原始论文
摘要
背景:卫生保健专业人员正在利用Twitter进行交流,开发疾病监测系统,并挖掘与健康相关的信息。这些健康信息的直接用户是普通大众,包括患者。这就需要卫生保健专业人员对与健康相关的推文进行验证,以确保这些推文是基于证据的,并避免使用不可信的信息作为关键决策的基础。
摘要目的:本研究的目的是评估Twitter上与健康相关的推文的有效性(基于证据),并在社区中提高对基于证据的与健康相关推文的重要性的认识。
方法:2015年4月1日至5日发布的所有阿拉伯文健康相关信息的推文都是从推特上挖掘出来的。这些推文根据受欢迎程度、活动、互动和频率进行分类,得到25个推文账户(8个医生账户、10个非官方健康机构账户、4个营养师账户和3个政府机构账户)和625条推文。这些推文由3名美国委员会认证的医疗顾问进行评估,并生成评分(真/假),并计算观察者之间的一致性。
结果:从8个医生账户、10个非官方健康机构账户、4个营养师账户和3个政府机构账户中,共识别出625条与健康相关的阿拉伯语推文。评论者将320条(51.2%)推文标记为假推文,305条(48.8%)标记为真推文。对不同账户类型的推文进行比较分析发现,政府机构的75条推文中有60条(80%)是真实的,医生的201条推文中有124条(61.7%)是真实的,营养师的101条推文中有42条(41.6%)是真实的。观察者间一致性适中(范围0.78-0.22)。来自非官方健康机构和营养师账号(59/101,58.4%)的与健康相关的推文(169/248,68.1%)超过一半是假的。与其他组相比,医生的推文更有可能被评为“真实”(P<措施)。
结论:根据专家审查,Twitter上专业账户发布的医疗推文中约有一半是假的。此外,大多数以证据为基础的健康相关推文都是由政府机构和医生发布的。
doi: 10.2196 / jmir.4898
关键字
简介
Twitter是一个成立于2006年7月的免费社交网站,用户可以在上面写和读140字以内的在线帖子(被称为“tweet”)。推特可以通过Web、即时在线消息或移动电话发布。Twitter拥有5亿多活跃用户,每天产生3.4亿条推文和16亿次搜索查询。
中东国家的一些医疗保健专业人员使用社交媒体,特别是Twitter,因为它能够与同事、患者和其他医疗专业人员无缝连接。它也是教育公众、跟踪疾病暴发、收集实时健康数据、招募研究参与者、识别抗生素滥用以及获得更多与健康相关主题知识的重要资源。
几项研究调查了推特上与健康相关的推文内容。一项研究调查了来自几内亚、利比里亚和尼日利亚的所有带有“埃博拉”和“预防”或“治疗”字样的帖子,结果显示,最常见的错误信息是,埃博拉可以通过植物ewedu或输血治愈。
].2010年的一项研究调查了52,153条与错误信息有关的“流感+抗生素”和“感冒+抗生素”组合推文的更新状态。结果显示,对于两种组合,错误信息的追随者总数分别为172,571和850,375 [ ].推特主要用于传播来自可靠来源的信息,但也是意见和经验的来源[
].在挪威进行的一项关于衣原体和艾滋病推文的内容和严重性的研究表明,10条关于艾滋病的推文中有9条是严肃的,许多被转发的推文是事实[ ].一项研究评估了557个账户发布的621条推文(医生:16%;健康学院:5%;病人:6%;技术专家:1%;其他用户:71%)表示,大多数推文没有经过同行评审,由非医生发布,内容不利[ ].2014年,约翰霍普金斯大学进行了一项研究,分析了Twitter上665条推文的内容,结果显示,346条推文与健康有关,53.2%是可验证的声明,41.0%是新闻,26.9%是商业产品或服务,17.6%是个人体验,17.1%是关于健康的[
].这些研究表明,Twitter上与健康相关的推文的有效性需要进行评估,特别是检查内容是否代表有证据支持的主张、个人观点或其他信息。因此,本研究报告了阿拉伯文推特上与健康相关推文的内容分析结果。
方法
选择Twitter调查与健康相关的推文,因为它是海湾国家最常见的社交媒体。这项研究只包括阿拉伯语的推文。
采用手工方法对与组织或个人用户相关的与健康相关的账户发布的与健康相关的推文进行识别和分类。这些任务对于本研究的识别、数据收集和分类过程至关重要。
相关推特账户的识别
相关账户是通过4个步骤确定的。第一步是使用以下阿拉伯语搜索词搜索Twitter网站:健康、你的健康、敏捷、养生、健康饮食、药物、疾病、疾病、药物、治疗、违禁药物、流行病、炎症、感染、医疗信息、医生、医院、日常医疗信息、营养、医疗账户、健康账户、医生账户和营养账户(见
阿拉伯语搜索词)。这次搜索的结果是203条推文被评论;那些身份无法确定的帐户被排除在外。第二步是根据以下条件选择帐户:
- 追随者数量(最低数量设置为25万);
- 活动(2015年4月期间推特);
- 与其他用户的交互;而且
- 推文的频率(每天与健康相关的推文)。
由此产生了86个Twitter账户:31个医生账户、39个非官方健康机构账户、6个营养师账户、2个媒体账户和8个政府机构账户。
第三步是按照下列3项标准进一步审查86个帐户:
- 受欢迎程度(浏览最多);
- 与其他用户的交互;而且
- 追随者数量(最小数量设置为45000)。
研究人员对至少4.5万名粉丝的账户进行了为期一周的审查,以选出那些每天发布至少5条与健康相关的推文,每周转发至少100次的账户。由此产生了25个Twitter账户:8个医生账户、10个非官方健康机构账户、4个营养师账户和3个政府机构账户。
医生Twitter账户
Twitter账户的描述提供了相应诊所/医院网站的Web链接。总共有8个医生的推特账号。
非官方健康研究所推特账号
这些推特账户的描述提供了一个非官方健康机构的网络链接。这些账号的关注人数在7万到30万之间。这样的账户一共有10个。
营养师Twitter账户
Twitter账户被识别为那些描述提供了到其诊所/医院网站的Web链接的账户。这些账号有4.5万到21万名粉丝。这样的账户一共有4个。
政府学院推特帐户
Twitter账户的描述提供了相应政府网站的链接(即以gov.sa结尾)。这些账号拥有4.3万至84.3万名粉丝。这样的账户一共有3个。
最后一步是在5天内(2015年4月1日至5日)从这25个账户中选择前5条与健康相关的推文。这导致了总共625条tweet,它们被集成到一个Microsoft Word文件中。
检查个别推文
Word文件由3名独立评审员(美国委员会认证的咨询师,在医疗实践中有超过10年的经验,如果需要,可与不同领域的其他专业咨询师合作)评估,他们在内容分析过程中对Twitter用户的身份一无所知。审稿人对这些推文进行了评估并将其标记为虚假、证据不足(如专家意见)、证据不足(如小型随机对照试验(RCT)、非随机观察性研究、注册表)或证据充足(如许多大型RCT)。
随后是对推文的评分,该系统使用大多数评论者的意见为每条推文生成评分。例如,如果3个专家中有2个认为证据适度,那么适度的证据就会被选为推特的评分。
如果评审者的意见没有占多数,则选择较低的证据水平作为评分。例如,如果3名评论者分别选择了弱证据、中等证据和假证据,因为大多数人把它列为真,那么弱证据就被选为推文的分数。
描述性统计被用来将每个审稿人的帐户类型和反应制成表格。使用推特账户类型和卡方检验进行比较分析,以确定结果的统计显著性。3个独立审稿人的观察者间协议基于以下公式:(真/[真+假])。
结果
本研究的数据收集过程在
.总体而言,对25个用户帐户贡献的625条阿拉伯语健康相关推文进行了分析 .账户 | n (%) |
医生 | 201 (32.2) |
政府研究所 | 75 (12.0) |
非正式的卫生研究所 | 248 (39.7) |
营养师 | 101 (16.2) |
由3名独立评审员对每条与健康相关的推文进行评估,并将其归类为4个类别中的1个(虚假、弱、中等或强)。在真实类别中没有大多数人支持的情况下,微弱的证据被选为推文的评分(
).评论者的决定 | 假,n (%) | 真的,n (%) | Interobserver协议 | ||
弱 | 温和的 | 强大的 | |||
专家1 | 268 (42.9) | 332 (53.1) | 20 (3.2) | 5 (0.8) | 0.57 |
专家2 | 140 (22.4) | 226 (36.2) | 173 (27.7) | 86 (13.8) | 0.78 |
专家3 | 488 (78.1) | 62 (9.9) | 72 (11.5) | 3 (0.5) | 0.22 |
最后的决定 | 320 (51.2) | 261 (41.8) | 39 (6.2) | 5 (0.8) |
该样本中超过一半的推文(320/625,51.2%)没有医学证据支持(
).3个独立审稿人之间的观察者之间的一致性从0.78到0.22 ( ).对不同账户类型的推文进行比较分析发现,政府机构的75条推文中有60条(80%)是真实的,医生的201条推文中有124条(61.7%),营养师的101条推文中有42条(41.6%)是真实的。
来自非官方卫生机构(169/248,68.1%)和营养师账号(59/101,58.4%)的与健康相关的推文有一半以上是假的。与其他组相比,医生的推文更有可能被评为“真实”(P<措施)(
).类型的账户 | 最终意见,n (%)一个 | |
假n = 320 | 真正的n = 305 | |
政府研究所 | 15 (20.0) | 60 (80.0) |
医生 | 77 (38.3) | 124 (61.7) |
非正式的卫生研究所 | 169 (68.1) | 79 (31.9) |
营养师 | 59 (58.4) | 42 (41.6) |
一个4×2表,P<措施。
讨论
一项对625条与健康相关的阿拉伯语推文的比较分析显示,政府机构发布的75条推文中有60条(80%)是基于证据的,医生发布的201条推文中有124条(61.7%)是基于证据的,营养师发布的101条推文中有42条(41.6%)是基于证据的。来自非官方健康机构的超过一半的与健康相关的推文(169/248,68.1%)是假的,与其他组相比,医生的推文更有可能被评为真实的(P<措施)。
Twitter是一个健康相关信息的在线雷区,对患者的健康有很大影响。它允许无缝的医患关系,并访问无限的在线讨论和健康相关主题的信息。
随着社交媒体的出现,来自互联网的健康建议和建议可以影响患者,而不是他们的医生。病人越来越了解治疗方案、卫生知识和疾病知识。网上的健康相关信息对因衰弱疾病而不能行动和不能回家的病人尤其有益[
].然而,网络也可以用来传播不科学的健康信息;因此,无法区分有效推文和无效推文的患者可能会被误导。因此,医护专业人士须对网上公布的与健康有关的资讯保持警觉和负责。[ ].此外,需要建立一个包括政府机构、医生、其他卫生保健专业人员和研究人员在内的小组,以确保在线卫生保健资源是最新的、可信的和可靠的,供患者使用。这些信息应该以用户友好、可理解和易于访问的格式提供。使用有效的基于证据的Web资源可以确保对患者友好的格式[
, ].这是第一项对阿拉伯文发布的健康相关推文进行审查的研究,与其他英语健康相关评论的审查相当[
].本研究结果表明,与健康相关的用户在Twitter上的推文内容随用户类型的不同而不同(即政府机构共享大部分循证医学推文)。此外,在这项研究中,三分之一的医生分享的健康信息被评为错误的,与之前的研究相反,医生分享的是可验证的声明。这项研究还表明,评论者对推文的真假分类达成了中等程度的一致(0.78-0.22)。这可以归因于专家2,他的“真实”投票高于其他两个专家。这突出表明,专家之间有必要就与健康相关的推文进行进一步讨论。
限制
样本量的选择受到Twitter上阿拉伯文的健康相关推文的限制;因此,选择所有健康用户及其推文的随机样本是不可实现的,这降低了研究结果的可泛化性。
这项研究包括按用户账户对与健康相关的推文进行分类,然后进行分析。然而,被指定为"非官方卫生机构"的用户类别包括背景无法核实的帐户,可能不是与卫生有关的用户。因此,结果可能低估了组间的潜在差异,强调了深入分析的必要性。
此外,既没有独立核实用户帐户,也没有与其他数据库进行核对。此外,观察者之间的低一致性归因于每个审稿人对基于证据的感知,而不是基于证据,这限制了结果的有效性。
这项研究向卫生保健专业人员、患者和访问阿拉伯语医疗推特的公众提供了两个明确而简单的信息。首先,从推特上获得的医疗信息需要有证据的确认,才能应用到现实生活中。其次,与其他用户相比,政府机构和医生的微博具有更高的科学价值。
未来的建议
本研究的结果为今后的分析奠定了基础。我们的研究建议,基于应该包含在推特中的最小证据水平,就医生应该发送的推特类型达成共识。此外,卫生保健专业人员需要致力于制定在现代卫生保健中使用社交媒体的指导方针和政策。
结论
根据专家审查,Twitter上专业账户发布的医疗推文中约有一半是假的。此外,大多数以证据为基础的健康相关推文都是由政府机构和医生发布的。
的利益冲突
没有宣布。
参考文献
- 埃博拉、推特和错误信息:一个危险的组合?BMJ 2014; 349: g6178。[Medline]
- 斯坎菲尔德D,斯坎菲尔德V,拉尔森EL。通过社交网络传播健康信息:推特和抗生素。Am J感染控制2010年4月38(3):182-188 [免费的全文] [CrossRef] [Medline]
- 推特时代的流行病:2009年H1N1爆发期间推特的内容分析。PLoS One 2010年11月;5(11):e14118 [免费的全文] [CrossRef] [Medline]
- Gabarron E, Serrano JA, Wynn R, Lau AY。与性传播疾病相关的推特内容:不是开玩笑的事。J Med Internet Res 2014;16(10):e228 [免费的全文] [CrossRef] [Medline]
- 普拉布V,罗森克兰茨A. AuntMinnie.com。2015.推特强调患者对CT辐射风险的担忧http://www.auntminnie.com/index.aspx?sec=ser&sub=def&pag=dis&ItemID=109803
- 李jl, DeCamp M, Dredze M, Chisolm MS, Berger ZD。与健康相关的用户在发什么推特?推特上健康相关用户及其信息的定性内容分析。J Med Internet Res 2014;16(10):e237 [免费的全文] [CrossRef] [Medline]
- van Uden-Kraan CF, Drossaert CH, Taal E, Shaw BR, Seydel ER, van de Laar MA。增强参与乳腺癌、关节炎或纤维肌痛患者在线支持小组的过程和结果。《合格卫生公报》2008年3月18日(3):405-417。[CrossRef] [Medline]
- Tonsaker T, Bartlett G, Trpkov C.互联网上的健康信息:金矿还是雷区?Can Fam内科医生2014年5月;60(5):407-408 [免费的全文] [Medline]
- 电子健康和消费者健康信息学在21世纪循证患者选择中的作用。北京医学2001;19(1):17岁。[Medline]
- 推特可以预测引文吗?基于Twitter的社会影响度量,以及与传统科学影响度量的相关性。J medical Internet Res 2011;13(4):e123 [免费的全文] [CrossRef] [Medline]
缩写
个随机对照试验:随机对照试验 |
G·埃森巴赫编辑;提交03.07.15;M Larsen, M Decamp, B Liang, S Mooijaart同行评议;对作者03.08.15的评论;修订版收到06.09.15;接受07.10.15;发表29.10.15
版权©Khalid A Alnemer, Waleed M Alhuzaim, Ahmed A Alnemer, Bader B Alharbi, Abdulrahman S Bawazir, Omar R Barayyan, Faisal K Balaraj。最初发表于《医学互联网研究杂志》(//www.mybigtv.com), 2015年10月29日。
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/2.0/)发布,该协议允许在任何媒体上不受限制地使用、分发和复制,前提是要正确引用最初发表在《医学互联网研究杂志》上的原始作品。必须包括完整的书目信息,//www.mybigtv.com/上的原始出版物链接,以及版权和许可信息。