本文内容如下e-collection /主题问题:

数字健康评论(758) 信息流行病学与信息监控(984) 电子卫生信息的质量/可信度和信任问题(365) 数字媒体中的信息质量(264) 信息监测，信息流行病学，数字疾病监测，信息管理 资讯监察及社会聆听(133)

发表在在第22卷第四名(2020): 4月

本文的预印本(早期版本)可在https://preprints.www.mybigtv.com/preprint/16206，首次出版．
信息流行病学和信息监视:范围审查

信息流行病学和信息监视:范围审查

信息流行病学和信息监视:范围审查

本文作者:

喇叭花Mavragani1 作者Orcid图片
文章 作者 引用于(37) Tweetations (14) 指标

    审查

    英国斯特林大学自然科学学院计算科学与数学系

    通讯作者:

    Amaryllis Mavragani，理学学士，理学硕士

    计算机科学与数学系“，

    自然科学学院

    斯特林大学

    大学校园

    斯特林，FK9 4LA

    联合王国

    电话:44 7523 782711

    电子邮件:amaryllis.mavragani1@stir.ac.uk


    背景:基于网络的资源越来越多地用于疾病和流行病的分析、检测和预测，以及预测人类对一些健康问题的行为。互联网的这种使用被称为信息流行病学，这是由冈瑟·埃森巴赫(Gunther Eysenbach)提出的概念。信息流行病学和信息监测研究使用基于网络的数据，在过去十年中已成为卫生信息学研究的一个组成部分。

    摘要目的:本文的目的是对信息流行病学的最先进技术以及该概念的背景和历史进行范围审查，以确定来源和健康类别和主题，详细说明所采用方法的有效性，并讨论当前研究中确定的差距。

    方法:遵循PRISMA(系统评价和元分析首选报告项目)指南，从JMIR、PubMed和Scopus数据库中提取属于信息流行病学和信息监测范畴的出版物。共提取文献338篇进行评估。

    结果:在338项研究中，绝大多数(n= 282,83.4%)发表于JMIR Publications。卡塔尔世界杯8强波胆分析《医疗互联网研究杂志》收录了近一半的出版物(n=168, 49.7%)， JMIR公共卫生与监测杂志收录了超过五分之一的研究(n=74, 21.9%)。人们对该学科的兴趣每年都在增加，2018年的出版物占总出版物的四分之一以上(n=89, 26.3%)， 2017年和2018年的出版物加起来占过去十年出版物总数的一半以上(n=171, 50.6%)。最流行的来源是Twitter，占45.0% (n=152)，其次是谷歌，占24.6% (n=83)，网站和平台占13.9% (n=47)，博客和论坛占10.1% (n=34)， Facebook占8.9% (n=30)，其他搜索引擎占5.6% (n=19)。就研究对象而言，本次综述中最常见的类别是疾病和疾病(17.2% (n=58)和流行病和爆发(15.7% (n=53))，其次是医疗保健(n= 39,11.5%)、毒品(n= 40,10.4%)和吸烟和酒精(n= 29,8.6%)。

    结论:信息流行病学领域正变得越来越流行，采用创新的方法和方法进行健康评估。基于网络资源的使用为我们提供了否则无法获得的信息，并解决了耗时的传统方法所产生的问题，这表明信息流行病学在卫生信息学研究中发挥着重要作用。

    中国医学网络学报2020;22(4):e16206

    doi: 10.2196/16206

    关键字

    大数据； infodemiology； infoveillance； 互联网； 审查； 基于网络的数据


    信息流行病学(即信息流行病学)是卫生信息学中的一个领域，定义为研究电子媒介，特别是互联网或人群中信息的分布和决定因素的科学，最终目的是为公共卫生和公共政策提供信息“(1］．根据PubMed的搜索，第一次官方提到信息流行病学是2002年由Gunther Eysenbach [2］．然而，信息流行病学研究(即使用基于网络的数据对健康相关主题进行评估[3.)可以追溯到1996年。2000年的另外两项研究使用了这个术语(PubMed):一项是在2004年，评估了医院网站的质量[4]和2006年的一项研究表明，谷歌的流感数据与流感病例相关[5］．

    2009年之后出现了大量的信息流行病学出版物，在Bernardo等人的范围综述中发现了该主题的第一个完整的介绍和评估[6由信息流行病学和信息监测研究的主要卡塔尔世界杯8强波胆分析出版商JMIR出版社出版。

    社交媒体和搜索查询是从基于web的资源中检索信息的最流行的来源。社交媒体的使用在不断扩大。7]，拥有更多的用户，包含更多的功能。搜索查询数据也很有价值，因为它们考虑的是显示出来的而不是陈述出来的用户偏好[8，9]，但在设计方法时应谨慎，以确保结果的有效性[10］．

    信息流行病学中流行的社交媒体数据源包括Twitter [11-17]、脸书[18-22]，以及Instagram [23，24］．来自搜索引擎的查询主要由谷歌Trends检索[25-32]，以及Yandex [33-35]，百度[36，37， Bing [38]，雅虎[39]，以及Daum [40，41］．其他流行的来源包括网站和平台[42-45];博客、论坛和在线社区[46-52];最近受到关注的是某些健康类别的移动应用程序(例如，哮喘[53]和心力衰竭自我护理管理[54])。将两个或多个来源(如Facebook和Instagram)结合在一起显示出了显著的重点[55]、脸书及推特文章[56]、美国报纸媒体及脸书[57]、谷歌及维基百科[58］．

    基于网络的资源的使用提供了对实时信息的评估，无论是来自Twitter、谷歌还是其他社交媒体和搜索查询。对于通过登记、问卷或调查等传统方法检索的卫生数据，进行分析和评估可能需要时间。因此，使用上述方法的临近预测并非微不足道。然而，基于网络的(实时)数据已被证明对某些疾病、疫情和流行病的分析和预测有重大贡献。

    因此，卫生信息学的这一特定部分受益于信息流行病学。特别是，研究最多的疾病之一是流感，若干数据来源已被用于预测和评估与流感相关的主题[39，40，59-76］．已利用信息流行病学和信息监测方法分析和评估的流行病和传染病包括艾滋病毒/艾滋病[77-79]、麻疹[80-83]，以及寨卡病毒[84-87］．

    信息流行病学主题也已成为各种主题的研究主题，如可治愈的性传播疾病[88]和精神健康障碍[89]，以及搜索查询、社交媒体等数据源[6]、手机应用程式[90]，推特[91]和谷歌趋势[92］．

    信息流行病学通过对一系列主题的分析对健康评估作出了贡献。具体来说，在信息流行病学和信息监视领域，流行的类别包括药物[39，93，94]，大麻[95-97]、抑郁和自杀[98-108]、吸烟及烟草[109-116]、电子烟(电子烟)[117-126]、水烟[127-130］．就慢性疾病而言，糖尿病的评估[131-136]和多发性硬化症[137，138]从信息流行病学和信息监测研究中获益。其他主题包括乳癌[139-142];健康及饮食[143-146];保健业绩、评价和传播[147，148];及人类乳头瘤病毒[149-154］．

    本综述旨在更新和扩展2013年Bernardo等人的范围综述[6］．上述综述的作者提供了一个结构良好的概要，说明信息流行病学是如何应用于卫生信息学研究的，但显而易见的是，该领域的大量研究语料库已在过去几年发表。与传统监测方法、使用的主要网络资源以及已探索的个别卫生类别和主题相比，信息流行病学在过去十年中如何对卫生信息学作出贡献，这一主题的最新进展非常重要。除了确定信息流行病学研究的“指标”(即出版物数量、主题、期刊和出版商以及数据来源)之外，本综述旨在确定信息流行病学和信息监测的优点、缺点以及价值和有效性。


    为甄选资讯流行病学及资讯监察领域的刊物，“系统检讨及元分析优先报告项目(PRISMA)范围检讨扩展版”[155，156)。在PRISMA流程图中描述了该过程图1．

    在JMIR出版卡塔尔世界杯8强波胆分析物数据库中，检索了来自两个相关电子文集(电子文集)的所有论文:225篇来自“Infodemiology and infosurveillance”[157的电子收藏医学互联网研究杂志185来自“信息流行病学、信息监测和数字疾病监测”[158[商务英语电子收集JMIR公共卫生和监视．去除重复项和2个文章类型合格项后，共提取出227篇文章。接下来，根据搜索数据源(即“Twitter”、“谷歌趋势”和“谷歌流感趋势”)，从JMI卡塔尔世界杯8强波胆分析R出版物数据库中精心挑选了66篇文档。在根据文章类型排除了10个文档之后，从JMIR数据库中总共挑选了56个文档。

    ‎
    图1。系统评价和元分析的首选报告项目图，用于从JMIR、PubMed和Scopus中选择出版物。
    查看此图

    接下来，从2009年1月1日到2018年12月31日，在PubMed数据库的“标题-摘要”搜索字段中搜索“信息流行病学”一词。这次搜索返回了94份文件。然后在同一时期和同一领域输入“信息监视”一词，搜索返回51份文件。共有重复39篇，根据文章类型剔除2篇文献;从PubMed数据库中提取了104份文件。然后在Scopus数据库的“文章标题、摘要、关键词”字段中独立搜索“infodemiology”和“infosurveillance”这两个词，搜索时间为2009-2018年。搜索分别返回了88和43份文件(即总共131份)。在去除33个重复项和4个文章类型标准文档后，从Scopus数据库中总共提取了94个文档。

    总体而言，选择了截至2018年12月PubMed中“标题/摘要”字段中包含术语“信息流行病学”或“信息监测”的所有研究，以及截至2018年Scopus中“文章标题、摘要、关键词”字段中包含术语“信息流行病学”或“信息监测”的所有研究。对于JMIR，两个相关电子集合中的所有文章，以及通过单个数据源搜索得到的文章，都包括在这次审查中。文章仅被排除基于文章类型资格(如，更正，勘误表)。去除JMIR、PubMed和Scopus数据库中的重复项后，从所有数据库中提取的文档总数为338个。


    表格A1多媒体附件1由本次综述中所选的338篇出版物组成，并显示了作者的姓名、出版年份、标题和用于分析的期刊。图2描述了2009 - 2018年每年的出版物数量。

    该学科的发表论文数量每年都在增加，2018年超过了338篇论文总数的四分之一(n=89篇，26.3%)，2017年和2018年的总和占过去十年总发表论文数量的一半以上(n=171篇，50.6%)。

    ‎
    图2。2009-2018年信息流行病学和信息监测领域的年度出版物数量。
    查看此图

    提取的338篇研究共发表在57种期刊上。绝大多数信息流行病学和信息监测方面的研究发表在JMIR出版物上(n= 282,83.4%)。卡塔尔世界杯8强波胆分析具体来说,医学互联网研究杂志几乎一半的出版物(n=168, 49.7%)的特征JMIR公共卫生和监视近四分之一的研究(n=74, 21.9%)的特征。

    图3由每期杂志的出版物数量组成，该主题有>2个出版物。

    在该主题上发表超过1篇论文的期刊包括JMIR心理健康(n=9)、JMIR研究协议(n=7)、JMIR糖尿病(n=4)、JMIR癌症(n=3)、JMIR医学信息学(n=3)、JMIR儿科和育儿(n=3)、《大数据杂志》(n=2)和《医学研究互动杂志》(n=2)。

    表A2多媒体附件1由338个出版物组成，按使用的数据源分类。图4根据出版物的数量描述所检查的数据源的受欢迎程度(一些出版物使用了多个数据源)。

    ‎
    图3。按期刊分类的信息流行病学和信息监测领域的出版物数量(2009-2018年)。电气与电子工程师学会;JPH: JMIR公共卫生和监测。
    查看此图
    ‎
    图4。按数据源分列的出版物数量(2009-2018年)。
    查看此图

    在338份出版物中，最受欢迎的来源是Twitter，占45.0% (n=152)，并不断受到欢迎。谷歌来源位居第二，占24.6% (n=83)，其次是网站和平台，占13.9% (n=47)，博客和论坛占10.1% (n=34)， Facebook占8.9% (n=30)，其他搜索引擎占5.6% (n=19)。谷歌类别主要包括使用谷歌趋势的出版物;虽然，以下谷歌工具也被确定为主要数据源在几个出版物:谷歌流感趋势(n=6)，谷歌分析(n=2)，谷歌洞察(n=2)，谷歌相关(n=1)，谷歌健康(n=1)，谷歌新闻(n=1)，谷歌AdWords (n=1)，谷歌视频(n=1)，谷歌博客搜索(n=1)。

    “其他搜索引擎”类别包括Bing (n=7)、百度(n=4)、Yandex (n=4)、Daum (n=2)和Yahoo (n=3)，“其他社交媒体”类别包括YouTube (n=5)、Yelp (n=5)、谷歌+ (n=4)、Foursquare (n=1)、SoundCloud (n=1)、Tumblr (n=1)、Pinterest (n=1)和MySpace (n=1)。雅虎答案(n=2)被包括在博客、论坛和社区类别中。

    尽管在信息流行病学和信息监测中已经研究了许多健康主题，但有些主题明显更受欢迎。图5载列刊物数目的一般类别，而多媒体附件2由其子类别的饼状图组成。本综述中按出版物数量列出的所有单独主题和子主题均可在多媒体附件2．

    在本综述审查的338份出版物中，最受欢迎的主题是疾病和疾病，占17.2% (n=58)，流行病和爆发占15.7% (n=53)，其次是医疗保健，占11.5% (n=39)，药物，占10.4% (n=35)，吸烟和酒精，占8.6% (n=29)，精神健康，占8.3% (n=28)。传染病(8.0%，n=27)和癌症(6.8%，n=23)也出现在一些出版物中。饮食和健身(4.1%，14人)和母亲和孩子(2.7%，9人)不太受欢迎。

    ‎
    图5。按出版物数量分列的卫生类别(2009-2018年)。
    查看此图

    主要研究结果

    在本范围综述中，通过对现有文献的系统搜索，确定了信息流行病学和信息监测中最受欢迎的基于网络的数据源以及研究最多的健康类别。

    时间线和日志

    基于网络的数据在卫生信息学中的使用逐年显著增加，2009年至2018年的出版物中有一半是在最近几年发表的。就该主题卡塔尔世界杯8强波胆分析的出版物数量而言，JMIR出版物数据库是最重要的贡献者(n=282/338, 83.4%)，特别是考虑到最重要的信息流行病学期刊(即JMIR公共卫生和监测)是由JMIR出版物出版的。由Gunther Eysenbach于2002年提出的信息流行病学概念自诞生以来就得到了广泛的认可，很明显，它将在未来几年在卫生信息学中发挥更重要的作用，特别是随着互联网普及率随着用户平均年龄的增加而增加。

    数据来源和工具

    图6描述在所述期间内最流行数据源的出版物数量的年度变化。很明显，在过去的几年里，网络数据源的使用有了显著的增长，Twitter在健康信息学研究人员评估健康相关主题方面处于领先地位。

    尽管Twitter的用户数量越来越多，而且使用Twitter的人数明显超过谷歌，但Twitter的局限性在于它不是通用的。它的优点包括它是官方报告和新闻(如政府，政治家)的出口，但一个重要的缺点是它不是所有人都使用;此外，并不是每个人都在网站上进行互动(即推文或转发)。对互联网搜索流量数据的分析——主要来自谷歌，也来自其他搜索引擎(如必应，雅虎)——在某种意义上更加普遍，因为互联网渗透率已经提高到一个程度，大多数人都可以访问和使用互联网，在搜索引擎中搜索关键字是最常用的互联网功能。除此之外，它还确保了匿名性，认为它更可靠，因为它使用的是透露的而不是声明的用户偏好。但是，选择关键字(查询)以及选择检索数据的方法要比使用Twitter复杂得多。此外，存在多个搜索引擎，因此，并不是关于各自选定主题的所有查询(数据)都可以检索。

    另一方面，在过去几年里，使用Facebook和Instagram等其他社交媒体数据的出版物的比例有了显著上升。这可能表明，年轻互联网用户在使用社交媒体方面的偏好可能揭示了上述平台优于原始搜索查询和网站的趋势。这一领域的研究人员应该密切关注互联网使用的任何潜在变化，以及用户的通信和年龄，以确保样本具有代表性，并且研究的目标是随着趋势而变化。后者是信息流行病学研究继续有效的关键，应该给予重要的关注。

    ‎
    图6。最流行数据源的出版物数量的年度变化(2009-2018年)。
    查看此图
    健康的话题

    很明显，到目前为止，已经研究了各种各样的主题。本次综述中发现的最流行的主题是非法药物、乳腺癌、吸烟、健身、艾滋病毒/艾滋病、抑郁症、糖尿病、流感、HPV、多发性硬化症、寨卡病毒、自杀、性传播疾病和电子烟，并对医疗保健的评估给予了极大的关注，如医院评级和患者的体验、健康主题和医疗机构的传播策略。

    方法包括临近预测流行病和疫情，传染病监测，慢性病评估，以及基本上所有传统监测方法的目标。因此，本综述的结果不仅显示了基于网络的数据越来越受欢迎，而且还显示了它们对现有文献的重大贡献，以及信息流行病学在卫生信息学中的价值。

    利与弊

    使用基于网络的数据的不同之处在于——信息流行病学的主要优势在于——它解决了传统监测方法不能提供实时评估的问题。即使在卫生部门，与其他主题相比，数据通常是可用的，但收集、评估和发布卫生数据有时也需要数年时间。对于不具有传染性的慢性病等主题来说，这不是一个问题，但它使流行病和疫情的评估和预测更加复杂。

    与传统监视方法相比，信息监视的另一个显著优势是基于web的数据提供的匿名性。在线搜索流量数据是完全匿名的，在大多数社交媒体和论坛上，个人可以选择匿名。通过这种方式，从上述来源检索的数据是公开的，而不是声明的偏好，这对于艾滋病或性传播疾病等敏感话题来说是一个加分项。

    尽管基于web的数据源提供了许多优势，但在使用信息流行病学数据源时已经发现了一些局限性。使用基于网络的来源的主要缺点是数据可能受到突发事件或事件的影响，特别是在临近预报或观测数量较低时，可能会提供有偏差的结果。同样，样本不能被证明具有代表性，特别是在评估在线搜索流量数据;不过，随着互联网普及率的提高，这已不再是一个问题。

    由于可以从网络来源检索实时数据，疾病监测比传统方法快得多，而且网络来源还具有评估大量人群的好处，这与大多数基于从小得多的群体(如访谈或问卷)检索数据的传统方法形成了鲜明对比。总的来说，未来卫生信息学的目标是将网络数据源与传统的数据评估相结合，以提供更完整的评估。

    限制

    这一范围审查的主要限制是，并非所有的信息流行病学论文都可以包括在内。虽然这项工作对出版物的选择是彻底的，并遵循了适当选择的准则，包括了信息流行病学论文的主要渠道(即JMIR出版物和PubMed)，但一些出版物可能被遗漏了;卡塔尔世界杯8强波胆分析所有评论都有一个限制。具体来说，使用两个最流行的信息流行病学来源(即Twitter和谷歌)的文章只在JMIR数据库中进行搜索。例如，使用谷歌Trends和Twitter的研究构成了大量相关文献，相当数量的研究没有被包括在内，因为它们没有使用特定的搜索术语(即，信息流行病学和信息监视);后者是与原来的Bernardo等人的主要区别[6范围审查。然而，尽管使用信息流行病学和信息监测来源而不是信息流行病学或信息监测术语的出版物数量可能会减少，因为JMIR是此类主题出版物的主要出口，本范围综述对这一概念在过去十年中如何发展提供了有价值的定性和定量概述，并确定了已使用和评估的主要来源和主题。未来的工作应侧重于扩展现有的结果，以及根据所使用的工具记录信息流行病学论文。由于按来源搜索会产生许多结果，因此应将重点放在今后对该主题按来源进行的系统审查上，例如，使用谷歌Trends [92］．

    结论

    在流行病学和疾病监测中使用基于网络的资源在过去十年中已被证明是有价值和有效的，这次范围审查的结果清楚地指向了这一方向。数据来源涵盖了各种各样的工具、社交媒体、平台、网站、博客和搜索引擎，研究最多的主题从慢性疾病流行到临近预报流行病不等。信息流行病学和信息监测解决了传统评估方法中出现的几个问题，而且，随着互联网普及率的提高，使用网络数据源进行健康评估可能是卫生信息学的未来。

    利益冲突

    没有宣布。

    ‎
    多媒体附件1

    JMIR、Scopus和PubMed的信息流行病学和信息监测出版物(2009-2018年)。

    PDF档案(adobepdf档案)，1420kb
    ‎
    多媒体附件2

    信息流行病学和信息监测(2009- 2018)的主题和子主题(#出版物)。

    PDF档案(adobepdf档案)，1430 KB
    1. 信息流行病学和信息监测:一套新兴的公共卫生信息学方法的框架，用于分析互联网上的搜索、传播和发布行为。J Med Internet Res 2009年3月27日;11(1):e11。(CrossRef] [Medline］
    2. 信息流行病学:(错误)信息的流行病学。美国医学杂志2002年12月;113(9):763-765。(CrossRef］
    3. 信息流行病学和信息监测跟踪在线卫生信息和网络行为，为公共卫生服务。Am J Prev Med 2011 5月;40(5增刊2):S154-S158。(CrossRef] [Medline］
    4. Kind T, Wheeler KL, Robinson B, Cabana MD.领先的儿童医院有高质量的网站吗?儿童医院网站的描述。J medical Internet Res 2004 6月25日;6(2):e20。(CrossRef] [Medline］
    5. 信息流行病学:在网上跟踪流感相关搜索以进行症状监测。AMIA年度诉讼程序2006:244-248 [免费全文] [Medline］
    6. Bernardo TM, Rajic A, Young I, Robiadek K, Pham MT, Funk JA。疾病监测搜索查询和社交媒体的范围审查:创新年表。中国医学杂志2013年7月18日;15(7):e147。(CrossRef] [Medline］
    7. 皮尤研究中心。社交媒体情况说明书网址:https://www.pewinternet.org/fact-sheet/social-media/[2019-09-09]访问
    8. Mavragani A, Tsagarakis KP。预测大数据时代的公投结果。J大数据2019 1月14日;6(1):e。(CrossRef］
    9. Mavragani A, Tsagarakis KP。是或否:使用谷歌Trends预测2015年投票结果。技术预测与社会变革2016年8月;109:1-5。(CrossRef］
    10. 马夫拉加尼，奥乔亚。谷歌信息流行病学和信息监测的趋势:方法论框架。JMIR公共卫生监测2019年5月29日;5(2):e13439。(CrossRef] [Medline］
    11. 边俊，赵颖，Salloum RG，郭颖，王敏，Prosperi M，等。使用社交媒体数据来了解促销信息对外行讨论的影响:林奇综合征的案例研究。J Med Internet Res 2017年12月13日;19(12):e414。(CrossRef] [Medline］
    12. Chen T, Dredze M.推特上的疫苗图片:哪些图片被分享的分析。中国医学互联网杂志2018年4月03日;20(4):e130。(CrossRef] [Medline］
    13. 赫文Y，纳斯伦JA，布朗斯坦JS，霍金斯JB。监测精神分裂症推特用户关于自杀的在线讨论:探索性研究。JMIR Ment Health 2018年12月13日;5(4):e11483。(CrossRef] [Medline］
    14. Odlum M, Yoon S, Broadwell P, Brewer R, Kuang D. Twitter如何支持艾滋病毒/艾滋病应对以实现2030年根除目标:世界艾滋病日推文的深入专题分析。JMIR公共卫生监测2018年11月22日;4(4):e10262。(CrossRef] [Medline］
    15. 陈松，徐强，Buchenberger J, Bagavathi A, Fair G, Shaikh S，等。公共卫生突发事件中卫生机构响应和公众参与的动态:2016年寨卡疫情期间CDC推特模式的案例研究JMIR公共卫生监测2018年11月22日;4(4):e10827。(CrossRef] [Medline］
    16. Wakamiya S, Kawai Y, Aramaki E.基于twitter的流感高峰后通过间接信息的twitter检测:文本挖掘研究。JMIR公共卫生监测2018年9月25日;4(3):e65。(CrossRef] [Medline］
    17. Tufts C, Polsky D, Volpp KG, Groeneveld PW, Ungar L, Merchant RM，等。描述宾夕法尼亚州关于常见健康状况的推文数量和内容:回顾性分析。JMIR公共卫生监测2018年12月06日;4(4):e10834。(CrossRef] [Medline］
    18. Saha K, Weber I, Birnbaum ML, De Choudhury M.通过利用Facebook广告估计来表征Facebook用户对精神分裂症的意识。J Med Internet Res 2017 May 08;19(5):e156。(CrossRef] [Medline］
    19. 王志强，王志强，王志强，等。经过验证的患者健康状况在Facebook上发布模式的变化:一项前瞻性队列研究J Med Internet Res 2017 Jan 06;19(1):e7。(CrossRef] [Medline］
    20. Gittelman S, Lange V, Gotway Crawford CA, Okoro CA, Lieb E, Dhingra SS，等。公共卫生监测的新数据来源:Facebook点赞。中国医学网络杂志2015年4月20日;17(4):e98。(CrossRef] [Medline］
    21. 凯勒女士，朴海杰，坎宁安梅，陈敏，斯皮格尔。公众对在医疗保健中使用虚拟现实的看法:使用Facebook进行的社交媒体内容分析J Med Internet Res 2017年12月19日;19(12):e419。(CrossRef] [Medline］
    22. Mejova Y, Weber I, Fernandez-Luque L.在美国使用Facebook广告受众估计进行在线健康监测:评估研究。JMIR公共卫生监测2018年3月28日;4(1):e30。(CrossRef] [Medline］
    23. Cherian R, Westbrook M, Ramo D, Sarkar U. Instagram上可待因滥用的表现:内容分析。JMIR公共卫生监测2018年3月20日;4(1):e22。(CrossRef] [Medline］
    24. Muralidhara S, Paul MJ。#健康自拍:Instagram上健康话题的探索。JMIR公共卫生监测2018年6月29日;4(2):e10150。(CrossRef] [Medline］
    25. Phillips CA, Barz Leahy A, Li Y, Schapira MM, Bailey LC, Merchant RM。美国州级谷歌在线搜索量与癌症发病率之间的关系:回顾性研究。J medical Internet Res 2018年1月08日;20(1):e6。(CrossRef] [Medline］
    26. Radin M, Sciascia S.系统性红斑狼疮的信息流行病学使用谷歌趋势。狼疮2017七月;26(8):886-889。(CrossRef] [Medline］
    27. Seidl S, Schuster B, Rüth M, Biedermann T, Zink A.关于皮肤癌，德国人想知道什么?2013年至2017年全国谷歌搜索分析。J Med Internet Res 2018 May 02;20(5):e10327。(CrossRef] [Medline］
    28. 王宏，陈东，余宏，陈勇。用谷歌趋势预测痴呆发病率及痴呆相关门诊次数:来自台湾的证据。J Med Internet Res 2015年11月19日;17(11):e264。(CrossRef] [Medline］
    29. 张志刚，张志刚，张志刚，等。带状疱疹疫苗接种兴趣监测的研究进展。JMIR公共卫生监测2018年5月02日;4(2):e10180。(CrossRef] [Medline］
    30. 马夫拉加尼，奥乔亚。G.美国传染病信息监测:性传播疾病，结核病和肝炎。J大数据2018年9月6日;5(1):30。(CrossRef］
    31. Mavragani A, Sampri A, Sypsa K, Tsagarakis KP。在美国医疗保健系统中整合智能健康:谷歌时代哮喘监测的信息流行病学研究。JMIR公共卫生监测2018年3月12日;4(1):e24。(CrossRef] [Medline］
    32. 张震，郑旭，曾德东，雷震SJ。使用搜索查询监视跟踪轻触:在美国的案例研究。J medical Internet Res 2016年9月16日;18(9):e252。(CrossRef] [Medline］
    33. Zheluk A, Gillespie JA, Quinn C.寻找真相:互联网搜索模式作为一种调查俄罗斯非法药物政策辩论在线反应的方法。中国医学网络杂志2012年12月13日;14(6):e165。(CrossRef] [Medline］
    34. Zheluk A, Quinn C, Meylakhs P.俄罗斯联邦的互联网搜索和krokodil:一项信息监视研究。J medical Internet Res 2014 9月18日;16(9):e212。(CrossRef] [Medline］
    35. Domnich A, Arbuzova EK, Signori A, Amicizia D, Panatto D, Gasparini R.俄罗斯基于需求的性传播感染网络监测。国际公共卫生杂志2014年10月;59(5):841-849。(CrossRef] [Medline］
    36. Agarwal V，张磊，朱军，方松，程涛，洪超，等。通过网络搜索行为预测医疗保健利用的影响:数据驱动的分析。J medical Internet Res 2016年9月21日;18(9):e251。(CrossRef] [Medline］
    37. 杨辉，李松，孙玲，张鑫，侯杰，王艳。环境细颗粒物对中国公众肺癌风险认知的影响:来自互联网大数据平台的证据。JMIR公共卫生监测2017年10月03日;3(4):e64。(CrossRef] [Medline］
    38. Cartwright AF, Karunaratne M, Barr-Walker J, Johns NE, Upadhyay UD。确定全国堕胎护理的可用性和与美国主要城市的距离:系统的在线搜索。J Med Internet Res 2018年5月14日;20(5):e186。(CrossRef] [Medline］
    39. Yom-Tov E, Gabrilovich E.无试验费用的上市后药物监测:通过大规模网络搜索查询分析发现药物不良反应。J medical Internet Res 2013 6月18日;15(6):e124。(CrossRef] [Medline］
    40. 孙Seo D,乔米,CH,胫骨,李J,余米,等。利用搜索引擎数据进行流感监测的累积查询方法。中国医学网络杂志2014年12月16日;16(12):e289。(CrossRef] [Medline］
    41. 吸引H,曹Y,垫片E,李J,李C,金正日SH。估计流感疫情同时使用搜索引擎查询数据和社交媒体数据在韩国。J Med Internet Res 2016 july 04;18(7):e177。(CrossRef] [Medline］
    42. 梁锐，郭宏，潘旭。中国社交媒体用户对远程医疗和移动医疗的认知:探索性研究。JMIR移动健康Uhealth 2018年9月25日;6(9):e181。(CrossRef] [Medline］
    43. 李强，王超，刘睿，王玲，曾德东，雷士杰。从社交媒体上了解用户的电子烟体验:使用情感意见总结技术的初步研究。J medical Internet Res 2018年8月15日;20(8):e252。(CrossRef] [Medline］
    44. Sadah SA, Shahbazi M, Wiley MT, Hristidis V.基于网络的健康相关社交媒体用户的人口统计学研究。中国医学网络杂志2015年8月06日;17(8):e194。(CrossRef] [Medline］
    45. Sadah SA, Shahbazi M, Wiley MT, Hristidis V.基于人口统计学的网络健康社交媒体内容分析。J Med Internet Res 2016 Jun 13;18(6):e148。(CrossRef] [Medline］
    46. Abbe A, Falissard B.停止抗抑郁药和抗焦虑药作为在线健康社区报告的主要关注点:文本挖掘方法。JMIR Ment Health 2017 10月23日;4(4):e48。(CrossRef] [Medline］
    47. Abdellaoui R, Schück S, Texier N, Burgun A.过滤实体以优化从社交媒体识别药物不良反应:信息中实体之间的字数如何帮助?JMIR公共卫生监测2017年6月22日;3(2):e36。(CrossRef] [Medline］
    48. Abdellaoui R, Foulquié P, Texier N, Faviez C, Burgun A, Schück S.患者论坛帖子中不遵守药物治疗案例的检测:主题模型方法。J medical Internet Res 2018年3月14日;20(3):e85。(CrossRef] [Medline］
    49. Dyson MP, Newton AS, Shave K, Featherstone RM, Thomson D, Wingert A，等。社交媒体传播Cochrane儿童健康证据:评价研究。J medical Internet Res 2017 9月01日;19(9):e308。(CrossRef] [Medline］
    50. 郑y, Hur C, Jung D, Kim M.在线健康社区中关键医院服务质量因素的识别。中国医学互联网杂志2015年4月07;17(4):e90。(CrossRef] [Medline］
    51. Koh S, Gordon AS, Wienberg C, Sood SO, Morley S, Burke DM.博客中风经验:性别差异的可行性研究。J Med Internet Res 2014年3月19日;16(3):e84。(CrossRef] [Medline］
    52. 李志强，李志强，李志强。女性如何评估分娩挑战:基于网络的分娩故事分析。JMIR儿科家长2018年12月18日;1(2):e12206。(CrossRef] [Medline］
    53. Tinschert P, Jakob R, Barata F, Kramer J, Kowatsch T.移动应用程序改善哮喘自我管理的潜力:对公开可用和广泛采用的哮喘应用程序的回顾。JMIR Mhealth Uhealth 2017 Aug 02;5(8):e113。(CrossRef] [Medline］
    54. 支持心力衰竭自我护理管理的手机应用程序:综合综述。JMIR Cardio 2018 5月02日;2(1):e10057。(CrossRef] [Medline］
    55. Hendriks H, Van den Putte B, Gebhardt WA, Moreno MA。社交媒体上的社交饮酒:对Facebook和Instagram上与酒精相关的帖子的社交方面进行内容分析。J medical Internet Res 2018 Jun 22;20(6):e226。(CrossRef] [Medline］
    56. Roccetti M, Marfia G, Salomoni P, Prandi C, Zagari RM, Gningaye Kengni FL，等。克罗恩病患者的态度:信息流行病学案例研究和Facebook和Twitter帖子的情绪分析。JMIR公共卫生监测2017年8月09日;3(3):e51。(CrossRef] [Medline］
    57. Manchaiah V, Ratinaud P, Andersson G.耳鸣在美国报纸媒体和Facebook页面中的表现:二手数据的横断面分析。Interact J Med Res 2018年5月08日;7(1):e9。(CrossRef] [Medline］
    58. Sciascia S, Radin M.谷歌和维基百科能告诉我们关于一种疾病的什么?系统性红斑狼疮大数据趋势分析。Int J Med Inform 2017 11月;107:65-69。(CrossRef] [Medline］
    59. 夏普JD，霍普金斯RS，库克RL，斯特里利CW。使用贝叶斯变化点分析评估谷歌、Twitter和维基百科作为流感监测工具:比较分析。JMIR公共卫生监测2016年10月20日;2(2):e161。(CrossRef] [Medline］
    60. Timpka T, Spreco A, Dahlström Ö， Eriksson O, Gursky E, Ekberg J，等。电子卫生数据源在当地流感监测中的表现:一项5年开放队列研究中国医学网络杂志2014年4月28日;16(4):e116。(CrossRef] [Medline］
    61. 瓦格纳M，兰波斯V，尤姆-托夫E，佩博迪R，考克斯IJ。利用社交媒体内容评估英格兰一项新的儿童流感疫苗接种计划对人群的影响。J Med Internet Res 2017年12月21日;19(12):e416。(CrossRef] [Medline］
    62. 张志强，张志强，张志强，等。推特的可靠性作为季节性流感监测的补充方法。J Med Internet Res 2014年11月14日;16(11):e250。(CrossRef] [Medline］
    63. Baltrusaitis K, Santillana M, Crawley AW, Chunara R, Smolinski M, Brownstein JS。在参与性疾病监测系统Flu Near You中，参与者随访的决定因素和代表性的描述。JMIR公共卫生监测2017年4月07日;3(2):e18。(CrossRef] [Medline］
    64. Broniatowski DA, Dredze M, Paul MJ, Dugas a .利用社交媒体在内城医院进行当地流感监测:一项回顾性观察性研究。JMIR公共卫生监测2015;1(1):e5。(CrossRef] [Medline］
    65. 陈斌，邵杰，刘凯，蔡刚，蒋震，黄勇，等。吃泡椒凤爪会引起禽流感吗?H7N9禽流感爆发期间中国社交媒体的观察性案例研究JMIR公共卫生监测2018年3月29日;4(1):e32。(CrossRef] [Medline］
    66. 顾华，陈斌，朱辉，姜涛，王霞，陈林，等。互联网监测在突发公共卫生事件控制和预防中的重要性:来自H7N9禽流感暴发期间数字流行病学研究的证据J medical Internet Res 2014年1月17日;16(1):e20。(CrossRef] [Medline］
    67. J medical Internet Res 2011年5月10日;13(2):e36。(CrossRef] [Medline］
    68. Kagashe I, Yan Z, Suheryani I.加强季节性流感监测:使用Twitter数据对广泛使用的药物进行主题分析。J medical Internet Res 2017 9月12日;19(9):e315。(CrossRef] [Medline］
    69. 刘志强，刘志强，刘志强，等。基于搜索趋势的季节性流感分区nowcast。J Med Internet Res 2017 11月06日;19(11):e370。(CrossRef] [Medline］
    70. Klembczyk JJ, Jalalpour M, Levin S, Washington RE, Pines JM, Rothman RE，等。谷歌流感趋势空间变异性与急诊部门流感相关就诊进行验证。J medical Internet Res 2016年6月28日;18(6):e175。(CrossRef] [Medline］
    71. 卢福生，侯世峰，K Baltrusaitis, Shah M, Leskovec J, Sosic R，等。使用新型互联网数据流的准确流感监测和预测:波士顿大都会的案例研究。JMIR公共卫生监测2018年1月09日;4(1):e4。(CrossRef] [Medline］
    72. 毛超，吴旭，付旭，狄明，于勇，袁杰，等。2013年初以来中国H7N9禽流感暴发的网络流行病学调查J medical Internet Res 2014年9月25日;16(9):e221。(CrossRef] [Medline］
    73. peraiz F, peraiz M, Abdur Rehman N, Saif U.流感暴发:从谷歌流感趋势早期发现流行病。中国医学互联网杂志2012年10月04日;14(5):e125。(CrossRef] [Medline］
    74. Poirier C, Lavenu A, Bertaud V, Campillo-Gimenez B, Chazard E, Cuggia M，等。利用医院大数据结合机器学习方法进行流感实时监测:对比研究。JMIR公共卫生监测2018年12月21日;4(4):e11361。(CrossRef] [Medline］
    75. Samaras L, García-Barriocanal E, Sicilia M.使用网络数据的综合征监测模型:使用谷歌趋势的希腊和意大利流感病例。JMIR公共卫生监测2017年11月20日;3(4):e90。(CrossRef] [Medline］
    76. Santos JC, Matos S.通过分析Twitter和网络查询来预测流感趋势。Theor Biol Med Model 2014 05 07;11增刊1:S6 [免费全文] [CrossRef] [Medline］
    77. Adrover C, Bodnar T，黄Z, Telenti A, Salathé M.利用推特识别艾滋病药物治疗的不良影响和相关情绪。JMIR公共卫生监测2015;1(2):e7。(CrossRef] [Medline］
    78. 杰勒克A，奎因C，赫茨D，吉莱斯皮JA。俄罗斯联邦人体免疫缺陷病毒的互联网搜索模式和数字鸿沟:信息监测研究。J Med Internet Res 2013年11月12日;15(11):e256。(CrossRef] [Medline］
    79. 马夫拉加尼，奥乔亚G.预测艾滋病流行在美国使用在线搜索流量数据。J大数据2018年5月19日;5(1):5。(CrossRef］
    80. 李文杰，李文杰，李文杰，等。疾病检测还是舆论反思?2013年荷兰麻疹爆发期间推特、其他社交媒体和在线报纸的内容分析。J Med Internet Res 2015年5月26日;17(5):e128。(CrossRef] [Medline］
    81. Radzikowski J, Stefanidis A, Jacobsen KH, Croitoru A, Crooks A, Delamater PL.推特上的麻疹疫苗接种叙事:定量分析。JMIR公共卫生监测2016;2(1):1。(CrossRef] [Medline］
    82. 杜俊，唐磊，向勇，志东，徐俊，宋华，等。2015年麻疹爆发期间推文的公众感知分析:使用卷积神经网络模型的比较研究。J medical Internet Res 2018 july 09;20(7):e236。(CrossRef] [Medline］
    83. Mavragani A, Ochoa G.互联网和反疫苗运动:跟踪2017年欧盟麻疹疫情。BDCC 2018年1月16日;2(1):2。(CrossRef］
    84. Farhadloo M, Winneg K, Chan MS, Hall Jamieson K, Albarracin D. Twitter上讨论话题与与寨卡相关的态度、知识和行为调查措施的关联:美国的概率研究。JMIR公共卫生监测2018年2月09日;4(1):e16。(CrossRef] [Medline］
    85. Majumder MS, Santillana M, Mekaru SR, McGinnis DP, Khan K, Brownstein JS。利用非传统数据源近实时估计2015-2016年哥伦比亚寨卡病毒疾病爆发期间的传播动态。JMIR公共卫生监测2016年6月1日;2(1):e30。(CrossRef] [Medline］
    86. Miller M, Banerjee T, Muppalla R, Romine W, Sheth A.人们在推特上发布了关于寨卡病毒的什么?对其症状、治疗、传播和预防的探索性研究。JMIR公共卫生监测2017年6月19日;3(2):e38。(CrossRef] [Medline］
    87. Stefanidis A, Vraga E, Lamprianidis G, Radzikowski J, Delamater PL, Jacobsen KH，等。推特上的寨卡病毒:地点、参与者和概念的时间变化。JMIR公共卫生监测2017年4月20日;3(2):e22。(CrossRef] [Medline］
    88. Sanz-Lorente M, Wanden-Berghe C, Castejón-Bolea R, Sanz-Valero J. Web 2.0工具在可治愈性传播疾病的预防:范围审查。J Med Internet Res 2018年3月22日;20(3):e113。(CrossRef] [Medline］
    89. Wongkoblap A, Vadillo MA, Curcin V.社交媒体时代的心理健康障碍研究:系统回顾。J Med Internet Res 2017 Jun 29;19(6):e228。(CrossRef] [Medline］
    90. 支持心力衰竭自我护理管理的手机应用程序:综合综述。JMIR Cardio 2018 5月02日;2(1):e10057。(CrossRef] [Medline］
    91. Gohil S, Vuik S, Darzi A.医疗保健推文的情感分析:所用方法的回顾。JMIR公共卫生监测2018年4月23日;4(2):e43。(CrossRef] [Medline］
    92. 马夫拉加尼A，奥乔亚G, Tsagarakis KP。评估谷歌趋势研究中的方法、工具和统计方法:系统回顾。J Med Internet Res 2018年11月06日;20(11):e270。(CrossRef] [Medline］
    93. Hanson CL, Cannon B, Burton S, girau - carrier C.通过Twitter探索社交圈和处方药滥用。J medical Internet Res 2013 9月06日;15(9):e189。(CrossRef] [Medline］
    94. Katsuki T, Mackey TK, Cuomo R.建立处方药滥用和非法在线药店之间的联系:Twitter数据分析。J medical Internet Res 2015年12月16日;17(12):e280。(CrossRef] [Medline］
    95. Peiper NC, Baumgartner PM, Chew RF, Hsieh YP, Bieler GS, Bobashev GV，等。加州大麻药房网络的推特行为模式。中国医学杂志，2017年7月04日;19(7):e236。(CrossRef] [Medline］
    96. Yom-Tov E, Lev-Ran S.与大麻消费相关的不良反应，从搜索引擎查询中明显可见。JMIR公共卫生监测2017年10月26日;3(4):e77。(CrossRef] [Medline］
    97. Cavazos-Rehg P, Krauss M, Grucza R, Bierut L.以大麻为重点的推特处理的追随者和推文特征。J Med Internet Res 2014年6月27日;16(6):e157。(CrossRef] [Medline］
    98. Ricard BJ, Marsch LA, Crosier B, Hassanpour S.探索社区生成的社交媒体内容用于检测抑郁症的效用:对Instagram的分析研究。J Med Internet Res 2018年12月06日;20(12):e11817。(CrossRef] [Medline］
    99. 西布鲁克EM，克恩ML，富尔彻BD，里卡德NS。从基于语言的情绪动态预测抑郁症:对Facebook和Twitter状态更新的纵向分析。J Med Internet Res 2018 May 08;20(5):e168。(CrossRef] [Medline］
    100. Tana JC, Kettunen J, Eirola E, Paakkonen H.抑郁症相关健康信息寻求的日变化:使用谷歌趋势数据的芬兰案例研究。JMIR Ment Health 2018年5月23日;5(2):e43。(CrossRef] [Medline］
    101. DeJohn AD, Schulz EE, Pearson AL, Lachmar EM, Wittenborn AK。识别和理解使用Twitter联系抑郁症的社区:横断面研究。JMIR Ment Health 2018年11月05日;5(4):e61。(CrossRef] [Medline］
    102. 郑浩，宋涛。基于本体的社会数据情感分析方法:青少年抑郁信号的检测。J Med Internet Res 2017 july 24;19(7):e259。(CrossRef] [Medline］
    103. 拉克马尔EM，维滕伯恩AK，伯根KW，麦考利HL。#MyDepressionLooksLike:研究Twitter上关于抑郁症的公众讨论。JMIR Ment Health 2017 10月18日;4(4):e43。(CrossRef] [Medline］
    104. Schlichthorst M, King K, Turnure J, Sukunesan S, Phelps A, Pirkis J.影响关于男子气概和自杀的对话:使用Twitter数据对Man Up多媒体运动的评估。JMIR Ment Health 2018年2月15日;5(1):e14。(CrossRef] [Medline］
    105. 王普文，傅凯，丘绍生，马洪辉，罗勇，张松，等。在互联网上获取与自杀相关的信息:搜索行为的回顾性观察研究。J Med Internet Res 2013年1月11日;15(1):e3。(CrossRef] [Medline］
    106. Braithwaite SR, Giraud-Carrier C, West J, Barnes MD, Hanson CL。验证推特数据的机器学习算法与既定的自杀措施。JMIR Ment Health 2016年5月16日;3(2):e21。(CrossRef] [Medline］
    107. 程强，李天明，郭超，朱涛，叶淑萍。基于文本挖掘和机器学习的中国社交媒体自杀风险评估。J Med Internet Res 2017 july 10;19(7):e243。(CrossRef] [Medline］
    108. Lee D, Lee H, Choi M.研究过去的取向和美国自杀率之间的关系:使用大数据驱动的谷歌搜索查询进行分析。J Med Internet Res 2016 Feb 11;18(2):e35。(CrossRef] [Medline］
    109. Rose SW, Jo CL, Binns S, Buenger M, Emery S, Ribisl KM。推特用户对薄荷烟的看法:内容和情绪分析。J Med Internet Res 2017 Feb 27;19(2):e56。(CrossRef] [Medline］
    110. 艾耶斯，魏德玛，李志刚，等。利用大数据来提高健康意识运动:对美国大禁烟的新评估。JMIR公共卫生监测2016;2(1):e16。(CrossRef] [Medline］
    111. de Viron S，萨格斯LS, Brand A, Van Oyen H.通过社交媒体传播遗传学和吸烟:我们到了吗?J medical Internet Res 2013年9月9日;15(9):e198。(CrossRef] [Medline］
    112. Duke JC, Hansen H, Kim AE, Curry L, Allen J.国家烟草控制项目使用社交媒体促进戒烟:一项横断面研究。中国医学网络杂志2014年7月10日;16(7):e169。(CrossRef] [Medline］
    113. Myslín M，朱S，查普曼W，康威M.使用twitter检查吸烟行为和对新兴烟草产品的看法。中国医学网络杂志2013年8月29日;15(8):e174。(CrossRef] [Medline］
    114. 罗彻罗，王志强，王志强，王志强，等。戒烟推特账户中社会和情感支持的观察性研究:推特的内容分析。J medical Internet Res 2015年1月14日;17(1):e18。(CrossRef] [Medline］
    115. 李建平，李志强，李志强。烟草相关推特数据的编码方法研究。J medical Internet Res 2017年3月31日;19(3):e91。(CrossRef] [Medline］
    116. Staal YC, van de Nobelen S, Havermans A, Talhout R.新型烟草和烟草相关产品:产品开发、营销策略和消费者兴趣的早期检测。JMIR公共卫生监测2018年5月28日;4(2):e55。(CrossRef] [Medline］
    117. 詹艳，刘锐，李强，李瑞松，曾德东。电子烟用户生成内容的主题识别:基于多社交媒体平台的案例研究。J Med Internet Res 2017年1月20日;19(1):e24。(CrossRef] [Medline］
    118. 阿利姆J，费拉拉E，乌普SP，克鲁兹TB，昂格JB。利用社交媒体数据监测电子烟:社交机器人、新兴话题和趋势。JMIR公共卫生监测2017年12月20日;3(4):e98。(CrossRef] [Medline］
    119. Chen AT, Zhu S, Conway M.在线社区可以告诉我们关于电子烟和水烟的使用:一项使用文本挖掘和可视化技术的研究。中国医学互联网杂志2015年9月29日;17(9):e220。(CrossRef] [Medline］
    120. 朱凯，司杜AK，瓦伦泰TW。电子烟在线营销:多站点、多产品比较。JMIR公共卫生监测2015;1(2):e11。(CrossRef] [Medline］
    121. Cole-Lewis H, Pugatch J, Sanders A, Varghese A, Posada S, Yun C，等。社交倾听:Twitter上关于电子烟讨论的内容分析。中国医学网络杂志2015年10月27日;17(10):e243。(CrossRef] [Medline］
    122. Cole-Lewis H, Varghese A, Sanders A, Schwarz M, Pugatch J, Augustson E.使用监督机器学习评估电子烟相关推文的情绪和内容。中国医学网络杂志2015年8月25日;17(8):e208。(CrossRef] [Medline］
    123. Harris JK, moland - russell S, Choucair B, Mansour R, Staub M, Simmons K.在推特上支持和反对公共卫生政策:对芝加哥公共卫生部电子烟推特运动的回应。J Med Internet Res 2014 10月16日;16(10):e238。(CrossRef] [Medline］
    124. Kim AE, Hopper T, Simpson S, Nonnemaker J, Lieberman AJ, Hansen H，等。利用Twitter数据深入了解电子烟营销和使用地点:一项信息监视研究。J Med Internet Res 2015年11月06日;17(11):e251。(CrossRef] [Medline］
    125. Kim A, Miano T, Chew R, Eggers M, Nonnemaker J.关于电子烟的推特用户分类。JMIR公共卫生监测2017年9月26日;3(3):e63。(CrossRef] [Medline］
    126. Lazard AJ, Saffer AJ, Wilcox GB, Chung AD, Mackert MS, Bernhardt JM。电子烟社交媒体信息:推特上营销和消费者对话的文本挖掘分析。JMIR公共卫生监测2016年12月12日;2(2):e171。(CrossRef] [Medline］
    127. Allem J, Ramanujam J, Lerman K, Chu K, Boley Cruz T, Unger JB。识别推特上与水烟相关的帖子的情绪。JMIR公共卫生监测2017年10月18日;3(4):e74。(CrossRef] [Medline］
    128. 考克韦尔PB，李L，魏茨曼M，谢尔曼SE。追踪纽约的水烟吧:利用Yelp作为一个强大的公共卫生工具。JMIR公共卫生监测2015;1(2):e19。(CrossRef] [Medline］
    129. 张颖，阿莱姆J, Unger JB, Boley Cruz T. Instagram上水烟(水烟)的自动识别:基于卷积神经网络和支持向量机分类的特征提取应用。J Med Internet Res 2018年11月21日;20(11):e10513。(CrossRef] [Medline］
    130. Allem J, Dharmapuri L, Leventhal AM, Unger JB, Boley Cruz T. hookah2017年至2018年在Twitter上的相关帖子:专题分析。J Med Internet Res 2018年11月19日;20(11):e11669。(CrossRef] [Medline］
    131. 刘勇，梅琼，达哈诺尔，郑凯，李建民。糖尿病社区中社交媒体的使用:糖尿病相关推文的探索性分析JMIR糖尿病2016年11月07;1(2):e4。(CrossRef] [Medline］
    132. 马丁内斯M，公园SB, Maison I, Mody V, Soh LS, Parihar HS。基于iOS应用商店的糖尿病管理手机应用:可能用于药物依从性。JMIR糖尿病2017年7月11日;2(2):e12。(CrossRef] [Medline］
    133. Oser TK, Oser SM, McGinley EL, Stuckey HL。一种识别障碍和促进养育1型糖尿病儿童的新方法:护理人员博客的定性分析。JMIR Diabetes 2017 10月26日;2(2):e27。(CrossRef] [Medline］
    134. Sinnenberg L, Mancheno C, Barg FK, Asch DA, Rivard CL, Horst-Martz E，等。推特上高血压和糖尿病隐喻的内容分析:探索性混合方法研究。JMIR糖尿病2018年12月21日;3(4):e11177。(CrossRef] [Medline］
    135. 徐旭，李奇曼，朱文杰，李文杰，等。通过Facebook帖子预测前驱糖尿病:一项混合方法研究的协议。JMIR Res Protoc 2018 12月14日;7(12):e10720。(CrossRef] [Medline］
    136. Arnhold M, Quade M, Kirch W.糖尿病患者的移动应用:考虑到50岁或以上糖尿病患者的特殊需求的系统回顾和基于专家的可用性评估。中国医学互联网杂志2014年4月09;16(4):e104。(CrossRef] [Medline］
    137. Koschack J, Weibezahl L, Friede T, Himmel W, Makedonski P, Grabowski J.科学与经验证据:多发性硬化症论坛中慢性脑脊静脉功能不全辩论的话语分析。中国医学网络杂志2015 july 01;17(7):e159。(CrossRef] [Medline］
    138. Risson V, Saini D, Bonzani I, Huisman A, Olson M.活跃在社交媒体上的美国患者多发性硬化症治疗的治疗模式转换:社交媒体内容分析在健康结果研究中的应用。J Med Internet Res 2016年3月17日;18(3):e62。(CrossRef] [Medline］
    139. Tapi Nzali MD, Bringay S, Lavergne C, Mollevi C, Opitz T.患者可以告诉我们的:关于乳腺癌的社交媒体主题分析。JMIR Med Inform 2017 7月31日;5(3):e23。(CrossRef] [Medline］
    140. vasconcelos - silva PR, Carvalho DBF, Trajano V, de La Rocque LR, Sawada ACMB, Juvanhol LL。使用谷歌Trends数据研究巴西公众对乳腺癌筛查的兴趣:为什么不是一个粉红色的二月?JMIR公共卫生监测2017年4月06日;3(2):e17。(CrossRef] [Medline］
    141. Huesch M, Chetlen A, Segel J, Schetter S.在Facebook上私下提及和分享乳房x光检查和乳腺癌术语的频率:一项试点研究。J Med Internet Res 2017 Jun 09;19(6):e201。(CrossRef] [Medline］
    142. Jones J, Pradhan M, Hosseini M, Kulanthaivel A, Hosseini M.将患者生成的数据聚类为可操作的主题的新方法:基于web的乳腺癌论坛的案例研究。JMIR Med Inform 2018年11月29日;6(4):e45。(CrossRef] [Medline］
    143. 维琪T，布雷斯林JG。健身推文的在线影响力和人气:对200万条健身推文的分析JMIR公共卫生监测2017年10月31日;3(4):e82。(CrossRef] [Medline］
    144. Edney S, Bogomolova S, Ryan J, Olds T, Sanders I, Maher C.在社交媒体上创建引人入胜的健康促进活动:来自Fitbit和Garmin的观察和教训。J Med Internet Res 2018年12月10日;20(12):e10911。(CrossRef] [Medline］
    145. 马登公里。关于运动和减肥的健康思考的季节性周期性:生态相关研究。JMIR公共卫生监测2017年12月13日;3(4):e92。(CrossRef] [Medline］
    146. 王宏，陈东。台湾经济衰退与肥胖相关的网络搜索行为:谷歌趋势数据分析。JMIR公共卫生监测2018年4月06日;4(2):e37。(CrossRef] [Medline］
    147. Sugawara Y, Narimatsu H, Tsuya A, Tanaka A, Fukao A.医疗机构和Twitter:日本公共传播的新工具。JMIR公共卫生监测2016;2(1):e19。(CrossRef] [Medline］
    148. 许s, Markson C, Costello KL，邢CY, Demissie K, Llanos AA。利用社交媒体促进公共卫生知识:通过推特宣传癌症意识的例子。JMIR公共卫生监测2016;2(1):e17。(CrossRef] [Medline］
    149. Surian D, Nguyen DQ, Kennedy G, Johnson M, Coiera E, Dunn AG。使用主题建模和社区检测来描述关于HPV疫苗的Twitter讨论。J medical Internet Res 2016 Aug 29;18(8):e232。(CrossRef] [Medline］
    150. Dunn AG, Leask J, Zhou X, Mandl KD, Coiera E.社交媒体上对人乳头瘤病毒疫苗负面意见的暴露与表达之间的关系:一项观察性研究。中国医学互联网杂志2015年6月10日;17(6):e144。(CrossRef] [Medline］
    151. lamama Y, Chen T, Dredze M, Jamison A, Quinn SC, Broniatowski DA。人乳头瘤病毒推特图片与美国人乳头瘤病毒风险和疾病差异之间的不一致性:混合方法分析J medical Internet Res 2018年9月14日;20(9):e10244。(CrossRef] [Medline］
    152. 唐涛，季凯，李志强，李志强。人乳头瘤病毒疫苗接种公共卫生新闻的数字分布:纵向信息流行病学研究。JMIR公共卫生监测2015;1(1):e2。(CrossRef] [Medline］
    153. Massey PM, Leader A, yum - tov E, Budenz A, Fisher K, Klassen AC.应用多种数据收集工具量化推特上的人乳头瘤病毒疫苗传播。中国医学网络杂志2016年12月05日;18(12):e318。(CrossRef] [Medline］
    154. Nakada H, Yuji K, Tsubokura M, Ohsawa Y, Kami M.日本人乳头瘤病毒疫苗接种国家协议的发展:一项信息流行病学研究。J Med Internet Res 2014年5月15日;16(5):e129。(CrossRef] [Medline］
    155. 棱镜。PRISMA语句URL:http://www.prisma-statement.org/PRISMAStatement/
    156. 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。安实习生医学2018年10月02日;169(7):467-473。(CrossRef] [Medline］
    157. 医学互联网研究杂志。电子图集“资讯流行病学及资讯监察”网址://www.mybigtv.com/themes/69
    158. JMIR公共卫生和监视。电子资料库“资讯监察、资讯流行病学及数码疾病监察”网址:https://publichealth.www.mybigtv.com/collection/view/304

    ‎
    电子烟:电子香烟
    e-collections:电子集合
    人乳头状瘤病毒:人类乳头状瘤病毒
    棱镜:系统评价和元分析的首选报告项目
    STD:性传播疾病

    G·艾森巴赫(G Eysenbach)编辑;提交10.09.19;同行评审:T Bernardo, C Liang, L Sun, W Marlicz;作者评论02.02.20;修订版本05.02.20收到;接受08.02.20;发表28.04.20

    版权

    ©喇叭花Mavragani。最初发表于《医疗互联网研究杂志》(//www.mybigtv.com)， 2020年4月28日。

    这是一篇开放获取的文章，根据创作共用署名许可(https://creativecommons.org/licenses/by/4.0/)的条款发布，允许在任何媒介上无限制地使用、分发和复制，前提是正确引用最初发表在《医学互联网研究杂志》上的原创作品。必须包括完整的书目信息，//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