本文内容如下e-collection /主题问题:

JMIR主题:COVID-19特刊(1855年) 数字健康评论(675) 电子卫生系统的采用和变更管理(422) 主题议题:医学信息学与COVID-19 (95) 疫情和大流行的防范和管理(1333) 主题议题:新型冠状病毒(COVID-19)疫情快速报告(1254)

发表在在第22卷第11期(2020):11月

本文的预印本(早期版本)可在以下网站获得https://preprints.www.mybigtv.com/preprint/22280,第一次出版．
COVID-19大流行期间医疗保健中数字技术的采用:早期科学文献的系统综述

COVID-19大流行期间医疗保健中数字技术的采用:早期科学文献的系统综述

COVID-19大流行期间医疗保健中数字技术的采用:早期科学文献的系统综述

本文作者:

大卫。Golinelli1 作者Orcid形象； Erik Boetto1 作者Orcid形象； Gherardo Carullo2 作者Orcid形象； 安德里亚·乔凡尼Nuzzolese3. 作者Orcid形象； 玛丽亚Paola Landini4 作者Orcid形象； 玛丽亚Pia Fantini1 作者Orcid形象
文章 作者 引用(29) Tweetations (37) 指标

    审查

    1意大利博洛尼亚大学生物医学和神经运动科学系

    2米兰大学意大利和超国家公法系，意大利米兰

    3.STLab, ISTC-CNR，罗马，意大利

    4意大利博洛尼亚IRCCS Istituto Ortopedico Rizzoli

    *这些作者贡献相同

    通讯作者:

    Erik Boetto博士

    生物医学与神经运动科学系

    博洛尼亚大学

    via San Giacomo

    博洛尼亚,40126

    意大利

    电话:39 0512094830

    电子邮件:erik.boetto@gmail.com


    背景:COVID-19大流行有利于许多行业和整个社会的数字化转型。卫生保健组织通过迅速采用数字解决方案和先进技术工具，应对了大流行的第一阶段。

    摘要目的:本次综述的目的是描述早期科学文献中报道的减轻COVID-19对个人和卫生系统影响的数字解决方案。

    方法:我们对早期与covid -19相关的文献(从2020年1月1日至4月30日)进行了系统回顾，通过搜索MEDLINE和medRxiv，找到有关使用数字技术应对大流行的相关文献。我们提取了研究特征，如论文标题、期刊和发表日期，并根据技术类型和患者需求对检索到的论文进行了分类。我们通过对患者需求和技术类型的交叉分类建立了一个评分标准。我们还提取了信息，并根据医疗保健系统目标、创新等级和对其他地理区域的可扩展性对选定文章报道的每种技术进行了分类。

    结果:搜索确定了269篇文章，其中124篇全文文章经过筛选后纳入了审查。所选的大多数文章讨论了在诊断、监测和预防方面使用数字技术。我们报告说，这些数字解决方案和创新技术大多是为COVID-19诊断提出的。特别是，在审查的文章中，我们发现了许多关于使用人工智能(AI)驱动工具诊断和筛查COVID-19的建议。数字技术在预防和监控措施方面也很有用，例如接触追踪应用程序和监控互联网搜索和社交媒体使用情况。很少有科学贡献涉及使用数字技术促进生活方式赋权或患者参与。

    结论:在诊断领域，与传统方法相结合的数字解决方案，如基于图像和临床数据的人工智能诊断算法，似乎很有前途。在监控方面，数字应用程序已经证明了它们的有效性;然而，与隐私和可用性相关的问题仍然存在。对于其他患者的需求，已经提出了几种解决方案，例如远程医疗或远程保健工具。这些工具已经存在很长时间了，但这个历史时刻实际上可能更倾向于它们的最终大规模采用。利用危机提供的动力是值得的;同样重要的是，要跟踪目前提出的数字解决方案，以便在未来实施最佳实践和护理模式，并至少采用科学文献中提出的一些解决方案，特别是在近年来已被证明对数字转型特别抵触的国家卫生系统中。

    J medical Internet Res 2020;22(11):e22280

    doi: 10.2196/22280

    关键字

    新型冠状病毒肺炎； SARS-CoV-2； 流感大流行； 数字健康； 审查； 文学； 减轻； 影响； 电子健康


    背景

    与人类历史上所有全球性危机一样，2019冠状病毒病大流行正在许多国家造成前所未有的卫生和经济混乱。然而，与此同时，在许多行业和整个社会，这种新形势有利于向数字解决方案过渡。这种转变的一个例子是教育[1];整个教育行业，从小学到大学，都制定了远程教学的新策略，从课堂授课转向现场会议或网络课程。2］．同样，卫生保健组织通过迅速采用数字解决方案和先进技术工具应对COVID-19大流行。在大流行期间，数字技术可以减轻甚至解决许多挑战，从而改善卫生保健服务。数字工具已被应用于解决大流行直接或间接造成的紧急需求(例如，患者追踪应用程序、远程分诊紧急服务)。但是，在紧急情况期间制定和实施的许多解决办法将来可以加以巩固，有助于确定和采用新的数字护理模式。

    新的数字解决方案正在迅速增加[3.］．除了“视频访问”，这些选择还包括电子邮件和手机应用程序，以及使用可穿戴设备、聊天机器人、人工智能(AI)驱动的诊断工具、语音接口系统和智能手表、氧气监测器或温度计等移动传感器。一种新的服务类别是对居家隔离人员的监督和大规模人口监测。在没有感染COVID-19的患者或非急性COVID-19患者无法获得卫生服务的情况下，远程医疗和远程会诊已经被证明是有效的。事实上，根据Keesara等人的研究[4]，而不是使用一种建立在患者和临床医生之间通过面对面护理模式进行面对面互动的历史必要模式基础上的模型，当前的卫生保健服务和患者援助可以通过数字技术远程保障。

    在2019冠状病毒病大流行之前，人们预计，医疗保健行业的数字化转型将与其他行业的转型一样具有破坏性。然而，正如赫尔曼等人所讨论的[5并得到Perakslis的肯定[6，“尽管新技术不断引入，但这种变化尚未实现。”COVID-19的传播似乎终于提供了一个充分的理由，让我们全面拥抱数字化转型。此外，模拟显示，许多国家可能会面临几波传染，可能会出现新的封锁[7］．因此，有必要审查在紧急时期使用的数字技术，并考虑在疫情再次发生时长期继续使用或周期性使用。

    本研究的目的

    根据赫尔曼等人[5]，数字技术可以根据它们在医疗保健中解决的患者需求进行分类:诊断、预防、治疗、依从性、生活方式和患者参与。我们认为，有必要了解为应对COVID-19危机采用了哪些数字技术，以及这些技术在紧急阶段之后是否以及如何仍然有用。为了实现这一目标，至关重要的是，在应对COVID-19大流行的过程中，涵盖在卫生保健中使用数字技术的尽可能多的方面。

    因此，本研究的目的是描述早期科学文献中报道的数字解决方案，以减轻COVID-19对个人和卫生系统的影响。


    文献检索

    我们按照系统综述首选报告项目(PRISMA)方法对早期科学文献进行了系统综述[8]，包括使用不同设计的定量和定性研究，以描述已报告的应对和减轻COVID-19大流行影响的数字解决方案。本综述聚焦于卫生研究，包括生物医学、流行病学、临床、公共卫生和卫生系统研究。

    最初的搜索于2020年5月11日实施，时间限制在2020年1月1日至4月30日。该搜索查询由作者认为足以审查关于使用数字技术应对COVID-19的文献的词汇组成。因此，我们使用以下搜索词和适合数据库的语法搜索MEDLINE数据库:

    (“COVID-19”[所有领域]或“COVID-2019”[所有领域]或“严重急性呼吸综合征冠状病毒2”[补充概念]或“严重急性呼吸综合征冠状病毒2”[所有领域]或“2019-nCoV”[所有领域]或“SARS-CoV-2”[所有领域]或“2019nCoV”[所有领域]或((“武汉”[所有领域]和(“冠状病毒”[MeSH术语]或“冠状病毒”[所有领域]))和(2019/12[PDAT]或2020[PDAT])))))和(数字[标题/摘要]或技术[标题/摘要]))]

    我们还使用搜索字符串搜索了medRxiv的COVID-19/SARS-CoV-2部分，这是一个尚未经过同行评议的卫生科学论文预印本服务器，用于与数字技术相关的研究COVID-19数字技术使用与MEDLINE搜索相同的时间跨度限制。

    所使用的搜寻策略及资格准则载于多媒体附录1．

    研究选择和数据收集过程

    我们将具有原始数据或结果的研究纳入评审，这些研究涉及到COVID-19的数字工具或干预措施，以及它们是否在评估中解决了患者或卫生保健系统的需求。

    如果一篇文章不是一项具有原始结果的研究，就会被排除在外;它没有专注于COVID-19的数字解决方案;目前无法获得全文;或者不是用英语写的。

    采用两阶段筛选过程来评估已确定研究的相关性。对于第一级筛选，只审查标题和摘要，以防止在采购不符合最低纳入标准的文章时浪费资源。最初确定的研究的标题和摘要由两名独立调查人员(DG和EB)检查。在第二层次的筛选中，所有在标题和摘要筛选后被认为相关的引文都被获取，用于后续的全文文章审查。

    在Excel(微软公司)中开发了一个电子表格，以提取研究特征，如论文标题、期刊、发表日期、技术类型和患者需求。特别是，我们根据患者需求(诊断、预防、治疗、坚持、生活方式和患者参与)对检索到的论文进行了分类。对于患者需求的分类，我们采用了Hermann等人的定义[5报告了卫生保健行业“解决客户需求”的概念，以确定在COVID-19大流行早期通过数字技术解决的患者健康需求。

    病人需求的定义在表1．我们在Hermann等人确定的患者需求之外，增加了“监测”这一额外的患者需求。5]，考虑到早期发现和隔离COVID-19患者对维护人口健康的重要性，以及一个“其他”类别，包括以前类别中没有考虑到的任何需求。

    表1。数字技术解决患者需求的定义。
    病人需要 定义
    诊断 诊断:确定何种疾病或状况可以解释一个人的症状和体征的过程[9］
    预防 预防疾病的发生(如通过减少风险因素)或在疾病发生后制止疾病并避免由此引起的并发症[10］
    依从性 病人正确遵守医嘱的程度[11］
    治疗 治疗:为治疗或减轻疾病而使用的药剂、程序或方法，如药物、手术或运动[12］
    生活方式 采用和维持能够改善健康和生活质量的行为[13］
    病人接触 使人们积极参与其保健和保健工作[14］
    监测 公共卫生实践的规划、实施和评估所需的与卫生相关的数据的持续、系统的收集、分析和解释[15］
    其他 所有由数字技术解决的患者需求，不包括在前面的类别中

    我们通过将每篇文章中报道的技术(或技术)所涉及的患者需求与技术本身的类型进行交叉分类，建立了一个评分标准。我们依赖欧洲委员会卫生部门有效调查方法专家小组的报告"评估卫生服务数字化转型的影响" [16对数字技术的类型进行分类(例如，人工智能、大数据、聊天机器人、电子健康记录[EHRs]、移动应用程序、机器人技术、传感器、远程医疗和远程医疗)，必要时将其与分析文章中的术语(例如，区块链、物联网[IoT]、互联网搜索引擎、社交媒体和移动追踪)结合起来。

    我们还提取了信息，并根据医疗保健系统目标、创新等级和对其他地理区域的可伸缩性对选定文章报道的每种技术进行了分类。为了做到这一点，我们还依赖于EXPH (表2) [16］．

    表2。数字技术和卫生服务分类。
    分类类别 定义
    医疗体系目标

    		客户/病人 潜在或目前使用保健服务的公众成员，包括照料者。

    		卫生保健提供者 提供卫生服务的卫生保健工作人员。

    		卫生系统/资源管理器 参与公共卫生系统管理和监督的系统和管理人员。这类干预措施反映了与供应链管理、卫生筹资和人力资源管理相关的管理职能。

    		数据服务 横切功能，以支持与数据收集、管理、使用和交换相关的广泛活动。
    年级的创新

    		支持 可用于支持所有或部分医疗保健系统目标的旧技术或现有技术的数字服务或技术。这些技术可以支持或促进现有技术的性能。

    		补充 除了旧的或现有的技术之外，还可以用于所有或部分卫生保健系统目标的数字服务或技术。这些技术可以加强或提高现有技术的性能。

    		替换 对于所有或部分医疗保健系统目标，数字服务或技术可能取代旧的或现有的技术。

    		创新 新的数字服务或技术可能提供以前无法为所有或部分卫生保健系统目标提供的新可能性。这些颠覆性的技术可能代表着进入市场的新途径。
    可扩展到其他地理区域

    		不可能的 技术与它们的开发环境紧密相连。

    		当地的 由于规范、立法、伦理或技术原因，其可扩展性仅限于当地环境(即区域或国家环境)的技术。

    		全球 不存在阻碍其全球采用的可伸缩性障碍的技术。

    一些被分析的文章描述了多种技术。对于这些文章，我们报告了所提议的技术所解决的所有医疗保健系统目标。然而，我们发现为每种报告的技术分配不同的创新等级和可伸缩性是不切实际的。因此，我们选择只报告每篇文章中分配给技术的最高级别的创新或可伸缩性(例如，创新>取代>补充>支持)。

    两名作者(DG和EB)在预先确定的类别中独立地对所有已查明的物品进行分类。任何分歧都通过两位审稿人的讨论和协商一致来解决。如果意见不一致，另一个审查员(GC)被称为平局者。

    鉴于本文献综述的特点(旨在描述提出的数字解决方案)以及纳入研究的性质和设计，不可能对偏倚风险和研究质量进行评估，因此没有进行。


    文献检索

    搜索发现269篇文章(174篇来自PubMed, 95篇来自medRxiv)，其中124篇全文文章经过筛选后被纳入评审(图1)。

    ‎
    图1。系统综述(PRISMA)文献综述首选报告项目流程图。
    把这个图

    研究选择和数据收集过程

    在124篇选定的文章中，65篇(52.4%)论述了在诊断中使用数字技术(图2)， 46人(37.1%)关注监测，46人(37.1%)关注预防，38人(30.6%)关注治疗，15人(12.1%)关注坚持治疗，12人(9.7%)关注生活方式，11人(8.9%)关注患者参与，6人(4.8%)关注其他目的。考虑同行评议文章的比例，我们发现在诊断方面，39/65篇文章(60%)被同行评议;监测方面，29/46 (63%);预防方面，30/46 (65%);治疗方面，33/38 (87%);依从性:15/15 (100%);生活方式方面，11/12 (92%);患者参与率为11/11 (100%);其他为5人(83.3%)。

    在表3，我们提供收录文章特征的摘录。该表的扩展版本载于补充材料(表S1，多媒体附录2)。

    ‎
    图2。124篇选定文章中每个患者需求的出现频率以及每个需求的同行评审文章的份额。总比例高于100，因为有些文章包含了用于满足多个患者需求的技术。
    把这个图
    表3。文章包括在文献综述与各分析论文的主要特点。
    ID 参考 医疗体系目标 年级的创新 可伸缩性
    1 翟等人[17］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 创新 全球
    2 王伟等[18］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 创新 当地的
    3. 王等人[19］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 创新 当地的
    4 阎等人[20.］ 客户/患者、卫生保健提供者 支持 全球
    5 侯等[21］ 客户/患者、卫生系统/资源管理人员、数据服务 创新 当地的
    6 冯等人[22］ 卫生保健提供者 补充 全球
    7 金等人[23］ 卫生保健提供者 补充 全球
    8 Torous等人[24］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员 创新 全球
    9 王等人[25］ 卫生保健提供者 补充 全球
    10 郑等人[26］ 卫生保健提供者 补充 全球
    11 Galbiati等人[27］ 卫生保健提供者、卫生系统/资源管理人员 支持 全球
    12 白等[28］ 卫生保健提供者 补充 全球
    13 Ienca等人[29］ 客户/患者、卫生系统/资源管理人员、数据服务 创新 当地的
    14 丁等人[30.］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 创新 全球
    15 华等人[31］ 客户/患者、卫生系统/资源管理人员、数据服务 创新 当地的
    16 傅等[32］ 卫生保健提供者 补充 全球
    17 周等[33］ 卫生保健提供者 补充 全球
    18 林等人[34］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 创新 当地的
    19 Ferretti等人[35］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 创新 全球
    20. 卡尔顿等人[36］ 客户/患者、卫生保健提供者 创新 全球
    21 林等人[37］ 卫生保健提供者 补充 全球
    22 Mashamba-Thompson等人[38］ 客户/患者、卫生系统/资源管理人员、数据服务 创新 当地的
    23 萨拉科等人[39］ 客户/患者、卫生保健提供者 创新 当地的
    24 Hernández等[40］ 客户/患者、卫生系统/资源管理人员 创新 当地的
    25 欧汉纳西等[41］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 创新 当地的
    26 山浪等[42］ 客户/患者、卫生系统/资源管理人员、数据服务 创新 当地的
    27 拷问者等人[43］ 客户/患者、卫生保健提供者 创新 全球
    28 Keesara等人[4］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 创新 当地的
    29 她(44］ 客户/患者、卫生系统/资源管理人员、数据服务 创新 当地的
    30. 克拉姆等人[45］ 客户/患者、卫生保健提供者 支持 全球
    31 卡尔沃等人[46］ 客户/患者、卫生系统/资源管理人员、数据服务 创新 当地的
    32 丹德卡尔等人[47］ 卫生系统/资源管理器、数据服务 创新 全球
    33 德鲁等人[48］ 客户/患者、卫生系统/资源管理人员、数据服务 创新 当地的
    34 西格尔等人[49］ 客户/患者、卫生系统/资源管理人员、数据服务 创新 当地的
    35 哈萨宁等人[50］ 卫生保健提供者 补充 全球
    36 马丁等人[51］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 创新 当地的
    37 Yasaka等人[52］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 创新 当地的
    38 梅德福等[53］ 客户/患者、卫生系统/资源管理人员、数据服务 创新 当地的
    39 Salg等人[54］ 卫生系统/资源管理器、数据服务 补充 当地的
    40 阿伯哈里等人[55］ 卫生系统/资源管理器、数据服务 创新 全球
    41 Jarynowski等人[56］ 客户/患者、卫生系统/资源管理人员、数据服务 创新 当地的
    42 斯托梅尔等人[57］ 客户/患者、卫生保健提供者 补充 全球
    43 贾德森等人[58］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 创新 当地的
    44 Ćosić等[59］ 客户/患者、卫生保健提供者 创新 当地的
    45 格兰奇等人[60］ 客户/患者、卫生保健提供者 创新 全球
    46 Castiglioni等人[61］ 诊所/病人，卫生保健提供者 补充 全球
    47 Serper等[62］ 客户/患者、卫生保健提供者 创新 全球
    48 罗宾斯等人[1］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 创新 当地的
    49 嘎吱声(63］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 创新 全球
    50 双关语等[64］ 卫生系统/资源管理器、数据服务 创新 全球
    51 迈尔斯等人[65］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 创新 全球
    52 努南等人[66］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 创新 当地的
    53 洛贝特等人[67］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 创新 全球
    54 价格等[68］ 卫生保健提供者 创新 当地的
    55 Vaishya等人[69］ 卫生保健提供者 补充 全球
    56 斯图布菲尔德等人[70］ 卫生保健提供者 补充 全球
    57 袁等[71］ 客户/病人,数据服务 创新 当地的
    58 波洛克等人[72］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 创新 当地的
    59 马哈茂德等人[73］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 创新 当地的
    60 加洛蒂等人[74］ 客户/病人,数据服务 创新 当地的
    61 任等人[75］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 创新 全球
    62 Goldschmidt [76］ 客户/患者、卫生保健提供者 创新 全球
    63 卡拉维等人[77］ 卫生保健提供者 补充 全球
    64 库马尔等人[78］ 卫生保健提供者 补充 全球
    65 加格等人[79］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 创新 全球
    66 库齐姆斯基等人[80］ 卫生系统/资源管理器、数据服务 创新 当地的
    67 Jakhar等人[81］ 客户/患者、卫生保健提供者 创新 当地的
    68 马拉斯卡等人[82］ 客户/患者、卫生保健提供者 创新 当地的
    69 布尔昌达尼等人[83］ 客户/患者、卫生系统/资源管理人员、数据服务 创新 当地的
    70 格林等人[84］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 创新 当地的
    71 纳格拉等人[85］ 客户/患者、卫生保健提供者 创新 全球
    72 O\'Connor等[86］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 创新 当地的
    73 威特博尔德等人[87］ 客户/患者、卫生保健提供者 创新 当地的
    74 海托等人[88］ 客户/患者、卫生保健提供者 创新 当地的
    75 Bonavita等人[89］ 客户/患者、卫生保健提供者 创新 当地的
    76 Wosik等人[90］ 客户/病人,何鸿燊 创新 全球
    77 阎等人[91］ 卫生保健提供者、卫生系统/资源管理人员、数据服务 支持 全球
    78 林等人[92］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 支持 不可能的
    79 Kummitha [93］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 创新 全球
    80 阿巴斯等人[94］ 医疗保健提供者，数据服务 补充 全球
    81 阿达比里等人[95］ 卫生系统/资源管理器、数据服务 支持 全球
    82 张等[96］ 客户/患者、卫生保健提供者、 支持 全球
    83 哈特等人[97］ 客户/患者、卫生保健提供者 创新 全球
    84 帕里克等人[98］ 客户/患者、卫生保健提供者 创新 全球
    85 拉赫曼等[99］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 创新 全球
    86 Alwashmi哈特(One hundred.］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 补充 全球
    87 塞多夫等人[101］ 卫生保健提供者、卫生系统/资源管理人员、数据服务 补充 全球
    88 摩诃帕特拉等人[102］ 卫生保健提供者;卫生系统/资源管理器 创新 全球
    89 阿齐齐等人[103］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 创新 全球
    90 马杜赖等人[104］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 创新 全球
    91 Park等人[105］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 创新 当地的
    92 内格里尼等人[106］ 客户/患者、卫生保健提供者 补充 全球
    93 田中等人[107］ 客户/患者、卫生保健提供者 补充 全球
    94 兰哈瓦等人[108］ 数据服务 创新 全球
    95 贾韦德等人[109］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 支持 全球
    96 Kyhlstedt等人[110］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 支持 全球
    97 巴博萨等人[111］ 卫生系统/资源管理器、数据服务 创新 全球
    98 布莱克等人[112］ 客户/患者、卫生系统/资源管理人员 支持 全球
    99 里夫斯等人[113］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 替换 全球
    One hundred. 可汗等人[114］ 客户/病人, 替换 全球
    101 惠兰等人[115］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员 补充 全球
    102 Meinert等人[116］ 客户/患者、医疗保健提供者、数据服务 创新 全球
    103 Ekong等人[117］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员 支持 当地的
    104 Pérez Sust等人[118］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 补充 全球
    105 金等人[119］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 补充 全球
    106 克鲁考斯基等人[120］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员 补充 全球
    107 刘等人[121］ 卫生保健提供者、卫生系统/资源管理人员 支持 全球
    108 Vaid等人[122］ 卫生保健提供者、卫生系统/资源管理人员 补充 当地的
    109 李(123］ 客户/患者、卫生保健提供者 支持 全球
    110 拉姆塞蒂等人[3.］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员 补充 全球
    111 塔里克等人[124］ 卫生系统/资源管理器 补充 全球
    112 阿瓦斯蒂等人[125］ 卫生保健提供者、卫生系统/资源管理人员 支持 全球
    113 可汗等人[126］ 卫生保健提供者、卫生系统/资源管理人员 支持 全球
    114 侯赛因等人[127］ 卫生保健提供者、卫生系统/资源管理人员 支持 全球
    115 Weemaes等人[128］ 卫生保健提供者、卫生系统/资源管理人员、数据服务 创新 当地的
    116 埃斯皮诺萨等人[129］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员 创新 全球
    117 Shweta等人[130］ 卫生保健提供者、卫生系统/资源管理人员、数据服务 补充 全球
    118 小鬼等人[131］ 卫生保健提供者、卫生系统/资源管理人员、数据服务 支持 当地的
    119 赫格德等[132］ 客户/患者、卫生保健提供者 创新 全球
    120 托拜厄斯等人[133］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员、数据服务 支持 当地的
    121 康普顿等人[134］ 客户/患者、卫生保健提供者、卫生系统/资源管理人员 补充 全球
    122 史密斯等人[135］ 卫生保健提供者、卫生系统/资源管理人员 补充 当地的
    123 卡德等人[136］ 卫生保健提供者、卫生系统/资源管理人员、数据服务 支持 全球
    124 Woo等人[137］ 客户/患者、卫生保健提供者 补充 全球

    在表4在美国，我们对技术的使用和技术的类型进行交叉分类。例如，24篇文章描述了在COVID-19诊断中使用人工智能工具，34篇文章描述了为治疗目的使用远程卫生或远程医疗。所有纳入的文章和相关分析报告在多媒体附录2(表S1)。

    表4。根据技术类型和该技术解决的患者需求对已发表的研究进行交叉分类。
    技术 诊断 监测 预防 治疗 依从性 生活方式 病人接触 其他

    		n 参考文献一个 n 参考文献 n 参考文献 n 参考文献 n 参考文献 n 参考文献 n 参考文献 n 参考文献
    人工智能 24 ［20.，22，23，25，26，
    28，30.，32，33，38，
    48，50，54，61，69，
    70，77，78，94，One hundred.，
    108，109，122，130］    		 12 ［30.，38，48，64，93，
    95，One hundred.，104，109，
    116，122，126］    		 11 ［30.，38，47，55，64，
    95，One hundred.，109，
    116，122，126］    		 2 ［102，109］ 1 ［109］ 1 ［109］ 1 ［116］ 4 ［80，
    104，
    108，
    125］
    大数据分析 6 ［30.，54，One hundred.，109，
    118，
    122］    		 11 ［19，29，30.，34，42，
    93，One hundred.，109，
    122，126，
    136］    		 12 ［19，30.，34，42，55，
    One hundred.，109，118，
    122，124，
    126，136］    		 2 ［109，118］ 2 ［109，118］ 3. ［40，
    109，
    118］    		 0 N/Ab 2 ［111，
    128］
    区块链 2 ［30.，38］ 2 ［30.，38］ 2 ［30.，38］ 0 N/A 0 N/A 0 N/A 0 N/A 0 N/A
    聊天机器人 3. ［51，58，129］ 0 N/A 1 ［51］ 0 N/A 0 N/A 0 N/A 0 N/A 0 N/A
    电子健康记录 7 ［1，60，91，113，118，
    130，131］    		 5 ［1，37，91，113，133］ 4 ［113，118，131，133］ 5 ［1，60，91，
    113，118］    		 1 ［118］ 1 ［118］ 0 N/A 0 N/A
    物联网 3. ［92，103，109］ 5 ［92，93，99，
    104，109］    		 3. ［92，103，109］ 2 ［103，109］ 1 ［109］ 1 ［109］ 0 N/A 1 ［104］
    互联网搜索引擎，社交媒体 1 ［1］ 8 ［1，18，21，31，42，
    56，74，127］    		 3. ［18，42，127］ 1 ［1］ 0
    		1 ［53］ 0 N/A 1 ［121］
    手机应用程序 8 ［85，87，88，91，92，
    96，One hundred.，110］    		 8 ［18，91-93，96，One hundred.，
    110，116］    		 9 ［18，71，88，92，96，
    One hundred.，110，115，116］    		 3. ［85，88，91］ 3. ［88，112，
    115］    		 2 ［71，
    112］    		 3. ［112，115，
    116］    		 0 N/A
    移动跟踪 6 ［48，49，73，One hundred.，
    110，118］    		 14 ［31，35，44，46，48，
    49，52，73，83，One hundred.，
    105，110，117，119］    		 6 ［44，73，83，One hundred.，110，
    118］    		 2 ［73，118］ 1 ［118］ 1 ［118］ 0 N/A 0 N/A
    机器人，机械工具，无人机，传感器，可穿戴设备 5 ［45，101，109，
    114，132］    		 3. ［101，104，109］ 3. ［101，109，114］ 2 ［27，109］ 3. ［45，109，
    114］    		 1 ［109］ 1 ［114］ 1 ［104］
    远程医疗,tele-medicine 29 ［1，17，39，57，59，
    60，62，63，65-67，
    72，73，75，76，81，
    84-91，One hundred.，103，
    107，118，120］    		 7 ［1，73，75，89-91，
    One hundred.］    		 18 ［24，39，41，
    43，71，73，
    75，88-90，
    One hundred.，103，115，
    118，120，134，
    135，137］    		 34 ［1，3.，17，
    24，36，39，
    57，59，60，
    62，63，65
    -68，72，73，
    75，76，79，
    84-86，88，
    91，97，98，
    103，106，107，
    118，123，134，
    135］    		 11 ［24，82，88，
    97，98，115，
    118，120，134，
    135，137］    		 8 ［24，
    65，
    66，
    71，
    76，
    79，
    118，
    137］    		 8 ［59，76，
    82，97，
    115，120，
    123，134］    		 0 N/A

    一个参考文献:引用。

    bN / A:不适用。

    COVID-19大流行带来的数字卫生技术特征

    考虑到所包含的技术和解决方案的异质性，我们通过叙述综合总结了研究结果。事实上，一些患者对健康问题的需求使用相同的技术，这可以被认为是可以重叠的(例如，预防和监测通常使用相同的技术，如移动监测应用程序);这也是显而易见的表4在美国，许多文章都报道了解决不止一种健康需求的技术。因此，在接下来的段落中，我们将从患者的需求出发描述数字技术和解决方案。然后我们讨论一些检索到的文章，我们认为最有趣的每个病人的需求。

    诊断

    在早期的科学文献中，数字解决方案和创新技术主要被用于COVID-19的诊断。特别是，在审查的文章中，我们发现了许多使用人工智能驱动的工具来诊断和筛查SARS-CoV-2或COVID-19的建议，如在表4［20.，22，23，25，26，28，30.，32，33，38，48，50，54，61，69，70，77，78，94，One hundred.，108，109，122，130］．大多数研究建议采用基于计算机断层扫描(CT)数据的人工智能工具[23，28，33］．例如，Zhou等[33]开发并验证了用于新型冠状病毒肺炎(NCP)自动检测的胸部CT图像集成深度学习框架，重点关注新型冠状病毒肺炎与流感肺炎(IP)的区分，确保及时实施隔离。他们的AI模型有可能为新型冠状病毒肺炎提供一个准确的早期诊断工具。这种类型的诊断工具在大流行期间可能非常有用，特别是在核酸检测包等检测工具短缺的情况下，这是疫情期间的一个常见问题。然而，考虑到辐射暴露和操作者或机器依赖的风险，将CT扫描作为一种筛查方法存在显著局限性[25］．

    除了这些研究之外，许多作者提出了非基于CT扫描数据的人工智能COVID-19诊断工具[22，51，58］．冯等人[22]开发并验证了一种无需CT图像的诊断辅助模型，用于在成年发热患者入院时早期识别疑似COVID-19肺炎，并通过基于web的分诊计算器提供验证过的模型，该模型必须提供临床和血清学数据(如年龄、单核细胞百分比、白细胞介素-6)。类似地，Martin等人[51]提出了一个聊天机器人和一个从症状到疾病的数字健康助手，可以区分20,000多种疾病，准确率超过90%。作者使用一组不同的临床病例结合COVID-19病例报告，测试了数字健康助手识别COVID-19的准确性，他们报告称，数字健康助手可以在96%的临床病例中准确识别COVID-19。

    为支持COVID-19诊断而提出的另一项创新数字技术是区块链(分布式账本)技术。在一项研究中[38]，作者推荐了低收入和中等收入国家针对COVID-19和其他新发传染病的低成本区块链和人工智能耦合自检和跟踪系统。他们开发了一款低成本的区块链应用程序，可以在打开预测试说明之前请求用户的个人识别码。在测试之后，用户将其结果上传到应用程序，区块链和AI系统支持传输，以便向爆发监控发出警报。高收入国家也可能对这类解决方案感兴趣。

    另一种用于病人诊断和分诊的有趣的数字工具是聊天机器人。聊天机器人是一种通过与用户的对话式交互提供信息的应用程序;它们可用于卫生保健的广泛目的(例如，患者分诊、为提供者提供临床决策支持、指导患者和工作人员使用适当的资源以及精神卫生应用)。聊天机器人可以帮助以可扩展的方式发展分诊和筛选过程[129]并且，随着各机构越来越熟悉这些工具，未来可以将其用于其他突发公共卫生事件以及更多标准的护理用途。

    预防和监测

    我们的文献综述表明，数字技术可用于COVID-19诊断以及实施预防和监测措施。

    贾德森等人[58部署了冠状病毒症状检查器，这是一种面向患者的数字自我分诊和自我调度工具，以应对COVID-19大流行;它为患者提供24小时获得个性化建议的机会，并通过自我分诊、自我调度和避免不必要的亲自护理提高了门诊激增能力。大多数使用该检查器的患者在随后的几天里没有与医疗保健系统进行任何进一步的接触。

    在卫生保健数字化背景下，另一个极为重要的主题是流行病学监测。我们的综述强调，在科学文献中，预防和监测往往是一起考虑的，因为“预防COVID-19”可以被理解为“防止进一步传播”，这主要是通过监测实现的。对于COVID-19大流行，监测与预防肯定是重叠的，因为可以通过应用成功的监测计划和控制感染者与健康人群之间的相互作用来降低感染风险。

    Ferretti等人的研究[35]分析了COVID-19流行传播的关键参数，以估计不同传播途径的贡献，并确定成功隔离病例和追踪接触者的要求。病毒传播速度太快，无法通过人工接触者追踪加以控制。解决方案是使用接触者追踪应用程序，创建个人之间接近事件的临时记录，并立即提醒确诊病例最近的密切接触者，并提示他们自我隔离。这类追踪技术的一个重要限制是，为了实现其目标，必须有相当一部分人口使用它。

    成功使用移动应用程序进行接触者追踪的一个例子是中国政府在武汉实施的应用程序[31］．湖北省实施快速响应二维码筛查，对人员流动情况进行监测，特别是在公共交通工具上。利用大数据和手机，为每个公民分配了三种颜色代码:绿色(安全)、黄色(需要小心)和红色(不能进入)。在台湾也采用了类似的工具[19］．事实上，通过台湾公民的户籍系统和外国人入境卡，可以追踪到新冠肺炎感染高危人群，因为他们最近曾前往受影响地区。如果一个人在隔离期间被确定为高风险，就会通过手机对其进行电子监控。随后，入境检疫系统(Entry Quarantine System)启动:旅客通过填写健康申报单(需要在离开台湾机场之前或抵达台湾机场时扫描二维码，进入网上申报单)，可以快速获得入境许可。

    我们的文献综述表明，控制流行病传播的另一种有意义的方法是通过监测和监视互联网搜索和社交媒体的使用。王等人[18]利用中国社交媒体平台微信绘制了与SARS-CoV-2相关关键词的每日频率数据。作者发现，在中国疫情爆发前的一段时间里，与COVID-19相关的几个关键词的频率显示出异常行为，他们表示，社交媒体可以提供一种早期发现疾病爆发的新方法。同样，在谷歌趋势中搜索了表示“咳嗽”和“发烧”的意大利语单词，以找到预测意大利COVID-19疫情的有用见解，显示出与随后两周的住院人数或死亡人数有显著关联[138］．这两篇论文表明，从基于web的搜索引擎跟踪公共卫生信息可能在预测未来的COVID-19疫情方面发挥作用，是对传统公共卫生监测系统的补充。

    此外，一项技术可以帮助自动、分散和远程收集数据，用于监控目的，这就是物联网。在[99，一个基于物联网的智能疾病监测系统显示出了控制大流行的潜力。事实上，由于大多数人使用智能手机和可穿戴技术，并可以上网，这项技术可以通过收集和分析默认收集的数据，帮助限制大流行的传播。

    尽管其潜力无可辩驳，但监控和联系追踪应用背后的技术引发了许多担忧;如Calvo等人所讨论的[46)，最明显的担忧是“监视蠕变”，即在危机解决后，为精确目标开发的监视工具(在中国和台湾，是一款监视人员移动的应用程序)仍在使用。隐私必须是政策制定者的首要关切，也是为流行病控制设计数字工具的设计师和工程师的主要挑战。正如Carullo在之前的工作中所概述的那样[139]，在欧盟，抗击COVID-19的应用程序应尽可能避免处理个人数据。《一般保障资料规例》[140]规定了默认情况下的隐私原则，即“在默认情况下，只有处理每个特定目的所必需的个人数据才会被处理。”在这方面，应该提醒的是，根据GDPR，只有在数据允许识别自然人的情况下，数据才是“个人的”。因此，不能以任何方式识别自然人的数据(包括临床数据)的处理不涉及个人数据。因此，完全排除了任何隐私问题。因此，为了符合这一原则，较好的方法是跟踪病毒的传播，并因此向用户发出警报，而不收集任何个人数据。Yasaka等人在这方面提供了一个很有希望的例子。52他描述了一款用于联系追踪的开源概念验证应用程序，它不需要注册，也不需要泄露任何私人数据，比如位置。相反，该工具使用了一种巧妙的“检查点”系统，允许用户创建一个点对点的交互网络，并确定他们是否接触到任何感染风险;感染诊断可以输入到应用程序中，数据被传输到中央服务器，但保持匿名。

    尽管上述文章讨论的是门诊患者和普通人群的监测和预防，但关于住院患者监测的一个有趣观点来自Lin等人的研究[37］．本文描述了一种具有信息技术(IT)服务的前瞻性主动监测系统(即使用基于电子病历数据的监测算法)，以识别抗生素治疗后肺炎没有明显改善的住院患者，并每天向初级保健医疗团队发出警报。同样，基于电子病历的快速筛查流程、实验室检测、临床决策支持、报告工具和与COVID-19相关的患者技术可以通过电子病历来构建多种特定于COVID-19的工具，以支持疫情管理，包括脚本分诊、电子签到、标准订购和文档、安全消息、实时数据分析和远程医疗功能[113］．

    在预防领域，文献中提出的其他重要数字技术包括远程医疗和远程保健。远程医疗并不总是适用于紧急情况，许多COVID-19患者可能需要去医院接受更高级别的护理。为此目的，屠尔特等人[43]建议使用电子个人防护装备(epe)来保护工作人员(即防止医护人员感染)，并保存传统的个人防护装备，同时在COVID-19大流行期间为低风险患者提供快速紧急护理。Wittbold等人提出了一个非常类似的解决方案[87］．他们探索了数字护理提供方法，通过部署配备应用程序的ipad来评估和管理第四护理学术和一级创伤中心的患者，减少不必要的接触和保护个人防护装备。因此，epe已被证明可能适用于紧急医疗服务、医疗病房和重症监护病房等环境。

    治疗依从性

    远程医疗和远程保健技术也用于提高病人的依从性和治疗目的。Torous等人[24]通过探索远程卫生在当前危机期间的成功，以及应用程序等技术如何很快发挥更大作用，描述了数字卫生在增加精神卫生保健获取和质量方面的潜力。远程保健被视为提供一般精神卫生保健的有用解决办法[141以及在保持社交距离和隔离期间。此外，数字治疗项目可以通过循证疗法课程或使用增强现实和虚拟现实系统提供。另一个例子是，Calton等人[36]就实施远程医疗提供一些有用的建议，以便在重病患者及其家人家中提供专业姑息治疗。作者指出，必须考虑到数字鸿沟。患者需要接入互联网和适合视频会议的数字设备。对于老年人或不太熟悉技术的人，可能有必要确定一个看护者作为患者的“技术联络人”。要创建一个成功的基于远程医疗的治疗环境，必须考虑许多关键因素，包括劳动力培训、高质量证据、数字公平和患者依从性。

    生活方式和患者参与

    在应对COVID-19大流行的早期文献中，很少有科学贡献涉及使用数字技术增强生活方式能力或患者参与。这可能是由于大流行的当前阶段，使科学研究主要集中在与更紧迫的病人需求有关的方面。然而，可以找到一些文章。例如，克鲁科夫斯基等人[120]通过电子磅秤等远程保健方法处理远程肥胖管理问题，以远程测量患者的体重，并保持他们对健康生活方式的参与。


    主要结果

    尽管SARS-CoV-2正在全球范围内造成大流行，但它也有利于在卫生保健领域迅速采用数字解决方案和先进技术工具。一方面，出于监测目的，医生和卫生系统可能需要每天跟踪大量患者[4］．另一方面，他们可能需要快速诊断测试来筛查COVID-19，以减少工作量，并使患者能够得到早期诊断和及时治疗。这也可以在数字技术的帮助下实现，在当前危机之前，不同行业已经有了数字技术。由于大流行，这些工具现已在卫生保健领域迅速得到实施[104］．

    在这篇针对COVID-19的早期科学文献的系统综述中，我们描述了许多解决患者和医疗保健需求的数字解决方案和技术。不断更新的科学文献是寻找创新解决方案的重要想法和建议来源，以确保在2019冠状病毒病危机期间和可能之后的患者护理。

    在诊断领域，与传统的临床、分子或血清学诊断方法相结合的数字解决方案，如基于图像和临床数据的基于人工智能的诊断算法，看起来很有前景。

    在监控方面，数字应用程序已经证明了它们的有效性[142-144];然而，与隐私和可用性相关的问题仍然存在。145］．对于其他患者的需求，已经提出了几种解决方案，例如远程医疗或远程保健工具。这些工具早就有了;然而，这一历史时刻实际上有利于它们的最终大规模采用。

    所分析的科学文献中提出的数字技术主要涉及诊断、预防和监测领域，这可能反映了COVID-19大流行的紧急阶段。随着时间的推移，可以针对不同的目的和患者需求提出知名的数字工具，如依从性、生活方式和患者参与，这些被认为是患者健康的重要决定因素[146尽管在早期的科学文献中对它们的关注较低。

    除了数字技术解决的患者需求，我们的综述阐明了最常用的数字技术工具。考虑到大流行病的早期阶段及其对本审查所列文章的反映，已被证明更容易和更迅速实施的技术也可被认为是最具扩展性的。事实上，这些技术的部署速度表明，尽管它们是在大流行期间部署的，但在许多不同的情况下，它们易于采用和管理。其中许多解决方案在技术、经济、监管和可用性方面的权重都很低，至少在紧急阶段可以迅速有效地使用。在这些解决方案中，我们报告了用于诊断的人工智能工具、用于监测和预防的大数据分析和移动追踪，以及已被证明是诊断、预防和治疗的横向工具的远程医疗和远程保健。

    正如Fagherazzi等人所指出的，我们主张在这一紧急阶段迅速实施的许多数字技术也可在大流行的后续阶段中采用[147］．然而，这种实现说起来容易做起来难。根据Keesara等人的文章[4，“Covid-19与医疗保健的数字革命”，在美国(和世界各地)Covid-19大流行造成的数字飞跃背景下进行[4]，尽管私营公司和教育机构已迅速向远程工作和视频会议过渡，但医疗保健系统在采用数字解决方案方面仍落后于人。这主要是由于为面对面的护理模式制定了临床工作流程和经济激励措施，在这次大流行期间，这有助于病毒向寻求医疗护理的未感染患者传播。除了医疗保健政策的历史之外，远程医疗等工具的实施也存在一些限制因素，包括法律框架尚未完全设计来规范医疗保健中创新IT系统的使用，以及信息和通信技术基础设施不足以及报销和支付结构过时。

    许多国家正面临这些监管问题:数字卫生面临的挑战已成为公共卫生应对COVID-19和未来疫情的一个全球问题。确实应该将远程医疗等数字工具纳入国际和国家公共卫生防范准则，并在公共卫生紧急情况的背景下确定国家条例和供资框架。转向新的数字化护理模式，增加卫生保健专业人员的数字化专业知识和教育人口是基本问题。此外，通过实施数据共享机制，数字化收集和存储的数据将成为流行病学监测的宝贵工具，如前所述，这对控制流行病传播至关重要。最后，为描述和评估疫情期间数字工具的影响，应确定科学评估框架[41］．

    限制

    这篇文献综述存在一定的局限性。首先，研究是在流行病学紧急时期进行的。因此，每日出版物的数量很高，很难保持最新。因此，我们被迫在更短的时间内选择文章，可能会错过一些研究，包括那些还没有经过同行评审的研究。其次，由于审查的设计，搜索不可能完全全面，因为它完全是在MEDLINE数据库和medRxiv上进行的，以节省时间和资源;然而，据报道，PubMed/MEDLINE是卫生科学学院使用的主要数据库[148medRxiv是COVID-19研究的主要资料库之一[149］．最后，这一初步审查所包括的条款和概念当然需要在这一国际紧急阶段结束时加以整合。

    结论

    COVID-19大流行有利于以前所未有的速度和影响实施数字解决方案。因此，建议跟踪今天提出的想法和解决方案，以便明天实施最佳做法和护理模式，并为未来的国家和国际紧急情况做好准备。值得利用我们目前正在经历的危机所提供的动力，至少实施科学文献中提出的一些解决方案，特别是在近年来被证明对数字化转型特别抵触的国家卫生系统中。

    致谢

    作者声明他们没有收到任何具体的资助。

    作者的贡献

    DG和EB构思和设计了工作;查阅文献，独立对所有已识别的文章进行分类;获取、分析和解释数据;并写了手稿。如处长与行政委员会在对已辨认物品的分类过程中意见不一致，则由评审委员会作出裁决。GC和AGN帮助分析，解释数据，并审查手稿。MPL和MPF解释数据，并与DG和EB合作审查和编辑最终稿件的知识内容。所有作者都已阅读并认可最终版本的手稿。

    的利益冲突

    没有宣布。

    ‎
    多媒体附录1

    资格标准和搜索策略。

    DOC文件，32kb
    ‎
    多媒体附录2

    表S1。文献综述中包含的文章。

    XLSX文件(Microsoft Excel文件)，32 KB
    1. 罗宾斯·T，哈德逊·S，雷·P，桑卡尔·S，帕特尔·K，兰德瓦·H，等。2019冠状病毒病:新的数字黎明?数字健康2020;6:2055207620920083 [免费的全文] [CrossRef] [Medline］
    2. Gewin V.在2019冠状病毒病疫情期间开展在线教学的五个建议。大自然2020年4月,580(7802):295 - 296。［CrossRef] [Medline］
    3. Ramsetty A, Adams C. 2019冠状病毒病时代数字鸿沟的影响。J Am Med Inform Assoc 2020 july 01;27(7):1147-1148 [免费的全文] [CrossRef] [Medline］
    4. Keesara S, Jonas A, Schulman K. Covid-19与医疗保健的数字革命。英国医学2020年6月04;382(23):e82。［CrossRef] [Medline］
    5. Herrmann M, Boehme P, Mondritzki T, Ehlers JP, Kavadias S, Truebel H.医疗保健部门的数字化转型与颠覆:基于互联网的观察研究。J Med Internet Res 2018年3月27日;20(3):e104 [免费的全文] [CrossRef] [Medline］
    6. Perakslis ED:从数字技术转型中交付价值的策略。2017年2月;16(2):71-72。［CrossRef] [Medline］
    7. Kissler SM, Tedijanto C, Goldstein E, Grad YH, Lipsitch M.预测SARS-CoV-2在大流行后时期的传播动态。Science 2020 5月22日;368(6493):860-868 [免费的全文] [CrossRef] [Medline］
    8. Moher D, Liberati A, Tetzlaff J, Altman DG, PRISMA Group。系统审查和荟萃分析的首选报告项目:PRISMA声明。Ann Intern Med 2009 Aug 18;151(4):264-9, W64 [免费的全文] [CrossRef] [Medline］
    9. Langlois JP。做出诊断。作者:Mengel MB, Holleman WL, Fields SA，编辑。临床实践基础，第二版。波士顿,MA:施普林格;2002:197 - 217。
    10. 什么是预防医学?Can Fam physicians 1974年11月20日(11):65-68 [免费的全文] [Medline］
    11. 世界卫生组织。坚持长期治疗:行动的证据。瑞士日内瓦:世界卫生组织;2003.
    12. 德雷克斯勒医学研究所。预防和治疗。在:关于传染病你需要知道的。华盛顿:国家科学院出版社;2010.
    13. Lianov L, Johnson M.处方生活方式药物的医师能力。中华医学会杂志2010 7月14日;304(2):202-203。［CrossRef] [Medline］
    14. James J.患者参与。《卫生事务》2013年2月14日。URL:https://www.healthaffairs.org/do/10.1377/hpb20130214.898775/full/[2020-11-03]访问
    15. 公共卫生监测。世界卫生组织。URL:https://www.who.int/immunization/monitoring_surveillance/burden/vpd/en/[2020-11-03]访问
    16. 欧洲委员会。评估卫生服务数字化转型的影响:专家小组关于卫生投资有效方式的报告。卢森堡:欧洲联盟出版物办公室;2019年11月:ckz185.769。
    17. 翟勇，王勇，张敏，Gittell JH，蒋硕，陈斌，等。从隔离到协调:远程医疗如何帮助抗击COVID-19疫情?2020年2月23日在线预印本。［CrossRef］
    18. 中国社交媒体微信可能会在2019年早期发现SARS-CoV-2疫情。2020年2月26日在线预印本。［CrossRef］
    19. 王灿灿，吴永春，布鲁克RH。台湾应对COVID-19:大数据分析、新技术和主动检测。JAMA 2020年4月14日;323(14):1341-1342。［CrossRef] [Medline］
    20. 闫玲，张宏，肖燕，王梅，孙超，梁杰，等。利用三个临床特征预测Covid-19严重感染患者的危重症:基于机器学习的预后模型，使用武汉的临床数据。2020年3月3日在线预印本。［CrossRef］
    21. 侯铮，杜峰，姜红，周旭，林琳。公众对新冠肺炎疫情的关注、风险感知、情绪和行为反应评估:中国社交媒体监控。2020年3月17日在线预印本。［CrossRef］
    22. 冯超，黄铮，王磊，陈旭，翟勇，朱峰，等。发热门诊疑似COVID-19肺炎的人工智能辅助诊断辅助系统的新型分诊工具。《SSRN杂志》预印本于2020年3月19日发布在网上。［CrossRef］
    23. 金松，王斌，徐浩，魏磊，赵伟，侯旭，等。用于COVID-19筛查的AI辅助CT成像分析:在四周内建立和部署一个医疗AI系统。2020年3月23日在线预印本。［CrossRef］
    24. Torous J, Jän Myrick K, Rauseo-Ricupero N, Firth J.数字精神卫生与COVID-19:利用今天的技术加速未来的获取和质量曲线。JMIR Ment Health 2020年3月26日;7(3):e18848 [免费的全文] [CrossRef] [Medline］
    25. 王松，查颖，李伟，吴强，李旭，牛明，等。用于COVID-19诊断和预后分析的全自动深度学习系统。2020年3月26日在线预印本。［CrossRef］
    26. 郑超，邓旭，付强，周强，冯杰，马宏，等。基于深度学习的胸部CT弱标记检测新冠肺炎。2020年3月26日在线预印本。［CrossRef］
    27. Galbiati C, Bonivento W, Caravati M, Razeti M, DeCecco S, Fiorillo G，等。米兰机械呼吸机(MVM):一种为应对COVID-19大流行而大规模生产的新型机械呼吸机。2020年3月27日在线预印本。［CrossRef］
    28. 白晓，方超，周勇，白松，刘铮，夏磊，等。用人工智能技术预测COVID-19恶性进展。《SSRN杂志》预印本于2020年3月31日发布在网上。［CrossRef］
    29. Ienca M, Vayena E.负责任地使用数字数据应对COVID-19大流行。Nat Med 2020年4月26日(4):463-464 [免费的全文] [CrossRef] [Medline］
    30. 丁dsw, Carin L, Dzau V, Wong TY.数字技术与新冠肺炎。Nat Med 2020年4月26日(4):459-461 [免费的全文] [CrossRef] [Medline］
    31. 华杰，邵伟，冠状病毒(COVID-19)数据视角下的“信息大流行”与新兴问题:以中国为例2020年3月30日;17(7):2309 [免费的全文] [CrossRef] [Medline］
    32. 付敏，易森，曾燕，叶芳，李燕，董旭，等。基于深度学习的胸部CT扫描图像识别新冠肺炎及其他常见肺部传染病2020年3月30日在线预印本。［CrossRef］
    33. 周明，陈勇，王东，徐勇，姚伟，黄杰，等。新型冠状病毒肺炎与流感肺炎鉴别的改进深度学习模型。2020年3月30日在线预印本。［CrossRef］
    34. 林超，brund WE, Auerbach J，周杰，滕杰，涂平，等。政策决策和信息技术在抗击COVID-19中的应用，台湾。新兴感染2020年7月26日(7):1506-1512 [免费的全文] [CrossRef] [Medline］
    35. Ferretti L, Wymant C, Kendall M, Zhao L, Nurtay A, Abeler-Dörner L，等。通过对SARS-CoV-2传播的量化，可以通过数字接触者追踪来控制疫情。Science 2020 May 08;368(6491):eabb6936 [免费的全文] [CrossRef] [Medline］
    36. Calton B, Abedini N, Fratkin M.冠状病毒时代的远程医疗。J疼痛症状管理2020年7月;60(1):e12-e14 [免费的全文] [CrossRef] [Medline］
    37. 林超，程超，陆平，史东，洪超，罗华，等。利用信息技术积极监测住院患者COVID-19疑似病例。journal of hopp infection 2020 Jun;105(2):197-199。［CrossRef] [Medline］
    38. Mashamba-Thompson TP, Crayton ED.区块链和新型冠状病毒covid -19自我检测的人工智能技术。诊断(巴塞尔)2020 Apr 01;10(4):198 [免费的全文] [CrossRef] [Medline］
    39. Salako O, Okunade K, Allsop M, Habeebu M, Toye M, Oluyede G，等。COVID-19疫情期间癌症护理的剧变。Ecancermedicalscience 2020; 14: ed97 [免费的全文] [CrossRef] [Medline］
    40. Hernández-García I, Giménez-Júlvez T.互联网防疫卫生信息评估:信息流行病学研究。JMIR公共卫生监测2020年4月01;6(2):e18717 [免费的全文] [CrossRef] [Medline］
    41. Ohannessian R, Duong TA, Odone A.在卫生系统中实施和整合全球远程医疗以抗击COVID-19大流行:行动呼吁。JMIR公共卫生监测2020年4月02日;6(2):e18810 [免费的全文] [CrossRef] [Medline］
    42. 林松，马晨，林锐，黄洁，徐锐，袁安。信息扩散对新型冠状病毒(COVID-19)传播的影响研究。2020年4月2日在线预印本。［CrossRef］
    43. 屠RW, Jones I, Rosenbloom ST, Slovis C, Ward MJ。电子个人防护设备:COVID-19时代保护急诊科服务人员的战略。J Am Med Inform Assoc 2020 Jun 01;27(6):967-971 [免费的全文] [CrossRef] [Medline］
    44. “新冠疫情如何影响韩国?”我们目前的战略是什么?2020年04月03:1-3 [免费的全文] [CrossRef] [Medline］
    45. 克拉姆·M，厄本·M, Tigges T, Pielmus A, Feldheiser A, Schmitt T，等。使用多模态数字贴片听诊器的可穿戴心肺监测:使用55毫米单导联心电图和心音图估计心电图、PEP、lvet和呼吸。传感器(巴塞尔)2020 Apr 04;20(7):2033 [免费的全文] [CrossRef] [Medline］
    46. Calvo R, dededing C, Ryan R. covid-19大流行期间的健康监测。BMJ 2020年4月06日;369:m1373。［CrossRef] [Medline］
    47. Dandekar R, Barbastathis G.使用机器学习量化检疫控制在Covid-19感染传播中的效果。2020年4月6日在线预印本。［CrossRef］
    48. Drew D, Nguyen L, Steves C, Wolf J, Spector TD, Chan AT, COPE财团。快速实施用于COVID-19实时流行病学的移动技术。2020年4月6日在线预印本。［CrossRef］
    49. Segal E, Zhang F, Lin X, King G, Shalem O, Shilo S, CCC(冠状病毒普查集体)。建立一个追踪冠状病毒健康状况的国际联盟。2020年4月6日在线预印本。［CrossRef］
    50. Hassanien AS, Mahdy LS, Ezzat KS, Elmousalami HS, Ella HJ。基于多级阈值和支持向量机的x线COVID-19肺部图像自动分类系统。2020年4月6日在线预印本。［CrossRef］
    51. Martin A, Nateqi J, Gruarin S.基于人工智能的COVID-19一线防线:通过聊天机器人对公民进行数字筛查。2020年4月6日在线预印本。［CrossRef］
    52. Yasaka TM, Lehrich BM, Sahyouni R.点对点接触追踪:隐私保护智能手机应用程序的开发。JMIR Mhealth Uhealth 2020 Apr 07;8(4):e18936 [免费的全文] [CrossRef] [Medline］
    53. Medford R, Saleh S, Sumarsono A, Perl TM, Lehmann CU。“信息大流行”:利用大量推特数据了解公众对COVID-19疫情的情绪。2020年4月7日在线预印本。［CrossRef］
    54. Salg G, Ganten M, Baumhauer M, Heussel C, Kleesiek J.一个全球可用的COVID-19临床影像学研究模板。2020年4月7日在线预印本。［免费的全文] [CrossRef］
    55. Abhari R, Marini M, Chokani N.瑞士的COVID-19流行:使用人工智能和大数据的增长预测和遏制策略。2020年4月7日在线预印本。［CrossRef］
    56. Jarynowski A, Wojta-Kempa M, Belik V.波兰互联网对COVID-2019 / SARS CoV-2疫情的感知。2020年4月7日在线预印本。［CrossRef］
    57. 斯托梅尔WJP, van Goor H，斯托梅尔MWJ。视频沟通对术后会诊闭合伤口评估的影响:对话分析研究。J Med Internet Res 2020 May 05;22(5):e17791 [免费的全文] [CrossRef] [Medline］
    58. 贾德森TJ, Odisho AY, Neinstein AB, Chao J, Williams A, Miller C，等。COVID-19患者自我分诊和自我调度综合工具的快速设计和实施。J Am Med Inform Assoc 2020 Jun 01;27(6):860-866 [免费的全文] [CrossRef] [Medline］
    59. Ćosić陈晓明，陈晓明，陈晓明。人类灾害和新冠肺炎大流行对心理健康的影响:数字精神病学的潜力。精神病Danub 2020;32(1):25-31 [免费的全文] [CrossRef] [Medline］
    60. Grange ES, Neil EJ, Stoffel M, Singh AP, Tseng E, Resco-Summers K，等。应对COVID-19:华盛顿大学医学信息技术服务经验。应用临床通知2020年3月11日(2):265-275 [免费的全文] [CrossRef] [Medline］
    61. Castiglioni I, Ippolito D, Interlenghi M, Monti CB, Salvatore C, Schiaffino S，等。应用于胸部x光的人工智能可以帮助诊断COVID-19感染:意大利伦巴第的首次经验。2020年4月10日在线预印本。［免费的全文] [CrossRef］
    62. Serper M, Cubell AW, Deleener ME, Casher TK, Rosenberg DJ, Whitebloom D，等。肝病及其他领域的远程医疗:COVID-19危机能否导致行动?国际肝病2020 Aug;72(2):723-728 [免费的全文] [CrossRef] [Medline］
    63. 发嘎吱嘎吱声WJ。远程医疗:时间真的到了吗?农村卫生2020年4月11日[免费的全文] [CrossRef] [Medline］
    64. Punn N, Sonbhadra S, Agarwal S.使用机器学习和深度学习算法分析COVID-19疫情。2020年6月1日在线预印本。［CrossRef］
    65. 迈尔斯美国，伯克斯A，格鲁博AL, Axon RN。通过超前使曲线变平:VA医疗保健系统如何利用远程医疗为农村退伍军人提供持续的医疗服务。农村卫生2020年4月13日[免费的全文] [CrossRef] [Medline］
    66. Noonan D，西蒙斯洛杉矶。2019冠状病毒病期间指导非必要的研究试验:我们需要使用数字技术提高农村参与者的可及性?农村卫生2020年4月13日[免费的全文] [CrossRef] [Medline］
    67. Loeb AE, Rao SS, Ficke JR, Morris CD, Riley LH, Levin AS。2019冠状病毒病危机期间加速引入远程医疗的部门经验和教训。J Am Acad Orthop Surg 2020 Jun 01;28(11):e469-e476 [免费的全文] [CrossRef] [Medline］
    68. Price A, Henke L, Maraghechi B, Kim T, Spraker MB, Hugo GD，等。在冠状病毒大流行期间实施一种新型远程医生SBRT覆盖流程。2020年4月14日在线预印本。［CrossRef］
    69. Vaishya R, Javaid M, Khan IH, Haleem A.人工智能(AI)在COVID-19大流行中的应用。糖尿病Metab Syndr 2020;14(4):337-339 [免费的全文] [CrossRef] [Medline］
    70. Stubblefield J, Hervert M, Causey J, Qualls J，董伟，蔡磊，等。心脏或传染性?转移学习与胸片在急诊病人分类中的应用。2020年4月15日在线预印本。［免费的全文] [CrossRef］
    71. 袁英杰、徐超、李伟、陈涛、周丽、黄舒。哪里可以买到口罩?2019年冠状病毒病期间使用台湾开放数据的应用调查。中华医学会杂志2020年6月;83(6):557-560 [免费的全文] [CrossRef] [Medline］
    72. Pollock K, Setzen M, Svider PF:在COVID-19危机期间将远程医疗纳入耳鼻喉科实践:受邀评论。Am J Otolaryngol 2020;41(3):102490 [免费的全文] [CrossRef] [Medline］
    73. Mahmood S, Hasan K, cooler Carras M, Labrique A.全球防范COVID-19:我们必须利用数字卫生的力量。JMIR公共卫生监测2020年4月16日;6(2):e18980 [免费的全文] [CrossRef] [Medline］
    74. Gallotti R, Valle F, Castaldo N, saco P, De Domenico M.评估信息流行病的风险?应对2019冠状病毒病大流行。2020年4月16日在线预印本。［免费的全文] [CrossRef］
    75. 任鑫，翟勇，宋鑫，王铮，窦东，李颖。移动远程医疗系统在患者信息展示和病例讨论中的应用。Telemed J E Health 2020 Jun;26(6):725-733。［CrossRef] [Medline］
    76. 《2019冠状病毒病大流行:利用技术支持儿童福祉》。J儿Nurs 2020;53:88-90 [免费的全文] [CrossRef] [Medline］
    77. Al-karawi D, Al-Zaidi S, Polus N, Jassim S.胸部CT扫描图像作为新型冠状病毒(COVID-19)患者辅助数字检测的机器学习分析。2020年4月17日在线预印本。［CrossRef］
    78. Kumar R, Arora A, Bansal B, Sahayasheela VJ, Buckchash H, Imran J，等。基于SMOTE和机器学习分类器的深度特征学习模型的胸部x线图像准确预测COVID-19。2020年4月17日在线预印本。［CrossRef］
    79. Garg SK, Rodbard D, Hirsch IB, Forlenza GP。COVID-19大流行期间管理新发1型糖尿病:挑战和机遇。Diabetes technology Ther 2020 Jun;22(6):431-439。［CrossRef] [Medline］
    80. Kuziemski M, Misuraca G.公共部门的人工智能治理:民主环境下自动化决策前沿的三个故事。电信政策2020年7月;44(6):101976 [免费的全文] [CrossRef] [Medline］
    81. Jakhar D, Kaur I, Kaul S. COVID-19期间的屏幕镜像、屏幕选角和屏幕共享:皮肤科医生应该知道的事情。Clin Exp Dermatol 2020 Aug;45(6):750-751 [免费的全文] [CrossRef] [Medline］
    82. Marasca C, Ruggiero A, Fontanella G, Ferrillo M, Fabbrocini G, Villani A.远程医疗和支持小组可用于提高COVID-19大流行期间受炎症性皮肤疾病影响的患者对治疗的依从性和与健康相关的生活质量。Clin Exp Dermatol 2020 Aug;45(6):749 [免费的全文] [CrossRef] [Medline］
    83. Bulchandani V, Shivam S, Moudgalya S, Sondhi S.数字群体免疫与COVID-19。2020年5月26日在线预印本。［CrossRef］
    84. Green A, Ruchman S, Katz C, Singer E.对寻求庇护者进行法医远程心理健康评估。2020年4月18日在线预印本。［CrossRef］
    85. 李文华，李文华，李文华。远程医疗能否帮助眼科保健从业者在COVID-19大流行期间适应隐形眼镜服务?Cont Lens pre - Eye 2020 Jun;43(3):204-207 [免费的全文] [CrossRef] [Medline］
    86. O'Connor CM, Anoushiravani AA, DiCaprio MR, Healy WL, Iorio R. COVID-19大流行后的经济复苏:恢复选择性骨科手术和全关节置换术。J Arthroplasty 2020年7月;35(7S):S32-S36 [免费的全文] [CrossRef] [Medline］
    87. Wittbold KA, Baugh JJ, Yun BJ, Raja AS, White BA。在COVID-19大流行期间，在急诊室部署iPad进行虚拟评估。Am J emerging Med 2020年4月18:0 ' [免费的全文] [CrossRef] [Medline］
    88. Hightow-Weidman L, Muessig K, Claude K, Roberts J, Zlotorzynska M, Sanchez T.在Covid-19期间最大化青少年的数字干预:来自艾滋病毒干预青少年试验网络的教训。AIDS Behav 2020 Aug;24(8):2239-2243 [免费的全文] [CrossRef] [Medline］
    89. Bonavita S, Tedeschi G, Atreja A, Lavorgna L. COVID-19大流行时代多发性硬化症患者的数字分诊。神经科学2020年5月;41(5):1007-1009 [免费的全文] [CrossRef] [Medline］
    90. Wosik J, Fudim M, Cameron B, Gellad ZF, Cho A, Phinney D，等。远程医疗转型:COVID-19和虚拟医疗的兴起。J Am Med Inform Assoc 2020年6月01;27(6):957-962 [免费的全文] [CrossRef] [Medline］
    91. 严A，邹Y, Mirchandani DA。中国大陆医院如何利用信息技术服务应对COVID-19的爆发:对医院新闻网页的分析。J Am Med Inform Assoc 2020 july 01;27(7):991-999 [免费的全文] [CrossRef] [Medline］
    92. 林斌，吴松。2019冠状病毒病:中国数字健康和医疗物联网的机遇与挑战。组学2020;24(5):231 - 232。［CrossRef] [Medline］
    93. Kummitha RKR。抗击大流行病的智能技术:控制病毒传播的技术和人为驱动的方法。Gov Inf Q 2020年7月;37(3):101481 [免费的全文] [CrossRef] [Medline］
    94. Abbas A, Abdelsamea M, Gaber M.利用DeTraC深度卷积神经网络对胸部x线图像中的COVID-19进行分类。2020年5月18日在线预印本。［CrossRef］
    95. Ardabili S, Mosavi A, Ghamisi P, Ferdinand F, Varkonyi-Koczy AR，路透社U，等。用机器学习预测COVID-19疫情。2020年4月22日在线预印本。［CrossRef］
    96. 张浩，Dimitrov D, Simpson L, Singh B, Plaks N, Penney S，等。基于web的移动响应式应用程序用于筛查医护人员的COVID症状:描述性研究。2020年4月22日在线预印本。［CrossRef］
    97. Hart JL, Turnbull AE, Oppenheim IM, Courtright KR. 2019冠状病毒病时代的以家庭为中心的护理。J疼痛症状管理2020 Aug;60(2):e93-e97 [免费的全文] [CrossRef] [Medline］
    98. Parikh A, Kumar AA, Jahangir E. COVID-19时期的心脏肿瘤护理和远程医疗的作用。JACC CardioOncol 2020 Jun;2(2):356-358 [免费的全文] [CrossRef] [Medline］
    99. Rahman MS, Peeri NC, Shrestha N, Zaki R, Haque U, Hamid SHA。抗击新型冠状病毒(COVID-19):物联网如何帮助拯救世界?卫生政策技术2020年6月;9(2):136-138 [免费的全文] [CrossRef] [Medline］
    100. Alwashmi MF。在COVID-19的检测和管理中使用数字卫生。国际J环境Res公共卫生2020年4月23日;17(8):2906 [免费的全文] [CrossRef] [Medline］
    101. Sedov L, Krasnochub A, Polishchuk V.在流行病期间建模隔离和使用无人机进行大规模测试。2020年4月23日在线预印本。［CrossRef］
    102. Mahapatra S, Nath P, Chatterjee M. COVID-19的新用途疗法:通过机器学习和对接快速预测市售药物。2020年4月23日在线预印本。［CrossRef］
    103. Azizy A, Fayaz M, Agirbasli M.《不要忘记2019冠状病毒病时代的阿富汗:远程医疗和物联网加强地球卫生系统》。组学2020年6月,24(6):311 - 313。［CrossRef] [Medline］
    104. 重组的社会与环境:控制COVID-19大流行的潜在技术策略综述。科学全面环境2020年7月10日;725:138858 [免费的全文] [CrossRef] [Medline］
    105. Park S, Choi GJ, Ko h。基于信息技术的应对COVID-19的追踪策略——在韩国隐私争议中。JAMA 2020年6月02;323(21):2129-2130。［CrossRef] [Medline］
    106. 内格里尼S，基肯斯C，伯内蒂A，卡佩奇M，塞拉沃罗MG，拉维奇S，等。大流行期间远程医疗从研究到实践。Eur J Phys Rehabil Med 2020年4月24日327-330 [免费的全文] [CrossRef] [Medline］
    107. Tanaka MJ, Oh LS, Martin SD, Berkson EM.《COVID-19时代的远程医疗:虚拟骨科检查》。J骨关节外科杂志2020年6月17日;102(12):e57 [免费的全文] [CrossRef] [Medline］
    108. Randhawa GS, Soltysiak MPM, El Roz H, de Souza CPE, Hill KA, Kari L.使用内在基因组特征进行新型病原体快速分类的机器学习:COVID-19案例研究。PLoS One 2020;15(4):e0232391 [免费的全文] [CrossRef] [Medline］
    109. Javaid M, Haleem A, Vaishya R, Bahl S, Suman R, Vaish A.工业4.0技术及其在抗击COVID-19大流行中的应用。糖尿病Metab Syndr 2020;14(4):419-422 [免费的全文] [CrossRef] [Medline］
    110. Kyhlstedt M, Andersson SW。应对COVID-19大流行的诊断和数字解决方案:需要国际合作以缩小差距。卫生政策技术2020年6月;9(2):126-128 [免费的全文] [CrossRef] [Medline］
    111. Barbosa RDM, Fernandes MAC. SARS-CoV-2基因组混沌博弈表示数据集。数据概要2020年6月;30:105618 [免费的全文] [CrossRef] [Medline］
    112. Blake H, Bermingham F, Johnson G, Tabner A.减轻COVID-19对医护人员的心理影响:一个数字学习包。国际环境与公共卫生2020年4月26日;17(9):2997 [免费的全文] [CrossRef] [Medline］
    113. Reeves JJ, Hollandsworth HM, Torriani FJ, Taplitz R, Abeles S, Tai-Seale M，等。快速应对COVID-19:为学术卫生系统的疫情管理提供卫生信息学支持。J Am Med Inform Assoc 2020 Jun 01;27(6):853-859 [免费的全文] [CrossRef] [Medline］
    114. 王晓燕，王晓燕，王晓燕。基于脉冲无线电超宽带收发器的远程健康监测信号处理技术综述。传感器(巴塞尔)2020年4月27日;20(9):2479 [免费的全文] [CrossRef] [Medline］
    115. 惠兰·P, Stockton-Powdrell C, Jardine J, Sainsbury J.评论《数字精神卫生和COVID-19:今天使用技术加速明天的获取和质量曲线》:英国视角。JMIR Ment Health 2020年4月27日;7(4):e19547 [免费的全文] [CrossRef] [Medline］
    116. Meinert E, Milne-Ives M, Surodina S, Lam C.数字卫生平台的敏捷需求工程和软件规划，以考虑社交距离导致的隔离影响:案例研究。JMIR公共卫生监测2020年5月6日;6(2):e19297 [免费的全文] [CrossRef] [Medline］
    117. Ekong I, Chukwu E, Chukwu M. 2019冠状病毒病移动定位数据接触追踪和患者隐私条例:尼日利亚全球应对策略的探索性搜索和数字工具的使用。JMIR mHealth uHealth 2020年4月27日;8(4):e19139 [免费的全文] [CrossRef] [Medline］
    118. Pérez Sust P, Solans O, Fajardo JC, Medina Peralta M, Rodenas P, Gabaldà J，等。化危机为机遇:COVID-19疫情期间部署的数字卫生战略。JMIR公共卫生监测2020年5月04日;6(2):e19106 [免费的全文] [CrossRef] [Medline］
    119. Kim H, Paul a .接触者追踪:COVID-19时期的一场大数字游戏。2020年9月13日在线预印本。［CrossRef］
    120. 克鲁科夫斯基RA，罗斯KM。2019冠状病毒病大流行期间，在临床和研究环境中用电子秤测量体重。肥胖(银泉)2020年7月;28(7):1182-1183 [免费的全文] [CrossRef] [Medline］
    121. 刘强，郑铮，郑杰，陈强，刘刚，陈松，等。中国新冠肺炎疫情早期新闻媒体的健康传播:数字主题建模方法。J Med Internet Res 2020年4月28日;22(4):e1918 [免费的全文] [CrossRef] [Medline］
    122. Vaid A, Somani S, Russak A, De Freitas JK, Chaudhry FF, Paranjpe I，等。机器学习预测纽约市COVID-19阳性患者的死亡率和严重事件。2020年4月28日在线预印本。［CrossRef］
    123. 李A. 2019冠状病毒病与数字物理治疗师实践和远程医疗的进展。Phys Ther 2020 7月19日;100(7):1054-1057 [免费的全文] [CrossRef] [Medline］
    124. Tarek M, Elhefnawi M, Maricato J, Diaz RS, Shytaj IL, Savarino a . Custommune:设计个性化和针对人群的疫苗抗原表位的网络工具。2020年4月29日在线预印本。［CrossRef］
    125. 阿瓦斯蒂R, Pal R, Singh P, Nagori A, Reddy S, Gulati A，等。用自然语言处理提取COVID-19大流行的系统性影响的Web应用程序。2020年4月29日在线预印本。［CrossRef］
    126. Khan H, Hossain A.国家聚集，但检测数量对预测全球COVID-19确诊病例并不重要:一种机器学习方法。2020年4月20日在线预印本。［CrossRef］
    127. Husnayain A, Shim E, Fuad A, Su E。通过谷歌和NAVER相对搜索量评估韩国社区对COVID-19爆发的风险感知。2020年4月29日在线预印本。［CrossRef］
    128. Weemaes M, Martens S, Cuypers L, Van Elslande J, Hoet K, Welkenhuysen J，等。管理COVID-19大流行的实验室信息系统需求:来自比利时国家参考检测中心的一份报告。J Am Med Inform Assoc 2020 Aug 01;27(8):1293-1299 [免费的全文] [CrossRef] [Medline］
    129. Espinoza J, Crown K, Kulkarni O.儿科医疗机构COVID-19筛查聊天机器人指南。JMIR公共卫生监测2020年4月30日;6(2):e18808 [免费的全文] [CrossRef] [Medline］
    130. Wagner T, Shweta F, Murugadoss K, Awasthi S, Venkatakrishnan AJ, Bade S，等。海量电子病历系统中非结构化临床记录的增强整理揭示了即将到来的COVID-19诊断的特定表型特征。2020年6月11日在线预印本。［CrossRef］
    131. Brat GA, Weber GM, Gehlenborg N, Avillach P, Palmer NP, Chiovato L, APHP/大学/INSERM COVID-19研究合作，通过EHR (4CE)对COVID-19的临床表征联盟等。国际电子卫生记录衍生的COVID-19临床课程简介:4CE联盟。2020年6月8日在线预印本。［免费的全文] [CrossRef］
    132. Hegde C, Jiang Z, Suresha P, Zelko J, Seyedi S, Smith MA，等。基于开源边缘计算树莓pi的临床筛选系统。2020年4月30日在线预印本。［CrossRef］
    133. Tobias A, Valls J, Satorra P, Tebe C. covid - tracker:一个为西班牙的SARS-CoV-2流行提供全面数据可视化的闪亮应用程序。2020年4月30日在线预印本。［CrossRef］
    134. 康普顿M, Soper M, Reilly B, Gettle L, List R, Bailey M，等。新冠肺炎疫情下紧急实施囊性纤维化多学科远程医疗临床的可行性研究:单中心经验。Telemed J E Health 2020 Aug;26(8):978-984。［CrossRef] [Medline］
    135. Smith WR, Atala AJ, Terlecki RP, Kelly EE, Matthews CA。《COVID-19大流行期间门诊远程医疗项目快速整合实施指南》。J Am Coll外科2020 Aug;231(2):216-222。e2 (免费的全文] [CrossRef] [Medline］
    136. Kalteh EA, Rajabi A. COVID-19与数字流行病学。Z Gesundh Wiss 2020 Apr 30:1-3 [免费的全文] [CrossRef] [Medline］
    137. 吴拜达尔JA，张杰，赫尔斯E，图瑞斯基R，帕金森K，劳施JC。为2019年冠状病毒病期间肥胖的脆弱儿童提供远程医疗解决方案。肥胖(银泉)2020年7月;28(7):1184-1186 [免费的全文] [CrossRef] [Medline］
    138. Ciaffi J, Meliconi R, Landini M, Ursini F.谷歌趋势与意大利的COVID-19:我们能做好准备迎接影响吗?实习医师急诊2020年5月25:1555-1559 [免费的全文] [CrossRef] [Medline］
    139. 冠状病毒时期的数字化控制。文章在意大利。CERIDAP。2020年3月31日。URL:https://ceridap.eu/digitalizzazione-dei-controlli-ai-tempi-del-coronavirus/[2020-11-04]访问
    140. 第二十五条。设计和默认的数据保护。GDPR文本。URL:https://gdpr-text.com/read/article-25/[2020-11-04]访问
    141. 心理卫生经济学:为有效的心理卫生政策提供一个平台。应用卫生经济卫生政策2020年4月18日(2):143-145。［CrossRef] [Medline］
    142. Sweeney Y.追踪关于COVID-19监测工具的辩论。Nat Mach Intell 2020 6月16日;2(6):301-304。［CrossRef］
    143. 王松，丁松，熊磊。新型冠状病毒病监测与数字接触者追踪系统:基于网络和GPS的时空报告。JMIR mHealth uHealth 2020年6月10日;8(6):e19457 [免费的全文] [CrossRef] [Medline］
    144. Garg S, Bhatnagar N, Gangadharan N.印度COVID-19大流行参与式疾病监测案例。JMIR公共卫生监测2020年4月16日;6(2):e18795 [免费的全文] [CrossRef] [Medline］
    145. Ienca M, Vayena E.负责任地使用数字数据应对COVID-19大流行。Nat Med 2020年4月26日(4):463-464 [免费的全文] [CrossRef] [Medline］
    146. Corrao G, Rea F, Di Martino M, Lallo A, Davoli M, DlE Pl A，意大利卫生部“监测和评估诊断-治疗路径”工作组。坚持糖尿病患者推荐的临床检查在预防糖尿病相关住院中的有效性2019年7月01日;31(6):464-472。［CrossRef] [Medline］
    147. Fagherazzi G, Goetzinger C, Rashid MA, Aguayo GA, Huiart L.全球抗击COVID-19的数字卫生战略:挑战、建议和论文征集。J Med Internet Res 2020 6月16日;22(6):e19284 [免费的全文] [CrossRef] [Medline］
    148. De Groote SL, Shultz M, Blecic DD.信息寻求行为和在线资源的使用:当前健康科学教师的快照。J Med Libr Assoc 2014 july 17;102(3):169-176 [免费的全文] [CrossRef] [Medline］
    149. 大流行会永久改变科学出版吗?大自然2020年6月,582(7811):167 - 168。［CrossRef] [Medline］

    ‎
    人工智能:人工智能
    CT:计算机断层扫描
    电子健康档案:电子健康记录
    ePPE:电子个人防护用品
    EXPH:有效卫生调查方法专家小组
    GDPR:一般数据保护规例
    物联网:物联网
    知识产权:流感肺炎
    它:信息技术
    大会党:新型冠状病毒肺炎
    棱镜:系统评审的首选报告项目
    二维码:快速响应代码

    G·埃森巴赫编辑;提交07.07.20;A Bucci, J同行评议Piera-Jiménez;对作者20.07.20的评论;修订版收到25.07.20美元;接受15.09.20;发表06.11.20

    版权

    ©Davide Golinelli, Erik Boetto, Gherardo Carullo, Andrea Giovanni Nuzzolese, Maria Paola Landini, Maria Pia Fantini。最初发表于《医疗互联网研究杂志》(//www.mybigtv.com)， 2020年11月6日。

    这是一篇开放获取的文章，根据创作共用署名许可协议(https://creativecommons.org/licenses/by/4.0/)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。
    Baidu
    map