰，李志强，李志强。机器学习技术在精神病谱系疾病诊断中的应用。哈佛Rev精神病学2020;28(5):296-304。［CrossRef] [Medline］
    9. 马丁内斯-马丁N, Insel TR, Dagum P, Greely HT, Cho MK.健康数据挖掘:数字表型的伦理领域。NPJ数字医学2018年12月19日;1(1):1-10 [免费全文] [CrossRef] [Medline］
    10. 门德斯JPM，莫拉IR，范德文P，维亚纳D，席尔瓦FJS，库蒂尼奥LR，等。心理健康数字表型的传感应用程序和公共数据集:系统综述。J Med Internet Res 2022 Feb 17;24(2):e28735 [免费全文] [CrossRef] [Medline］
    11. Spinazze P, Rykov Y, Bottle A, Car J.心理健康结果评估和预测的数字表型:范围审查方案。BMJ公开赛2019年12月30日;9(12):e032255 [免费全文] [CrossRef] [Medline］
    12. 崔科，李丽丽，李丽娟，李丽娟，等。用于范围审查的PRISMA扩展(PRISMA- scr):检查表和解释。安实习医学2018年9月04日;169(7):467。［CrossRef］
    13. 数字表型:认知和方法分析。Philos Technol 2021年11月11日;34(4):1905-1928 [免费全文] [CrossRef] [Medline］
    14. 国家。世界卫生组织，2022。URL:https://www.who.int/countries[2022-02-25]访问
    15. 贾亚库玛P，林E, Galea V, Mathew AJ, Panda N, Vetter I，等。外科护理中用于结果测量的数字表型和患者生成的健康数据:范围综述。中华医学杂志2020年12月15日;10(4):282 [免费全文] [CrossRef] [Medline］
    16. Beagle AJ, Tison GH, Aschbacher K, Olgin JE, Marcus GM, Pletcher MJ。消费者可穿戴活动追踪器测量的身体活动与自我报告测量的身体活动的比较:健康eheart研究的横断面分析JMIR Mhealth Uhealth 2020年12月29日;8(12):e22090 [免费全文] [CrossRef] [Medline］
    17. cariro S, Chintha KK, Shrestha S, Chapman B, Smelson D, indip .基于可穿戴传感器的物质使用障碍治疗期间患者压力和渴望的检测:混合方法试点研究。药物酒精依赖2020年4月1日;209:107929 [免费全文] [CrossRef] [Medline］
    18. 陈晓霞，陈晓霞，陈晓霞，陈晓霞，等。行为表型与使用游戏化和社会激励的体育活动干预反应之间的关联:STEP UP随机临床试验的二次分析科学通报2020;15(10):e0239288 [免费全文] [CrossRef] [Medline］
    19. Chiang P, Wong M, Dey S.使用可穿戴设备和机器学习实现个性化的生活方式建议，以改善血压。医学杂志2021;9:1-13。［CrossRef］
    20. de Boer C, Ghomrawi H, Many B, Bouchard ME, Linton S, Figueroa A，等。应用可穿戴传感器评估小儿阑尾切除术后患者的术后恢复。中国外科杂志2021年7月;263:160-166。［CrossRef] [Medline］
    21. Golbus JR, Pescatore NA, Nallamothu BK, Shah N, Kheterpal S. Lancet Digit 2021 11月;3(11):e707-e715 [免费全文] [CrossRef] [Medline］
    22. Greysen SR, Changolkar S, Small DS, Reale C, Rareshide CAL, mercedes A，等。与社会支持伙伴的行为设计游戏化对增加出院后流动性的影响:一项随机临床试验美国医学会网络公开赛2021年3月01日;4(3):e210952 [免费全文] [CrossRef] [Medline］
    23. Henson P, Rodriguez-Villa E, Torous J.调查严重精神疾病患者屏幕时间与症状之间的关系:纵向观察性研究。J Med Internet Res 2021 3月10日;23(3):e23144 [免费全文] [CrossRef] [Medline］
    24. 李鹏，Gaba，黄pm，崔林，于林，达班尼特，等。一项前瞻性、观察性队列研究对1140名社区老年人日间午睡和偶发心衰的客观评估。J Am心脏协会2021年6月15日;10(12):e019037 [免费全文] [CrossRef] [Medline］
    25. 马宏杰，李志强，李志强，等。血液透析患者在非透析和透析日的体力活动:前瞻性观察研究。血液学杂志2021年4月;25(2):240-248。［CrossRef] [Medline］
    26. 李志强，李志强，李志强，等。评估为医学实习生开发自适应移动健康干预的实时调节:微随机试验。J Med Internet Res 2020年3月31日;22(3):e15033 [免费全文] [CrossRef] [Medline］
    27. 尼拉农，诺塞拉，马丁，科拉特卡，梅，哈斯纳恩，等。可穿戴式活动追踪器在接受化疗的癌症患者中的使用:用于评估意外保健遭遇的风险。JCO临床癌症通报2020年11月(4):839-853。［CrossRef］
    28. 张志刚，张志刚，张志刚，张志刚，等。使用个人暴露设备监测紫外线辐射暴露对皮肤癌预防的反应性:纵向观察研究。JMIR Mhealth Uhealth 2021 9月28日;9(9):e29694 [免费全文] [CrossRef] [Medline］
    29. Patel MS, Polsky D, Kennedy EH, Small DS, Evans CN, Rareshide CAL，等。出院后远程监测身体活动的智能手机与可穿戴设备:一项随机临床试验的二次分析美国医学会网络公开赛2020年2月05日;3(2):e1920677 [免费全文] [CrossRef] [Medline］
    30. Patel MS, Small DS, Harrison JD, Hilbert V, Fortunato MP, Oon AL，等。行为设计游戏化与社会激励对未控制糖尿病成人生活方式改变的影响:一项随机临床试验美国医学会网络公开赛2021年5月03日;4(5):e2110255 [免费全文] [CrossRef] [Medline］
    31. MA王子，Collins RL, Wilson SD, Vincent PC。对减少年轻人大麻使用的短暂干预的初步测试:插曲级别的智能手机数据强调了保护性行为策略和锻炼的作用。Exp临床精神药理学2020 Apr;28(2):150-156 [免费全文] [CrossRef] [Medline］
    32. Quer G, Gouda P, Galarnyk M, Topol EJ, Steinhubl SR.每日静息心率的个体间和个体内变异及其与年龄、性别、睡眠、BMI和年份的关系:92457名成年人的回顾性纵向队列研究。PLoS One 2020 Feb 5;15(2):e0227709 [免费全文] [CrossRef] [Medline］
    33. Robertson MC, Green CE, Liao Y, Durand CP, Basen-Engquist KM。参与工作场所减肥干预的超重和肥胖成年人的自我效能和身体活动:可穿戴设备数据的多状态建模。癌症流行病学生物标志物2020年12月23日;29(4):769-776。［CrossRef］
    34. Robinson JK, Durst DA, Gray E, Kwasny M.人体防护调整紫外线剂量估算:每日自我报告的可穿戴紫外线传感器剂量的防晒修正。Photodermatol Photoimmunol Photomed 2020年9月28日;36(5):357-364。［CrossRef] [Medline］
    35. Robinson JK, Durst DA, Gray E, Kwasny M, Heo SY, Banks A，等。黑素瘤幸存者通过可穿戴传感器减少阳光照射，提供实时紫外线照射和带有结构化目标设置的每日短信。Arch Dermatol Res 2021 10月13日;313(8):685-694。［CrossRef] [Medline］
    36. 萨伯尔VK, Kennerly SM, Alderden J, Horn SD, Yap TL.对养老院肥胖居民运动行为的洞察:两例报告。伤口管理2020年5月6日;66(5):18-29。［CrossRef］
    37. Weingarden H, Matic A, Calleja RG, Greenberg JL, Harrison O, Wilhelm S.使用被动智能手机数据优化智能手机提供的身体畸形障碍认知行为疗法:来自公开试点试验的初步发现。JMIR Mhealth Uhealth 2020 Jun 18;8(6):e16350 [免费全文] [CrossRef] [Medline］
    38. 杨奇，哈奇，MJ, Lewinski AA, Vaughn J, Steinberg D，等。2型糖尿病患者的数字表型自我监测行为:使用潜在类增长分析的观察性研究。JMIR Mhealth Uhealth 2020 Jun 11;8(6):e17730 [免费全文] [CrossRef] [Medline］
    39. Saxon L, DiPaula B, Fox GR, Ebert R, Duhaime J, Nocera L，等。使用定制智能手机应用程序和手表连续测量侦察海军陆战队训练:观察队列研究。JMIR Mhealth Uhealth 2020 Jun 15;8(6):e14116 [免费全文] [CrossRef] [Medline］
    40. di Matteo D, Fotinos K, Lokuge S, Mason G, Sternat T, Katzman MA，等。从客观智能手机收集的数据自动筛查社交焦虑、广泛性焦虑和抑郁症:横断面研究J Med Internet Res 2021 Aug 13;23(8):e28918 [免费全文] [CrossRef] [Medline］
    41. 李立林，林斐汉，谢华，鲁宁，肖c，格罗玛拉，等。在炎症性关节炎患者中使用可穿戴跟踪器的体育活动咨询计划的疗效:一项随机对照试验。关节炎护理Res(霍博肯)2020年12月27日;72(12):1755-1765。［CrossRef] [Medline］
    42. Aubourg T, Demongeot J, Provost H, Vuillerme N.老年人电话中的昼夜节律:观察性描述性研究。JMIR Mhealth Uhealth 2020 Feb 25;8(2):e12452 [免费全文] [CrossRef] [Medline］
    43. 马丽霞，李志强，李志强，等。26935名联网设备用户的身体活动水平和变异性与6个月体重变化的相关性:观察性现实生活研究JMIR Mhealth Uhealth 2021年4月15日;9(4):e25385 [免费全文] [CrossRef] [Medline］
    44. Gaßner H, Sanders P, Dietrich A, Marxreiter F, Eskofier BM, Winkler J，等。标准化移动步态试验的临床意义。帕金森病患者医院和家庭步态记录之间的可靠性分析:一项初步研究。JPD 2020年10月27日;10(4):1763-1773。［CrossRef］
    45. Stollfuss B, Richter M, Drömann D, Klose H, Schwaiblmair M, Gruenig E，等。吸入伊洛前列素治疗肺动脉高压患者的身体活动、心率和吸入行为的数字跟踪:观察性研究(VENTASTEP)J Med Internet Res 2021 Oct 08;23(10):e25163 [免费全文] [CrossRef] [Medline］
    46. Brys ADH, Bossola M, Lenaert B, Biamonte F, Gambaro G, Di Stasio E.慢性血液透析患者日常运动与疲劳和抑郁症状的关系中华泌尿外科杂志2020年7月28日;52(10):1959-1967。［CrossRef］
    47. Moscarelli M, Lorusso R, Abdullahi Y, Varone E, Marotta M, Solinas M，等。微创手术和胸骨切开术对身体活动和生活质量的影响。心肺杂志2021年6月30(6):882-887。［CrossRef] [Medline］
    48. Leightley D, Lavelle G, White KM, Sun S, Matcham F, Ivan A, RADAR-CNS Consortium。调查COVID-19封锁对近期有复发性重度抑郁症史的成年人的影响:一项使用远程测量技术的多中心研究。BMC Psychiatry 2021 Sep 06;21(1):435 [免费全文] [CrossRef] [Medline］
    49. 张勇，张林AA，孙s, Cummins N, Bendayan R, Ranjan Y, RADAR-CNS Consortium。重度抑郁症症状严重程度与腕带可穿戴设备睡眠的关系:多中心纵向观察研究JMIR Mhealth Uhealth 2021年4月12日;9(4):e24604 [免费全文] [CrossRef] [Medline］
    50. Tasheva P, Kraege V, Vollenweider P, Roulet G, Méan M, marquis - vidal P.加速度测量法评估急性内科疾病住院老年人的体力活动-一项观察性研究。BMC Geriatr 2020 Oct 02;20(1):382 [免费全文] [CrossRef] [Medline］
    51. de Vos M, Prince J, Buchanan T, FitzGerald JJ, Antoniades CA.利用可穿戴技术和机器学习鉴别进行性核上性麻痹与帕金森病。步态姿势2020年3月;77:257-263。［CrossRef] [Medline］
    52. Peacock OJ, Western MJ, Batterham AM, Chowdhury EA, Stathi A, Standage M，等。新型技术支持的多维身体活动反馈在初级保健慢性疾病风险患者中的作用——MIPACT研究:一项随机对照试验。Int J Behav Nutr Phys Act 2020年8月08日;17(1):99 [免费全文] [CrossRef] [Medline］
    53. Ponzo S, Morelli D, Kawadler JM, Hemmings NR, Bird G, Plans D.数字治疗移动应用程序Biobase在大学生中减轻压力和改善心理健康的有效性:随机对照试验。JMIR Mhealth Uhealth 2020 april 06;8(4):e17767 [免费全文] [CrossRef] [Medline］
    54. Gittus M, Fuller-Tyszkiewicz M, Brown HE, Richardson B, Fassnacht DB, Lennard GR，等。fitbit会导致女性对身体形象的担忧和饮食失调吗?健康心理2020年10月;39(10):900-904。［CrossRef] [Medline］
    55. 阮nh, Vallance JK, Buman MP, Moore MM, Reeves MM, Rosenberg DE，等。基于可穿戴技术的身体活动干预对乳腺癌幸存者睡眠质量的影响:ACTIVATE试验中华癌症杂志2021年4月1日;15(2):273-280。［CrossRef] [Medline］
    56. Meguro K, Svensson T, Chung U, Svensson AK。在日本上班族的职业队列中，与工作相关的压力和总睡眠时间与胆固醇水平的关系。J职业健康2021年1月;63(1):e12275 [免费全文] [CrossRef] [Medline］
    57. Otoshi T，长野T，泉S, Hazama D, Katsurada N，山本M，等。一种结合三轴加速度计和可拉伸应变传感器的新型自动咳嗽频率监测系统。科学通报2021年5月11日;11(1):9973 [免费全文] [CrossRef] [Medline］
    58. 姜敏，姜松，卢华，郑华，金松，崔杰，等。老年男性中基于可穿戴设备的步态速度测量的准确性和多样性:观察性研究J Med Internet Res 2021 10月11日;23(10):e29884 [免费全文] [CrossRef] [Medline］
    59. 金敏，杨军，安伟，崔海杰。机器学习分析，以确定肥胖移动健康干预的参与和健康结果疗效的数字行为表型:随机对照试验。J Med Internet Res 2021 6月24日;23(6):e27218 [免费全文] [CrossRef] [Medline］
    60. 白瑞，肖林，郭勇，朱旭，李宁，王勇，等。使用被动数字数据的机器学习模型跟踪和监测重度抑郁症患者的情绪稳定性:前瞻性自然主义多中心研究JMIR Mhealth Uhealth 2021 3月08日;9(3):e24365 [免费全文] [CrossRef] [Medline］
    61. 周华，al - ali F，王灿，Hamad A, Ibrahim R, Talal T，等。利用数字健康客观评估血液透析患者的认知障碍:认知障碍对可穿戴设备测量的行动能力的影响。PLoS One 2020年4月20日;15(4):e0225358 [免费全文] [CrossRef] [Medline］
    62. Negreiro M.大流行期间数字卫生技术的兴起。欧洲议会，2021年4月https://www.europarl.europa.eu/RegData/etudes/BRIE/2021/690548/EPRS_BRI (2021) 690548 _en.pdf[2022-02-25]访问
    63. 《2021年全球数字卫生市场和趋势报告》:受2019冠状病毒病影响，在线医疗保健势头强劲。研究与市场，2021年12月21日。URL:https://tinyurl.com/4ptb6mkb[2022-02-25]访问
    64. Samet A. 2022年医疗监测和医疗保健可穿戴设备趋势《内幕情报》，2022年2月03日。URL:https://www.insiderintelligence.com/insights/top-healthcare-wearable-technology-trends[2022-02-25]访问
    65. 欧洲移动医疗市场:到2026年推动行业需求的四大趋势BioSpace。2021年2月16日。URL:https://www.biospace.com/article/europe-mhealth-market-top-4-trends-boosting-the-industry-demand-through-2026-/[2022-02-25]访问
    66. 2027年欧洲数字医疗市场预测。:图形研究;2021年8月https://www.graphicalresearch.com/industry-insights/1163/europe-digital-health-market[2022-02-25]访问
    67. Perez-Pozuelo I, spthis D, Gifford-Moore J, Morley J, Cowls J.数字表型和敏感健康数据:数据治理的意义。J Am Med Inform association 2021年8月13日;28(9):2002-2008 [免费全文] [CrossRef] [Medline］
    68. Kilgallon JL, Tewarie IA, Broekman MLD, Rana A, Smith TR.大流行后世界中道德数字公共卫生监测的被动数据使用。J Med Internet Res 2022 Feb 15;24(2):e30524 [免费全文] [CrossRef] [Medline］
    69. Couronné R, Probst P, Boulesteix a .随机森林与逻辑回归:大规模基准实验。BMC生物信息学2018 july 17;19(1):270 [免费全文] [CrossRef] [Medline］
    70. Sarica A, Cerasa A, Quattrone A.用于阿尔茨海默病神经成像数据分类的随机森林算法:系统综述。前沿衰老神经科学2017 Oct 06;9:329 [免费全文] [CrossRef] [Medline］
    71. Huckvale K, Venkatesh S, Christensen H.面向临床数字表型:考虑目的、质量和安全性的及时机会。NPJ数字医学2019 9月6日;2(1):88 [免费全文] [CrossRef] [Medline］
    72. Rieder A, Eseryel UY, Lehrer C, Jung R.为什么用户遵从可穿戴设备:情境自我效能在行为改变中的作用。Int J hm - comput交互2020年9月30日;37(3):281-294。［CrossRef］
    73. Myneni S, Cobb N, Cohen T.在行为改变支持系统的理论基础上的追求:在健康相关的在线社区中对等通信的分析。J Med Internet Res 2016 Feb 02;18(2):e28 [免费全文] [CrossRef] [Medline］
    74. Fletcher RR, Nakeshimana A, Olubeko O.解决全球卫生中的公平、偏见和人工智能和机器学习的适当使用。Front Artif Intell 2021;3:561802 [免费全文] [CrossRef] [Medline］
    75. Ganju A, Satyan S, Tanna V, Menezes SR. AI改善儿童健康:社区案例研究。Front Artif Intell 2020年1月6日;3:544972 [免费全文] [CrossRef] [Medline］

    ‎
    人工智能:人工智能
    PRISMA-ScR:系统评价和元分析的首选报告项目范围评价的扩展
    个随机对照试验:随机对照试验

    A Mavragani编辑;提交16.05.22;R Rastmanesh, I Mircheva同行评审;对作者16.06.22的评论;修订版本收到01.07.22;接受04.07.22;发表18.07.22

    版权

    ©Schenelle Dayna Dlima, Santosh Shevade, Sonia Rebecca Menezes, Aakash Ganju。最初发表在JMIR生物信息学和生物技术(https://bioinform.www.mybigtv.com)， 18.07.2022。

    这是一篇开放获取的文章，根据创作共用署名许可协议(http://creativecommons.org/licenses/by/4.0/)的条款发布，允许在任何媒介上不受限制地使用、分发和复制，前提是正确引用首次发表在JMIR生物信息学和生物技术上的原创作品。必须包括完整的书目信息，https://bioinform.www.mybigtv.com/上的原始出版物的链接，以及此版权和许可信息。
    Baidu
    map