本文内容如下gydF4y2Bae-collection /主题问题:gydF4y2Ba

信息流行病学与信息监控(1003)gydF4y2Ba 公共卫生和监督的创新方法(241)gydF4y2Ba JMIR主题:2019冠状病毒病特刊(2087年)gydF4y2Ba 医学2.0:社会媒体、开放、参与、合作医学(1271年)gydF4y2Ba 信息监测，信息流行病学，数字疾病监测，信息管理(820)gydF4y2Ba

发表在gydF4y2Ba在gydF4y2Ba25卷gydF4y2Ba(2023)gydF4y2Ba

本文的预印本(早期版本)可在gydF4y2Bahttps://preprints.www.mybigtv.com/preprint/45419gydF4y2Ba，首次出版gydF4y2Ba．gydF4y2Ba
来自大规模社交媒体数据的COVID-19症状趋势和共现网络:信息监视研究gydF4y2Ba

来自大规模社交媒体数据的COVID-19症状趋势和共现网络:信息监视研究gydF4y2Ba

来自大规模社交媒体数据的COVID-19症状趋势和共现网络:信息监视研究gydF4y2Ba

本文作者:gydF4y2Ba

陈嘉庚吴gydF4y2Ba1、2gydF4y2Ba 作者Orcid图片gydF4y2Ba；gydF4y2Ba Lumin王gydF4y2Ba1、2gydF4y2Ba 作者Orcid图片gydF4y2Ba；gydF4y2Ba 伊宁华gydF4y2Ba3、4gydF4y2Ba 作者Orcid图片gydF4y2Ba；gydF4y2Ba 结果表明李gydF4y2Ba1、2gydF4y2Ba 作者Orcid图片gydF4y2Ba；gydF4y2Ba 李周gydF4y2Ba3、4gydF4y2Ba 作者Orcid图片gydF4y2Ba；gydF4y2Ba 大卫·W·贝茨gydF4y2Ba3、4gydF4y2Ba 作者Orcid图片gydF4y2Ba；gydF4y2Ba 杰杨gydF4y2Ba1、2gydF4y2Ba 作者Orcid图片gydF4y2Ba
文章gydF4y2Ba 作者gydF4y2Ba 引用的gydF4y2Ba Tweetations (5)gydF4y2Ba 指标gydF4y2Ba

    原始论文gydF4y2Ba

    1gydF4y2Ba浙江大学医学院公共卫生学院、第二附属医院，中国杭州gydF4y2Ba

    2gydF4y2Ba浙江省智能预防医学重点实验室，中国杭州gydF4y2Ba

    3.gydF4y2Ba美国马萨诸塞州波士顿哈佛医学院生物医学信息系gydF4y2Ba

    4gydF4y2Ba美国麻萨诸塞州波士顿布莱根妇女医院普通内科和初级保健科gydF4y2Ba

    *这些作者贡献相同gydF4y2Ba

    通讯作者:gydF4y2Ba

    杨洁博士gydF4y2Ba

    公共卫生学院附属第二医院gydF4y2Ba

    浙江大学医学院gydF4y2Ba

    余杭塘路866号gydF4y2Ba

    杭州,310058gydF4y2Ba

    中国gydF4y2Ba

    电话:86 057187077982gydF4y2Ba

    电子邮件:gydF4y2Bajieynlp@gmail.comgydF4y2Ba


    背景:gydF4y2Ba对于COVID-19等突发大流行疫情，由于医院未记录无症状或轻症状感染的比例较高，基于医院数据的症状统计可能存在偏差或延迟。同时，大规模临床数据难以获取也限制了许多研究者及时开展研究。gydF4y2Ba

    摘要目的:gydF4y2Ba鉴于社交媒体的广泛覆盖面和及时性，本研究旨在提出一种高效的工作流程，从大规模和长期的社交媒体数据中跟踪和可视化COVID-19大流行的动态特征和症状共现情况。gydF4y2Ba

    方法:gydF4y2Ba这项回顾性研究包括了从2020年2月1日到2022年4月30日与covid -19相关的471,553,966条推文。我们为社交媒体策划了一个分级症状词典，包含10个受影响的器官/系统，257个症状和1808个同义词。从每周新增病例数、总体分布和报告症状的时间流行度等方面分析COVID-19症状随时间的动态特征。通过比较病毒株(Delta和Omicron)在优势期的症状流行情况，研究病毒株之间症状的演变。开发并可视化了共现症状网络，以调查症状与受影响身体系统之间的内在关系。gydF4y2Ba

    结果:gydF4y2Ba这项研究确定了201种COVID-19症状，并将其分为10个受影响的身体系统。每周自我报告症状的数量与COVID-19新感染病例之间存在显著相关性(Pearson相关系数=0.8528;gydF4y2BaPgydF4y2Ba<措施)。我们还观察到1周的领先趋势(Pearson相关系数=0.8802;gydF4y2BaPgydF4y2Ba<.001)。症状出现频率随大流行的发展呈现动态变化，由早期典型的呼吸道症状转为后期较多的肌肉骨骼和神经症状。我们确定了Delta期和Omicron期症状的差异。与Delta期相比，Omicron期的严重症状(昏迷和呼吸困难)更少，流感样症状(喉咙痛和鼻塞)更多，典型的COVID症状(嗅觉丧失和味觉改变)更少gydF4y2BaPgydF4y2Ba<措施)。网络分析揭示了与特定疾病进展相对应的症状和系统的共同发生，包括心悸(心血管)和呼吸困难(呼吸)，以及脱发(肌肉骨骼)和阳痿(生殖)。gydF4y2Ba

    结论:gydF4y2Ba这项研究发现了比临床研究更多、更轻微的COVID-19症状，并根据27个月的4亿条推文描述了症状的动态演变。症状网络揭示了潜在的共病风险和预后疾病进展。这些发现表明，社交媒体和精心设计的工作流程的合作可以描绘大流行症状的整体图景，以补充临床研究。gydF4y2Ba

    J medical Internet journal 2023;25:e45419gydF4y2Ba

    doi: 10.2196/45419gydF4y2Ba

    关键字gydF4y2Ba

    社交媒体gydF4y2Ba；gydF4y2Ba 网络分析gydF4y2Ba；gydF4y2Ba 公共卫生gydF4y2Ba；gydF4y2Ba 数据挖掘gydF4y2Ba；gydF4y2Ba 新型冠状病毒肺炎gydF4y2Ba


    截至2022年10月31日，由SARS-CoV-2引起的全球COVID-19大流行已导致6.3亿多人感染，659万人死亡[gydF4y2Ba1gydF4y2Ba］．大流行仍在继续，其灾难性影响可能继续扩大并持续数年。为了加深对该病的认识，相关研究日益涌现，其目的从确定分子结构[gydF4y2Ba2gydF4y2Ba，gydF4y2Ba3.gydF4y2Ba]到开发药物和疫苗[gydF4y2Ba4gydF4y2Ba-gydF4y2Ba6gydF4y2Ba］．同时，临床医生努力分析临床症状以指导治疗策略[gydF4y2Ba7gydF4y2Ba］．公共卫生官员还试图调查症状的流行情况，以便利用调查结果为人民和政府提供精确的预防和控制策略[gydF4y2Ba8gydF4y2Ba，gydF4y2Ba9gydF4y2Ba］．gydF4y2Ba

    以Twitter为代表的社交媒体作为一种流行的交流工具和公众讨论平台，已经渗透到我们日常生活的方方面面。推特在全球有3.965亿用户，每天至少有5亿条推文发送[gydF4y2Ba10gydF4y2Ba］．特别是在疫情期间，社交媒体在信息生成、传播和消费方面发挥了至关重要的作用[gydF4y2Ba11gydF4y2Ba，gydF4y2Ba12gydF4y2Ba]，提供了关于大流行的丰富信息。因此，出现了基于社交媒体大数据的新冠肺炎相关研究。这类研究的主题包括信息学、公众态度、确诊病例的发现或预测以及政府对大流行的反应[gydF4y2Ba13gydF4y2Ba-gydF4y2Ba15gydF4y2Ba］．然而，他们主要集中在专题分析[gydF4y2Ba16gydF4y2Ba，gydF4y2Ba17gydF4y2Ba]或情绪分析[gydF4y2Ba18gydF4y2Ba，gydF4y2Ba19gydF4y2Ba]，只有少数研究分析了症状及其与流行病相关的特征。例如，Huang等[gydF4y2Ba20.gydF4y2Ba]找出了疫情暴发初期新浪微博上485条与新冠肺炎感染相关的求助帖子。他们发现发烧是最常见的症状，而胸部计算机断层扫描中毛玻璃影是最常见的模式。罗等[gydF4y2Ba21gydF4y2Ba]应用了一种深度学习模型，该模型由推特上的临床文本预训练，以提取各种症状。郭等[gydF4y2Ba22gydF4y2Ba他从30732条推文中提取了36种症状，包括喉咙痛、味觉丧失和嗅觉丧失等典型症状。Alanazi等[gydF4y2Ba23gydF4y2Ba]和Sarker等人[gydF4y2Ba24gydF4y2Ba]根据大约200名COVID-19用户的推文，分析了大流行早期的症状流行情况。最近，Sarabadani等人[gydF4y2Ba25gydF4y2Ba]从Reddit帖子中挖掘了58种生理和3种心理症状，并分析了它们的发作和持续时间。虽然这些研究试图利用社交媒体进行COVID-19症状研究，但主要针对症状识别，通常在大流行的最初几个月进行分布和趋势分析，而不是长期和全面的调查。社交媒体上的自我报告和医疗机构的电子健康记录(EHRs)之间的潜在差异没有得到充分的调查和讨论，尽管这些发现可能会提高我们对突发大流行中症状的实际流行程度和演变的理解。此外，文献中缺乏关于COVID-19症状与受感染身体部位之间相互关系的深入研究。gydF4y2Ba

    目前对COVID-19症状的理解主要建立在医疗机构的临床数据基础上[gydF4y2Ba26gydF4y2Ba-gydF4y2Ba28gydF4y2Ba]，例如电子病历。然而，近80%的无症状或轻度感染患者没有得到及时或从未得到临床诊断和治疗[gydF4y2Ba29gydF4y2Ba-gydF4y2Ba31gydF4y2Ba]，导致轻度和早期症状的信息可能缺失。此外，关于患者数据的隐私政策减缓了跨机构合作和对大流行的大规模深入研究[gydF4y2Ba32gydF4y2Ba］．由于数据量和样本多样性有限，目前的COVID-19症状网络分析仅包括少数典型症状。例如，Fernández-de-Las-Peñas等[gydF4y2Ba33gydF4y2Ba]纳入了1969名患者，并对22种症状进行了网络分析，以支持头痛作为COVID-19急性期主要发病症状的相关性。米勒等[gydF4y2Ba34gydF4y2Ba]开发了一个仅由28个节点组成的症状网络，以识别不同的症状亚表型。因此，构建综合症状和受影响系统的整体网络具有挑战性。gydF4y2Ba

    为了弥补这些研究空白，我们提出了一个有效的工作流程，用于使用社交媒体跟踪和分析COVID-19症状的一般流行状况和关系。本文的主要贡献如下:gydF4y2Ba

    1. 开发一个全面的分层症状词汇，处理社交媒体俗语，并将症状映射到受影响的系统，包括10个受影响的系统、257个症状和1808个描述。gydF4y2Ba
    2. 提出一种利用社交媒体调查突发大流行症状特征的新工作流程，包括数量和分布的总体分析，症状流行率随时间和病毒株的纵向分析，以及大流行症状和受影响系统的共现网络。gydF4y2Ba
    3. 首次利用大规模、长期的社交媒体数据进行COVID-19症状的动态流行状态和网络分析，揭示Delta和Omicron之间的流行差异，构建全面的症状网络，揭示共现关系。gydF4y2Ba

    总体工作流程gydF4y2Ba

    我们设计了一个管道，使用Twitter识别和研究COVID-19症状的特征和共发症状。中显示了整个工作流程gydF4y2Ba图1gydF4y2Ba．它由三个主要部分组成。首先，文本预处理和基于规则的过滤，它使用词典执行初始数据收集、文本预处理和推文过滤。二是数量和分布的整体分析，对COVID-19病例数和自报告症状的推文数进行趋势分析。它还描述了已识别的症状和受影响系统的总体分布和详细频率。三是流行状况和共病网络分析，进一步探讨症状流行随时间和病毒变异的动态演变，构建共病网络，揭示症状与受影响身体系统之间的深入关系。gydF4y2Ba

    ‎gydF4y2Ba
    图1。总体工作流程。gydF4y2Ba

    数据收集gydF4y2Ba

    我们从广泛使用的开源COVID-19推文数据库中使用唯一的推文标识符，选择了与COVID-19相关的未转发的英语推文[gydF4y2Ba35gydF4y2Ba，gydF4y2Ba36gydF4y2Ba］．这些推文由推特的热门话题和与COVID-19相关的选定关键词识别，例如gydF4y2Ba新型冠状病毒肺炎gydF4y2Ba而且gydF4y2BaSARS-CoV-2。gydF4y2Ba从2020年2月1日到2022年4月30日，我们使用推特的应用程序编程接口(API)在27个月内下载了471,553,966条目标推文。gydF4y2Ba

    症状词典gydF4y2Ba

    根据现有文献，我们建立了一个全面的、分层的COVID-19症状词汇库，其中包含症状的同义词和受影响的身体部位[gydF4y2Ba24gydF4y2Ba，gydF4y2Ba37gydF4y2Ba-gydF4y2Ba40gydF4y2Ba］．主要资料来源包括Wang等人编制的标准症状语料库[gydF4y2Ba37gydF4y2Ba]和Goss等人[gydF4y2Ba38gydF4y2Ba]基于电子病历，Sarker等编制的COVID-19症状语料库[gydF4y2Ba24gydF4y2Ba]，以及Lopez-Leon等人使用的COVID-19症状关键字[gydF4y2Ba39gydF4y2Ba]和毛等[gydF4y2Ba40gydF4y2Ba］．具体来说，我们手动检查了每个症状，并用社交媒体上经常出现的口语化变体来丰富它们。由于Twitter用户经常使用个性化的口语而不是正式的术语来描述他们的症状，因此同一症状可以有许多指代物。因此，我们在整理词汇时考虑了时态、人称指示、单数/复数形式、拼写错误等每个症状。我们使用somed - ct(医学临床术语系统化命名法)中定义的正式名称[gydF4y2Ba41gydF4y2Ba]，并添加了不同形式的专有名称作为他们的替代名称。例如，在我们的词汇中，症状“听力损失”(somed - ct中的专有名称)有描述(大多数是个性化的口语描述)，如“耳聋”、“听力困难”和“听力损失”。gydF4y2Ba

    此外，我们根据受影响的器官和系统将症状分为10个科[gydF4y2Ba42gydF4y2Ba，gydF4y2Ba43gydF4y2Ba]包括:心血管、消化、皮肤、肌肉骨骼、神经、生殖、呼吸、泌尿、感觉和系统。最终的症状词汇包含10个受影响的器官/系统，257个症状和1808个同义词(gydF4y2Ba多媒体附件1gydF4y2Ba)．gydF4y2Ba

    文本预处理和基于规则的过滤gydF4y2Ba

    为了识别具有自我报告症状的推文，以供后续分析，我们设计了一种三步法，可以大致概括为使用严格的COVID-19关键字过滤推文、文本清洗和自我报告症状匹配(gydF4y2Ba多媒体附件2gydF4y2Ba)．gydF4y2Ba

    新冠肺炎相关推文数量趋势分析gydF4y2Ba

    我们将每周新发的COVID-19推文数量与推特用户最多的国家的新病例数量进行了比较。Statista的一项调查显示，截至2021年1月，[gydF4y2Ba44gydF4y2Ba]，以英语为主要语言的推特用户最多的四个国家是美国、英国、菲律宾和加拿大(gydF4y2Ba多媒体gydF4y2Ba)．我们使用世界卫生组织(WHO)报告的这些国家的新发COVID-19病例作为新发COVID-19病例的粗略代表(gydF4y2Ba多媒体附件4gydF4y2Ba)．我们计算了过滤前后每周的新推文数量。我们还计算了他们与新病例数量的皮尔逊相关系数，以检查COVID-19严重程度与公众反应之间是否存在统计学上的显著相关性。gydF4y2Ba

    症状的总体分布和动态频率分析gydF4y2Ba

    根据COVID-19症状词汇，我们将每个症状的同义词与过滤后的推文数据集进行匹配，从而统计每种症状的出现次数。在一条推文中多次提到同一症状被算作一次。为了探索症状分布随时间的动态变化，我们计算了每个症状的每周频率，由所有自报告推文的数量标准化。我们还计算了每个受影响系统的归一化频率。gydF4y2Ba

    不同毒株间症状流行情况比较gydF4y2Ba

    COVID-19有几个变种，呈现不同的流行特征[gydF4y2Ba45gydF4y2Ba]，例如高传播性的B.1.617.2 (Delta)变种[gydF4y2Ba46gydF4y2Ba，gydF4y2Ba47gydF4y2Ba]和B.1.1.529 (Omicron)变体[gydF4y2Ba48gydF4y2Ba]，这些措施导致全球病例迅速上升。在本节中，我们比较Delta和Omicron变体之间的自我报告症状频率。我们提取了从2021年6月1日到2021年11月27日的推文，当时Delta是全球占主导地位的变体[gydF4y2Ba42gydF4y2Ba，gydF4y2Ba49gydF4y2Ba，gydF4y2Ba50gydF4y2Ba]代表德尔塔。同样，我们提取了从2021年12月20日到2022年4月30日的推文[gydF4y2Ba42gydF4y2Ba代表欧米克隆公司。gydF4y2Ba

    我们从两组推文中提取症状，选择频率≥1%的作为常见症状。然后，我们使用卡方检验计算Delta与Omicron的比值比(or)，以评估这些常见症状在两个时期的大致流行率差异。由于患者可能在以Omicron为主的时期感染Delta，因此该方法计算与以Omicron为主的时期相比，在感染参与者中检测到症状的几率。gydF4y2Ba

    网络分析gydF4y2Ba

    COVID-19患者可能有多种症状并同时报告。根据症状词汇，我们将每个症状与每条推文进行匹配，创建一个数据集X = [gydF4y2BaxgydF4y2Ba1gydF4y2Ba，gydF4y2BaxgydF4y2Ba2gydF4y2Ba、……gydF4y2BaxgydF4y2BangydF4y2Ba]ϵgydF4y2BaRgydF4y2BangydF4y2Ba×gydF4y2Ba米gydF4y2Ba,在那里gydF4y2BaxgydF4y2Ba我gydF4y2Ba= (gydF4y2BadgydF4y2Ba我gydF4y2Ba1gydF4y2Ba，gydF4y2BadgydF4y2Ba我gydF4y2Ba2gydF4y2Ba、……gydF4y2BadgydF4y2Ba即时通讯gydF4y2Ba］．gydF4y2BadgydF4y2BaijgydF4y2Ba是否用二进制特征表示tweetgydF4y2BaxgydF4y2Ba我gydF4y2Ba提到症状gydF4y2BajgydF4y2Ba；gydF4y2Ba米gydF4y2Ba而且gydF4y2BangydF4y2Ba分别表示症状和推文的数量。gydF4y2Ba

    为了定量探索两个症状之间共现的强度，我们构建了症状向量V，其中V = XgydF4y2BaTgydF4y2Ba= (gydF4y2BavgydF4y2Ba1gydF4y2Ba，gydF4y2BavgydF4y2Ba2gydF4y2Ba、……gydF4y2BavgydF4y2Ba米gydF4y2Ba]ϵgydF4y2BaRgydF4y2Ba米gydF4y2Ba×gydF4y2BangydF4y2Ba的每一个维度gydF4y2BavgydF4y2BaxgydF4y2Ba是一个二进制特征，表示该症状是否存在gydF4y2BaxgydF4y2Ba在推特中提到gydF4y2Ba我gydF4y2Ba．共现强度由两个症状向量之间的相似度来建模，我们采用余弦相似度作为度量。综上所述，C之间的共现gydF4y2BavgydF4y2BaxgydF4y2Ba而且gydF4y2BavgydF4y2BaygydF4y2Ba可由下式建模:gydF4y2Ba

    基于该模型，我们构建了COVID-19症状加权共现网络，其中节点代表症状，边捕获症状对之间的共现强度。我们使用Gephi [gydF4y2Ba51gydF4y2Ba]和ForceAtlas2算法[gydF4y2Ba52gydF4y2Ba来可视化症状网络。gydF4y2Ba


    有自我报告症状的推文每周趋势gydF4y2Ba

    我们选择了948,478条与covid -19相关、自我报告症状的独特推文来进行研究。我们观察到，自我报告症状的推文的每周变化与4个选定国家的新病例趋势大致一致(gydF4y2Ba图2gydF4y2BaA).两种趋势的Pearson相关系数为0.8528 (gydF4y2BaPgydF4y2Ba<.001)，高于新病例与未经过滤的covid -19相关推文之间的Pearson相关系数(0.3235;gydF4y2BaPgydF4y2Ba<措施;gydF4y2Ba多媒体gydF4y2Ba)．此外，当提前时间设置为1周时，自报告推文与新病例相比呈现明显的领先趋势。这种趋势具有较高的相关性(Pearson相关系数=0.8802;gydF4y2BaPgydF4y2Ba<.001)。gydF4y2Ba

    有几波新病例和自我报告的推文，包括2020年3月的首次爆发和持续快速传播。第一个高峰出现在2020年和2021年的过渡时期。每周新增病例回落至峰值前水平，然后缓慢增长，直到2021年年中爆发三角洲肺炎，引发了一波新的感染。欧米克隆从2021年12月开始席卷各国，接管了达美航空，引发了最大规模的新冠疫情。在2022年1月16日当周，每周新增病例达到最高，为683万例。每周的自我报告也显示出类似的趋势，但波动更大。这种波动主要发生在社交媒体的热点问题上。其中一个例子是美国前总统唐纳德·特朗普在总统大选期间新冠病毒检测呈阳性。gydF4y2Ba

    ‎gydF4y2Ba
    图2。每周自我报告的推文数量以及症状和受影响系统频率的每周趋势。(A)美国、英国、加拿大和菲律宾每周自我报告COVID-19推文数量和新发COVID-19病例总数。(B)前20个症状出现频率的周趋势。(C)受影响系统出现频率的每周趋势。(B)中症状的颜色对应于(C)中受影响的系统。gydF4y2Ba

    COVID-19症状和受影响器官/系统的分布gydF4y2Ba

    在948478条推文中，总共提到了245种症状1197733次。在≥10条推文中提到了来自10个受影响系统的201种症状。不同系统的分布及其相关症状在gydF4y2Ba图3gydF4y2Ba．值得注意的是,系统性症状占42.2%(505620/1197733)总数的症状出现,其次是呼吸系统(399722/1197733,33.4%)、消化系统(81054/1197733,6.8%)、感官(76959/1197733,6.4%)、肌肉骨骼(52142/1197733,4.4%)、神经(48697/1197733,4.1%)、皮肤(21351/1197733,1.8%)、心血管(8839/1,197,733,0.7%),生殖(2418/1,197,733,0.2%)和尿(772/1,197,733 0.1%)症状。gydF4y2Ba

    ‎gydF4y2Ba
    图3。上述症状的分布及其影响的身体系统。gydF4y2Ba

    常见COVID-19症状和受影响系统的频率gydF4y2Ba

    总体而言，20种常见症状的频率超过1% (gydF4y2Ba表1gydF4y2Ba)(更多细节在里面gydF4y2Ba多媒体附件6gydF4y2Ba)．请注意，世卫组织的报告基于中国在COVID-19早期的55,924例实验室确诊病例[gydF4y2Ba53gydF4y2Ba］．Delta和Omicron的数据是从我们同期的数据集中提取计算出来的。gydF4y2Ba

    图2gydF4y2BaB和gydF4y2Ba图2gydF4y2BaC表示每周COVID症状和受影响系统的频率。症状出现的频率随着大流行的发展而动态变化，并有一些明显的波动。在新冠肺炎早期，咳嗽、发烧和打喷嚏是主要症状，其他症状很少报道。随着新冠肺炎疫情的发展，味觉改变、寒战、嗅觉丧失等症状开始增多。最初呼吸道症状最常见，一度占症状的80%以上，后来逐渐减少到40%左右。与此相反，全身、肌肉骨骼和神经症状的提及频率呈增加趋势。不同症状的频率逐渐稳定，随着热点问题的出现出现波动，并出现新的变体。gydF4y2Ba

    表1。过滤后的推文中常见症状的出现情况和频率。gydF4y2Ba
    症状gydF4y2Ba 身体系统gydF4y2Ba 自我报告症状(所有;N=948,478)， N (%)gydF4y2Ba 谁gydF4y2Ba一个gydF4y2Ba症状(N=55,924)， N (%)gydF4y2Ba 自我报告症状(Delta) (N=149,462)， N (%)gydF4y2Ba 自我报告症状(Omicron) (N=158,994)， N (%)gydF4y2Ba
    咳嗽gydF4y2Ba 呼吸gydF4y2Ba 183039 (19.3)gydF4y2Ba 37861 (67.7)gydF4y2BabgydF4y2Ba 38378 (18.4)gydF4y2Ba 52325 (21.4)gydF4y2Ba
    发热gydF4y2Ba 系统性gydF4y2Ba 142752 (15.1)gydF4y2Ba 49157 (87.9)gydF4y2Ba 32501 (15.5)gydF4y2Ba 34562 (14.1)gydF4y2Ba
    乏力gydF4y2Ba 系统性gydF4y2Ba 138169 (14.6)gydF4y2Ba 21307 (38.1)gydF4y2Ba 29621 (14.2)gydF4y2Ba 36704 (15.0)gydF4y2Ba
    头疼gydF4y2Ba 系统性gydF4y2Ba 101055 (10.7)gydF4y2Ba 7606 (13.6)gydF4y2Ba 22846 (10.9)gydF4y2Ba 30601 (12.5)gydF4y2Ba
    呼吸困难gydF4y2Ba 呼吸gydF4y2Ba 65949 (7.0)gydF4y2Ba 10402 (18.6)gydF4y2Ba 13841 (6.6)gydF4y2Ba 13601 (5.6)gydF4y2Ba
    喉咙痛gydF4y2Ba 呼吸gydF4y2Ba 43463 (4.6)gydF4y2Ba 7773 (13.9)gydF4y2Ba 8381 (4.0)gydF4y2Ba 18059 (7.4)gydF4y2Ba
    味觉改变gydF4y2Ba 感觉gydF4y2Ba 38607 (4.1)gydF4y2Ba N/AgydF4y2BacgydF4y2Ba 10426 (5.0)gydF4y2Ba 8188 (3.3)gydF4y2Ba
    打喷嚏gydF4y2Ba 呼吸gydF4y2Ba 37992 (4.0)gydF4y2Ba N/AgydF4y2Ba 7281 (3.5)gydF4y2Ba 8024 (3.3)gydF4y2Ba
    肢体疼痛gydF4y2Ba 肌肉骨骼gydF4y2Ba 37814 (4.0)gydF4y2Ba 8277 (14.8)gydF4y2BadgydF4y2Ba 8114 (3.9)gydF4y2Ba 10876 (4.4)gydF4y2Ba
    鼻液溢gydF4y2Ba 呼吸gydF4y2Ba 30400 (3.2)gydF4y2Ba 2684 (4.8)gydF4y2BaegydF4y2Ba 7570 (3.6)gydF4y2Ba 11952 (4.9)gydF4y2Ba
    发冷gydF4y2Ba 系统性gydF4y2Ba 27399 (2.9)gydF4y2Ba 6375 (11.4)gydF4y2Ba 5890 (2.8)gydF4y2Ba 5928 (2.4)gydF4y2Ba
    呕吐gydF4y2Ba 消化gydF4y2Ba 27191 (2.9)gydF4y2Ba 2796 (5.0)gydF4y2BafgydF4y2Ba 5780 (2.8)gydF4y2Ba 6408 (2.6)gydF4y2Ba
    嗅觉缺失症gydF4y2Ba 感觉gydF4y2Ba 26124 (2.8)gydF4y2Ba N/AgydF4y2Ba 7983 (3.8)gydF4y2Ba 5525 (2.3)gydF4y2Ba
    集中的问题gydF4y2Ba 紧张gydF4y2Ba 18130 (1.9)gydF4y2Ba N/AgydF4y2Ba 4285 (2.0)gydF4y2Ba 8104 (3.3)gydF4y2Ba
    恶心想吐gydF4y2Ba 消化gydF4y2Ba 17238 (1.8)gydF4y2Ba N/AgydF4y2Ba 3675 (1.8)gydF4y2Ba 4187 (1.7)gydF4y2Ba
    头晕gydF4y2Ba 系统性gydF4y2Ba 16628 (1.8)gydF4y2Ba N/AgydF4y2Ba 3701 (1.8)gydF4y2Ba 5047 (2.1)gydF4y2Ba
    昏迷gydF4y2BaggydF4y2Ba 系统性gydF4y2Ba 13532 (1.4)gydF4y2Ba N/AgydF4y2Ba 3295 (1.6)gydF4y2Ba 2028 (0.8)gydF4y2Ba
    胸部疼痛gydF4y2Ba 系统性gydF4y2Ba 13382 (1.4)gydF4y2Ba N/AgydF4y2Ba 2634 (1.3)gydF4y2Ba 3312 (1.4)gydF4y2Ba
    出汗gydF4y2Ba 系统性gydF4y2Ba 13255 (1.4)gydF4y2Ba N/AgydF4y2Ba 2511 (1.2)gydF4y2Ba 3053 (1.2)gydF4y2Ba
    不适gydF4y2Ba 系统性gydF4y2Ba 9699 (1.0)gydF4y2Ba N/AgydF4y2Ba 2165 (1.0)gydF4y2Ba 2573 (1.1)gydF4y2Ba
    鼻塞gydF4y2BaggydF4y2Ba 呼吸gydF4y2Ba 7511 (0.8)gydF4y2Ba N/AgydF4y2Ba 1726 (0.8)gydF4y2Ba 2952 (1.2)gydF4y2Ba

    一个gydF4y2Ba世界卫生组织(WHO)报告，但在自我报告的症状中不是最主要的症状:咯血(WHO: 503, 0.9%，排名第13;我们的评估:614人，0.1%，排名第75位)。gydF4y2Ba

    bgydF4y2Ba特别是干咳。gydF4y2Ba

    cgydF4y2BaN/A:不适用。gydF4y2Ba

    dgydF4y2Ba包括肌痛(四肢疼痛)和关节痛(关节疼痛)。gydF4y2Ba

    egydF4y2Ba报告为鼻塞，包括鼻漏和鼻塞(计数3673，频率0.6%，排名20)。gydF4y2Ba

    fgydF4y2Ba包括呕吐和恶心。gydF4y2Ba

    ggydF4y2Ba在Omicron组，鼻塞达到1.2%，取代昏迷成为第20位症状。gydF4y2Ba

    COVID-19变体之间症状的患病率差异gydF4y2Ba

    从2021年6月1日到2021年11月27日，共有209074条推文被放入Delta组，而从2020年12月20日到2021年4月30日，共有244960条推文被放入Omicron组。gydF4y2Ba表1gydF4y2Ba显示最常见的症状和相应的频率。gydF4y2Ba图4gydF4y2Ba显示Delta和Omicron常见症状的频率差异。gydF4y2Ba

    Omicron和Delta的前20名症状大致相同，但鼻塞取代昏迷成为Omicron的前20名症状之一。在这21种症状中，有8种明显(gydF4y2BaPgydF4y2Ba<.001)在Omicron期间感染的个体中发病率低于Delta期间(前5位ORs:昏迷:OR 0.52, 95% CI 0.49-0.55;嗅觉障碍:OR 0.58, 95% CI 0.56-0.60;味觉改变:OR 0.66, 95% CI 0.64-0.68;呼吸困难:OR 0.83, 95% CI 0.81-0.85;与Delta患者相比，Omicron患者发生畏寒的可能性显著增加10例(前5个OR:喉痛:OR 1.91, 95% CI 1.86-1.96;浓度问题:OR 1.64, 95% CI 1.58-1.70;鼻塞:OR 1.47, 95% CI 1.38-1.55;鼻漏:OR 1.37, 95% CI 1.33-1.41;咳嗽:OR 1.21, 95% CI 1.19-1.23)。详情见gydF4y2Ba多媒体gydF4y2Ba．gydF4y2Ba

    ‎gydF4y2Ba
    图4。Delta型和Omicron型之间常见症状的频率差异。gydF4y2Ba

    COVID-19症状共现网络gydF4y2Ba

    为了简化共现网络，我们根据症状的总体分布选择了前100个症状。最终网络有100个节点，2654条边(gydF4y2Ba图5gydF4y2Ba)．总体而言，该网络中的症状根据受影响的系统呈现聚类趋势，常见症状大致分布在中心区域。全身和肌肉骨骼症状虽然不是网络的主导部分，但它们主要处于网络的中心，并与不同系统的症状相关联。一些异常值落在理论上影响系统的聚类区域之外。例如，心悸，一种心血管症状，位于网络的中心，紧挨着全身和肌肉骨骼症状。唯一高发生率的生殖症状阳痿和唯一的泌尿症状夜遗尿位于网络边界，说明与其他症状的共发率相对较低。系统内症状和系统间症状都有很强的同时发生，如发冷和发热(都是系统症状)、心悸(心血管)和呼吸困难(呼吸系统)。为了让临床医生进一步探索特定症状的共同出现，我们提供了该症状网络的交互式在线版本[gydF4y2Ba54gydF4y2Ba］．gydF4y2Ba

    ‎gydF4y2Ba
    图5。不同症状和受影响系统的共发网络。gydF4y2Ba

    主要研究结果gydF4y2Ba

    在这项工作中，我们提出了一个新的工作流程，利用社交媒体来调查突发大流行的症状特征。我们策划了一个分层症状词汇，处理社交媒体俗语，并将症状映射到受影响的系统。我们构建了COVID-19症状的综合共现网络。据我们所知，这是第一次使用大规模和长期的社交媒体数据对COVID-19症状进行动态流行状况和网络分析。该工作流程可以帮助临床专业人员监测不寻常的共发症状模式，以促进发病机制的研究。鉴于社交媒体的可及性和及时性，它也有望用于研究其他突发流行病。gydF4y2Ba

    对推文数量和COVID-19感染数量的趋势分析显示了社交媒体的敏感性和及时性，并强调了其在研究症状和及时监测大流行状况方面的有效性。马斯里等[gydF4y2Ba55gydF4y2Ba他们发现，根据2015年寨卡疫情的相关推文，可以提前一周预测新的病例趋势。在通信和其他方面，我们发现与COVID-19新病例相比，与症状相关的推文的1周领先趋势高度相关。这进一步证实了社交媒体在预测大流行状况方面的潜力。同时，趋势的小幅波动反映了公众对政府政策措施等热点问题的关注。例如,gydF4y2Ba图2gydF4y2BaA显示，总统大选和特朗普检测呈阳性引发了自我报告推文的增加。这可以归因于人们讨论相关问题并提出自己的经历，包括症状。从这种趋势分析中获得的见解可以帮助官员在大流行期间更好地指导和警告公众。读者可以参考我们以前的研究，了解热点问题对症状报告影响的更详细调查[gydF4y2Ba56gydF4y2Ba］．gydF4y2Ba

    在我们的研究中确定的常见症状及其流行程度大多与世卫组织报告一致，但频率不同。这种差异可能是不同研究人群的结果;与基于电子病历的研究相比，社交媒体上自我报告的症状主要来自症状轻微的COVID-19患者，他们没有向医疗机构寻求帮助。例如，肢体疼痛和呕吐在社交媒体上的发生率相对低于WHO报告，咯血在WHO报告中是常见症状，在这些报告中排名第13位(n=503, 0.9%)，但在我们的研究中仅排名第75位(n=614, 0.1%)。社交媒体和世卫组织报告之间的患病率差距可能是因为COVID-19患者没有在社交媒体上自我报告所有症状。此外，症状的不同粒度和定义可能与频率差异有关。例如，世卫组织报告中的咳嗽仅指干咳，而湿咳往往与痰的产生有关[gydF4y2Ba53gydF4y2Ba］．因此，咳嗽是社交媒体上最常见的症状，但在世卫组织的报告中是第二常见的症状。然而，这种严格的定义并不适用于社交媒体数据。使用症状词汇，我们确定了一些在世卫组织早期报告中没有被认真对待的症状，如味觉改变、嗅觉丧失和恶心[gydF4y2Ba57gydF4y2Ba-gydF4y2Ba59gydF4y2Ba］．此外，我们注意到一些相对不常见的症状，如脱发(n=5373)和阳痿(n=2027)。最近的一项大规模研究还发现，在确诊感染SARS-CoV-2的非住院成人中，脱发和性功能障碍是典型的长covid症状[gydF4y2Ba60gydF4y2Ba］．借鉴了英国政府被全科医生敦促更新官方COVID-19症状清单以消除混淆的经验[gydF4y2Ba61gydF4y2Ba，gydF4y2Ba62gydF4y2Ba]，政策制定者应该意识到，及时更新疾病信息对于安抚公众、控制疾病和更好地管理患有特定并发症的患者至关重要。gydF4y2Ba

    症状患病率的纵向分析表明，COVID-19是一种多器官疾病，表现广谱，症状患病率随时间动态变化。由于SARS-CoV-2的关键受体在呼吸道高度共表达[gydF4y2Ba63gydF4y2Ba-gydF4y2Ba65gydF4y2Ba]，初期症状主要为炎症引起的呼吸道和全身症状。然而，随着时间的推移，来自不同系统的多种症状的广泛自我报告证实了COVID-19是一种多器官疾病[gydF4y2Ba66gydF4y2Ba］．在大流行后期，有越来越多关于COVID-19后持续症状的报告，如疲劳、注意力不集中和肢体疼痛(肌肉/关节)[gydF4y2Ba67gydF4y2Ba，gydF4y2Ba68gydF4y2Ba］．值得注意的是，这与最近有关心血管疾病风险增加的研究结果一致[gydF4y2Ba69gydF4y2Ba]和长期的神经精神症状[gydF4y2Ba70gydF4y2Ba]，我们的研究结果显示，2022年1月，社交媒体上对神经和心血管症状的关注激增，而且还在持续增长。这提醒我们注意正在出现的长时间迹象(长冠状病毒)[gydF4y2Ba71gydF4y2Ba以及它们对神经和心血管系统的慢性负担。gydF4y2Ba

    Delta和Omicron的症状流行率对比表明，我们的方法能够及时抓住新病毒的流行特征和常见症状谱。根据一般人群的报告，欧米克隆(1)对昏迷和呼吸困难等严重症状的or值较低;(2)咽喉疼痛、注意力不集中、鼻塞、鼻漏等流感样症状的口服剂量较高;(3)降低一些典型症状的ORs，如嗅觉丧失和味觉改变[gydF4y2Ba42gydF4y2Ba，gydF4y2Ba72gydF4y2Ba］．这一发现证实了Omicron变种比以前的变种更具传染性，但症状不那么严重[gydF4y2Ba73gydF4y2Ba，gydF4y2Ba74gydF4y2Ba］．gydF4y2Ba

    COVID症状和受影响系统网络建立在海量数据和全面词汇的基础上，比以前的研究包含更广泛的信息[gydF4y2Ba33gydF4y2Ba，gydF4y2Ba34gydF4y2Ba］．虽然同一系统的症状有较高的共发性，但我们确实观察到与临床研究一致的系统间共发性。例如，昏迷与我们的神经网络中的呼吸症状有很强的关系，特别是呼吸困难，因为强烈的炎症反应引起的缺氧/代谢变化可以引发细胞因子风暴，并可能进一步导致昏迷和脑病[gydF4y2Ba75gydF4y2Ba］．我们还发现了不寻常的共同现象。例如，心悸作为一种心血管症状，与呼吸困难和头晕(呼吸和全身)密切相关[gydF4y2Ba76gydF4y2Ba］．阳痿是一种生殖症状，与脱发(一种表皮症状)的相关性最强。它们在经历长COVID的人群中都显示出更高的风险比[gydF4y2Ba60gydF4y2Ba]，可能与SARS-CoV-2关键受体ACE2(血管紧张素转换酶2)和TMPRSS2(跨膜蛋白酶丝氨酸2)的高表达有关[gydF4y2Ba77gydF4y2Ba，gydF4y2Ba78gydF4y2Ba])和雄激素介导的SARS-CoV-2感染[gydF4y2Ba79gydF4y2Ba］．最近的研究[gydF4y2Ba77gydF4y2Ba，gydF4y2Ba80gydF4y2Ba，gydF4y2Ba81gydF4y2Ba研究发现，男性型脱发(由雄激素信号升高引起)的男性出现更严重的COVID-19症状的风险更高。此外，许多研究采用抗雄激素作为COVID-19的临床治疗选择[gydF4y2Ba77gydF4y2Ba］．虽然确切的机制需要更严格的研究，但这些意想不到的症状组之间的强烈关系可能会指出疾病进展的新焦点或表明共发症状的潜在风险。gydF4y2Ba

    紧急大流行和疫情，如COVID-19和最近的猴痘疫情，总是在社交媒体上引起大量讨论[gydF4y2Ba82gydF4y2Ba］．这些讨论包含了关于大流行病的丰富信息。在许多患者没有得到及时诊断和治疗的情况下，社交媒体上的大数据可以缓解医院流行病学研究中潜在的信息缺口。此外，社交媒体的及时性支持了快速的症状谱和症状流行率的动态变化，为启发临床治疗和发病机制研究提供线索。这些在效率和可用性方面的优势使我们的工作流程有望用于监测和分析突发流行病。gydF4y2Ba

    限制gydF4y2Ba

    我们承认我们的研究有局限性。首先，尽管我们回顾了大量的研究，以构建一个尽可能全面的词典，但由于Twitter的嘈杂性，它不可避免地会遗漏一些症状的口语化变体。第二，自我报告的症状和病例不是实验室确认的结果。此外，我们的一些分析可能存在偏见。例如，我们根据世界卫生组织和英国、美国疾病控制与预防中心的报告，划分了不同菌株的优势期，但在一个时期感染的患者仍然有机会感染另一个菌株。因此，我们明确指出我们的比较是一种估计。第三，由于社交媒体数据的散乱性和噪声性，用户通常不会准确报告感染时间和症状持续时间，因此我们无法准确区分长冠推文和初感染推文。我们手动检查采样的推文(n=200)，以提取症状的描述和时间轴。只有5%的人与长冠肺炎明显相关。因此，我们没有单独分析这些推文。 The huge volume of social media data has alleviated such an impact, and the finding still reflected the actual prevalence status, which was also consistent with previous reports and studies. Finally, like every other public health study based on social media, our study has potential cohort bias as the demographic distribution of social media does not represent that of the whole population.

    结论gydF4y2Ba

    我们开发了一种新的工作流程，通过社交媒体探索大流行症状的动态特征。通过症状分析，我们对COVID-19进行了大规模和长期的基于社交媒体的研究，并从10个系统中确定了201个症状。与基于临床数据的研究相比，我们发现以轻度症状患者为主的人群报告了不同的症状患病率。对社交媒体大数据的评估可以补充临床研究，更全面地描绘COVID-19症状。该网络揭示了不寻常的共发症状模式，这可能使下游发病机制研究成为可能。由于社交媒体的可访问性和及时性，这一工作流程也有望有助于未来的公共卫生研究，例如涉及其他突发流行病的研究。gydF4y2Ba

    数据可用性gydF4y2Ba

    本研究的代码和Twitter id可在https://github.com/Dragon-Wu/COVID19-Symptoms-Twitter上获得。支持本研究结果的其他数据可根据合理要求提供。gydF4y2Ba

    作者的贡献gydF4y2Ba

    JW, LW, ML进行数据分析并起草手稿。JY设计了这项研究。JW, LW和ML开发了症状词汇。YH准备了数据，并帮助起草和修改手稿。LZ, JY和DWB提供了批判性的评论。所有作者都审阅了手稿。JW对工作的完整性负责。gydF4y2Ba

    利益冲突gydF4y2Ba

    DWB报告了来自EarlySense的资助和个人费用，来自CDI Negev的个人费用，来自ValeraHealth的股权，来自Clew的股权，来自MDClone的股权，来自AESOP的个人费用和股权，来自FeelBetter的个人费用和股权，以及来自IBM Watson Health的资助，在提交的工作之外。LZ报告了来自NIH, CRICO和IBM Waston Health的资助。其他作者没有冲突需要声明。gydF4y2Ba

    ‎gydF4y2Ba
    多媒体附件1gydF4y2Ba

    词典症状。gydF4y2Ba

    XLSX文件(Microsoft Excel文件)，55kbgydF4y2Ba
    ‎gydF4y2Ba
    多媒体附件2gydF4y2Ba

    文本预处理和基于规则的过滤管道。gydF4y2Ba

    DOCX文件，26 KBgydF4y2Ba
    ‎gydF4y2Ba
    多媒体gydF4y2Ba

    截至2021年1月，使用推特的前20个国家。gydF4y2Ba

    DOCX文件，25kbgydF4y2Ba
    ‎gydF4y2Ba
    多媒体附件4gydF4y2Ba

    带有COVID-19症状和新发COVID-19病例的推文数量的每周趋势。gydF4y2Ba

    XLSX文件(Microsoft Excel文件)，17kbgydF4y2Ba
    ‎gydF4y2Ba
    多媒体gydF4y2Ba

    美国、英国、加拿大和菲律宾每周与COVID-19相关的推文数量和COVID-19新病例数量。gydF4y2Ba

    DOCX文件，323 KBgydF4y2Ba
    ‎gydF4y2Ba
    多媒体附件6gydF4y2Ba

    症状的频率。gydF4y2Ba

    XLSX文件(Microsoft Excel文件)，20kbgydF4y2Ba
    ‎gydF4y2Ba
    多媒体gydF4y2Ba

    原始变异体与Delta变异体之间常见系统的不同优势比。gydF4y2Ba

    DOCX文件，29 KBgydF4y2Ba
    1. Dong E, Du H, Gardner L.实时跟踪COVID-19的交互式web仪表板。《柳叶刀传染病》2020年5月;20(5):533-534。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
    2. 姚华，宋勇，陈勇，吴楠，徐杰，孙超，等。SARS-CoV-2病毒的分子结构Cell 2020年10月29日;183(3):730-738。e13 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    3. 王宁，王晓明，王晓明，王晓明，等。预融合构象中2019-nCoV峰值的冷冻电镜结构。科学2020年3月13日;367(6483):1260-1263 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    4. 尹伟，毛超，栾霞，沈东，沈强，苏华，等。瑞德西韦抑制SARS-CoV-2 RNA依赖RNA聚合酶的结构基础科学2020年6月26日;368(6498):1499-1504 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    5. 周勇，王峰，唐杰，Nussinov R，程峰。人工智能在新冠肺炎药物再利用中的应用。柳叶刀数字健康2020年12月2日(12):e667-e676。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
    6. 洛佩兹·伯纳尔J，安德鲁斯N，高尔C，加拉格尔E，西蒙斯R，西尔沃尔S，等。针对B.1.617.2 (Delta)变种的Covid-19疫苗的有效性英国医学杂志2021年8月12日;385(7):585-594。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
    7. Crook H, Raza S, Nowell J, Young M, Edison P. Long covid机制、风险因素和管理。英国医学杂志2021年7月26日;374:n1648。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    8. Budd J, Miller BS, Manning EM, Lampos V，庄m, Edelstein M，等。数字技术在公共卫生应对COVID-19中的应用。2020年8月;26(8):1183-1192。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    9. Escandón K, Rasmussen AL, Bogoch II, Murray EJ, Escandón K, Popescu SV，等。COVID-19错误二分法和关于公共卫生、COVID-19症状学、SARS-CoV-2传播、戴口罩和再次感染的证据的全面审查。BMC infection Dis 2021 7月27日;21(1):710 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    10. 《2023年你需要知道的Twitter基本统计数据》社会牧羊人。URL:gydF4y2Bahttps://thesocialshepherd.com/blog/twitter-statistics#:~:text=Twitter%20Has%20396.5%20Million%20Users%20Globally&text=In%20fact%2C%20Twitter%20sees%20about,what%20others%20are%20tweeting%20aboutgydF4y2Ba[2023-02-22]访问gydF4y2Ba
    11. Aiello AE, Renson A, Zivich PN。基于社会媒体和互联网的公共卫生疾病监测。公共卫生2020年4月02日;41(1):101-118 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    12. Al-Surimi K, Khalifa M, Bahkali S, El-Metwally A, Househ M.社交媒体和基于互联网的数据在预防和抗击传染病中的潜力:从互联网到Twitter。Adv Exp医学生物学2017;972:131-139 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    13. Cinelli M, Quattrociocchi W, Galeazzi A, Valensise CM, Brugnoli E, Schmidt AL，等。COVID-19社交媒体信息大流行。科学通报2020年10月06日;10(1):16598 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    14. 曹山，陈华，蒂斯瓦贺，杨勇，李林，巴特扎。社交媒体在COVID-19时期告诉我们的:范围审查。柳叶刀数字健康2021年3月3日(3):e175-e194。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
    15. 李敏，华勇，廖勇，周玲，李霞，王玲，等。使用社交媒体跟踪COVID-19和封锁政策对公共心理健康的影响:信息监测研究J Med Internet Res 2022 10月13日;24(10):e39676 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    16. Boon-Itt S, Skunkan Y.公众对推特上COVID-19大流行的看法:情感分析和主题建模研究。JMIR公共卫生监测2020年11月11日;6(4):e21978 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    17. 李林，周杰，马震，本思MT，霍尔Ma，贝彻GB。利用社交媒体数据动态评估COVID-19疫苗接受度。J Biomed Inform 2022年5月;129:104054 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    18. 薛娟，陈杰，胡睿，陈超，郑超，苏勇，等。关于COVID-19大流行的推特讨论和情绪:机器学习方法。J Med Internet Res 2020年11月25日;22(11):e20550 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    19. Hussain A, Tahir A, Hussain Z, Sheikh Z, Gogate M, Dashtipour K，等。英国和美国Facebook和Twitter上公众对COVID-19疫苗态度的人工智能分析:观察性研究J medical Internet Res 2021 Apr 05;23(4):e26627 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    20. 黄超，徐旭，蔡勇，葛强，曾刚，李霞，等。中国COVID-19患者特征挖掘:社交媒体帖子分析J Med Internet Res 2020年5月17日;22(5):e19087 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    21. Luo X, Gandhi P, Storey S，黄凯。一种从临床文本中提取症状的深度语言模型及其在社交媒体中提取COVID-19症状的应用。IEEE J.生物医学。卫生通报2022年4月26日(4):1737-1748。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
    22. 郭杰，Radloff CL, Wawrzynski SE, Cloyes KG。挖掘推特来探索COVID-19症状的出现。公共卫生护士2020年11月;37(6):934-940 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    23. Alanazi E, Alashaikh A, Alqurashi S, Alanazi A.从阿拉伯语推文中识别和排名常见的COVID-19症状:内容分析。J Med Internet Res 2020年11月18日;22(11):e21329 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    24. Sarker A, Lakamana S, Hogg-Bremer W, Xie A, Al-Garadi MA, Yang Y.在Twitter上自我报告COVID-19症状:一种分析和研究资源。美国医学通报协会2020年8月01日;27(8):1310-1315 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    25. Sarabadani S, Baruah G, Fossat Y, Jeon J.社交媒体中COVID-19症状的纵向变化:观察性研究。J Med Internet Res 2022 Feb 16;24(2):e33959 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    26. Grant MC, Geoghegan L, Arbyn M, Mohammed Z, McGuinness L, Clarke EL，等。24410名感染新型冠状病毒(SARS-CoV-2;COVID-19):对来自9个国家的148项研究进行系统回顾和荟萃分析。PLoS One 2020年6月23日;15(6):e0234765 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    27. Amin MT, Hasan M, Bhuiya NMMA。孟加拉国Covid-19相关症状的患病率、发病和持续时间，以及不同患者群体之间的差异。前线公共卫生2021年9月29日;9:738352 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    28. Wang L, Foer D, MacPhaul E, Lo Y, Bates DW, Zhou L. PASCLex:基于电子病历临床记录的COVID-19急性后后遗症(PASC)综合症状词汇。J Biomed Inform 2022年1月;125:103951 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    29. 马强，刘杰，刘强，康林，刘锐，景伟，等。受测人群和确诊COVID-19诊断个体中无症状SARS-CoV-2感染的全球百分比:系统综述和荟萃分析美国医学会网络公开赛2021年12月01;4(12):e2137257 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    30. Sah P, Fitzpatrick MC, Zimmer CF, Abdollahi E, Juden-Kelly L, Moghadas SM，等。无症状SARS-CoV-2感染:系统综述和荟萃分析。Proc Natl Acad science U S A 2021 Aug 24;118(34):e2109229118 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    31. 吴震，McGoogan JM。中国2019冠状病毒病(COVID-19)暴发的特征和重要教训:中国疾病预防控制中心72 314例报告摘要JAMA 2020 april 07;323(13):1239-1242。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    32. Dagliati A, Malovini A, Tibollo V, Bellazzi R.支持COVID-19大流行临床研究的卫生信息学和EHR:概述。简报Bioinform 2021年3月22日;22(2):812-822 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    33. Fernández-de-Las-Peñas C, Varol U, Gómez-Mayordomo V, Cuadrado ML, Valera-Calero JA。头痛作为COVID-19发病症状的相关性:来自LONG-COVID-EXP-CM多中心研究数据的网络分析神经学报2022 Aug 07;122(4):1093-1095 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    34. miller J, Neyton L, Seth S, Dunning J, Merson L, Murthy S, ISARIC-4C。在ISARIC-4C研究中，对59,011名患者进行了分析，分析了COVID-19住院患者的不同临床症状模式。科学通报2022 04月27日;12(1):6843 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    35. Chen E, Lerman K, Ferrara E.跟踪关于COVID-19大流行的社交媒体话语:开发一个公共冠状病毒推特数据集。JMIR公共卫生监测2020年5月29日;6(2):e19273 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    36. Lopez CE, Gallemore C.用于研究COVID-19信息大流行的增强多语言Twitter数据集。Soc Netw Anal Min 2021 10月20日;11(1):102 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    37. 王玲，王志强，王志强，等。用于改进电子健康记录中的过敏反应记录的动态反应选择列表。J Am Med Inform association 2020年6月01日;27(6):917-923 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    38. 郭士峰，李志强，李志强，等。为记录电子健康记录中的不良反应而设置的值。J Am Med Inform association 2018年6月01日;25(6):661-669 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    39. Lopez-Leon S, Wegman-Ostrosky T, Perelman C, Sepulveda R, Rebolledo PA, Cuapio A，等。COVID-19的50多种长期影响:系统综述和荟萃分析。科学通报2021 Aug 09;11(1):16144 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    40. 毛林，金华，王敏，胡勇，陈松，何强，等。武汉2019冠状病毒病住院患者的神经学表现JAMA Neurol 2020 Jun 01;77(6):683-690 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    41. Stearns M, Price C, Spackman K, Wang A. SNOMED临床术语:开发过程和项目现状概述。Proc AMIA Symp 2001:662-666 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    42. 孟妮C, Valdes AM, Polidori L, Antonelli M, Penamakuri S, Nogal A，等。感染SARS-CoV-2的个体在omicron和delta变体优势时期的症状患病率、持续时间和入院风险:来自ZOE COVID研究的前瞻性观察性研究柳叶刀2022年4月;399(10335):1618-1624。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
    43. 回顾:人体概论。SEER-Training (NIH)。URL:gydF4y2Bahttps://training.seer.cancer.gov/anatomy/body/review.html#:~:text=A%20system%20is%20an%20organization,urinary%2C%20and%20the%20reproductive%20systemgydF4y2Ba[2023-02-22]访问gydF4y2Ba
    44. 根据截至2022年1月推特用户数量排名领先的国家。Statista。URL:gydF4y2Bahttps://www.statista.com/statistics/242606/number-of-active-twitter-users-in-selected-countries/gydF4y2Ba[2023-02-22]访问gydF4y2Ba
    45. 跟踪SARS-CoV-2变种。世界卫生组织。URL:gydF4y2Bahttps://www.who.int/activities/tracking-SARS-CoV-2-variantsgydF4y2Ba[2023-02-22]访问gydF4y2Ba
    46. Mlcochova P, Kemp SA, Dhar MS, Papa G，孟B, Ferreira IATM，印度SARS-CoV-2基因组学联盟(INSACOG)，日本基因型到表型联盟(G2P-Japan)， CITIID-NIHR生物资源COVID-19合作组织等。SARS-CoV-2 B.1.617.2 Delta变体复制和免疫逃避。自然学报2021年11月06日;599(7883):114-119 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    47. Del里约热内卢C, Malani PN, Omer SB.面对SARS-CoV-2的Delta变种，2021年夏天。美国医学杂志2021年9月21日;326(11):1001-1002。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    48. 胡娟，彭鹏，曹旭，吴凯，陈杰，王凯，等。新型SARS-CoV-2变种Omicron的免疫逃逸增加。Cell Mol immunl 2022 Feb 11;19(2):293-295 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    49. 疾控中心博物馆COVID-19时间线。疾病预防控制中心。URL:gydF4y2Bahttps://www.cdc.gov/museum/timeline/covid19.htmlgydF4y2Ba[2023-02-22]访问gydF4y2Ba
    50. 新冠病毒:Delta变种现在是英国最主要的菌株，并在学校传播。英国医学杂志2021年6月04;373:n1445。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    51. 巴斯蒂安M，海曼S, Jacomy M. Gephi:一个探索和操纵网络的开源软件。在:国际AAAI网络和社交媒体会议论文集2009年发表于:国际AAAI网络和社交媒体会议;2009年5月17-20日;加州圣何塞，第361-362页。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
    52. Jacomy M, Venturini T, Heymann S, Bastian M. ForceAtlas2，为Gephi软件设计的方便网络可视化的连续图布局算法。PLoS One 2014;9(6):e98679 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    53. 中国-世界卫生组织新冠肺炎联合考察组报告。世界卫生组织。URL:gydF4y2Bahttps://www.who.int/docs/default-source/coronaviruse/who-china-joint-mission-on-covid-19-final-report.pdfgydF4y2Ba[2023-02-22]访问gydF4y2Ba
    54. 吴娟。新型冠状病毒肺炎症状共现网络互动在线版。2022.URL:gydF4y2Bahttp://jgwu.top/COVID19-Symptoms-Twitter/network/gydF4y2Ba[2023-02-22]访问gydF4y2Ba
    55. Masri S，贾军，李超，周刚，李春春，闫刚，等。在2016年寨卡病毒大流行期间，使用推特数据改善美国的寨卡病毒监测。BMC公共卫生2019 6月14日;19(1):761 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    56. 华勇，姜华，林松，杨军，Plasek J, Bates D，等。使用推特数据了解公众对covid -19相关药物获批和超说明书使用的看法。J Am Med Inform association 2022年9月12日;29(10):1668-1678 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    57. 孟妮C, Valdes AM, Freidin MB, Sudre CH, Nguyen LH, Drew DA，等。实时跟踪自我报告的症状，以预测潜在的COVID-19。Nat Med 2020 7月11日;26(7):1037-1040 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    58. Bénézit F, Le Turnier P, Declerck C, Paillé C, Revest M, Dubée V，等。低氧和低氧在COVID-19诊断中的应用。《柳叶刀》传染病2020年9月20日(9):1014-1015。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
    59. 李文杰，李志强，李志强。COVID-19，恶心和呕吐。中华胃肠病杂志;2021年3月05日;36(3):646-656 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    60. Subramanian A, Nirantharakumar K, Hughes S, Myles P, Williams T, Gokhale KM，等。非住院成人长冠肺炎的症状和危险因素Nat Med 2022 8月25日;28(8):1706-1714 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    61. Iacobucci G. Covid-19:英国将喉咙痛、头痛、疲劳和其他六种症状列入官方名单。英国医学杂志2022年4月04日;377:o892。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    62. Covid-19:全科医生敦促政府澄清对症状的混淆。英国医学杂志2021 6月28日;373:n1654。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    63. 闫锐，张颖，李艳，夏玲，郭艳，周强。人ACE2全长识别SARS-CoV-2的结构基础。科学2020年3月27日;367(6485):1444-1448 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    64. Hoffmann M, Kleine-Weber H, Schroeder S, Krüger N, Herrler T, Erichsen S，等。SARS-CoV-2细胞进入依赖于ACE2和TMPRSS2，并被临床证明的蛋白酶抑制剂阻断。Cell 2020年4月16日;181(2):271-280。e8 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    65. Sungnak W, Huang N, Bécavin C, Berg M, Queen R, Litvinukova M, HCA肺生物网络。SARS-CoV-2进入因子与先天免疫基因在鼻上皮细胞中高度表达。Nat Med 2020年5月23日;26(5):681-687 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    66. 库马尔A, Narayan RK, Prasoon P, Kumari C, Kaur G, Kumar S，等。COVID-19在人体中的机制——迄今为止我们所知道的。前方免疫2021年11月1日;12:693938 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    67. Blomberg B, Mohn KG, Brokstad KA, Zhou F, Linchausen DW, Hansen B，卑尔根COVID-19研究小组等。家庭隔离患者的前瞻性队列中的长COVID。Nat Med 2021 9月23日;27(9):1607-1613 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    68. 布隆伯格B，考克斯RJ，朗格兰N.长冠病毒:一个需要干预的日益严重的问题。Cell Rep Med 2022 3月15日;3(3):100552 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    69. 谢颖，徐娥，鲍威，Al-Aly Z. COVID-19的长期心血管结局。Nat Med 2022 Mar 07;28(3):583-590 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    70. Boldrini M, Canoll PD, Klein RS. COVID-19如何影响大脑。JAMA Psychiatry 2021 Jun 01;78(6):682-683 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    71. Mehandru S, Merad M.长期COVID的病理后遗症。Nat Immunol 2022 Feb 01;23(2):194-202 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    72. 陈丽娟，陈丽娟，陈丽娟，等。感染SARS-CoV-2 Delta变种儿童COVID-19的疾病特征儿童(巴塞尔)2022年5月03日;9(5):652 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    73. 马纳尔·D，萨维尔·JW，朱旭，Srivastava SS, Berezuk AM, Tuttle KS，等。SARS-CoV-2 Omicron变体:抗体逃避和刺突蛋白- ace2复合物的冷冻电镜结构。科学通报2022年2月18日;375(6582):760-764 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    74. 许桂平，何景武，张M，吴凯，程荣华，赖凯，等。SARS-CoV-2 Omicron变体在人支气管和肺中的体外复制。自然2022年3月1日;603(7902):715-720。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    75. Garg RK, Paliwal VK, Gupta A. COVID-19患者脑病:综述。中国医学杂志;2021年1月;39(1):206-222。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    76. Bisaccia G, Ricci F, Recce V, Serio A, Iannetti G, Chahal AA，等。COVID-19急性后遗症和心血管自主神经功能障碍:我们知道什么?J cardiovascular Dev Dis 2021 Nov 15;8(11):156 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    77. 李志刚，李志刚，李志刚，李志刚，等。抗雄激素enzalutamide下调TMPRSS2，减少SARS-CoV-2进入人类肺细胞。Nat Commun 2021 7月01日;12(1):4068 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    78. T Haitao, Vermunt JV, Abeykoon J, Ghamrawi R, Gunaratne M, Jayachandran M，等。COVID-19与性别差异:机制和生物标志物。Mayo clinic Proc 2020 Oct;95(10):2189-2203 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    79. Mohamed MS, Moulin TC, Schiöth HB。COVID-19的性别差异:雄激素在疾病严重程度和进展中的作用内分泌2021 Jan;71(1):3-8 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    80. Goren A, Vaño-Galván S, Wambier CG, McCoy J, Gomez-Zubiaur A, Moreno-Arrones OM，等。初步观察:西班牙住院COVID-19患者中的男性模式脱发-雄激素在COVID-19严重程度中的作用的潜在线索。J Cosmet Dermatol 2020 7月23日;19(7):1545-1547。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    81. Wambier CG, Vaño-Galván S, McCoy J, Gomez-Zubiaur A, Herrera S, Hermosa-Gelbard Á，等。大多数COVID-19住院患者出现雄激素性脱发:“加布林征”。J Am Acad Dermatol 2020 Aug;83(2):680-682 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    82. Zenone M, Caulfield T.使用短视频社交媒体平台的数据识别紧急猴痘阴谋论。美国医学会网络公开赛2022年10月03日;5(10):e2236993 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba

    ‎gydF4y2Ba
    电子健康档案:gydF4y2Ba电子健康记录gydF4y2Ba
    或者:gydF4y2Ba优势比gydF4y2Ba
    SNOMED-CT:gydF4y2Ba医学临床术语系统命名法gydF4y2Ba
    人:gydF4y2Ba世界卫生组织gydF4y2Ba

    A Mavragani编辑;提交30.12.22;同行评议家余，X何;对作者29.01.23的评论;修订版本于04.02.23收到;接受19.02.23;发表14.03.23gydF4y2Ba

    版权gydF4y2Ba

    ©吴佳庚，王鲁敏，华以宁，李明辉，周丽，David W Bates，杨洁。最初发表于《医疗互联网研究杂志》(//www.mybigtv.com)， 14.03.2023。gydF4y2Ba

    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。gydF4y2Ba
    Baidu
    map