本文内容如下e-collection /主题问题:

信息流行病学与信息监控(918) 信息监测，信息流行病学，数字疾病监测，信息管理(741) 信息检索(205)

发表在在第24卷第7期(2022):7月

本文的预印本(早期版本)可在https://preprints.www.mybigtv.com/preprint/27310，首次出版．
谷歌趋势方法识别与结膜炎和其他常见眼病相关的不同的每日和每周网络搜索模式:信息流行病学研究

谷歌趋势方法识别与结膜炎和其他常见眼病相关的不同的每日和每周网络搜索模式:信息流行病学研究

谷歌趋势方法识别与结膜炎和其他常见眼病相关的不同的每日和每周网络搜索模式:信息流行病学研究

本文作者:

迈克尔·S·戴纳1、2 作者Orcid图片； Gurbani考尔2、3 作者Orcid图片； Stephen D McLeod1、2 作者Orcid图片； 朱莉·M·沙尔霍恩1、2 作者Orcid图片； 詹姆斯Chodosh4、5 作者Orcid图片； Daniel H Hwang6、7 作者Orcid图片； 托马斯·M·利特曼1 2 8 9 作者Orcid图片； 特拉维斯·C·波尔科1 2 8 9 作者Orcid图片
文章 作者 引用的 Tweetations (4) 指标

    原始论文

    1弗朗西斯一世普罗科特基金会，加州大学旧金山分校，美国加州旧金山

    2美国加州大学旧金山分校眼科

    3.加州大学旧金山分校医学院，美国加州旧金山市

    4美国麻萨诸塞州波士顿，哈佛医学院眼科

    5马萨诸塞州眼耳部，哈佛医学院，马萨诸塞州波士顿，美国

    6斯坦福大学，加州圣马特奥，美国

    7纽瓦学校，圣马特奥，加州，美国

    8加州大学旧金山分校流行病学和生物统计学系，美国加州旧金山

    9全球健康科学，加州大学旧金山分校，加州旧金山，美国

    通讯作者:

    Travis C Porco，公共卫生硕士，博士

    流行病学与生物统计学系“，

    加州大学旧金山分校

    伊利诺斯街490号，二楼0944包厢

    旧金山，加州，94158

    美国

    电话:1 415 476 4101

    电子邮件:travis.porco@ucsf.edu


    背景:研究表明，某些眼部疾病的发生有昼夜规律。利用基于网络的搜索数据等新的信息来源来了解更多关于这种模式的信息，可以提高对患者眼睛相关疾病和健康状况的理解，更好地为临床和远程眼科护理的时机提供信息，并提高针对服务不足人群的基于网络的公共卫生运动的准确性。

    摘要目的:为了调查我们的假设，即公众可能会在一天或一周的不同时间持续搜索不同的眼科疾病，我们使用与结膜炎等眼科疾病相关的搜索数据进行了一项观察性研究。我们评估了搜索量是否反映了每天或每周的模式，以及这些模式是否彼此不同。

    方法:我们设计了一项研究，分析和比较眼睛相关和控制搜索词的小时搜索数据，使用具有趋势和周期性术语的时间序列回归模型去除异常值，然后估计日影响。我们计划了一个谷歌趋势设置，从美国10个州提取2018年全年的数据。研究对象是互联网搜索，参与者是使用我们选择的研究术语在谷歌的搜索引擎上搜索的人群。我们的主要结果指标包括周期性的每小时和每星期的基于网络的搜索模式。对于统计分析，我们考虑P<。有统计学意义。

    结果:不同的日(P<。对于与眼睛相关的词汇，观察到的搜索模式为001)和星期几，但其峰值时段和循环强度不同。一些日模式代表了先前临床研究的报告。在与眼睛相关的词汇中，“红眼”显示出最大的日幅均值比。较强的信号集中在上午并达到峰值，而在平日振幅较大。相比之下，“干眼”在周末有更高振幅的日模式，较强的信号出现在更广泛的晚上到早上，并在清晨达到峰值。

    结论:在网上搜索各种眼睛状况的频率可以根据一天或一周的时间显示循环模式。进一步研究了解这些变化的原因可能有助于补充目前临床对眼科症状表现的理解，并提高患者信息和护理干预的及时性。

    中国医学杂志，2018;24(7):e27310

    doi: 10.2196/27310

    关键字

    白天的眼睛状况； 每周一次的； 在线搜索； 基于网络的搜索； 眼条件； infodemiology； 干眼； 结膜炎； 粉红色的眼睛； 信息寻求； 愿景


    信息流行病学是卫生信息学中一个相对年轻的学科，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，目的是为公共卫生和政策提供信息[1-3.］．这种形式的卫生信息学的应用包括基于网络搜索引擎的查询来预测冠状病毒的爆发，通过分析状态更新或推特上的推文来监测综合征，跟踪获取卫生保健信息的差异，挖掘搜索引擎数据以聚类查询点击数据，以估计患者在临床环境或时间之外寻求解决自己的某些疾病的患病率，或研究通常未被观察到的位置的因素的患病率[2，4-6］．与整理和探测大型数据集相比，这些公共卫生分析方法提供的一个关键优势是能够对健康相关行为进行实时预测分析[2，7，8］．例如，一项研究发现，在2004-2005年加拿大流感季节期间，谷歌中关键字触发链接的点击次数与接下来一周的流感病例有很强的相关性[9］．同样，另一项研究发现，基于社交媒体的食源性疾病监测比标准数据库监测系统有效、快速且便宜66% [10］．

    谷歌趋势已成为预测疾病发生和爆发的信息流行病学研究的流行工具，以至于提出了旨在加强这种分析有效性的标准化方法，并开发了常用的数据获取工具[11，12］．但是，在使用谷歌Trends时也必须考虑局限性。例如，对于COVID-19，媒体报道可以影响网络搜索[13，14]，而搜索量值会因收集数据的日期而有所不同[15，16］．这一领域的应用非常广泛(例如，将谷歌趋势用于有关边缘人口或节育的公共卫生规划，仅举几例[17，18])，并能迅速适应时事[3.］．例如，最近的谷歌趋势研究探讨了COVID-19大流行对心理健康行为和虐待儿童的潜在影响[19-22]眼科疾病和其他传染性疾病及非传染性疾病[23，24]以及与COVID-19本身有关的治疗和错误信息[25-27］．

    与人类健康相关的谷歌趋势搜索兴趣的循环模式，通常是季节性的，但也有字母程度上是每日的，是一个广泛研究的领域。临床研究已确定人类健康状况的周期性发生，包括昼夜眼相关疾病，研究结果可促进时间预防和时间治疗护理[28-35］．有关非眼部疾病症状的网络搜索行为已被证明反映了临床的季节性和日周期性，以及在临床上根本没有典型观察到的疾病方面(例如，冠心病和抑郁症)[36，37］．基于网络的搜索或社交媒体数据还可以在相对较长的时间尺度上反映季节性或新出现的临床眼病模式和结膜炎流行，包括COVID-19大流行等其他因素的影响[8，23，38-43］．这表明，与其他健康状况一样，[36，37]，就有可能通过基于网络的每小时搜索数据，增加我们对眼科疾病的日常和每周几方面的知识，而不仅仅是患者在诊所就诊的日期和时间。在这里，我们测试了这样一个假设，即公众可能会在一天或一周的不同时间(但可预测的)搜索眼睛健康的不同方面。具体来说，我们进行了一项观察性研究，调查美国每小时基于网络的结膜炎或其他常见眼部疾病和治疗相关术语的搜索数据是否可以显示出每日或每周的循环模式，以及这些模式是否彼此不同。例如，日发生峰值可能出现在不同的时间，或者峰值和低谷之间的差异可能不同。


    谷歌搜索数据

    我们查询了谷歌Trends结膜炎术语和其他常见眼部疾病和治疗方法，以便进行比较。搜索词包括“结膜炎”、“眼睛模糊”、“白内障”、“红眼病”、“干眼症”、“水眼”、“青光眼”、“隐形眼镜”、“visine”和“lasik”。一个积极的控制术语，可能会表现出每小时和每星期的变化(“醉酒”)。数据是使用我们开发的Python (Python软件基金会)脚本获得的Pytrends(用于访问谷歌Trends数据的常用应用程序编程接口)，使用pytrends获取历史每小时兴趣数据。应用程序编程接口[4，6，12］．每个术语和状态组合被单独查询。每个请求检索1周的每小时数据。将结果合并进行分析。使用此方法，查询中不指定类别，不使用引号，术语单独作为terms而不是as进行查询主题．下载了美国人口最多的10个州(CA、FL、GA、IL、MI、NC、NY、OH、PA和TX) 2018年(查询时可用的最新完整年份数据)这些术语的小时搜索频率数据的相对搜索量(RSV)。在2019年8月26日这一周内，为每个状态项对查询和下载两次数据，以考虑随机抽样[36，37］．通用协调时间被调整为每个状态的主要时区(只有FL、MI和TX包含多个时区)。得到的时间序列表示给定位置、时间段和期限的每小时RSV。然后将所有州的数据组合起来进行分析。

    周期强度和峰值时间的日和日分析与比较

    使用每个搜索词的小时RSV作为结果变量，我们对趋势进行了Serfling回归调整，如下所示[44-46］．我们使用三阶正交多项式对自2018年1月1日以来的天数进行总体趋势调整。日效应用sin的形式来模拟nωt,因为nωt,在那里ω= 2π/ 24,t时间是24小时制的吗n= 1,…,4。我们分别估计了周末和工作日的日效应。

    由于在单一时间出现的离群值可能会产生对日系数的偏差估计，因此我们包含了额外的术语来控制潜在的离群值(妨害术语)。我们可能会包含大量不同长度的此类术语，通过使用交叉验证的LASSO(最小绝对收缩和选择算子)来避免不可识别性，从而只选择少量此类术语[47］．这提供了一个简单的基于回归的过滤器，用于去除明显的流行和其他不规则的异常值。具体来说，异常值和局部(非周期性)偏离是由在给定间隔上取值1的项建模的，否则为0。具体来说，我们选择了形式1的项x∈公里,k (m + 1) 1),在那里米= 0,1,…,x是自2018年1月1日午夜以来的小时数，和k取值为8、16、32、64和128，以及168(后者对应于一周的小时数)。我们还在敏感性分析中选择了其他区间，发现这些回归量的选择对结果影响不大;具体来说，我们选择了k=7、14、28、56、112和168小时的集合，以及9、18、36、72、144和168小时的集合。可以选择其他方法来过滤异常值，而不是选择这个回归过程。

    对于统计分析，在对这些有害项进行模型选择后，使用普通最小二乘估计来估计趋势系数、离群值和三角系数。根据三角系数和截距，我们估计了圆形中值出现时间和幅均值比(与我们之前的分析相似，并使用R [R统计计算基础]包“圆形”)[39-41］．由于日和周发生日数据为角度数据，我们使用圆形中位数时间来总结集中趋势;圆形中位数反映了峰值的发生(当数据近似为单峰时)。幅均值比测量周期，接近零的值表示周期变化小。标准误差和P数值采用时间序列自举法确定，宽度固定为20小时[48-50］．对于日循环模式，P小于0.001的值被认为是显著值。

    对于数据可视化，对每个术语过滤后的时间序列数据的平均小时结果进行归一化，以便在极图中进行可视化比较(R包“ggplot”[51])。为了优化地展示图中每个术语的循环模式，通过将每个术语的每个小时的平均值除以具有最小平均值的小时的值，将每个术语的小时RSV归一化，以便RSV最小的小时以1.0的值绘制在离中心最近的位置，而相对搜索兴趣较高的小时则绘制在离中心更远的位置。由于值已经标准化，因此图并不表示一个词相对于另一个词的总搜索兴趣，而是表示词之间搜索兴趣的相对数量(图1)，在个别学期(图2)，或在个别学期的季节及平日与周末之间(图3)．

    ‎
    图1。2018年美国10个州的平均每小时循环模式。
    查看此图

    伦理批准

    这项研究获得了加州大学旧金山分校机构审查委员会的批准(14-14743)。


    总的来说，我们发现每个搜索词都表现出周期性的搜索兴趣日模式(P<。所有条款均为001)。然而，循环强度和集中趋势在搜索词之间有所不同，如下所述。

    每小时、每周和季节模式

    为了可视化每一项的循环日模式，每天每个时间点的平均RSV用标准化的24小时极坐标图表示(见方法)图1．请注意，尽管大多数术语显示日模式，比例条形图图1表明并非所有的术语都表现出相似的日强度。在图2，每一项在一周中每一天的循环日模式以标准化极坐标24小时图表示。这些图表明，一些术语具有日循环特征，其模式在工作日和周末之间变化。中显示的术语具有统计上显著的每周一天模式、平均高峰日值和所有术语的其他每周一天特征表1．在图3，归一化极坐标24小时图表示每个学期、每个季节的工作日和周末的循环日模式。工作日组结果显示为实线，周末组结果显示为虚线。季节由颜色表示。这些图表表明，尽管大多数词汇在每个季节的日搜索和工作日搜索模式相似，但在某些情况下，特征随季节而变化。例如，在冬季和春季的几个小时里，“干眼”的RSV总体上更高，但在夏季周末也表现出强烈的早晨高峰，在冬季和春季周末，“水汪汪的眼睛”也是如此。

    ‎
    图2。从2018年起，美国10个州加起来每个工作日的平均每小时循环模式。
    查看此图
    表1。相对搜索值的周期性日或周特征。
    搜索条件 圆形中位数一个 Amplitude-to-mean比率

    		工作日 周末 差异,小时 工作日b 周末 区别c
    “模糊的眼睛” 00:39 (00:18, 00:59) 01:09 (00:40, 01:37) 0 - 2 0.37 (0.33, 0.47) 0.42 (0.39, 0.59) 0.02(-0.04至0.08)
    “白内障” 15:28(15:11、15:45) 18:35 (17:12, 20:15) 2 - 4 0.26 (0.24, 0.3) 0.18 (0.15, 0.25) -0.05(-0.08到-0.02)
    “结膜炎” 06:11 (06:02, 06:21) 05:54 (05:46, 06:03) 0 - 2 0.62 (0.59, 0.66) 0.77 (0.72, 0.84) 0.04(0至0.07)
    “隐形眼镜” 23:16 (22:59, 23:32) 02:29 (01:57, 03:02) 2 - 4 0.43 (0.41, 0.47) 0.38 (0.35, 0.43) -0.03(-0.06到-0.01)
    “干眼症” 02:13 (02:07, 02:20) 03:38 (03:28, 03:48) 0 - 2 0.61 (0.58, 0.66) 0.85 (0.79, 0.95) 0.12(0.08至0.17)
    “青光眼” 13:24(13:14、13:34) 00:13 (21:41, 02:52) 4 - 6 0.38 (0.36, 0.41) 0.15 (0.12, 0.19) -0.15(-0.17到-0.13)
    “激光” 11:51 (11:33, 12:09) 06:00 (05:10, 06:51) 4 - 6 0.28 (0.25, 0.31) 0.24 (0.2, 0.28) -0.03(-0.06到-0.01)
    “红眼” 04:35 (04:33, 04:38) 05:38 (05:33, 05:43) 0 - 2 1.6 (1.56, 1.64) 1.08 (1.04, 1.11) -0.26(-0.29到-0.24)
    “visine” 00:37 (00:17, 00:56) 00:37 (00:08, 01:04) 0 - 2 0.41 (0.35, 0.5) 0.43 (0.38, 0.55) 0.03(-0.03至0.09)
    “水汪汪的眼睛” 01:49 (01:41, 01:56) 03:50 (03:35, 04:07) 2 - 4 0.67 (0.63, 0.74) 0.48 (0.45, 0.58) -0.07(-0.12到-0.03)

    一个工作日和周末的每个项的平均过滤和去趋势循环中值时间(和95% CI)。我们发现，度量日变化系数的ci排除了零，这表明日变化具有统计学意义(P<。所有值为001)。

    b峰值到低谷除以平均值来归一化标量差。日平均幅均值比值越大，日变化规律越明显。

    c允许比较工作日和周末的日周期幅均值比(即周期强度的比较)，提供工作日和周末幅均值比之间的平均差值(和95% CI)。负值表示工作日周期强度更强，正值表示周末周期强度更强。大于0的值表示工作日和周末之间的差异较大。这一列是振幅差除以周末和工作日平均值，而不是前两列之间的差。
    ‎
    图3。从2018年起，美国10个州的工作日(实线)和周末(虚线)的平均每小时循环模式。
    查看此图

    循环模式的统计分析

    在平滑和去趋势之后，得到的数据集用于所有后续的统计分析和数据可视化。所有项的结果显示在表1．第2-3列提供工作日和周末的循环中值时间，第4列提供工作日和周末之间的高峰时间差异。列5-6提供幅均值比。第7列提供了周末与工作日循环比的比较(值越接近零表示差异越大，负值表示工作日循环强度越强，置信区间越过零表示差异不显著)。

    所有季节的日循环模式均在工作日和周末显著(P<。所有条款均为001)。特征因搜索词而异。在与眼睛相关的术语中，“红眼”具有最强的基于幅均值比的日循环模式，较强的信号局限于一个狭窄的时间窗口，并且在同一1小时内的所有早晨达到峰值。这在平日表现出较高的幅度(表1，列5-7;图2而且3.)．“结膜炎”也有较强的日循环模式之一，但低于“红眼病”，早晨循环中位数时间稍晚，周末与工作日的循环强度差异较小。与“红眼病”相比，“干眼病”在周末表现出更强的昼夜模式，从晚到早的时间段内出现更强的信号，在清晨达到峰值，周日上午最为明显(表1，列5-7;图2而且3.)．不过，与“红眼病”类似，“干眼病”的循环中位数在工作日比周末更接近。相比之下，对于“白内障”、“青光眼”和“激光手术”，工作日和周末的循环中位数时间不太一致，而且这些术语的工作日RSV总体上大于周末(表1，第4栏;图2而且3.)．作为阳性对照，“醉酒”一词表现出很强的振幅均值比，在周末的深夜到凌晨(数据未显示)最强，反映了深夜的酒精消费。


    主要研究结果

    与常见眼部疾病和治疗相关的基于网络的搜索行为模式显示出显著的独特的周期性日变化。这表明，利用信息流行病学方法，如本研究中所展示的方法，可以为我们了解不同的眼病可能对患者造成最大或最小干扰或关注的昼夜时间增加信息。这可能有助于增强我们对眼部疾病的传统理解，这种理解主要是基于在典型临床时间内评估患有眼科疾病的患者。我们观察到，在典型门诊时间之外发生的特征在眼科疾病相关搜索词之间可能有所不同。例如，“红眼病”在短时间的工作日早晨显示出更大的日振幅-均值比，而其他术语，如“干眼病”在周末有更大的振幅-日模式，与“红眼病”相比，更强的信号出现在更广泛的晚上到早上的时间段。

    对于一些单独的搜索词，我们还发现该词在工作日和周末的日搜索模式存在显著差异。这表明，信息流行病学方法可以对一周中的特定日子以及这些日子中的几个小时提供新的理解，在这些日子里，特定的眼科疾病对患者的影响最大。这种方法可以补充正在进行的研究，以了解眼部疾病的标准临床时间以外的症状和条件的严重程度或治疗的关键时间或天数，正如对其他疾病的研究一样[28，31-37，52-57］．我们还观察到，对于某些术语，日搜索模式在一年中的不同时间也会有所不同，这表明独特的季节因素可能会影响特定眼病的昼夜周期，并提高了我们这样的方法在加强季节性眼病研究方面的潜在价值[29］．

    限制

    我们的研究有可能出现异常值、偏差和混杂因素。例如，一个孤立的事件，比如一个名人患了结膜炎，可能会在新闻报道的时候引发对“红眼病”的不寻常搜索。类似地，停电等事件可能会引发搜索模式的临时变化。此外，众所周知，媒体报道会影响对covid -19相关词汇的搜索[13，14]，而每日RSV会因数据收集日期而有所不同[15，16］．为了解释这种异常，我们使用了一个带有基于回归的过滤器的模型来去除不寻常的激增或减少，如孤立事件和其他不规则异常值(参见方法)，并使用来自重复查询和多个状态和天数的平均值来减少潜在的不精确性。模型灵敏度分析结果稳定。虽然不是不正确的，但我们的方法使用搜索关键字，不允许查询搜索主题或健康类别;因此，对我们健康主题的研究可能还不完全完整。未来的方法将比较多年的结果，并在初步和最终分析中优化使用搜索主题和健康类别，可以提供额外的模型验证。机器学习的未来应用也有可能提高我们模型的灵敏度和特异性[11，58］．

    尽管有这些限制，我们还是找到了支持我们模型的证据。例如，在我们的分析中确定的结果通常反映了已知临床理解的组成部分。从深夜到清晨，观察到“眼睛干涩”和“眼睛模糊”的每小时RSV增加，这与症状的临床报告一致[31，34］．在周末早晨观察到的“干眼症”振幅较强，可能代表在晚上之前暴露于烟或酒精等刺激物的程度较高，据报道这些刺激物会加重这些症状[32，33］．从晚上到清晨，观察到的“眼睛模糊”、“隐形眼镜”、“视力”和“水眼”的每小时RSV增加可能反映了隐形眼镜佩戴者夜间症状的增加[35］．同样，早晨观察到的“结膜炎”和“红眼病”的每小时RSV增加可能也反映了临床表现[28］．相比之下，“白内障”、“青光眼”和“lasik”在工作日白天的搜索次数更多。这表明，与眼部手术或与急性症状无关的慢性疾病相关的信息寻求行为更有可能在正常工作时间发生。

    结论

    在这项研究中，我们从基于网络的每小时搜索模式中建立证据，表明与各种眼科症状和条件相关的基于网络的信息搜索行为存在明显的日和周模式。通过分析补充数据源(如使用基于网络的搜索数据)，未来可能会确定对临床眼病表现、卫生和临床外患者健康维护行为的更精确的时间理解。这反过来又可以改进日常眼病监测和眼科远程医疗资源分配时间、及时的医疗保健信息和临床干预的方法。

    致谢

    这项工作得到了来自美国国立卫生研究院国家眼科研究所(NIH-NEI)的拨款1R01EY024608-01A1 (Lietman, PI)，美国国立卫生研究院国家眼科研究所(NIH-NEI)的拨款EY002162(视力研究核心拨款- ullian, PI)，美国国立卫生研究院国家眼科研究所(NIH-NEI)的拨款EY013124和EY021558 (Chodosh, PI)，以及来自预防失明研究(McLeod, PI)的无限制拨款。发起人或资助机构在本研究的设计或实施中没有任何作用。

    利益冲突

    没有宣布。

    1. 电子收藏“资讯流行病学与资讯监察”。卡塔尔世界杯8强波胆分析JMIR出版物。URL://www.mybigtv.com/collection/view/69[2021-08-10]访问
    2. 信息流行病学和信息监视:范围审查。J Med Internet Res 2020 april 28;22(4):e16206 [免费全文] [CrossRef] [Medline］
    3. 麦基T，鲍尔C, Eysenbach G.在数字密集型时代推进信息流行病学。JMIR信息流行病学2022年2月14日;2(1):e37115。［CrossRef］
    4. 萨马拉斯L，西西里亚M, García-Barriocanal E.使用搜索引擎数据预测流行病:欧洲最大国家麻疹的比较研究。BMC公共卫生2021年1月21日;21(1):100 [免费全文] [CrossRef] [Medline］
    5. 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 [免费全文] [CrossRef] [Medline］
    6. Hall J, Lo F, Saha S, Vaidyanathan A, Hess J.互联网搜索提供了对无观测区早季花粉模式的洞察。科学通报2020 july 09;10(1):11334 [免费全文] [CrossRef] [Medline］
    7. 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］
    8. 陈海涛，鲁思，陈海涛，阮宝伟。COVID-19大流行期间的社交媒体洞察:使用大数据的信息流行病学研究JMIR Med Inform 2021年7月16日;9(7):e27116 [免费全文] [CrossRef] [Medline］
    9. 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］
    10. 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。J Med Internet Res 2013 7月18日;15(7):e147 [免费全文] [CrossRef] [Medline］
    11. 马夫拉加尼A，奥乔亚G.谷歌信息流行病学和信息监控的趋势:方法论框架。JMIR公共卫生监测2019年5月29日;5(2):e13439 [免费全文] [CrossRef] [Medline］
    12. Pytrends:谷歌趋势的非官方api。GitHub。URL:https://github.com/GeneralMills/pytrends/blob/master/README.md[2019-02-16]访问
    13. 谷歌趋势的可靠性:COVID-19大流行期间网络信息监视的限制和潜力分析以及未来研究。前Res Metr Anal 2021年5月25日;6:670226 [免费全文] [CrossRef] [Medline］
    14. Sousa-Pinto B, Anto A, Czarlewski W, Anto JM, Fonseca JA, Bousquet J.媒体报道对covid -19相关谷歌趋势数据影响评估:信息流行病学研究。J Med Internet Res 2020 Aug 10;22(8):e19611 [免费全文] [CrossRef] [Medline］
    15. Sato K, Mano T, Iwata A, Toda T.在解释谷歌基于趋势的COVID-19信息流行病学研究结果时需要注意:假阳性的潜在风险。BMC Med Res Methodol 2021 july 18;21(1):147 [免费全文] [CrossRef] [Medline］
    16. Rabiolo A, Alladio E, Morales E, mcnolet AI, Bandello F, Afifi AA，等。通过将症状搜索行为整合到预测模型中预测COVID-19流行:信息监视研究。J Med Internet Res 2021 Aug 11;23(8):e28876 [免费全文] [CrossRef] [Medline］
    17. Card KG, Lachowsky NJ, Hogg RS.使用谷歌趋势来告知同性恋、双性恋和其他与男性发生性行为的男性的人口规模估计和空间分布:概念证明研究。JMIR公共卫生监测2021年11月29日;7(11):e27385 [免费全文] [CrossRef] [Medline］
    18. 普拉塔N，魏德特K, Zepecki A，杨E，普莱森斯E，萨姆-阿比欧顿P，等。使用应用程序编程接口(api)访问谷歌数据并深入了解2014-2018年路易斯安那州和密西西比州的节育搜索:信息监视研究。J Med Internet Res 2021 7月12日;23(7):e25923 [免费全文] [CrossRef] [Medline］
    19. Riem MME, De Carli P, Guo J, bakermann - kranenburg MJ, van IJzendoorn MH, Lodder P. COVID-19期间儿童虐待相关术语的网络搜索:信息流行病学方法。JMIR儿科家长2021年7月13日;4(3):e27974 [免费全文] [CrossRef] [Medline］
    20. Zitting K, lammer -van der Holst HM，袁荣科，王伟，权顺丰，Duffy JF。谷歌Trends显示，在2019年冠状病毒病(COVID-19)全球大流行期间，失眠的互联网搜索量有所增加。临床睡眠医学2021年2月1日;17(2):177-184 [免费全文] [CrossRef] [Medline］
    21. 王a, McCarron R, Azzam D, Stehli A，熊刚，DeMartini J.利用谷歌趋势的大数据绘制美国人口抑郁:探索性信息流行病学研究。JMIR Ment Health 2022 3月31日;9(3):e35253 [免费全文] [CrossRef] [Medline］
    22. Lekkas D, Gyorda JA, Price GD, Wortzman Z, Jacobson NC。利用COVID-19大流行来评估新闻影响对美国各地在线心理健康搜索行为的影响:综合情绪分析和影响的迂回模型。J Med Internet Res 2022年1月27日;24(1):e32731 [免费全文] [CrossRef] [Medline］
    23. 邓丽娟，李志强，李志强，等。在COVID-19大流行期间，对传染性眼和其他疾病的在线搜索兴趣持续下降:信息流行病学研究JMIR信息病学2022年3月16日;2(1):e31732 [免费全文] [CrossRef] [Medline］
    24. 徐超，曹喆，杨华，高原，孙林，侯勇，等。利用互联网搜索数据改善非传染性疾病的预测和预防:回顾性观察研究J Med Internet Res 2020年11月12日;22(11):e18998 [免费全文] [CrossRef] [Medline］
    25. 意大利COVID-19对阴谋假说和风险感知的影响:使用谷歌趋势的信息流行病学调查研究。JMIR信息流行病学2021;1(1):e29929 [免费全文] [CrossRef] [Medline］
    26. Chejfec- ciociano JM, Martínez-Herrera JP, Parra-Guerra AD, Chejfec R, Barbosa-Camacho FJ, Ibarrola-Peña JC，等。使用谷歌趋势数据:信息流行病学研究确定了墨西哥COVID-19大流行期间关于二氧化氯的错误信息和兴趣。JMIR信息病学2022年1月27日;2(1):e29894 [免费全文] [CrossRef] [Medline］
    27. An L, Russell DM, Mihalcea R, Bacon E, Huffman S, Resnicow K.与COVID-19疫苗相关的在线搜索行为:信息流行病学研究。JMIR信息病学2021年11月12日;1(1):e32127 [免费全文] [CrossRef] [Medline］
    28. Smolensky MH, Portaluppi F, Manfredini R, Hermida RC, Tiseo R, sacket - lundeen LL，等。人类疾病的昼夜和二十四小时模式:急性和慢性常见和不常见的医疗条件。睡眠医学Rev 2015 6月;21:12-22。［CrossRef] [Medline］
    29. 王志强，王志强，王志强，王志强。气候和季节:对眼病的影响。临床经验眼科2017年5月;45(4):385-392。［CrossRef] [Medline］
    30. Sié A，迪亚拉A，米洛戈O，宗戈A，莱巴斯E, Bärnighausen T，等。布基纳法索儿童结膜炎的季节和时间趋势。中国热带医学杂志2018年7月;99(1):229-232 [免费全文] [CrossRef] [Medline］
    31. 吉龙，沙沙。24小时管理干眼病的基本原理:一项综述。const Lens Anterior Eye 2019 Apr;42(2):147-154。［CrossRef] [Medline］
    32. 张志刚，张志刚，张志刚。吸烟对眼表及角膜前泪膜的影响。澳大利亚医学杂志2012;5(4):221-226 [免费全文] [CrossRef] [Medline］
    33. 金志华，金志华，南辉，李凯，崔德昌，玄志勇，等。口服酒精会扰乱泪膜和眼表。中华眼科杂志2012年5月;119(5):965-971。［CrossRef] [Medline］
    34. 刘志刚，刘志刚，刘志刚。干眼症患者视功能的日变化及其临床意义。角膜科学2010 Jun;29(6):607-612。［CrossRef] [Medline］
    35. 邓多顿KA, Guillon M, Theodoratos P, Patel T.隐形眼镜和非隐形眼镜佩戴者舒适度的日变化。光学学报，2016年8月;29(8):820-827。［CrossRef] [Medline］
    36. 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 [免费全文] [CrossRef] [Medline］
    37. 谢晓明，李志强，李志强，李志强。胸痛与冠心病流行病学的相关性研究。JAMA Cardiol 2018 Dec 01;3(12):1218-1221 [免费全文] [CrossRef] [Medline］
    38. Leffler CT, Davenport B, Chan D.眼科相关网络搜索的频率和季节变化。中华眼科杂志2010 Jun;45(3):274-279。［CrossRef] [Medline］
    39. Deiner MS, Lietman TM, McLeod SD, Chodosh J, Porco TC。从搜索引擎和社交媒体数据中出现的用于确定眼病模式的监测工具。JAMA Ophthalmol 2016 Sep 01;134(9):1024-1030 [免费全文] [CrossRef] [Medline］
    40. 戴纳MS, McLeod SD, Chodosh J, Oldenburg CE, Fathy CA, Lietman TM，等。临床年龄特异性季节性结膜炎模式及其在Twitter、博客、论坛和评论社交媒体帖子中的在线检测Invest Ophthalmol Vis science 2018 Feb 01;59(2):910-920 [免费全文] [CrossRef] [Medline］
    41. 张丽娟，张丽娟，张丽娟，等。带状疱疹疫苗接种兴趣监测:谷歌搜索数据分析。JMIR公共卫生监测2018年5月02日;4(2):e10180 [免费全文] [CrossRef] [Medline］
    42. Deiner MS, McLeod SD, Wong J, Chodosh J, Lietman TM, Porco TC。谷歌全球结膜炎流行的搜索和检测。眼科2019 Sep;126(9):1219-1229 [免费全文] [CrossRef] [Medline］
    43. 戴娜MS, Seitzman GD, McLeod SD, Chodosh J, Hwang DH, Lietman TM，等。全球互联网搜索词模式显示的COVID-19眼部症状。眼科2021 Jan;128(1):167-169 [免费全文] [CrossRef] [Medline］
    44. 当前过量肺炎-流感死亡的统计分析方法。公共卫生代表1963年6月;78(6):494-506 [免费全文] [Medline］
    45. 瑟夫林RE，谢尔曼IL，豪斯沃思WJ。美国1957-58年、1960年和1963年三次主要A2流感大流行中按年龄和性别划分的肺炎-流感超额死亡率。中华流行病学杂志1967年9月;86(2):433-441。［CrossRef] [Medline］
    46. 王旭，吴松，MacIntyre CR，张宏，史伟，彭旭，等。利用调整后的Serfling回归模型对北京市流感高峰到来时间进行预警。PLoS One 2015 3月10日;10(3):e0119923 [免费全文] [CrossRef] [Medline］
    47. Heinze G, Wallisch C, Dunkler D.变量选择-对实践统计学家的回顾和建议。生物学报2018 May 02;60(3):431-449 [免费全文] [CrossRef] [Medline］
    48. 李国强，李国强。时间序列的Bootstrap方法。见:时间序列分析:方法与应用。英国牛津:El-Sevier;2012:3-26。
    49. 范纳利C, Casagrandi R, Gatto M, Bevacqua D.气候变化下果树热生态位的变化:以法国桃树栽培为例。农林气象2021;300:108327 [免费全文] [CrossRef］
    50. 戴娜，范西，金J，尼迈耶K，拉米雷斯D，阿克利SF，等。脸书和推特对麻疹疫情的反应。卫生信息学杂志2019年9月17日;25(3):1116-1132 [免费全文] [CrossRef] [Medline］
    51. Wickham H. Ggplot2:用于数据分析的优雅图形。美国德克萨斯州休斯顿:施普林格;2016.
    52. de Jong B, Brandi-Dohrn F, van der Meulen IJE, van den Berg TJTP, Wacker K. Fuchs内皮性角膜营养不良患者散光日变化及对照。角膜2022年2月05日。［CrossRef] [Medline］
    53. 杨勇，张旭，陈震，魏勇，叶强，范勇，LiGHT中国试验研究组。开角型青光眼和高眼压的日波动:来自LiGHT中国试验队列的基线报告Br J Ophthalmol 2022年1月27日:bjophthalmol-2021-320128 [免费全文] [CrossRef] [Medline］
    54. 李志刚，张志刚，张志刚，张志刚，等。健康结膜基因表达的研究进展。Cont Lens前眼2021 7月24:101494。［CrossRef] [Medline］
    55. Zander DB, Böhringer D, Fritz M, Grewing V, Maier PC, Lapp T，等。高渗滴眼液治疗Fuchs内皮营养不良患者的日间角膜水肿:一项双盲、随机对照试验。眼科2021年11月;128(11):1527-1533 [免费全文] [CrossRef] [Medline］
    56. McGlumphy EJ, Mihailovic A, Ramulu PY, Johnson TV。青光眼患者的家庭自我眼压仪试验与临床眼压仪的比较。眼青光眼2021年11月;4(6):569-580。［CrossRef] [Medline］
    57. 查克拉博蒂R, Micic G, Thorley L, Nissen T, Lovato N, Collins M，等。在年轻人中，近视与褪黑素昼夜节律延迟和褪黑素产量降低有关。睡眠2021 3月12日;44(3):zsaa208。［CrossRef] [Medline］
    58. 电子集合“信息监测，信息流行病学，数字疾病监测，信息管理”。卡塔尔世界杯8强波胆分析JMIR出版物。URL:https://publichealth.www.mybigtv.com/collection/view/304[2021-08-10]访问

    ‎
    套索:最小绝对收缩和选择算子
    RSV:相对搜索量

    G·艾森巴赫(G Eysenbach)编辑;提交22.01.21;A Rovetta, A Mavragani同行评审;对作者26.03.21的评论;订正版本收到18.08.21;接受06.05.22;发表05.07.22

    版权

    ©Michael S Deiner, Gurbani Kaur, Stephen D McLeod, Julie M Schallhorn, James Chodosh, Daniel H Hwang, Thomas M Lietman, Travis C Porco。最初发表于医疗互联网研究杂志(//www.mybigtv.com)， 05.07.2022。

    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