这是一篇开放获取的文章,根据创作共用署名许可协议(https://creativecommons.org/licenses/by/4.0/)的条款发布,允许在任何媒介上不受限制地使用、分发和复制,前提是正确引用了首次发表在JMIR Diabetes上的原创作品。必须包括完整的书目信息,https://diabetes.www.mybigtv.com/上的原始出版物的链接,以及此版权和许可信息。
由2型糖尿病(T2D)引起的并发症可以通过适当的自我管理来缓解,从而积极地改变健康行为。现有技术工具可以帮助患有T2D或有患T2D风险的人管理他们的病情,这些工具提供了一个大型的患者生成健康数据储存库(PGHD)。分析可以深入了解T2D患者的健康行为。
本综述的目的是调查通过PGHD分析可以了解到哪些患有T2D或有发展T2D风险的人的健康行为。
使用Arksey和O 'Malley框架进行了范围审查,其中由2名审稿人对文献进行了全面搜索。总共使用与糖尿病、行为和分析相关的关键词搜索了3个电子数据库(PubMed、IEEE Xplore和ACM数字图书馆)。采用预先确定的纳入和排除标准进行了几轮筛选,之后选择研究。通过描述-分析叙事方法进行批判性检查,从研究中提取的数据被分类为主题类别。根据我们的目标,这些类别反映了本研究的结果。
我们确定了43项符合本综述纳入标准的研究。尽管70%(30/43)的研究单独检查了PGHD, 30%(13/43)的研究将PGHD与其他数据来源结合。这些研究大多使用机器学习算法来进行分析。通过本综述确定的主题包括预测糖尿病或肥胖,得出导致糖尿病或肥胖的因素,从社交媒体或网络论坛获得见解,预测血糖,改善依从性和结果,分析久坐行为,得出行为模式,从行为中发现临床相关性,以及制定设计原则。
PGHD数量和可用性的增加有可能为T2D患者的健康行为提供分析见解。从文献中,我们确定分析可以预测结果,并从PGHD中识别颗粒状的行为模式。该审查确定了通过PGHD可以检查的广泛的见解,它构成了这些应用程序的独特数据来源,这是通过使用其他数据源无法实现的。
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[
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[
大量的数据,或者
本次评审遵循Arksey和O 'Malley的范围评审框架[
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:
在目前的文献中,关于PGHD对患有T2D或有发展T2D风险的人的健康行为的分析见解有什么已知的?
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
遵循Arksey和O 'Malley框架[
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:
由分析方法和驱动的初级干预
目标人群包括患有T2D或有患T2D风险的人(如患有肥胖症的人)
研究目标主要集中在健康行为和
研究必须包括至少一种PGHD来源
排除标准为:
在消费者层面上通常无法获得的技术(即原型或研究设备)或
理论模型尚未应用于实际数据或
尚未完成的研究
研究没有发表在英文或
综述文章(扫描综述文章参考文献表,直接提取文章)OR
评论和灰色文献(即信件、评论、社论、博客和新闻文章)
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[
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。
PRISMA(系统评价和元分析的首选报告项目)流程图:系统研究选择。
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
预测临床相关性和结果
预测糖尿病和肥胖(10/ 43,23%)
预测血糖(6/ 43,14%)
从行为中发现临床相关性(3/ 43,7%)
了解患者行为
导致糖尿病和肥胖的衍生因素(8/ 43,19%)
从社交媒体和网络论坛获得见解(7/ 43,16%)
分析久坐行为(5/ 43,12%)
推导行为模式(4/ 43,9%)
促进治疗
改善依从性和结果(5/ 43,12%)
改进技术
开发设计原则(3/ 43,7%)
分析能够结合描述性分析和预测性分析来预测患者的结果。预测分析可以在不良事件发生之前预测不良事件,从而有可能防止它们的发生,而描述性分析可以描述当前的模式,反过来,可以预测临床可能性。这篇综述发现,这一类别的流行主题是预测糖尿病和肥胖,预测血糖,并从行为中发现临床相关性。
本综述中最流行的主题是使用PGHD通过PGHD预测糖尿病或肥胖的可能性[
在这10项研究中,9项(90%)使用调查或问卷数据来做出这些预测;在这9项研究中,7项(78%)是比较研究,比较了不同ML算法预测肥胖和糖尿病的准确性。孟等[
根据这些研究,血糖水平可以通过食物摄入、运动、药物、胰岛素、睡眠等信息进行预测,血糖读数也可以通过网络应用程序、移动应用程序、智能手机活动传感器或bgm输入。
检查PGHD提供了从T2D患者的健康行为中检查临床相关性的机会。Chen等人的研究[
通过主动和被动收集大量数据的能力,分析为临床医生提供了对患者健康行为的更详细的描述。然后,临床医生可以了解患者的行为模式和影响其临床结果的因素。
这项综述发现,通过PGHD,有可能得出导致肥胖或糖尿病的因素[
社交媒体和网络论坛为T2D患者提供了平台,让他们在同龄人之间讨论自己的病情和相关信息[
活动传感器提供了PGHD的来源,可以通过分析来确定久坐行为(用户清醒时静止不动的时间)。减少久坐行为被认为是治疗T2D的积极健康行为。李等[
检测久坐行为的活动传感器也可以从静止模式中发现临床相关性。张等[
所有这些研究都使用了来自某种形式的活动传感器的数据,并证明了PGHD通过活动传感器提供的独特视角:能够监测用户的日常身体运动,并提供对久坐行为的精确测量,并在必要时减少久坐行为,作为治疗T2D的手段。
大量的PGHD可以帮助检测T2D患者健康行为模式的不同组合,这可能不一定能通过其他数据源捕获。探索行为模式可以潜在地揭示不同健康行为之间的相关性,并可以更好地建议用户做出必要的改变。在Machado等人的研究中[
管理T2D的技术工具有能力帮助人们管理他们的治疗,通过提高对行为改变的依从性,提醒用户预测的不良事件,并为行为改变开出建议。
PGHD的分析可用于提高T2D患者对治疗的依从性以及总体结果[
随着技术的使用和测试,新技术有机会通过分析来自用户的反馈和结果来改进前几代技术。在下一节中,我们将讨论使用PGHD为新技术创建框架的研究。
使用PGHD框架的开发和对用户反馈的仔细检查,使人们深入了解了创建技术干预以帮助T2D患者管理病情的一般设计原则。拉玛希等人[
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[
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[
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[
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[
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[
由Kitsiou等人发现[
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。
范围回顾研究的图表。
人工智能
血糖仪
连续式血糖监测仪
电子病历
移动健康
机器学习
患者生成的健康数据
随机森林
支持向量机
2型糖尿病
作者要感谢Shivani Goyal博士在制定这篇综述时的指导。
MSN和AB对这些文章进行了审查和筛选。MSN分析了提取的文本。MSN起草了手稿供所有作者评论和修改。所有作者都同意论文的最终版本。
没有宣布。