糖尿病是一种严重的代谢疾病，患者体内血糖水平升高，可导致严重的并发症，如心血管疾病、肾脏疾病、中风、眼病、足溃疡、神经损伤和截肢。世界卫生组织指出，高血糖水平是导致过早死亡的第三大原因[ 1］．截至2015年，据估计，全球有4.15亿成年人患有糖尿病，其中340万在加拿大;到2025年，后者预计将增至500万，占加拿大人口的12.1% [ 2］．2型糖尿病(T2D)的特点是身体抵抗或胰岛素产生不足。研究表明，T2D患者可通过适当的自我管理来降低进一步并发症的风险[ 3.］．适当管理T2D的治疗方案包括血糖控制、体重管理、充足的营养、有规律的体育活动、减少久坐行为和药物依从性[ 4］．

技术支持的工具可以促进T2D患者或有患T2D风险的人的行为改变，并通过提供量身定制的反馈来帮助管理他们的病情。通过智能手机、移动应用程序、可穿戴传感器、智能手表和其他设备(包括蓝牙血糖仪(BGMs)、体重秤和商业血压监测仪)提供的移动健康(mHealth)选项，为糖尿病的自我管理提供了低成本和可访问的工具[ 5］．这些干预措施使糖化血红蛋白减少0.5%至0.8%，平均体重减轻2.4公斤[ 6， 7］．用于管理T2D的移动健康选项的用户报告了更高的满意度、更好的生活质量、自我效能和增加治疗依从性的潜力[ 7］．网络和移动应用程序以及互联网感知设备的出现，导致了一个庞大的患者生成健康数据储存库(PGHD)的创建[ 8， 9];在医疗保健领域，这些数据的来源包括传感器、社交媒体帖子、博客和智能手机活动[ 10］．与临床医生生成的数据来源(如电子病历)相比，PGHD可以提供患有T2D或有患T2D风险的人的行为的第一手资料，因为这些数据也是直接从消费者那里生成的。这些来源可能包括来自移动健康应用程序(如智能手机应用程序)、蓝牙医疗设备(如bgm)或社交媒体平台(如Twitter)的数据。

大量的数据，或者 大数据，可以通过分析来提供信息，分析被定义为使用应用分析学科来促进决策，系统地使用数据来获得见解的过程[ 11］．传统上，分析性见解来源于统计模型。然而，随着大数据的出现，机器学习(ML)和人工智能(AI)作为计算机自动从数据中提取模式的先进分析技术脱颖而出[ 9， 12］．拉古帕希和拉古帕希[ 10]表示，来自上述数据源的数据量的“爆炸”具有“改善护理、拯救生命和降低成本”的能力[ 10]，糖尿病管理工具中的PGHD也不例外。特别是，PGHD从糖尿病管理工具中获得的好处是，有机会使用分析来深入了解T2D患者的健康行为，因为这些数据直接来自消费者，具有更高的频率和背景，而不仅仅来自临床医生等不常见观察者的角度。健康行为包括T2D自我管理技术，包括适当的血糖控制、健康饮食、增加体育活动、减少久坐时间和服用处方药。分析可以描述T2D患者当前的健康行为，并根据这些行为预测健康结果并开出治疗建议。本综述的目的是巩固目前的文献，从PGHD对患有T2D或有发展T2D风险的人的健康行为的分析中已经了解到什么。

本次评审遵循Arksey和O 'Malley的范围评审框架[ 13]采用以下步骤:(1)确定研究问题，(2)确定相关研究，(3)选择研究，(4)制作数据图表，(5)总结并报告结果[ 14］．选择这种范围审查方法是为了确定围绕通过PGHD从患有T2D或有发展T2D风险的人那里收集的健康行为分析的研究范围，并映射从文献中获得的概念[ 15］．

尽管来自emr或管理来源的数据可以提供对临床结果的见解，但它们是从卫生保健提供者或管理人员的角度获得的。直接从消费者那里获得的数据可以提供对其健康行为的描述性分析见解，以及对这些行为的预测性和规范性见解。这导致了以下研究问题的发展:

搜索于2020年7月通过PubMed、IEEE Xplore和ACM数字图书馆这3个数据库进行，搜索词为糖尿病、行为和分析。中对相关关键字进行了细化 文本框1 ．搜索词仅限于 标题而且 摘要在PubMed和 摘要用于IEEE Xplore和ACM数字图书馆中的研究，因为没有可供搜索的选项 标题而且 摘要在这两个数据库中。发表年份限定为2010-2020年。2名审稿人(MSN和AB)使用确定的关键字对3个数据库进行检索，并使用纳入和排除标准确定相关研究。对于数据图表制作阶段的综述文章和研究，扫描了参考文献列表，并提取了最初搜索中未找到的其他研究。不完整的研究、无法获得全文的研究和未以英文发表的研究未被包括在内。

遵循Arksey和O 'Malley框架[ 13]，文章分3次迭代评审。在第一次迭代中，使用合格标准扫描和选择摘要 入选标准而且 排除标准部分)。在第二次迭代中，使用相同的资格标准扫描全文，然后选择文章。在最后的迭代中，数据被提取并绘制成图表，不符合资格标准的研究被排除在外。

为了本综述的目的，PGHD被定义为通过已经可供消费者使用的设备直接从患者生成的数据。这些数据将包括患者通过移动应用程序直接输入的数据;通过智能手表或加速计等可穿戴设备被动收集的数据，以及bgm、连续葡萄糖监测器(cgm)或胰岛素泵的数据;从Reddit或Twitter等社交媒体平台获得的数据;或从患者调查或问卷中获得的数据。虽然其中一些研究将PGHD与其他数据源(如EMRs、行政健康数据或人口普查数据)整合在一起，但所有纳入的研究都必须包含至少一个PGHD来源。

合格性是使用下面列出的纳入和排除标准来确定的。对于要被收录的文章，它必须满足所有的收录标准，而不满足任何排除标准。

入选标准为:

排除标准为:

使用Arksey和O 'Malley所概述的描述性分析方法对符合纳入标准的文章进行检查和批判性评估[ 13］．MSN创建了数据参数来指导提取，这些参数包括发表年份、研究目标、研究数据来源、研究类型、分析方法(即数据上使用的算法)、分析类型(即描述性、预测性或说明性)和主要发现。研究目标直接从文章中提取并引用，其余数据参数通过对文章的考察分析来解释。

描述性数据由MSN手动检查，主题被识别并给出数字代码。将这些主题进行分类和组织成主题组，根据主要发现对研究进行总结。这样做使我们能够提出一个叙述来回答我们的研究问题。

从3个数据库和参考文献检索中共鉴定出432篇文章。在这432篇文章中，36篇(8.3%)为重复，随后被删除。其余396篇文章的摘要和全文采用MSN和AB进行筛选，其中83篇(20.9%)被纳入数据提取。最后，经过MSN对数据提取的仔细检查，83篇文章中，43篇(52%)被纳入范围审查。 图1总结了过程。

本综述共纳入了2012年至2020年发表的43项研究。在研究设计方面，43项研究中，18项(42%)采用横断面研究，12项(28%)采用分析框架或算法，10项(23%)采用比较研究，2项(5%)采用随机对照试验，1项(2%)为队列研究，1项(2%)为纵向研究，1项(2%)为混合方法研究。

在43项研究中，30项(70%)仅检查了PGHD，而13项(30%)将PGHD与其他来源结合。PGHD的来源包括调查和访谈(14/ 43,33%);活动传感器(12/ 43,28%);社交媒体和论坛(9/ 43,21%);移动健康应用(6/ 43,14%);cgm、bgm和胰岛素泵(3/ 43,7%);自我报告数据(3/ 43,7%);开放数据集(2/ 43,5%);web应用(1/ 43,2%)。非消费者产生的其他数据来源包括人口统计数据(5/ 43,12 %)、外部知识或外部数据库(4/ 43,9 %)、电子病历和临床数据(3/ 43,7 %)、实验室数据(2/ 43,5 %)和管理数据(1/ 43,2 %)。

在通过数据源检查的分析类型中，43项研究中，19项(44%)使用描述性分析，24项(56%)使用预测分析，5项(12%)使用规范分析。大多数研究使用AI或ML算法进行数据分析;93%(40/43)的人单独使用基于人工智能的算法或与传统统计方法结合使用，而只有7%(3/43)的人使用传统统计方法。

本综述的结果表明，通过PGHD对患有T2D或有发展T2D风险的人的分析见解有广泛的主题，并在 多媒体附件1［ 16- 58］．共9个主题，分为以下4类:

这篇综述的目标是了解我们可以从PGHD的分析中了解到关于患有T2D或有发展T2D风险的人的健康行为。通过文献检查，确定了广泛的主题，涉及对消费者产生的来源进行的独立或与其他来源结合的分析。大多数研究使用ML算法来进行分析，这说明了这些数据集的复杂性。这些算法包括k-均值聚类、神经网络、决策树、支持向量机和射频。PGHD非常适合于行为洞察力，因为数据可以更频繁地收集，它们比在临床访问和静态实验室结果中获得的粗略观察提供了更大的背景。

这篇综述中最普遍的主题是，分析PGHD有可能发现未诊断的糖尿病或肥胖，或预测发展为糖尿病或肥胖的风险[ 16- 25］．在早期阶段或发病前检测T2D可使患者了解其风险，并使他们能够做出必要的行为改变，以减轻疾病进展或进一步并发症的风险。此外，为评估风险和管理T2D而建立的模型可应用于其他慢性疾病[ 56］．然而，从我们的回顾来看，预测风险需要来自问卷或调查的结构化数据。

除了预测疾病的可能性，糖尿病患者的PGHD也可以预测血糖事件[ 21， 26- 28， 30.， 31］．然而，这种类型的预测需要商业bgm或cgm，其中数据可以手动或自动输入应用程序。鼓励T2D患者经常自我监测血糖水平，以获得对已经做出的健康行为改变的反馈，以便在必要时调整治疗方法[ 61］．能够预测血糖事件增加了与血糖控制相关的治疗方案的进一步反馈，允许患者和提供者相应地调整护理计划。

通过这项综述发现的另一个重要主题是通过PGHD识别糖尿病和肥胖的特征因素，来源包括问卷调查、社交媒体活动和活动传感器的组合[ 21， 23， 25， 35- 39］．研究特别发现饮食和睡眠质量是导致糖尿病和肥胖症的健康行为[ 23， 26， 37， 38］．此外，通过PGHD对大型数据集进行分析，能够检测出糖尿病患者特征的不同健康行为模式或群集;来源包括调查和应用程序[ 28， 31， 50］．最后，关于健康行为的PGHD可以为糖尿病相关的新临床发现提供见解[ 32- 34］．从我们的回顾中，这些见解是通过分析从设备中收集的被动活动而获得的。对PGHD的分析可以为疾病和患者的行为提供新的见解，通过检查行为集群和患者结果的交叉性，进一步的研究可能会受益。

活动传感器作为另一个数据源，被动地收集有关身体活动和久坐行为的数据。尽管运动是管理T2D的重要治疗方法，但清醒时的久坐行为与过早死亡、BMI升高、糖化血红蛋白水平升高、肥胖升高和高血糖有关[ 57］．即使定期进行中度至剧烈的体育活动，不良的健康结果也与长时间的久坐有关，这应被视为与体育活动分开的行为，患有T2D的人应遵循一些锻炼方案，同时减少久坐行为的时间[ 62］ ．通过这项综述，我们发现来自活动传感器的PGHD可以检测久坐行为模式，并发现久坐行为增加导致胰岛素抵抗增加和甘油三酯浓度升高[ 28， 44- 48］．有必要进一步研究体育活动与久坐行为与T2D患者血糖结果之间的相关性。

社交媒体为研究T2D患者如何控制病情提供了另一个数据来源[ 35， 37， 39- 41］．社交媒体网站不仅为T2D患者提供了一个讨论其疾病和分享信息的平台，而且还为该疾病的地理相关性提供了流行病学见解[ 35， 41]以及对肥胖或糖尿病患者情绪状况的微观洞察[ 39， 42］．通过社交媒体分析来研究疾病进展的纵向图景可能需要进一步的研究。

由Kitsiou等人发现[ 6]及王等[ 7]，移动健康干预显示出改善T2D患者预后和提高治疗依从性的希望。我们的综述通过PGHD的分析来衡量依从性和结果，扩展了这些发现[ 28， 51- 54］．尽管个性化信息的规范性干预已被证明可以提高依从性[ 51， 53]，数字跟踪工具也显示出与通过日志记录的标准治疗相比，更能坚持治疗[ 54］．这些发现表明，PGHD可以提供对治疗依从性的粒度见解，并评估哪些治疗干预可能会增加依从性。进一步的研究可能是必要的，以检查某些干预措施如何与依从性相关。

糖尿病管理和健身技术，以及社交媒体的使用，显然构成了行为洞察的丰富数据集。它们的频繁使用，以及在某些情况下持续获取详细的、相关的和上下文相关的数据，为开发预测、预后和自我管理洞察力应用程序提供了前所未有的能力。这让我们看到了将PGHD用于其他慢性疾病的潜力，这些疾病可以经常获得类似的定量数据，例如心脏疾病。其他疾病，如呼吸系统疾病、精神健康和慢性疼痛，在这方面更难以捉摸，因为它们的定性模式特征的条件。未来的创新应着眼于在糖尿病管理方面取得的进展，考虑到这些情况。

这项详细的审查仅由一名审稿人进行，第二名审稿人负责研究的选择，其余作者对论文的最终草案提供修订建议和评论。由于所有这些研究都包含PGHD，数据的准确性仅限于患者报告的数据或通过外部设备被动收集的数据。此外，由于一些研究将PGHD来源与其他来源结合起来，一些研究结果不能完全代表PGHD。此外，这些研究可能并不一定考虑现实生活中的使用模式，因为它们可能是在受控环境中进行的。此外，本研究的范围无法确定这些方法在实际实施时的有效性。最后，作者根据他们对该学科的最佳知识制定了纳入和排除标准，如果2名审稿人(MSN和AB)认为文章符合这些标准，则选择文章。质量是根据作者目前对该主题的知识进行评估的，如果他们认为文章包含的信息与他们目前的知识相矛盾，他们就会排除文章。

支持个人管理糖尿病的技术支持工具的出现导致了PGHD存储库的创建，使用ML算法来收集关于T2D患者健康行为的分析见解，否则无法通过其他数据源收集这些数据。这篇综述指出，PGHD的分析有潜力预测疾病和结果，确定导致疾病的因素，调查行为模式，发现新的临床发现，并提高对治疗的依从性。进一步的研究可能受益于检查这些概念的交叉性，以创建管理T2D的有凝聚力的治疗方案。