单个患者与多个患者或队列比较的时间导向数据可视化技术:范围综述gydF4y2Ba

简介gydF4y2Ba

概述gydF4y2Ba

医疗流程的数字化导致了大量的数字化患者数据，为数据分析和可视化提供了新的场景。除了其他形式的数据表示外，可视化表示对于描述和分析数据，以及从数据中得出结论和基于数据做出决策变得越来越重要。视觉表现形式与数据一样多样，源于卫生保健系统的所有领域，例如住院医学的各个子领域的患者护理，如内科或外科，急诊和重症监护，以及门诊医学。患者个人数据的呈现与具有某些特征的个体群体的汇总数据的呈现同样重要。因此，以相互比较或与队列比较的方式呈现单个患者病例变得越来越重要。随着可视化系统能够针对不同目标对复杂、高维和异构的数据进行可视化分析，这个目标变得更加切实可见。gydF4y2Ba

虽然用于电子病历分析的可视化系统已经开发了几十年，但大多数医疗保健信息系统仍然缺乏基本的信息可视化概念。然而，可视化分析和以可视化形式提供数据在卫生保健中非常重要，因为这种表示形式可以减少错误并改善护理[gydF4y2Ba1gydF4y2Ba]，也有助于为长期疾病轨迹提供新的见解。信息可视化和可视化分析还通过降低内在复杂性和促进对潜在和隐藏模式的关注，解决了长期、以时间为导向的患者数据的复杂性[gydF4y2Ba2gydF4y2Ba］．时间数据的可视化技术使临床医生能够快速识别患者健康记录中的相关趋势。视觉比较技术帮助临床医生寻找特定患者的数据与其组之间的差异，使他们能够确定，例如，是否需要调整治疗。在研究背景下，用于假设生成的探索性数据可视化是一种成熟的队列分析方法[gydF4y2Ba3.gydF4y2Ba］．通过使用适当的交互式可视化技术，无论是建立的还是新兴的，临床医生和研究人员都可以有效地检测模式，探索关系，并识别异常。gydF4y2Ba

面向时间的数据可视化是跨不同领域(如金融、环境和生命科学)的信息可视化的一个深入研究领域。Aigner等人写的一本书[gydF4y2Ba4gydF4y2Ba]报告了101种不同的面向时间数据的可视化技术，据我们所知，这是该领域最详细的综述。信息可视化的研究和设计是一个以用户为中心的领域，并导致了框架提出了一种分类，用于“为什么-如何”区分[gydF4y2Ba5gydF4y2Ba］．Munzner [gydF4y2Ba6gydF4y2Ba]为任务、数据和用户驱动的可视化设计提出了一种通用方法，目前在可视化社区中广泛应用，可应用于面向时间的数据[gydF4y2Ba7gydF4y2Ba］．基于给定的数据和时间(什么)，以及用户目标和相关任务(为什么)，描述了可视化技术的不同方法(如何)[gydF4y2Ba4gydF4y2Ba］．gydF4y2Ba

随着临床研究中用于二次使用的临床患者数据的增加，纵向研究和数据分析的新机会正在出现。现有的研究已经捕获了医疗保健中面向时间的数据可视化[gydF4y2Ba4gydF4y2Ba，gydF4y2Ba8gydF4y2Ba］．然而，这些综述并没有特别关注个体与其他个体或群体的比较。然而，与所有可用数据相关的最大和最重要的任务是比较，例如，与患者旅程的早期阶段、其他类似的多个患者或队列进行比较。我们预计，这一任务今后将变得越来越重要和多样化。gydF4y2Ba

然而，在专门与这些视觉比较任务相关的研究中似乎存在差距。皮等[gydF4y2Ba9gydF4y2Ba他认为这是一个公开的挑战。在他们的系统综述中，他们报告了医疗保健中面向时间的数据可视化技术，并指出缺乏对单个患者与具有相似病史的患者组进行比较的研究。出于这个原因，我们专门研究了用于比较单个患者与多个患者或队列的可视化技术，并报告了单患者、多患者和整个队列可视化设计的差异和差距。尽管信息可视化和可视化分析是公认的领域，它们在医疗领域的应用已经探索了几十年，但使用交互式可视化来分析患者及其队列仍然是一个非常活跃的研究领域。因此，我们收集了来自科学领域、医学信息学和可视化社区的作品，以提供对艺术状态的全面概述。gydF4y2Ba

本综述旨在回答以下研究问题:gydF4y2Ba

• RQ1:哪些可视化技术用于比较时间导向的患者数据与其队列数据?gydF4y2Ba
• RQ2:支持哪些可视化分析目标和任务?gydF4y2Ba
• RQ3:可视化系统和应用的特点是什么?gydF4y2Ba

本研究的目的是为医疗保健中支持患者比较的面向时间的数据提供可视化技术的概述。更具体地说，我们系统地收集了关于交互式可视化技术的文献和报告，这些技术支持比较单个患者与多个患者或其队列的面向时间的数据集，并总结了这些技术的使用。根据其医学特征、数据类型类别以及此类交互的进一步相关可视化方面来描述可视化系统。gydF4y2Ba

背景gydF4y2Ba

使用信息可视化和可视化分析可视化分析数据gydF4y2Ba

历史上，可视化研究领域被分为三个子领域:科学可视化、信息可视化和视觉分析。尽管这种划分现在有时被认为过于武断和过时，但它有助于构建不同的技术和应用程序。科学可视化处理具有固有空间参考的数据，例如来自医学成像的体积数据或分子中的原子坐标。术语“信息可视化”和“可视化分析”通常是同义词，尽管它们不是同义词。然而，这种划分往往不那么明确:gydF4y2Ba信息可视化gydF4y2Ba在可视化上下文中表示抽象数据，并表达数据固有的模式或趋势(主要使用2D可视化方法，如折线图或条形图)。信息可视化通常是交互式的，允许对数据进行操作或进行深入分析的可视化。gydF4y2Ba视觉分析gydF4y2Ba还表示交互式可视化上下文中的数据，但通过将自动分析与交互式可视化相结合，进一步支持模式和趋势的发现和识别过程;也就是说，视觉分析系统使用信息可视化方法来交流数据。此外，还提供了有助于理解相当复杂的数据的其他辅助工具，因此能够支持决策。这个词gydF4y2Ba视觉分析gydF4y2Ba最初于2005年在国土安全复杂数据分析系统的背景下提出[gydF4y2Ba10gydF4y2Ba在那里，它已经被广泛地描述为“由交互式视觉界面促进的分析推理科学”。目前，可视化分析方法被用于许多不同的应用领域，从软件分析的安全性到生物学、医学和健康[gydF4y2Ba11gydF4y2Ba］．它通常(但不一定)应用机器学习方法来支持数据分析。gydF4y2Ba

由于通常不清楚一个系统是否应该被分类为交互式信息可视化或可视化分析，审查的可视化系统涵盖了这两个领域。特别是在卫生部门，面向时间的数据可视化在个人或多个患者层面以及在整个人群或队列层面发挥着重要作用;因此，它们是信息可视化和可视化分析的重要研究对象。虽然现有的综述调查了公共卫生中的视觉分析方法和技术，并从流行病学的角度报告了技术[gydF4y2Ba8gydF4y2Ba]，或专注于应用于公共卫生和卫生服务研究的可视化分析方法和技术[gydF4y2Ba12gydF4y2Ba]，这些针对人群的回顾可视化并没有专门针对单个患者的可视化分析。gydF4y2Ba

调查患者:单个患者、多个患者和队列gydF4y2Ba

从历史上看，在探索个体患者数据可视化领域的第一个基石已经奠定gydF4y2Ba生命线gydF4y2BaPlaisant等人[gydF4y2Ba12gydF4y2Ba］．从那时起，已经开发了许多用于电子病人记录或其数据分析的可视化系统，例如基于知识的可视化和解释抽象导航(KNAVE) [gydF4y2Ba13gydF4y2Ba]， knave-ii [gydF4y2Ba14gydF4y2Ba]，面向时间的记录可视化[gydF4y2Ba15gydF4y2Ba]、生命线2 [gydF4y2Ba16gydF4y2Ba]， EventFlow [gydF4y2Ba17gydF4y2Ba]，和carecruitiser [gydF4y2Ba18gydF4y2Ba举几个例子。支持患者进展可视化分析和队列比较的工具和概念仍在积极研究中。最近的一个例子是使用降维来总结和比较单个参与者的可视化分析方法。该方法用于将重症监护病房数据从受控动物实验转化为代表参与者状态变化的2D曲线，并有可能表征参与者的整体[gydF4y2Ba19gydF4y2Ba］．另一项最近的研究[gydF4y2Ba20.gydF4y2Ba]调查了几个主题背景下事件序列的可视化分析，其中卫生保健仅占很小一部分。关于其他方法在保健领域的适用性的研究没有包括在内，因此，这是未来研究的一个途径。gydF4y2Ba

现有的系统综述报告了电子健康记录(EHR)可视化技术在单个患者和多个患者中的流行情况[gydF4y2Ba9gydF4y2Ba，gydF4y2Ba21gydF4y2Ba，gydF4y2Ba22gydF4y2Ba］．大多数这样的可视化系统支持分析单个患者或多个患者的任务。根据分析的背景和目标，数量不断增加的多个患者可以组成一个队列。面向时间的患者数据由不同数据类型的事件序列组成，这些数据可以被分类(例如，数值结果分类)或按时间聚合。这同样适用于多个患者。然而，以时间为导向的队列数据(如流行病学)的不同之处在于，分析中使用的抽象特征，如预期寿命或自我报告的结果测量，例如疼痛量表。例如，这些数据通常报告为一组个人在特定时间点的计算平均值或中位数。gydF4y2Ba

比较时间导向的患者数据gydF4y2Ba

比较是交互式可视化系统中被广泛支持的任务[gydF4y2Ba23gydF4y2Ba］．在可视化分析患者数据时，比较任务是该过程的一个常见部分，从比较单个患者的信息到比较不同时间的治疗反应，再到比较队列中的患者。gydF4y2Ba

除了临床研究和患者护理之外，越来越多的患者希望管理他们自己的电子病历，分析他们的疾病进展，并与类似的患者进行比较，类似于基于web的平台gydF4y2BapatientsLikeMe公司gydF4y2Ba［gydF4y2Ba24gydF4y2Ba］．gydF4y2Ba

然而，比较并不是一个明确定义的单一任务，而是一系列任务[gydF4y2Ba23gydF4y2Ba］．布雷默及蒙兹纳[gydF4y2Ba5gydF4y2Ba为用户目标查询特定目标指定3个任务(或范围):“识别、比较和总结”。这是在单个目标(识别)、多个目标(比较)或一组目标(汇总)的范围内进行查询。gydF4y2Ba

单个或多个患者面向时间数据的可视化已被广泛探索[gydF4y2Ba9gydF4y2Ba]，大多数用于单个患者数据可视化的技术在一定程度上可以应用于多个患者。然而，在数据如何在时间和价值上聚合方面，队列的可视化是不同的。例如，临床试验中的队列数据通常包括在特定时间点提供的数据(为基线事件排列的访问次数或天数)，在大多数情况下，以统计值表示(例如，平均值或SDs)。gydF4y2Ba

单个患者或队列内的比较可能看起来微不足道，因为每个患者都应用了相同的可视化技术。然而，将单个患者与队列进行比较可能并非如此，因为两者都可以使用不同的技术进行可视化。gydF4y2Ba

因此，可以以各种方式支持可视化比较。然而，当可视化过多的患者记录时，多个记录的可视化会产生视觉复杂性。与Munzner相似[gydF4y2Ba6gydF4y2Ba]， Gleicher等人的调查[gydF4y2Ba23gydF4y2Ba]强调了对复杂数据对象(如图形、表格数据和曲面)的信息可视化设计的探索，并提出了可视化设计的一般分类以供比较。这两幅作品都区分了三种类型的视觉比较，即并列(或分离)、叠加(叠加)和显式编码(关系的显式表示)，以及它们的组合。并置指的是在比较中相邻地显示两个元素，而叠加指的是在同一个视图中显示它们的顶部。格莱谢尔等[gydF4y2Ba23gydF4y2Ba]发现，当数据对象越复杂，需要比较的对象越多时，比较任务就越困难，而对数据进行抽象gydF4y2Ba之前gydF4y2Ba比较可以简化任务。gydF4y2Ba

方法gydF4y2Ba

协议和注册gydF4y2Ba

本次范围评估是根据PRISMA-ScR(范围评估系统评估和元分析扩展的首选报告项目)方法进行的。我们按照Tricco等人的研究清单起草了供我们审查的方案[gydF4y2Ba25gydF4y2Ba］．由于本研究范围综述主要报告可视化技术而非医学研究结果，且PROSPERO(国际前瞻性系统综述注册)不接受范围综述，因此该方案尚未注册和发表。gydF4y2Ba

合格标准gydF4y2Ba

在提出的目标和rq的基础上，我们制定了符合评审条件的文章的标准。文章需要报告可视化技术、可视化系统或设计研究，支持对面向时间的患者数据进行可视化分析，以比较单个患者与多个患者或患者队列。gydF4y2Ba

纳入标准如下:(1)以时间为导向的患者数据可视化技术的文章;(2)关于系统、应用程序或原型的文章，以支持面向时间的患者数据的可视化分析;(3)执行任务，以支持以时间为导向的患者数据的可视化分析;以及(4)对医生或临床研究人员进行测试(或问卷调查)的时间导向数据的可视化技术的研究。gydF4y2Ba

排除标准如下:(1)非英文文章;(2)不关注抽象的时间导向患者数据的文章，例如医学成像方法(如正电子发射断层扫描、磁共振断层扫描、功能磁共振成像和计算机断层扫描);(3)关于支持外科、手术或其他医疗干预的3D可视化的文章，例如，增强或虚拟现实应用;以及(4)关于深度学习和其他机器学习方法的文章(使用患者数据)，其中可视化仅用于呈现实现。gydF4y2Ba

专注于医学成像方法的文章被排除在外，因为它们不适合信息可视化方面。虽然这些方法使用成像方法，有时被称为(科学)可视化，但它们并没有可视化抽象的时间导向的患者数据。gydF4y2Ba

在筛选过程中，我们对标准进行了修订，我们更严格地规定了比较方面，以排除那些明确或含蓄地不支持将单个患者与队列进行比较的可视化文章。gydF4y2Ba

信息来源gydF4y2Ba

为了收集可能相关的文章，我们搜索了以下出版物数据库:PubMed、IEEE Xplore、ACM数字图书馆和Web of Science核心集合。我们确定了反映rq概念的4个主要领域:时间、可视化、数据和医疗保健。从这些开始，我们根据文献中的术语和同义词起草了主要的关键字集。在一位经验丰富的图书管理员的帮助下，我们进一步完善了搜索策略。中提供了不同数据库的完整搜索查询gydF4y2Ba多媒体附件1gydF4y2Ba．搜索于2020年7月2日进行。搜索结果导入Citavi参考管理软件。导入后删除重复项。gydF4y2Ba

搜索gydF4y2Ba

最初的搜索策略是由海德堡大学曼海姆医学院图书馆的一名图书管理员开发的，目的是只搜索标题和摘要。它包含了前面提到的4个方面:时间、可视化、数据和医疗保健。通过3次迭代对搜索字符串进行了审查和改进，其中4名审查员批准了最终的搜索策略。PubMed的最终搜索字符串显示在gydF4y2Ba文本框1gydF4y2Ba．gydF4y2Ba

有关其他资料库的搜寻详情，请参阅gydF4y2Ba多媒体附件1gydF4y2Ba．gydF4y2Ba

除了数据库搜索，我们还确定了以下关于面向时间的医疗保健数据可视化的综述:West等人[gydF4y2Ba21gydF4y2Ba]， Preim和Lawonn [gydF4y2Ba8gydF4y2Ba]， Aigner等[gydF4y2Ba4gydF4y2Ba］．gydF4y2Ba

我们检查了这些评论的参考文献列表，并确定了13篇我们认为适合搜索但没有包含在搜索结果中的文章。为了解决对潜在灰色文献的搜索，我们包括了IEEE VIS年会和时间或序列可视化研讨会的文章。gydF4y2Ba

证据来源的选择gydF4y2Ba

在第一个筛选步骤中，16名审稿人以2个独立的标题和摘要为一组进行筛选。在第一次筛查中，我们只关注以时间为导向的患者数据的可视化，而不包括单个患者与队列比较的标准。不同意见通过第三位审稿人的讨论和一致意见解决。gydF4y2Ba

根据我们的目标，我们讨论了筛选的结果，并继续执行第二个筛选步骤，应用单对多或队列比较的标准。gydF4y2Ba

我们浏览了其余文章的标题、摘要和全文，以便进行深入的全文分析。其余出版物用于数据提取。gydF4y2Ba

数据制图和提取过程gydF4y2Ba

对于数据提取，在多次迭代中开发并改进了数据图表表单。最初的形式包括元信息、医疗上下文、数据和可视化方面的几个类别和抽象。gydF4y2Ba

该表格由4名审稿人随机选择2篇文章进行测试，其中1篇分配给每位审稿人。在整个迭代过程中，我们讨论了我们的发现以进行修正和协调，并发布了表单的最终版本。gydF4y2Ba

数据项gydF4y2Ba

对于每篇文章，我们都特别关注四个主要方面:(1)gydF4y2Ba元信息gydF4y2Ba对于文章(作者、年份和数字对象标识符)，(2)gydF4y2Ba医疗特色gydF4y2Ba(疾病、医学背景和医学目的)，(3)gydF4y2Ba数据类型类别gydF4y2Ba(医疗数据类型、数据类型、时间性、时间分布和数据集的可用性)，以及(4)gydF4y2Ba可视化方面gydF4y2Ba(可视化技术、任务、交互、比较和评估)。我们为每个方面提取了几个数据项。gydF4y2Ba

元信息收集自各自的文献数据库。它不需要进一步的分类，但可用于分类和比较出版物，例如，按作者或年份和出版地点。gydF4y2Ba

关于gydF4y2Ba医疗特色gydF4y2Ba包括医学主题标题(MeSH)术语，用于描述疾病和医学目的。医学背景是临床研究，临床护理，或两者兼而有之。对于医疗数据类型的提取和分组，我们使用以下类别:遭遇(或转移或移动)、诊断、程序、实验室结果、药物治疗、心脏病学结果、活动、病情、临床记录、治疗计划、肿瘤严重程度、生存期、Framingham风险评分和患者报告的结果。分类是基于MeSH词库中临床术语的等级高的概念及其在纳入研究中的频率。gydF4y2Ba

的数据gydF4y2Ba类型分类gydF4y2Ba进一步区分为定性的，定量的，分类的，和自由文本。时间原语(单个时间点、时间间隔或两者都有)的数据时间性被确定，时间安排是顺序的或循环的。时间扩展被提取为短(从几个小时到几天)、长(超过几天)和短到长(从几个小时到几天)。数据可用性描述为是(包括有限可用性)，否(如果不可用)，或如果没有提供进一步信息则不适用。gydF4y2Ba

在gydF4y2Ba可视化gydF4y2Ba，我们应用了视觉词汇[gydF4y2Ba26gydF4y2Ba]到研究中发现的可视化技术。可视化词汇旨在提高可视化研究社区之外的人的图表素养。这个可视化概述将可视化技术按其主要目标分类，并将它们分为9类，如部分到整体或相关。的范畴gydF4y2Ba随时间变化gydF4y2Ba与我们对患者时间数据的调查特别相关，并包含折线图、日历热图或gydF4y2Ba普利斯特列时间表gydF4y2Ba．后者在时间x轴上显示顺序和并行事件，类似于甘特图和跨度图，通常被简单地标记为“事件时间轴”。尽管视觉词汇并不是一个标准化的分类法，但它在学术界和实践中都有应用。其他可视化技术综述[gydF4y2Ba27gydF4y2Ba]采用Borkin等人提出的分类学[gydF4y2Ba28gydF4y2Ba]，它混合了基本图形、数据和面向任务的类别，但不包括时间作为特定的类别。Wilke [gydF4y2Ba29gydF4y2Ba]讨论了时间数据可视化，但没有包括在他的可视化目录。gydF4y2Ba

可视化系统旨在支持广泛的任务，从简单的任务，如查找特定患者在给定日期的实验室值，到更复杂的任务，如比较队列中所有患者的多个特征的进展。为了讨论这些不同任务的异同，提出了不同的抽象任务描述框架。gydF4y2Ba

在我们的综述中，任务的提取是基于Brehmer和Munzner广泛使用的任务抽象分类法[gydF4y2Ba5gydF4y2Ba]，而行动和目标的提取依赖于Munzner的分类法[gydF4y2Ba6gydF4y2Ba］．gydF4y2Ba

在分类的顶层由Munzner [gydF4y2Ba6gydF4y2Ba]，可视化系统可以根据用户的目标和相关的任务进行分类——为什么用户在行动和目标方面使用可视化技术。动作可以分为gydF4y2Ba分析gydF4y2Ba，gydF4y2Ba搜索gydF4y2Ba,gydF4y2Ba查询gydF4y2Ba，这些可以进一步细分为子类别。关于可视化系统的范畴gydF4y2Ba分析gydF4y2Ba，例如，为查看、理解信息和创建新信息提供数据分析。消费信息包括发现基于可视化数据的新见解(gydF4y2Ba分析:消费:发现gydF4y2Ba)，以及使用可视化向他人展示见解(gydF4y2Ba分析:消费:现在gydF4y2Ba) [gydF4y2Ba6gydF4y2Ba］．gydF4y2Ba

我们选择不使用Theis等人的健康数据特定任务分类法[gydF4y2Ba30.gydF4y2Ba因为它的设计目的是从患者的角度来捕捉任务。Rostamzadeh等人的数据驱动分类法[gydF4y2Ba31gydF4y2Ba]为不同粒度级别的活动和任务(活动、子活动、任务和子任务)提供了一个框架，并提出了3个主要类别:解释、监控和预测。然而，比较并没有被明确定义为一项任务，而是作为解释(概述:视觉比较)和预测(识别:相似性)之间的固有任务。因此，我们认为这种分类法不适合比较任务的收集。因此，我们采用了Gleicher等人的分类学[gydF4y2Ba23gydF4y2Ba)作比较。gydF4y2Ba

我们关注不同类型的关系之间的比较任务:单个与单个患者的比较(1-1)，单个与多个患者的比较(1-n)，单个与队列的比较(1-1)，队列与队列的比较(1-1或1-n)。“单对单”比较是指用户可以将单个患者数据与标称值或目标值或另一个患者进行时间比较。“多个患者”代表≥2个具有相似特征或特征的患者，与队列相比，是一个特设组(即动态选择的患者子集)。这包括在患者之间比较数据，如时间点和程序时间间隔、诊断、实验室值和遭遇。数据通常是聚合的，就像基于流或基于阶段的方法一样(例如，Guo等[gydF4y2Ba32gydF4y2Ba])。相比之下，队列是临床或学术研究环境中的患者集体;也就是说，队列通常包括更多的患者，而不是“多个患者”。对于≥1组，这些数据趋于1D。这可以在整个队列中平均。gydF4y2Ba

有关项目及其具体属性集的更多详细信息，请参见gydF4y2Ba多媒体附件2gydF4y2Ba［gydF4y2Ba15gydF4y2Ba，gydF4y2Ba16gydF4y2Ba，gydF4y2Ba18gydF4y2Ba，gydF4y2Ba33gydF4y2Ba-gydF4y2Ba51gydF4y2Ba］．gydF4y2Ba

个别证据来源的批判性评估gydF4y2Ba

为了比较任务，我们对个别资料进行了严格的评估。可在≥2例患者之间、患者与队列之间、队列之间进行目视比较。在绘制图表的过程中，我们系统地收集并集体讨论了rq适用性存疑的研究中的可视化技术。包括那些同时提到可视化和比较但不符合我们RQs的文章，例如，由于两个可视化系统的比较，被排除在集合之外。对于不确定的病例，其中单个患者与队列的明确比较不清楚，我们批判性地评估了可视化技术是否可以隐性或潜在地促进这一目标。gydF4y2Ba

结果综合gydF4y2Ba

为了综合结果，证据以图表和表格的形式呈现。对于前面提到的数据项，我们为要提取的不同相关属性选择了术语、模式和分类法。我们在迭代方法中结合了自顶向下和自底向上的方法，并在必要时调整和改进术语。gydF4y2Ba

我们的目的是具体报告收集的可视化技术和相互作用的比较任务，以及总结疾病，医疗目标和相应的医疗数据类型。gydF4y2Ba

对于定量分析，我们根据文章发表年份创建了图表。我们使用了不同的分析工具，从简单的仪表盘工具进行初步分析[gydF4y2Ba52gydF4y2Ba]到Jupyter笔记本，使用数据分析库Pandas和可视化库Altair进行探索性数据分析。所产生的可视化结果还用于对所选文章的特征进行定性分析。gydF4y2Ba

结果gydF4y2Ba

证据来源的选择gydF4y2Ba

我们通过单个数据库搜索确定了1154篇文章。在为每个数据库分别导入参考管理软件(Citavi)后，我们以电子方式删除了26.95%(311/1154)的重复项。作为第一步筛选，其余73.05%(843/1154)的文章的标题和摘要由16名审稿人进行审核，每篇文章由2名审稿人独立审核。根据该研究的纳入和排除标准，大约70.5%(594/843)的论文被排除。在第二筛选步骤中，在843篇文章中，我们略读了249篇(29.5%)文章的全文，其中192篇(22.8%)被排除在外，因为它们没有报道比较患者或队列的任务。在接下来的回顾步骤中，对其余57篇文章的全文进行了深入分析，用于比较任务，其中35篇(61%)文章被删除，因为没有明确、隐性或潜在地提供单个患者与多个患者的比较任务。在843篇文章中，22篇(2.6%)被纳入综合。PRISMA(系统评价和元分析首选报告项目)流程图显示在gydF4y2Ba图1gydF4y2Ba．gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

证据来源的特点gydF4y2Ba

概述gydF4y2Ba

我们在范围综述中纳入了22篇文章。大多数(17/ 22,77%)纳入的文章是明确的单对队列或单对多个比较，并以可视化方式进行比较。其余的文章(5/ 22,23%)为单对单(1/ 5,20%)或队列对队列或多对多(4/ 5,80%)比较。我们将这5篇文章包括在内，因为我们认为，所提出的技术可以很容易地应用或扩展，以处理单对队列或单对多的比较。gydF4y2Ba

所有收录的文章均发表于2003年至2020年之间。在这22篇文章中，有8篇(36%)在Rind等人的综述之前发表[gydF4y2Ba9gydF4y2Ba2013年。gydF4y2Ba

医学背景gydF4y2Ba

我们观察了进行可视化研究的医疗环境。语料库中的医学语境主要是临床研究(13/ 22,59%)，仅为临床护理(4/ 22,18%)，两个领域都有(5/ 22,22%;gydF4y2Ba表1gydF4y2Ba)．gydF4y2Ba

疾病gydF4y2Ba

大多数文章(9/ 22,41%)报道病理状况、体征和症状。第二大最常提到的疾病与伤口和损伤有关(2/ 22,9%)、肿瘤(2/ 22,9%)或心血管疾病(2/ 22,9%)。gydF4y2Ba

医学目的gydF4y2Ba

几乎所有回顾的文章都发现“治疗结果”(16/ 22,73%)是主要的医疗目标。其次是“患者结局评估”(3/ 22,14%)和“疾病属性”(3/ 22,14%)。gydF4y2Ba

个别证据来源的结果gydF4y2Ba

数据gydF4y2Ba

所包含的证据来源中用于可视化和患者比较的医疗数据类型包括实验室(13/ 22,59%)、生命体征(9/ 22,41%)、手术(8/ 22,36%)和诊断(8/ 22,36%)。中提供了所有提取的数据类型的概述gydF4y2Ba表2gydF4y2Ba．gydF4y2Ba

数据的时间分布被提取为短(从几个小时到不到几天)、长(从几天以上)和短到长(从几个小时到几天以上)。大多数文章报道了长期(10/ 22,45%)或短至长(9/ 22,41%)的时间分布，其中一篇文章仅报道了短期(1/ 22,4%)的分布。在4%(1/22)的文章中，我们无法确定数据的时间分布。gydF4y2Ba

可视化技术gydF4y2Ba

可视化系统包含≥1项可视化技术(均值2.86，标准差1.36)。大多数(18/ 22,82%)的文章结合了多种可视化技术，尽管一些所使用的技术并不是明确地针对比较任务，而是用于辅助可视化或与比较无关的目的。一些文章(4/ 22,18%)只实现了一种可视化技术，而一些文章(4/ 22,18%)使用了多达5种技术的组合来实现更复杂的可视化。系统通过将它们并排(并置，例如在协调的多个视图或仪表板中)、叠加(叠加，即产生组合可视化)或在系统内的不同页面上(例如在多个视图之间交互切换)显示来提供多种技术。我们确定了所有的可视化技术，并根据它们的主要目的对它们进行分组gydF4y2Ba图2gydF4y2Ba)．gydF4y2Ba

总的来说，脱离了仅分析具有明确的单队列或多个比较的文章的限制，我们的综述中确定的主要可视化技术是直线和gydF4y2Ba普利斯特列时间表gydF4y2Ba图表、直方图、散点图和条形图。gydF4y2Ba

在这22篇文章中，有17篇(77%)包含了至少一种技巧gydF4y2Ba随时间变化gydF4y2Ba，有2篇(9%)文章[gydF4y2Ba36gydF4y2Ba，gydF4y2Ba37gydF4y2Ba]使用3种技术，6篇(27%)文章使用2种技术。总的来说，我们确定了27个事件来可视化一个或多个属性的进展。最常用的是时间折线图(8/ 22,36%)和事件时间线(8/ 22,36%)，其次是柱状图(4/ 22,18%)、连接散点图(2/ 22,9%)和扇形图(2/ 22,9%)。曾经使用的技术从日历热图到区域图和烛台。gydF4y2Ba

第二大可视化类别是gydF4y2Ba分布gydF4y2Ba41%(9/22)的文章中有1项以上的技术。在这22篇文章中，我们总共提取了12种显示值分布的技术:7篇(32%)文章使用了直方图，3篇(14%)文章使用了箱形图，小提琴图和条形码图各1篇(4%)。gydF4y2Ba

第三大类支持的分析gydF4y2Ba相关gydF4y2Ba，其中散点图(5/ 22,23%)和气泡图(2/ 22,9%)是最常用的技术。gydF4y2Ba

使用过不止一次的其他技术包括桑基图(3/ 22,14%)gydF4y2Ba流gydF4y2Ba类别、气泡图、网络图、堆叠条形图和点条形图(各占2/22,9%)。gydF4y2Ba

Gleicher等人使用分类法进行视觉比较[gydF4y2Ba23gydF4y2Ba，我们发现大多数作品都适用gydF4y2Ba并列gydF4y2Ba(10/ 22,45%)，部分(4/ 10,40%)为附加gydF4y2Ba显式编码gydF4y2Ba这段关系，或者gydF4y2Ba用弯矩gydF4y2Ba(10/ 22,45%)，部分(3/ 10,30%)为特征gydF4y2Ba显式编码gydF4y2Ba．只有9%(2/22)的研究同时应用了这两种方法gydF4y2Ba并置和叠加gydF4y2Ba，而且只有一项研究应用了额外的研究gydF4y2Ba显式编码gydF4y2Ba．gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

任务gydF4y2Ba

用户目标可以用gydF4y2Ba任务gydF4y2Ba成对的gydF4y2Ba行动gydF4y2Ba而且gydF4y2Ba目标gydF4y2Ba(比较数据项)。我们已经总结了这些文章gydF4y2Ba图3gydF4y2Ba．gydF4y2Ba

在本文所评述的所有任务中，都提出了在可视化数据中发现新知识的行动(gydF4y2Ba分析:消费:发现gydF4y2Ba)．只有9%(2/22)的文章将呈现可视化数据作为主要操作(gydF4y2Ba分析:消费:现在gydF4y2Ba)．gydF4y2Ba

这一类别中第二常见的行为是gydF4y2Ba推导出gydF4y2Ba，根据所显示的数据创建新资料(gydF4y2Ba分析:产生:推导gydF4y2Ba；10/22, 45%)。只有一篇文章支持注释(gydF4y2Ba分析:产生:注释gydF4y2Ba): ChronoCorrelator支持用自由形式的文本标记事件，这些文本可以在以后使用，例如，突出显示或过滤事件以供进一步探索[gydF4y2Ba33gydF4y2Ba］．属于gydF4y2Ba搜索gydF4y2Ba，动作gydF4y2Ba定位gydF4y2Ba(13/ 22,59%)，在未知位置发现已知目标gydF4y2Ba，gydF4y2Ba而且gydF4y2Ba探索gydF4y2Ba(13/ 22,59%)，在未知位置搜索未知目标，出现频率最高。的行动gydF4y2Ba查找gydF4y2Ba(11/22, 50%)，在已知地点寻找已知元素，以及gydF4y2Ba浏览gydF4y2Ba(8/ 22,36%)，在不知道其身份但知道其特征的情况下浏览≥1个元素，出现频率较低。最频繁的动作来自于类gydF4y2Ba查询gydF4y2Ba是gydF4y2Ba比较gydF4y2Ba（gydF4y2Ba查询:比较gydF4y2Ba；20/22, 91%)，比较多个目标，这是我们预期的结果，因为我们的RQ，紧随其后的任务gydF4y2Ba识别gydF4y2Ba（gydF4y2Ba查询:确定gydF4y2Ba；18/22, 82%)。最不频繁的是gydF4y2Ba总结gydF4y2Ba（gydF4y2Ba查询:总结gydF4y2Ba；10/22, 45%)。gydF4y2Ba

这些行动的目标各不相同，但有一个明显的例外gydF4y2Ba所有数据:趋势gydF4y2Ba(19/ 22,86%)，出现频率高于其他类型。瞄准异常值(gydF4y2Ba所有数据:异常值gydF4y2Ba)和特征(gydF4y2Ba所有数据:特征gydF4y2Ba)分别出现在54%(12/22)和50%(11/22)的文章中。然而，相关性作为一个目标(gydF4y2Ba所有数据:相关性gydF4y2Ba)只出现过一次(1/ 22,4%)。操作可以针对数据的≥1个属性。许多类别中最常见的属性是相似性(gydF4y2Ba属性:许多:相似gydF4y2Ba；11/22, 50%)，其次是依赖程度(gydF4y2Ba属性:多:依赖gydF4y2Ba；8/ 22,36%)和相关性(gydF4y2Ba属性:多:相关性gydF4y2Ba；7/22, 31%)。gydF4y2Ba

针对单个属性的定位在分布(gydF4y2Ba属性:一:分布gydF4y2Ba；10/ 22,45%)，出现频率远高于极端(gydF4y2Ba属性:一:极端gydF4y2Ba；3/22, 14%)。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

交互技术gydF4y2Ba

尽管交互提供了一种促进数据分析更具探索性方法的方法，但超过四分之一的感兴趣的文章(6/ 22,27%)没有提供任何交互(“无交互”)gydF4y2Ba图4gydF4y2Ba)关于主要任务-单个患者与多个患者或队列的比较。gydF4y2Ba

在41%(9/22)的文章中，最常见的交互可能性是个体患者或队列组成的交互选择。此外，大约一半的文章(10/ 22,45%)提供了一种交互式的方式来显示额外的信息(详细信息;8/22, 36%)，使用悬停(6/22,27%)，高亮(4/22,18%)，或其他技术。其他最常用的交互是对齐(7/22,32%)、过滤(8/22,36%)、选择测量(7/22,32%)以及缩放和平移(8/22,36%)。gydF4y2Ba

在大多数范围内比较单个患者与队列或多个患者(17/ 22,77%)的研究中，我们认为患者的选择和队列的定义是一个关键的交互技术(gydF4y2Ba选择患者或队列gydF4y2Ba；6/17, 35%)。gydF4y2Ba

接着是gydF4y2Ba需求详情gydF4y2Ba(5/ 17,29%)和gydF4y2Ba徘徊gydF4y2Ba(4/17, 23%)。这些研究中只有23%(4/17)没有使用任何交互技术进行比较任务。gydF4y2Ba

根据可视化系统明确探索、分析和比较患者数据的目标，可直接应用多达4种交互技术来支持单对单或单对队列比较任务[gydF4y2Ba34gydF4y2Ba］．大约一半的文章(9/ 22,40%)仅支持一种交互技术用于主要的比较任务，而一些文章(8/ 22,36%)结合了≥2种交互技术来支持数据元素的比较。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

比较可视化技术的个别结果gydF4y2Ba

概述gydF4y2Ba

在本节中，将介绍其中一些文章的个别结果。本文展示了最常用的可视化技术，并对折线图、Priestley时间线、散点图和直方图进行了更详细的分析。gydF4y2Ba

对于随时间变化类别的时间导向患者数据的可视化比较，折线图和Priestley时间线是最常用的。第二个最常用的可视化类别是分布和相关性，使用直方图和散点图。根据所呈现的可视化系统的复杂性，使用了1到5种可视化技术来支持可视化比较(gydF4y2Ba图2gydF4y2Ba)．gydF4y2Ba表3gydF4y2Ba总结了用于比较的可视化技术，患者实体的支持组合，以及所使用的可视化比较方法。gydF4y2Ba

随时间变化的可视化:折线图和时间线gydF4y2Ba

本节提供关于主要RQ的一些关键发现的定性描述。在22篇文章中，5篇(23%)使用折线图进行比较，其中4篇(18%)专门提供了将单个患者与多个或其他患者队列进行比较的可视化任务。这些研究中很少(2/ 22,9%)使用gydF4y2Ba普利斯特列时间表gydF4y2Ba除了折线图;因此，他们采用了随时间变化的技术。gydF4y2Ba

Klimov和Shahar使用的折线图[gydF4y2Ba15gydF4y2Ba]演示了单个概念随时间的可视化;也就是说，一组患者的单个原始参数(如二氧化碳)随时间的可视化(gydF4y2Ba图5gydF4y2Ba(右上)。该图显示的最上面的线是最大值，最下面的线是最小值，中间的宽线(粗线)是所选患者组的平均值。所选的患者显示为额外的一行，在其他技术中，这有助于将单个患者与队列中该单个参数随时间的变化进行比较。gydF4y2Ba

在Stubbs等人的《模拟人生25》中[gydF4y2Ba35gydF4y2Ba]，多个多折线图(以小倍数排列)显示了多个相似患者的各种患者参数(gydF4y2Ba图5gydF4y2Ba(中右)。类似于Klimov和Shahar的研究[gydF4y2Ba15gydF4y2Ba]，颜色编码用于突出显示查询、选择或最近选择的患者(分别为绿色、白色或黄色)，这使得感兴趣的线易于比较，而未选择的患者仍保持部分透明的黑色。此外，可以有选择地叠加聚合多边形，以可视化测量的队列平均值和SD。gydF4y2Ba

类似地，Wildfire等[gydF4y2Ba34gydF4y2Ba]使用多折线图来显示单个选定患者测量的多个患者随时间的发展(图，左上5)。时间轴可以在天数(从研究的基线事件开始)或访问次数(研究中的访问次数)之间切换。在每个多折线图的末尾，一个箱形图表示有助于比较单个选定的患者线与整个队列的总体值。gydF4y2Ba

Rogers等[gydF4y2Ba36gydF4y2Ba]允许大量的相互作用，从聚合到标准化，主要用于显示不同队列和个体患者自我报告的患者预后随时间的发展(gydF4y2Ba图5gydF4y2Ba，右下)。单个患者的评分可以在多线形图中查看，这使得患者之间可以进行比较。基于整个队列计算的四分位数的颜色编码也可以使个体患者与队列进行比较。gydF4y2Ba

作曲家Rogers等[gydF4y2Ba36gydF4y2Ba]和SafetyExplorer by Wildfire等[gydF4y2Ba34gydF4y2Ba)使用gydF4y2Ba普利斯特列时间表gydF4y2Ba除了折线图。Composer显示患者报告的结果测量信息系统评分随时间的折线图和患者程序代码历史gydF4y2Ba普利斯特列时间表gydF4y2Ba．两种可视化方法(gydF4y2Ba图5gydF4y2Ba(右)与两个视图中反映的新时间范围选择时间一致。可以在非聚合折线图中选择一个或多个患者，其手术代码历史显示在gydF4y2Ba祭司的时间表gydF4y2Ba．相反，SafetyExplorer在单独的页面上提供折线图和事件时间轴，而不是以协调的方式提供。该套件将所有视图作为组件提供。gydF4y2Ba

波拉克等人编年史[gydF4y2Ba37gydF4y2Ba]明确地表明，在队列与队列比较的背景下，只使用了Priestly时间线。详细地说，他们使用被称为“串”的事件符号来显示特定的、不同的事件序列在单个或多个共享事件序列之前或之后的发生，这些事件序列被称为“焦点事件”。由于显示了前面或后面序列的相对频率，这允许用户比较队列(即共享相同焦点事件的组)。gydF4y2Ba

前面提到的文章使用这些技术来比较病人，还有几篇文章也采用了相同的技术，但不是用于比较。gydF4y2Ba

例如，Borhani等人[gydF4y2Ba38gydF4y2Ba]也使用折线图来显示个别患者随时间的参数，但不是直接进行比较。戈莫夫等[gydF4y2Ba39gydF4y2Ba)等公司也使用了Priestly时间线，但仅用于可视化每个患者的其他数据，如程序、药物或感染情况。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

可视化分布:直方图gydF4y2Ba

相比之下，一种常见的可视化技术仅少量用于比较任务(7/ 22,32%的文章):直方图。在7种直方图的使用中，有6种(86%)出现在单对队列或单对多比较的研究中(gydF4y2Ba图2gydF4y2Ba)．然而，只有33%(2/6)的研究直接使用直方图进行比较。这是Wang等人的两项研究[gydF4y2Ba16gydF4y2Ba]和Kamaleswaran等人[gydF4y2Ba40gydF4y2Ba，使用了不同的直方图。gydF4y2Ba

《生命线2》作者:Wang等[gydF4y2Ba16gydF4y2Ba]使用事件对齐时间轴，其中其他类型的事件可以作为完整队列的直方图绘制(gydF4y2Ba图6gydF4y2Ba(左)。通过相互作用，可以选择特定区域发生事件的特定患者，可以直接将单个患者的事件模式与事件的一般分布进行比较，如直方图所示。gydF4y2Ba

Kamaleswaran等[gydF4y2Ba41gydF4y2Ba]提供了他们系统的详细视图，其中一个参数的分布，例如，心率变异性，在整个队列中与单个患者的测量心率变异性分布叠加在一起(gydF4y2Ba图6gydF4y2Ba中心)。这使得选择的患者与队列进行直接比较成为可能。gydF4y2Ba

其他没有使用直方图作为直接比较手段的研究使用直方图作为辅助可视化，显示额外的数据。例如，Gotz和Wongsuphasawat [gydF4y2Ba41gydF4y2Ba)用它来显示在选定的亚组患者中干预或药物类型的频率，van Dortmont等人[gydF4y2Ba33gydF4y2Ba]使用它作为交互过滤数据集的基础(gydF4y2Ba图6gydF4y2Ba,对吧)。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

可视化相关性:散点图gydF4y2Ba

第三大组包含了探索和分析相关性的技术。最常见的2种技术是5次出现的散点图和2次出现的气泡图，它们通过额外编码标记大小的附加属性来扩展散点图。gydF4y2Ba

回顾系统中的散点图可以通过两种方式进行比较:显示一条连接线以突出单个患者(叠加)或将它们与另一种技术结合(并置)。大约57%(4/7)的散点图显示了通过将多维数据投影到2D数据而得到的数据[gydF4y2Ba32gydF4y2Ba，gydF4y2Ba38gydF4y2Ba]，将相关性可视化为气泡大小[gydF4y2Ba42gydF4y2Ba]，或计算相似值[gydF4y2Ba35gydF4y2Ba］．gydF4y2Ba

克里莫夫和沙哈尔[gydF4y2Ba15gydF4y2Ba可视化了一组患者随时间变化的参数测量。在这里，图表显示了多个患者的测量结果，没有对不同患者进行视觉区分。当选择一个病人时，所有的测量都用一条线连接起来。通过这种方式，单个患者可以与一组患者进行视觉比较。gydF4y2Ba

Borhani等人[gydF4y2Ba38gydF4y2Ba]将四维模型投射到二维平面上(gydF4y2Ba图7gydF4y2Ba，左上)。在“正常”状态下的多个患者的测量结果显示为一组蓝点。所选患者的第一个小时和最后一个小时的测量值分别在散点图中以绿色和红色显示。这允许快速识别患者的正常和异常测量。此外，所选患者的原始(即非投影)测量结果显示在下面并列的折线图中。gydF4y2Ba

carecizer (Gschwandter等人[gydF4y2Ba18gydF4y2Ba])显示了多名接受调查患者随时间变化的参数(gydF4y2Ba图7gydF4y2Ba，上中心)。对于每个患者，一个图表显示了随时间变化的参数值，以查看他们的病情。时间轴相对于指定的时间点;因此，垂直并置的图表可以进行直接比较。不同颜色编码的带子便于直观地识别患者发展的相关事件。gydF4y2Ba

模拟人生25可视化系统[gydF4y2Ba35gydF4y2Ba]可以查询和比较所选患者与25个最相似的其他患者的发作和测量结果(gydF4y2Ba图7gydF4y2Ba(右上)。一个“笛卡尔坐标图”将计算出的分数映射到x轴上，这样与所选患者的距离就表明了他们在不同测量中的相似性。用户可以沿着y轴在不同的连续参数和分类参数之间切换。相似指数允许观众将选定的患者与其他多个患者进行比较。gydF4y2Ba

DecisionFlow [gydF4y2Ba42gydF4y2Ba]将事件序列聚合成里程碑和中间插曲，从而产生视觉上不那么复杂的序列。DecisionFlow包含一个统计面板，其中气泡图作为主要可视化(gydF4y2Ba图7gydF4y2Ba，左下)。气泡图可以比较一段时间内的事件，并确定相关事件以供进一步研究。每个圆代表一个事件类型，位于两个轴上，代表积极或消极的支持;也就是说，“阳性反应中中间事件的比例。阴性结果组包含一个或多个事件类型。”它的大小编码了相关性，额外的颜色显示了与可视化系统中所有其他颜色编码一致的优势比。相关性和优势比基于阳性结果组和阴性结果组。因此，靠近x轴的圆圈代表事件类型，在具有积极结果的事件中更经常出现，反之亦然。gydF4y2Ba

郭等[gydF4y2Ba43gydF4y2Ba]在2D图表上以彩色编码的圆圈显示，以支持事件同时发生的视觉比较(gydF4y2Ba图7gydF4y2Ba，底部中心)。它使用降维技术在2D平面上可视化多个维度。在这个图表中，这种降维方法导致相似事件更接近，不同事件更遥远。虽然所使用的t分布随机邻居嵌入投影似乎经常显示聚类，但它在很大程度上依赖于算法所选择的参数。每个单独事件在x轴和y轴上的位置在语义上是矛盾的，因此，这个视图只与经典散点图有切线关系。gydF4y2Ba

Magallanes等人研究中的散点图[gydF4y2Ba44gydF4y2Ba]可以比较不同的工作日、事件序列和事件发生情况(gydF4y2Ba图7gydF4y2Ba，右下)。虽然它不能促进单对队列或单对多个比较，但它是一种不同寻常的方法，可以随时间可视化参数(即咨询事件的发生和持续时间)。散点图显示为不同患者散点图的叠加。这允许快速识别正常和异常测量。虽然数据点可以识别为异常值，但用户无法识别事件发生属于哪个患者。gydF4y2Ba

所提供的个别结果的示例演示了比较面向时间的数据的常用方法。大多数应用的技术是折线图，用于显示单个或多个个体的参数随时间的发展，或用于队列的聚合。在所呈现的案例中，Priestley时间线显示了要比较的时间段，并标记了要比较的事件类型的开始和结束，但不用于直接比较数量。gydF4y2Ba

柱状图和直方图显示了一段时间内的分布情况，通常用作交互式图表进行过滤。gydF4y2Ba

散点图有多种应用，从简单的时间点到更复杂的显示患者和参数之间相关性的技术。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

讨论gydF4y2Ba

证据摘要gydF4y2Ba

方法gydF4y2Ba

第一个筛选步骤是由一个多元化的跨学科团队进行的，参与者在可视化研究方面具有不同的专业知识水平。最后的筛选和分析步骤由核心团队的4位专家完成。尽管在可视化方面的经验和专业知识有所进步，但在应用不同的分类法时，在提取数据项期间出现了许多问题。我们知道，在我们的一些提取步骤中，对所呈现的可视化的解释和相应分类法的应用可能会有所不同。虽然我们讨论了有争议的数据项，但在某些情况下，其他人可能会得到不同的结果。gydF4y2Ba

为了提供可视化技术的系统概述，我们研究了不同的现有分类法和分类模式。我们选择了视觉词汇，因为它根据主要目标来构建技术。除了Munzner的任务分类[gydF4y2Ba6gydF4y2Ba]，我们收集了技术及其视觉分析目标和任务。我们发现有专家和结合医学和可视化领域的出版物是有益的。通过结合实践和学术界的分类法，我们能够收集和审查用于比较患者时间数据的特定任务的可视化类型。通过这种方式，我们可以概述不同的可视化技术和使用它们的上下文(RQ2)。gydF4y2Ba

其次，我们认为有必要强调这两个社区如何相互学习。最先进的报告(STARs)是系统地审查信息可视化中特定领域的主要方法(McNabb和Laramee [gydF4y2Ba54gydF4y2Ba王和拉勒米[gydF4y2Ba2gydF4y2Ba])。尽管他们的方法同样严格，但在信息可视化审查中没有标准化的方法来收集和记录证据。相比之下，STAR的文章经常使用可视化来总结他们的发现。因此，对于信息可视化研究人员来说，可能有两个很有前途的目标，可以建立更标准化的审查和调查程序，以及医疗信息学研究人员可以接受STAR文章使用的一些可视化摘要。gydF4y2Ba

为了向读者提供一种交互式的方式来探索我们的范围审查中的可视化系统，我们使用SurVis软件创建了一个可视化文献浏览器[gydF4y2Ba55gydF4y2Ba］．我们的工具不仅提供了一组属性来查看特定可视化技术的使用情况，而且还支持交叉过滤来识别结合了一组属性(如医疗上下文、可视化和患者实体)的系统。我们的配套工具可在网上[gydF4y2Ba56gydF4y2Ba］．gydF4y2Ba

医疗特色gydF4y2Ba

正如之前所综合的，大多数回顾的研究都是在临床研究领域。我们认为这是因为临床研究的数据质量和可用性更高，而临床护理的数据通常存储在遗留系统中，不一定是标准化的。最近一项关于电子病历可视化的调查证实了这一假设;作者确定了阻碍电子病历数据使用的3个挑战:可访问性、数据质量和互操作性[gydF4y2Ba2gydF4y2Ba］．gydF4y2Ba

关于对疾病进行编码的抽象MeSH术语，将“病理状况、体征和症状”这一通用类别放在一边，我们观察到可视化系统中针对的疾病有相当广泛的传播。从医学角度来看，这似乎出乎意料，因为肿瘤和心血管疾病更为常见。然而，从机会主义的角度来看，在特定的医学领域，更多的数据往往是数字化的，容易获得，这可能会导致在医学信息学研究中使用频率更高。gydF4y2Ba

这种来自初级保健机构的数据的日益增加的可用性使临床研究领域能够二次使用。在回顾的研究中，我们将治疗结果确定为分析的主要目标，来自临床研究和临床护理(RQ2)。总的来说，这强调了需要直观地比较随着时间、分布和个体及其队列之间的相关性的变化。gydF4y2Ba

可视化gydF4y2Ba

所审查的系统中最支持的可视化分析目标是显示随时间的变化。这一观察结果符合我们的预期，因为该综述关注的是暂时的患者数据。尽管许多医疗数据都具有时间组件，但并非医疗领域中的所有可视化都关注时间。公共卫生可视化的范围审查[gydF4y2Ba12gydF4y2Ba]认为视觉分析空间模式是最常见的目标(43.6%)，随着时间的推移而变化的比例远远排在第二位，为14.5%。gydF4y2Ba

为了直观地研究相关性，散点图和气泡图被认为是最常见的。在这里，我们注意到一些系统以非传统的方式使用散点图，因为它们在1轴上绘制随时间变化的参数[gydF4y2Ba16gydF4y2Ba，gydF4y2Ba19gydF4y2Ba，gydF4y2Ba43gydF4y2Ba］．虽然时间是一个连续的尺度，因此符合散点图的定义，但更常用的显示时间连续度量的技术是折线图。当点不是在2个轴中的1个轴上顺序排列，而是按非时间测量值排列时，可以使用连接散点图。折线图和连接散点图都来自随时间变化的类别。我们只能假设选择散点图(或者，更准确地说，随着时间的推移，分散的点)是因为设计目标是通过省略线条来减少视图的混乱。这举例说明了通常不用于时间数据的可视化技术如何以这种方式使用。gydF4y2Ba

由于单个或单个患者数据的性质，正在使用简单的可视化技术，在一定程度上，这同样适用于多个患者。在队列的情况下，最常表示为1D数据(按价值或时间聚合)，同样适用，基本技术是最常用的。gydF4y2Ba

报告的可视化技术是不同成熟度级别的可视化系统或原型的一部分。一些更先进和高度交互的系统具有多种视图，结合了多种技术，而其他系统仅为一个目标提供单一的静态可视化。我们没有评估这个特性，因此将成熟度级别(系统的复杂性、用例的多样性和任务)作为未来工作的一个有趣参数。有些文章只是简单的模型(例如，展示了一个用户界面的原型)。其他介绍的文章都是边缘案例，因为可视化系统的应用程序主要是在医疗保健领域之外开发的，它对患者数据的应用是作为潜在用例展示的(例如，ChronoCorrelator展示了用于分析服务器上事件线程的用例)。gydF4y2Ba

比较gydF4y2Ba

我们确定了单个患者、多个患者和队列作为可视化比较的实体，并收集了支持其任何组合比较的可视化技术。由于原始搜索结果的减少，允许将不同的单个患者与结果进行比较，以及将单个患者与队列或倍数进行比较是相当明显的(从57个到22个)，我们保留了本应在此阶段放弃的研究的子集。因此，这些研究(gydF4y2Ba图2gydF4y2Ba)以与明确允许目标任务的研究相同的方式进行分析。虽然这些研究可能没有专门设计来比较单个患者与多个患者或队列，但所使用的技术本身似乎能够进行这种任务，只需稍加修改。这表明(1)与单对单或队列对队列相比，单个患者与多个其他患者(单对多和单对队列)的可视化比较相对不发达;(2)许多现有的可视化是为队列之间的比较或单个患者与另一个患者的比较而设计的，也可以适用于进一步的组合。gydF4y2Ba

通过应用我们的分类法对比较方面进行详细的识别，我们介绍了单对单、单对多、单对队列、队列对队列、多对多和多对队列之间的区别。尽管这种区别在集合论方面似乎微不足道，但它揭示了在显示多个个体或一个群体被认为是比较的相反实体之间不直接明显的中断(gydF4y2Ba图8gydF4y2Ba)．gydF4y2Ba

当可视化患者时，我们确定多个患者和队列之间的差异不是在群体的大小上，而是在可视化队列需要事先聚合数据的事实上。正如我们的回顾所示，这通常与不同的视觉表示相辅相成。为了显示一段时间内的测量值，一种表示队列的方法是将集中趋势(如平均值)和扩散(如范围)可视化为不同的线。另一种方法是选择拟合的时间窗口，并将每个时间范围的测量值的扩展可视化为箱形图。gydF4y2Ba

在gydF4y2Ba图9gydF4y2Ba，我们展示了在不同患者实体之间随时间进行可视化比较测量的所有可能组合。gydF4y2Ba图9gydF4y2Ba举例说明这是折线图，而不同的比较组合的概念空间是不可知的使用可视化技术。此外，我们只展示了并置和叠加布局的变体，而存在广泛的替代选项，如交互。选择合适的可视化、布局位置和交互是设计可视化分析系统的主要挑战，需要以人为中心的开发方法来将可视化与用户的任务和需求相匹配。总的来说，尽管这个使用折线图的可视化示例提供了一些初步提示，告诉我们哪些组合可能比其他组合更好(例如，叠加的多对多比较在视觉上似乎过于复杂)，但这是对设计空间的早期探索。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

限制gydF4y2Ba

尽管我们没有将搜索限制在期刊上，也包括了会议论文集，因为它们是计算机科学领域的主要出版物之一，但我们只找到了一小部分符合所有标准的文章。随着视觉分析的重要性，特别是视觉分析系统的重要性不断增长，我们希望包括更多来自最近几年的文章;然而，只有少数符合我们的标准。如前所述，我们与一位有经验的图书管理员合作，迭代地改进了我们的搜索词，因此，我们假设这是因为患者与队列的比较和专注于面向时间的数据的可视化的特殊组合。但是，我们意识到我们可能遗漏了相关工作;例如，主要是队列可视化工具的系统也可能支持个别患者的一些详细突出显示，而无需在书面报告中明确提及或讨论。gydF4y2Ba

我们提取并综合了广泛的相关属性，以总结所综述研究的主要特征。然而，我们发现还有一系列进一步的调查超出了本次审查的范围。虽然我们考虑了数据的各种细节，但如果数据准备或数据转换步骤不是所使用的可视化技术的基本方面(例如在2D显示中显示高维数据)，我们不会单独评估它们。gydF4y2Ba

对可视化分析系统的研究通常通过可用性评估收集反馈，或通过案例研究证明其适用性。虽然我们没有在我们的范围审查中综合这些属性，但我们承认理解用户反馈对正确评估可视化系统的有用性的重要性，并强调在这方面进行进一步研究的必要性。gydF4y2Ba

除了作者和出版年份之外，我们还将元数据提取限制为关于出版出口的信息。分析这一点可以让我们探索提取的属性和研究领域之间的相关性。例如，人们可以调查可视化研究人员是否比医学领域的研究人员使用更复杂的可视化技术。这在本综述中无法涵盖，我们也没有将其纳入分析。gydF4y2Ba

此外，我们没有完全合成提取的属性的组合。例如，进一步研究为特定可视化技术更频繁地提供的交互类型可能是有深刻见解的。对这种显式组合的研究可以更好地理解，对于具有特定特征的1名或多名患者，哪种选择技术适合于不同的聚合队列可视化。虽然这些文章被分析为包括任务特定行动和目标的可视化，但在这篇综述中，无法进一步详细评估特定行动目标对是否更频繁地出现。然而，这些对的分析可能会导致可视化研究领域中有趣的rq。我们的网上配套工具在[gydF4y2Ba55gydF4y2Ba]提供了探索提取属性(如医学疾病和可视化技术)组合的第一个基本可能性。gydF4y2Ba

结论gydF4y2Ba

可视化分析系统通过数据分析和交互式可视化，通过促进对潜在和隐藏模式的关注，减轻了面向时间的患者数据的复杂性。在这篇范围综述中，我们检查了可用的文献，并确定和聚类可视化技术，这些技术专门支持比较面向时间的患者数据(RQ1)的任务。我们收集并报告了视觉分析的目标和任务，特别关注将单个患者与多个患者或队列(RQ2)进行比较的选项范围。最后，我们调查并介绍了所回顾的可视化系统(RQ3)的医学特征、数据类型类别和交互技术。gydF4y2Ba

由于这项工作是一个范围审查，我们认为确定的文章和执行的提取步骤是进行更高级提取形式的进一步研究的第一步。我们发现一小部分出版物专门包含单对多或单对队列比较，并提供可视化来支持这项任务。在大多数情况下，我们还发现基本的可视化技术，如折线图、事件时间线、直方图或散点图被有效地使用。单个患者与多个患者或队列之间的时间导向比较主要用于实验室和生命体征参数，其次是程序和诊断的分析和比较。我们确定了许多潜在的有趣的方法，并认为其中许多技术可以通过小的适应，适用于单个患者与多个患者和队列的比较。gydF4y2Ba

我们预计，我们已经令人信服地论证了将个体患者与队列进行可视化比较的有效性，并鼓励研究人员进一步研究此类比较的可视化和交互技术。最后，我们的综述显示有必要系统地回顾进一步的系统和技术，以提出一个适当的设计空间来比较单个、多个和队列患者的时间数据。gydF4y2Ba