2型糖尿病患者健康行为的患者生成数据分析:范围综述

简介

背景

糖尿病是一种严重的代谢疾病，患者体内血糖水平升高，可导致严重的并发症，如心血管疾病、肾脏疾病、中风、眼病、足溃疡、神经损伤和截肢。世界卫生组织指出，高血糖水平是导致过早死亡的第三大原因[1］．截至2015年，据估计，全球有4.15亿成年人患有糖尿病，其中340万在加拿大;到2025年，后者预计将增至500万，占加拿大人口的12.1% [2］．2型糖尿病(T2D)的特点是身体抵抗或胰岛素产生不足。研究表明，T2D患者可通过适当的自我管理来降低进一步并发症的风险[3.］．适当管理T2D的治疗方案包括血糖控制、体重管理、充足的营养、有规律的体育活动、减少久坐行为和药物依从性[4］．

技术支持的工具可以促进T2D患者或有患T2D风险的人的行为改变，并通过提供量身定制的反馈来帮助管理他们的病情。通过智能手机、移动应用程序、可穿戴传感器、智能手表和其他设备(包括蓝牙血糖仪(BGMs)、体重秤和商业血压监测仪)提供的移动健康(mHealth)选项，为糖尿病的自我管理提供了低成本和可访问的工具[5］．这些干预措施使糖化血红蛋白减少0.5%至0.8%，平均体重减轻2.4公斤[6，7］．用于管理T2D的移动健康选项的用户报告了更高的满意度、更好的生活质量、自我效能和增加治疗依从性的潜力[7］．网络和移动应用程序以及互联网感知设备的出现，导致了一个庞大的患者生成健康数据储存库(PGHD)的创建[8，9];在医疗保健领域，这些数据的来源包括传感器、社交媒体帖子、博客和智能手机活动[10］．与临床医生生成的数据来源(如电子病历)相比，PGHD可以提供患有T2D或有患T2D风险的人的行为的第一手资料，因为这些数据也是直接从消费者那里生成的。这些来源可能包括来自移动健康应用程序(如智能手机应用程序)、蓝牙医疗设备(如bgm)或社交媒体平台(如Twitter)的数据。

先进分析技术

大量的数据，或者大数据，可以通过分析来提供信息，分析被定义为使用应用分析学科来促进决策，系统地使用数据来获得见解的过程[11］．传统上，分析性见解来源于统计模型。然而，随着大数据的出现，机器学习(ML)和人工智能(AI)作为计算机自动从数据中提取模式的先进分析技术脱颖而出[9，12］．拉古帕希和拉古帕希[10]表示，来自上述数据源的数据量的“爆炸”具有“改善护理、拯救生命和降低成本”的能力[10]，糖尿病管理工具中的PGHD也不例外。特别是，PGHD从糖尿病管理工具中获得的好处是，有机会使用分析来深入了解T2D患者的健康行为，因为这些数据直接来自消费者，具有更高的频率和背景，而不仅仅来自临床医生等不常见观察者的角度。健康行为包括T2D自我管理技术，包括适当的血糖控制、健康饮食、增加体育活动、减少久坐时间和服用处方药。分析可以描述T2D患者当前的健康行为，并根据这些行为预测健康结果并开出治疗建议。本综述的目的是巩固目前的文献，从PGHD对患有T2D或有发展T2D风险的人的健康行为的分析中已经了解到什么。

方法

范围检讨框架

本次评审遵循Arksey和O 'Malley的范围评审框架[13]采用以下步骤:(1)确定研究问题，(2)确定相关研究，(3)选择研究，(4)制作数据图表，(5)总结并报告结果[14］．选择这种范围审查方法是为了确定围绕通过PGHD从患有T2D或有发展T2D风险的人那里收集的健康行为分析的研究范围，并映射从文献中获得的概念[15］．

研究问题

尽管来自emr或管理来源的数据可以提供对临床结果的见解，但它们是从卫生保健提供者或管理人员的角度获得的。直接从消费者那里获得的数据可以提供对其健康行为的描述性分析见解，以及对这些行为的预测性和规范性见解。这导致了以下研究问题的发展:

在目前的文献中，关于PGHD对患有T2D或有发展T2D风险的人的健康行为的分析见解有什么已知的?

搜索策略

搜索于2020年7月通过PubMed、IEEE Xplore和ACM数字图书馆这3个数据库进行，搜索词为糖尿病、行为和分析。中对相关关键字进行了细化文本框1．搜索词仅限于标题而且摘要在PubMed和摘要用于IEEE Xplore和ACM数字图书馆中的研究，因为没有可供搜索的选项标题而且摘要在这两个数据库中。发表年份限定为2010-2020年。2名审稿人(MSN和AB)使用确定的关键字对3个数据库进行检索，并使用纳入和排除标准确定相关研究。对于数据图表制作阶段的综述文章和研究，扫描了参考文献列表，并提取了最初搜索中未找到的其他研究。不完整的研究、无法获得全文的研究和未以英文发表的研究未被包括在内。

研究选择

遵循Arksey和O 'Malley框架[13]，文章分3次迭代评审。在第一次迭代中，使用合格标准扫描和选择摘要入选标准而且排除标准部分)。在第二次迭代中，使用相同的资格标准扫描全文，然后选择文章。在最后的迭代中，数据被提取并绘制成图表，不符合资格标准的研究被排除在外。

为了本综述的目的，PGHD被定义为通过已经可供消费者使用的设备直接从患者生成的数据。这些数据将包括患者通过移动应用程序直接输入的数据;通过智能手表或加速计等可穿戴设备被动收集的数据，以及bgm、连续葡萄糖监测器(cgm)或胰岛素泵的数据;从Reddit或Twitter等社交媒体平台获得的数据;或从患者调查或问卷中获得的数据。虽然其中一些研究将PGHD与其他数据源(如EMRs、行政健康数据或人口普查数据)整合在一起，但所有纳入的研究都必须包含至少一个PGHD来源。

合格性是使用下面列出的纳入和排除标准来确定的。对于要被收录的文章，它必须满足所有的收录标准，而不满足任何排除标准。

入选标准

入选标准为:

1. 由分析方法和驱动的初级干预
2. 目标人群包括患有T2D或有患T2D风险的人(如患有肥胖症的人)
3. 研究目标主要集中在健康行为和
4. 研究必须包括至少一种PGHD来源

排除标准

排除标准为:

1. 在消费者层面上通常无法获得的技术(即原型或研究设备)或
2. 理论模型尚未应用于实际数据或
3. 尚未完成的研究
4. 研究没有发表在英文或
5. 综述文章(扫描综述文章参考文献表，直接提取文章)OR
6. 评论和灰色文献(即信件、评论、社论、博客和新闻文章)

绘制和提取数据

使用Arksey和O 'Malley所概述的描述性分析方法对符合纳入标准的文章进行检查和批判性评估[13］．MSN创建了数据参数来指导提取，这些参数包括发表年份、研究目标、研究数据来源、研究类型、分析方法(即数据上使用的算法)、分析类型(即描述性、预测性或说明性)和主要发现。研究目标直接从文章中提取并引用，其余数据参数通过对文章的考察分析来解释。

总结和报告结果

描述性数据由MSN手动检查，主题被识别并给出数字代码。将这些主题进行分类和组织成主题组，根据主要发现对研究进行总结。这样做使我们能够提出一个叙述来回答我们的研究问题。

结果

概述

从3个数据库和参考文献检索中共鉴定出432篇文章。在这432篇文章中，36篇(8.3%)为重复，随后被删除。其余396篇文章的摘要和全文采用MSN和AB进行筛选，其中83篇(20.9%)被纳入数据提取。最后，经过MSN对数据提取的仔细检查，83篇文章中，43篇(52%)被纳入范围审查。图1总结了过程。

‎ 查看此图

研究特点

本综述共纳入了2012年至2020年发表的43项研究。在研究设计方面，43项研究中，18项(42%)采用横断面研究，12项(28%)采用分析框架或算法，10项(23%)采用比较研究，2项(5%)采用随机对照试验，1项(2%)为队列研究，1项(2%)为纵向研究，1项(2%)为混合方法研究。

在43项研究中，30项(70%)仅检查了PGHD，而13项(30%)将PGHD与其他来源结合。PGHD的来源包括调查和访谈(14/ 43,33%);活动传感器(12/ 43,28%);社交媒体和论坛(9/ 43,21%);移动健康应用(6/ 43,14%);cgm、bgm和胰岛素泵(3/ 43,7%);自我报告数据(3/ 43,7%);开放数据集(2/ 43,5%);web应用(1/ 43,2%)。非消费者产生的其他数据来源包括人口统计数据(5/ 43,12 %)、外部知识或外部数据库(4/ 43,9 %)、电子病历和临床数据(3/ 43,7 %)、实验室数据(2/ 43,5 %)和管理数据(1/ 43,2 %)。

在通过数据源检查的分析类型中，43项研究中，19项(44%)使用描述性分析，24项(56%)使用预测分析，5项(12%)使用规范分析。大多数研究使用AI或ML算法进行数据分析;93%(40/43)的人单独使用基于人工智能的算法或与传统统计方法结合使用，而只有7%(3/43)的人使用传统统计方法。

专题分析结果

本综述的结果表明，通过PGHD对患有T2D或有发展T2D风险的人的分析见解有广泛的主题，并在多媒体附件1［16-58］．共9个主题，分为以下4类:

1. 预测临床相关性和结果
   • 预测糖尿病和肥胖(10/ 43,23%)
   • 预测血糖(6/ 43,14%)
   • 从行为中发现临床相关性(3/ 43,7%)
2. 了解患者行为
   • 导致糖尿病和肥胖的衍生因素(8/ 43,19%)
   • 从社交媒体和网络论坛获得见解(7/ 43,16%)
   • 分析久坐行为(5/ 43,12%)
   • 推导行为模式(4/ 43,9%)
3. 促进治疗
   • 改善依从性和结果(5/ 43,12%)
4. 改进技术
   • 开发设计原则(3/ 43,7%)

预测临床结果

概述

分析能够结合描述性分析和预测性分析来预测患者的结果。预测分析可以在不良事件发生之前预测不良事件，从而有可能防止它们的发生，而描述性分析可以描述当前的模式，反过来，可以预测临床可能性。这篇综述发现，这一类别的流行主题是预测糖尿病和肥胖，预测血糖，并从行为中发现临床相关性。

预测糖尿病和肥胖

本综述中最流行的主题是使用PGHD通过PGHD预测糖尿病或肥胖的可能性[16-25]来自健康行为。考虑到80%-90%的T2D患者超重或肥胖[59，60]，肥胖风险被认为是发展T2D的前兆条件。

在这10项研究中，9项(90%)使用调查或问卷数据来做出这些预测;在这9项研究中，7项(78%)是比较研究，比较了不同ML算法预测肥胖和糖尿病的准确性。孟等[16]和阿卜杜拉等[19研究发现，在调查和问卷数据上执行决策树算法在预测儿童肥胖和糖尿病方面最成功，准确率分别为82.63%和77.87%。蔡等[17]和Han等人[18]发现支持向量机(SVM)模型对韩国和中国进行的国民健康和营养调查数据的预测在糖尿病风险方面最为准确，受试者工作特征曲线值下的面积分别为0.731和89.6%。然而，Han等人提出的模型[18]将支持向量机与随机森林(RF)集成在一起，因为他们使用集成方法比单独使用支持向量机更成功[18］．其他研究表明，通过调查数据、EMR数据和可穿戴设备的活动数据，逻辑回归分析、朴素贝叶斯、梯度增强、AdaBoost RF和循环神经网络对肥胖或糖尿病的预测是准确的，准确率在72%至99%之间[20.，22-25］．

预测血糖

根据这些研究，血糖水平可以通过食物摄入、运动、药物、胰岛素、睡眠等信息进行预测，血糖读数也可以通过网络应用程序、移动应用程序、智能手机活动传感器或bgm输入。26-29］．这些研究显示了有希望的结果，Hidalgo等[26]预测低血糖的准确率为79%-100%，预测高血糖的准确率为74%-97%，Gu等[27]预测血糖水平的准确率为84.14%，Faruqui等[29使用克拉克误差网格准确预测第二天的血糖水平，其范围为实际值的- 10%至10%。休什克尔和考什克[30.]使用来自cgm和胰岛素泵以及智能手机运动和心率传感器的数据来预测血糖，并发现他们的算法比商用胰岛素泵表现略好(模型在15分钟间隔内的平均绝对误差为8.74，而胰岛素泵的平均绝对误差为10.10)[30.］．然而，这个模型仍然无法发现危机情况。马查多(28然而，他们开发了一个框架，使用基于规则的逻辑从移动应用程序数据中检测血糖危机情况。最后，Namayanja和Janeja [31]研究了加州大学欧文分校糖尿病数据集，以得出与胰岛素剂量和血糖水平相关的行为模式群，以确定哪些特定时间段T2D患者有更迫切的需求。

从行为中发现临床相关性

检查PGHD提供了从T2D患者的健康行为中检查临床相关性的机会。Chen等人的研究[32的研究发现，强大的社交关系会增加身体活动，Fitbit数据显示，参与者在建立强大的社交关系后，平均每天走的步数从6332步增加到6631步。本研究通过对糖尿病患者PGHD的分析，证明了强大的社会联系与体育活动水平之间存在正相关关系。Weatherall等人利用Fitbit数据进行的另一项研究[33]，他们使用Fitbit数据结合患者报告的结果来研究患者结果与身体活动和睡眠的相关性。他们发现，Fitbit数据显示，更好的患者预后与增加的身体活动和睡眠呈正相关。最后，Sarda等人[34]通过检查智能手机活动，研究了T2D患者的抑郁特征。他们在一个糖尿病患者样本中发现，智能手机使用频率降低和社交接触减少与抑郁症症状增加有关。所有这些研究都表明，通过分析设备使用的被动活动，PGHD提供了一个独特的机会来揭示健康行为和临床结果之间的相关性;陈等[32]和Weatherall等[33]使用通过Fitbit收集的被动数据来发现他们的发现，而Sarda等人[34]使用通过智能手机被动活动收集的数据。

了解患者行为

概述

通过主动和被动收集大量数据的能力，分析为临床医生提供了对患者健康行为的更详细的描述。然后，临床医生可以了解患者的行为模式和影响其临床结果的因素。

引发糖尿病和肥胖的因素

这项综述发现，通过PGHD，有可能得出导致肥胖或糖尿病的因素[21，23，25，35-39］．身高、体重、BMI和体重减轻是与糖尿病和肥胖发病率相关的人体测量方法[21，23，25，37，39]，年龄是一个人口统计学变量，也是糖尿病和肥胖的预测因素[23，37］．饮食和睡眠是导致糖尿病和肥胖的生活方式行为[23，35，37，38]，与谢等人[38这表明每天睡眠9小时或更长时间会增加患糖尿病的风险。这些研究的数据来源不仅包括问卷调查，还包括更被动的来源，包括cgm和传感器以及社交媒体讨论。

从社交媒体和网络论坛获得见解

社交媒体和网络论坛为T2D患者提供了平台，让他们在同龄人之间讨论自己的病情和相关信息[40］．通过网络讨论出现的主题包括饮食、食物、症状、研究、食谱和新闻[35，37，40，41］．本主题下的所有研究均使用社交媒体数据作为数据来源。阿巴斯等人[35]和格里菲斯[41他们发现，在推特上发布的关于不健康食品的推文与肥胖和糖尿病发病率较高的地理区域有关。对社交媒体帖子的情绪分析表明，糖尿病患者的积极情绪和血糖水平呈负相关[42以及消极情绪与体重减轻程度的相关性[39］．最后，社交媒体关系已被证明会影响导致肥胖的行为;怀尔德等[43]创建了一种算法，让参与者在周围人的影响下更新他们的行为，避免了230例肥胖。

久坐行为分析

活动传感器提供了PGHD的来源，可以通过分析来确定久坐行为(用户清醒时静止不动的时间)。减少久坐行为被认为是治疗T2D的积极健康行为。李等[44发现旋转森林算法在通过传感器预测久坐行为方面最为成功，准确率为73%。他和阿古[45他们发现，人们未来的久坐行为可以通过之前6小时窗口中的历史久坐行为来预测，这种模式每天和每周都在重复。随后，在后来的一项研究中，他们发现久坐行为的节奏往往是周期性的，而不是线性的[46］．肖等[47他开发了一个框架，使用人口特征隐马尔可夫模型，利用合成数据和传感器数据预测潜在状态的轨迹。对久坐行为的早期预测可能会提醒用户四处走动，减少静止时间。

检测久坐行为的活动传感器也可以从静止模式中发现临床相关性。张等[48研究发现，女性参与者中，久坐与较高的空腹胰岛素和甘油三酯浓度、胰岛素抵抗、BMI和腰围的增加有着有害的联系，平均久坐时间与空腹血糖浓度之间的相关性在西班牙裔女性中明显强于非西班牙裔女性。

所有这些研究都使用了来自某种形式的活动传感器的数据，并证明了PGHD通过活动传感器提供的独特视角:能够监测用户的日常身体运动，并提供对久坐行为的精确测量，并在必要时减少久坐行为，作为治疗T2D的手段。

派生行为模式

大量的PGHD可以帮助检测T2D患者健康行为模式的不同组合，这可能不一定能通过其他数据源捕获。探索行为模式可以潜在地揭示不同健康行为之间的相关性，并可以更好地建议用户做出必要的改变。在Machado等人的研究中[28)，一款手机应用程序被开发出来，用户可以记录他们的饮食、锻炼和血糖水平，一个基于规则的系统会在危机情况下向用户提供建议。Namayanja和Janeja [31]通过k-means聚类捕捉到与血糖水平和胰岛素剂量相关的颗粒行为模式，比统计分析更准确。Tirunagari等[49进一步利用自组织地图捕捉行为模式，发现那些服用正确剂量胰岛素的人在正确的时间服用胰岛素，那些按时进食的人吃正确的分量，那些定期检查血糖水平的人携带零食或服用正确剂量的胰岛素。最后，Seixas等人[50]调查了行为模式，以调查不同种族的糖尿病患病率。他们发现，低压力、充足睡眠和平均体重的体育活动可以降低黑人患糖尿病的风险。这些研究使用了某种形式的调查和问卷数据来得出这些模式。来自PGHD的分析有能力识别健康行为的模式，并根据这些模式推断相关性。

促进治疗干预

概述

管理T2D的技术工具有能力帮助人们管理他们的治疗，通过提高对行为改变的依从性，提醒用户预测的不良事件，并为行为改变开出建议。

提高依从性和结果

PGHD的分析可用于提高T2D患者对治疗的依从性以及总体结果[28，51-54］．向使用者提供建议和个性化信息的说明性干预已被证明可提高对治疗干预的依从性[51，54］．在Feller et al [54]，视觉分析和层次聚类确定，被分配使用基于网页和移动的糖尿病应用程序的用户比使用静态日志的用户多使用50%。在43项研究中，2项(5%)是旨在改善用户结果的框架:Nag等[52]利用营养和餐厅数据库设计了个性化的膳食建议，研究结果得到了营养师的验证，Machado等人[28]分析了有关营养管理、锻炼和血糖控制的行为模式，并使用基于规则的逻辑向用户提供潜在危机情况的建议。所有研究都通过应用程序通过营养日志、血糖读数和活动传感器进行自我报告数据。

改进技术

概述

随着技术的使用和测试，新技术有机会通过分析来自用户的反馈和结果来改进前几代技术。在下一节中，我们将讨论使用PGHD为新技术创建框架的研究。

开发设计原则

使用PGHD框架的开发和对用户反馈的仔细检查，使人们深入了解了创建技术干预以帮助T2D患者管理病情的一般设计原则。拉玛希等人[55调查了iTunes商店中糖尿病管理移动应用程序的用户评论，并确定最重要的设计原则是“努力预期”、“自我监测”、“信息展示”、“与医生沟通”和“与信息系统集成”。其他重要的设计原则包括“与医疗设备的集成”、“定制化”和“技术支持”[55］．方等[56]为糖尿病治疗的临床决策支持系统创建了一个框架，并发现系统需要(1)能够处理实时流，(2)具有较短的时间延迟，(3)具有准确和一致的性能。最后，Albers等人[57]创建了一个系统，生成个性化的血糖水平预测，具有以下属性:(1)根据指标实时估计数据;(2)符合认证糖尿病教育者意见的预测;(3)将模型个性化到个人;(4)与选型机械集成，选择最佳机型;(5)在给出真实数据的情况下，表现良好;(6)产生准确的输出，(7)实时平均产生准确的预测。

讨论

主要研究结果

这篇综述的目标是了解我们可以从PGHD的分析中了解到关于患有T2D或有发展T2D风险的人的健康行为。通过文献检查，确定了广泛的主题，涉及对消费者产生的来源进行的独立或与其他来源结合的分析。大多数研究使用ML算法来进行分析，这说明了这些数据集的复杂性。这些算法包括k-均值聚类、神经网络、决策树、支持向量机和射频。PGHD非常适合于行为洞察力，因为数据可以更频繁地收集，它们比在临床访问和静态实验室结果中获得的粗略观察提供了更大的背景。

这篇综述中最普遍的主题是，分析PGHD有可能发现未诊断的糖尿病或肥胖，或预测发展为糖尿病或肥胖的风险[16-25］．在早期阶段或发病前检测T2D可使患者了解其风险，并使他们能够做出必要的行为改变，以减轻疾病进展或进一步并发症的风险。此外，为评估风险和管理T2D而建立的模型可应用于其他慢性疾病[56］．然而，从我们的回顾来看，预测风险需要来自问卷或调查的结构化数据。

除了预测疾病的可能性，糖尿病患者的PGHD也可以预测血糖事件[21，26-28，30.，31］．然而，这种类型的预测需要商业bgm或cgm，其中数据可以手动或自动输入应用程序。鼓励T2D患者经常自我监测血糖水平，以获得对已经做出的健康行为改变的反馈，以便在必要时调整治疗方法[61］．能够预测血糖事件增加了与血糖控制相关的治疗方案的进一步反馈，允许患者和提供者相应地调整护理计划。

通过这项综述发现的另一个重要主题是通过PGHD识别糖尿病和肥胖的特征因素，来源包括问卷调查、社交媒体活动和活动传感器的组合[21，23，25，35-39］．研究特别发现饮食和睡眠质量是导致糖尿病和肥胖症的健康行为[23，26，37，38］．此外，通过PGHD对大型数据集进行分析，能够检测出糖尿病患者特征的不同健康行为模式或群集;来源包括调查和应用程序[28，31，50］．最后，关于健康行为的PGHD可以为糖尿病相关的新临床发现提供见解[32-34］．从我们的回顾中，这些见解是通过分析从设备中收集的被动活动而获得的。对PGHD的分析可以为疾病和患者的行为提供新的见解，通过检查行为集群和患者结果的交叉性，进一步的研究可能会受益。

活动传感器作为另一个数据源，被动地收集有关身体活动和久坐行为的数据。尽管运动是管理T2D的重要治疗方法，但清醒时的久坐行为与过早死亡、BMI升高、糖化血红蛋白水平升高、肥胖升高和高血糖有关[57］．即使定期进行中度至剧烈的体育活动，不良的健康结果也与长时间的久坐有关，这应被视为与体育活动分开的行为，患有T2D的人应遵循一些锻炼方案，同时减少久坐行为的时间[62］．通过这项综述，我们发现来自活动传感器的PGHD可以检测久坐行为模式，并发现久坐行为增加导致胰岛素抵抗增加和甘油三酯浓度升高[28，44-48］．有必要进一步研究体育活动与久坐行为与T2D患者血糖结果之间的相关性。

社交媒体为研究T2D患者如何控制病情提供了另一个数据来源[35，37，39-41］．社交媒体网站不仅为T2D患者提供了一个讨论其疾病和分享信息的平台，而且还为该疾病的地理相关性提供了流行病学见解[35，41]以及对肥胖或糖尿病患者情绪状况的微观洞察[39，42］．通过社交媒体分析来研究疾病进展的纵向图景可能需要进一步的研究。

由Kitsiou等人发现[6]及王等[7]，移动健康干预显示出改善T2D患者预后和提高治疗依从性的希望。我们的综述通过PGHD的分析来衡量依从性和结果，扩展了这些发现[28，51-54］．尽管个性化信息的规范性干预已被证明可以提高依从性[51，53]，数字跟踪工具也显示出与通过日志记录的标准治疗相比，更能坚持治疗[54］．这些发现表明，PGHD可以提供对治疗依从性的粒度见解，并评估哪些治疗干预可能会增加依从性。进一步的研究可能是必要的，以检查某些干预措施如何与依从性相关。

糖尿病管理和健身技术，以及社交媒体的使用，显然构成了行为洞察的丰富数据集。它们的频繁使用，以及在某些情况下持续获取详细的、相关的和上下文相关的数据，为开发预测、预后和自我管理洞察力应用程序提供了前所未有的能力。这让我们看到了将PGHD用于其他慢性疾病的潜力，这些疾病可以经常获得类似的定量数据，例如心脏疾病。其他疾病，如呼吸系统疾病、精神健康和慢性疼痛，在这方面更难以捉摸，因为它们的定性模式特征的条件。未来的创新应着眼于在糖尿病管理方面取得的进展，考虑到这些情况。

限制

这项详细的审查仅由一名审稿人进行，第二名审稿人负责研究的选择，其余作者对论文的最终草案提供修订建议和评论。由于所有这些研究都包含PGHD，数据的准确性仅限于患者报告的数据或通过外部设备被动收集的数据。此外，由于一些研究将PGHD来源与其他来源结合起来，一些研究结果不能完全代表PGHD。此外，这些研究可能并不一定考虑现实生活中的使用模式，因为它们可能是在受控环境中进行的。此外，本研究的范围无法确定这些方法在实际实施时的有效性。最后，作者根据他们对该学科的最佳知识制定了纳入和排除标准，如果2名审稿人(MSN和AB)认为文章符合这些标准，则选择文章。质量是根据作者目前对该主题的知识进行评估的，如果他们认为文章包含的信息与他们目前的知识相矛盾，他们就会排除文章。

结论

支持个人管理糖尿病的技术支持工具的出现导致了PGHD存储库的创建，使用ML算法来收集关于T2D患者健康行为的分析见解，否则无法通过其他数据源收集这些数据。这篇综述指出，PGHD的分析有潜力预测疾病和结果，确定导致疾病的因素，调查行为模式，发现新的临床发现，并提高对治疗的依从性。进一步的研究可能受益于检查这些概念的交叉性，以创建管理T2D的有凝聚力的治疗方案。