本文内容如下e-collection /主题问题:

评论(62) 人工智能(673) 参与式医学与E-Patients (581)

发表在在7卷， No . 2(2019): Apr-Jun

本文的预印本(早期版本)可在https://preprints.www.mybigtv.com/preprint/13445，首次出版．
公众使用人工智能自诊断数字平台:范围审查

公众使用人工智能自诊断数字平台:范围审查

公众使用人工智能自诊断数字平台:范围审查

本文作者:

斯蒂芬妮Aboueid1 作者:Orcid； Rebecca H Liu2 作者:Orcid； Binyam Negussie Desta1 作者:Orcid； Ashok Chaurasia1 作者:Orcid； Shanil Ebrahim3、4 作者:Orcid
文章 作者 引自(26) Tweetations (10) 指标

    审查

    1应用健康科学，滑铁卢大学，滑铁卢，安大略省，加拿大

    2渥太华大学健康科学学院，加拿大安大略省渥太华

    3.加拿大安大略省汉密尔顿市麦克马斯特大学健康科学学院

    4美国加州圣克拉拉的斯坦福大学斯坦福元研究创新中心

    通讯作者:

    Stephanie Aboueid，理学硕士，RD

    应用健康科学

    滑铁卢大学

    大学大道西200号

    滑铁卢，ON, n2l3g5

    加拿大

    电话:1 6134061899

    电子邮件:seaboueid@uwaterloo.ca


    背景:自我诊断是诊断或确定自己身体状况的过程。人工智能数字自我诊断平台日益普及并为大众所使用;然而，人们对围绕这项技术的知识体系知之甚少。

    摘要目的:本次范围审查的目标是:(1)系统地绘制与数字平台相关的文献和主题领域的范围和性质，这些数字平台使用计算机化算法为用户提供潜在诊断列表;(2)确定关键的知识差距。

    方法:检索的数据库包括:PubMed (Medline)、Scopus、美国计算机协会数字图书馆、美国电气与电子工程师学会、Google Scholar、Open Grey和ProQuest dissertation and Theses。该检索策略是在图书馆员的协助下开发和完善的，包括3个主要概念:(1)自我诊断;(2)数字平台;(3)公众或患者。搜索产生了2536篇文章，其中217篇是重复的。根据Tricco等人2018年的检查表，2名研究人员独立筛选了标题和摘要(n=2316)和全文(n=104)。共纳入19篇文章进行审查，并根据研究小组预先测试的数据图表表格检索数据。

    结果:纳入的文章主要在美国(n=10)或英国(n=4)进行。在这些文章中，主题领域包括准确性或与医生诊断的一致性(n=6)、评论(n=2)、法规(n=3)、社会学(n=2)、用户体验(n=2)、理论(n=1)、隐私和安全(n=1)、伦理(n=1)和设计(n=1)。无法获得医疗保健和认为自己有耻辱状况的个人更有可能使用这项技术。该技术的准确性根据所检查的疾病和平台的不同而有很大差异。女性和受过高等教育的人更有可能从潜在的诊断列表中选择正确的诊断。世界上大多数地区缺乏对这项技术的监管;然而，它们目前正在开发中。

    结论:围绕人工智能自诊断数字平台的使用，文献中存在突出的研究空白。考虑到数字平台的多样性及其涵盖的疾病范围，测量准确性是很麻烦的。需要更多的研究来了解用户体验并为法规提供信息。

    中华医学杂志，2019;7(2):845 - 845

    doi: 10.2196/13445

    关键字

    诊断； 人工智能； 症状跳棋； 诊断性自我评价； 自我保健


    背景

    在互联网上查阅健康资讯已成为市民普遍的做法[1-3.]。那些无法获得卫生保健服务的人更有可能使用互联网获取卫生信息[4]。在某些情况下，浏览因特网获取健康信息具有某些好处，例如通过增加信息的可得性、提供社会支持和提高自我效能来改善健康结果[5，6]。然而，潜在的负面后果仍然存在;这些信息可能不可靠，而寻求信息的个人可能缺乏卫生知识[6]。例如，个人可能无法批判性地分析健康信息并评估信息对其情况的适用性，这可能对其健康造成不利影响[6]。因此，在互联网上广泛传播的健康信息应谨慎解读[7]。

    重大的技术进步导致更复杂的数字健康平台的兴起，这可能会缓解这一问题，特别是那些涉及人工智能(AI)的平台。对人工智能的兴趣似乎是最近才出现的;然而，这个术语可以追溯到20世纪50年代，被描述为能够执行通常需要人类智能的任务的计算机系统的理论和发展[8，9]。值得注意的是，人工智能已被纳入计算机化诊断决策支持系统，这些系统最初是为卫生专业人员开发的。这些平台现在已经很容易为公众所使用，并且被称为自诊断程序或症状跳棋，其中包括梅奥诊所症状检查器、巴比伦健康、Ada健康应用程序和K健康应用程序。基于个人提供的医疗信息和症状，这些数字平台执行两个主要功能:(1)为个人提供潜在诊断列表;(2)协助分类[10]。虽然症状检查器的准确性仍受质疑[11，12]，这项技术已经在全球范围内获得了吸引力[13，14由于它有可能解决缺乏获得初级保健提供者服务的机会和不必要的医疗访问问题，这是加拿大和世界大部分地区的突出问题[15-18]。

    目标

    虽然考虑准确性很重要，但理解围绕这项技术的整体知识体系也同样重要，包括法律和伦理影响以及用户体验。鉴于此，有必要系统地绘制人工智能自诊断数字平台上可用的文献，以确定与该主题相关的研究领域，并概述知识方面的关键空白。这些信息可以支持在卫生保健系统中利用人工智能技术的日益增长的兴趣。因此，这一范围审查旨在回答以下问题:公众对人工智能自诊断数字平台的使用了解多少?文献中的主要知识差距是什么?


    合格标准

    在这篇综述中，自我诊断数字平台被定义为利用算法根据提供的医疗信息和症状向用户提供潜在诊断列表的平台。尽管这种范围界定审查不需要质量评估，但它遵循一种合理的方法，以简洁的方式为知识使用者绘制出结果。本次范围审查遵循了Tricco等人制定的2018年清单[19]报告范围审查。伦理审批是不需要的。

    指导这项研究的三个主要概念是:(1)自我诊断;(2)数字平台;(3)公众或患者。考虑到这项技术的出现相对较新，以及公众对它的使用，搜索不受出版日期的限制。纳入综述的文章是那些(1)与公众或患者使用自我诊断数字平台有关的文章，以及(2)用英语或法语撰写的文章。排除标准是(1)侧重于卫生专业人员使用人工智能自我诊断技术的文章;(2)描述了自诊断平台的后端开发(如神经网络和架构);(3)侧重于提供一般健康信息、疾病管理或分诊建议的数字卫生平台;(4)侧重于需要经过验证的问卷而不是算法的工具;和/或(5)检查需要图像上传的测试套件或数字平台。 To allow for a wide array of results to be included, quantitative, qualitative, and mixed-methods studies or reports were eligible for inclusion.

    信息来源和搜索

    本综述系统地检索了引文数据库和灰色文献中相关的已发表和未发表的文章。引文数据库包括PubMed (Medline)、Scopus、美国计算机协会数字图书馆、美国电气与电子工程师学会、Google Scholar等。补充通过Google Scholar检索到的灰色文献[20.]、OpenGrey和ProQuest的dissertation and thesis也进行了检索。在图书管理员(滑铁卢大学的Rebecca Hutchinson)的帮助下，每个数据源的最终搜索策略被定义和完善，并于2018年11月19日完成。PubMed (Medline)的最终搜索策略可以在多媒体附录1．最后的搜索结果导出到RefWorks中进行筛选。

    证据来源的选择

    一旦在RefWorks中删除重复，筛选过程由2名研究人员(SA和RHL)独立进行。中的决策树图1作为筛选标题和摘要(或报告和评论的执行摘要)的指南。从标题和摘要筛选阶段提取的文章全文阅读(全文审阅)。在全文筛选步骤中，两位研究者(SA和RHL)筛选了同样的30篇文章来评估评估者之间的信度。任何不确定性和分歧都通过协商一致加以讨论和解决。全文审阅后，系统筛选符合条件的参考文献列表。同样，对于在全文评审阶段筛选的任何综述论文，参考文献都要筛选符合纳入标准的潜在相关文章。

    ‎
    图1所示。评估物品资格的决策树。
    查看此图

    数据制图过程

    一旦确定了文章的最终数量，通过扫描这些文章，研究团队可以对自我诊断数字平台正在检查的感兴趣的主题(例如，准确性和监管问题)有一个高层次的了解。这样就可以开发一种数据图表形式，捕捉所有相关信息，而不考虑文章类型(例如，临床试验或关于用户体验的定性研究)。用相同的5篇文章对数据图表表进行预测试，以评估一致性。在此练习之后，没有对表单进行任何更改。

    数据提取

    通过数据图表形式收集的变量包括:国家、发表年份、主要目的、主要研究领域(如临床、法律和伦理)、研究设计、使用的数据源(如有)、目标人群(如有)、样本量和样本特征(如有)、方法/统计分析(如适用)、主要发现和研究局限性(如适用)。

    结果综合

    范围界定审查为知识使用者提供了有关某一特定主题的可用文献的简明概述[21]。考虑到本综述纳入的研究的异质性，研究根据特定的研究领域进行分组。一个概念图被用来说明围绕人工智能自我诊断技术的研究的广度。表格用于概述文献中发现的文章类型和从每篇文章中提取的数据。专题综合用于概述文献中的知识差距和其他关键考虑因素。


    证据来源的选择

    图2描述流程图，说明每个筛选步骤的选择过程。我们的搜索总共确定了2536个，其中217个是重复的。此外，2位研究者独立筛选了2316篇文章的标题和摘要，根据相关性和入选标准排除了2229篇。共检索了104篇全文文章，并对其合格性进行了评估。其中，76篇文章因以下原因被排除:描述了数字平台或算法的后端开发，检查了数字化问卷而不是基于算法的数字平台的使用情况，数字平台需要卫生专业人员的投入，提供了疾病风险，监测了症状，为卫生专业人员设计的技术不在范围内，并且没有提供足够的数据或信息。我们排除了另外12篇文章，因为我们无法检索到它们。通过对纳入的文献进行参考筛选，我们确定了17篇可能相关的文献，其中3篇被纳入综述。共有19篇文章被认为符合本综述的条件。在全文阶段评估了评价者之间的信度，结果得出2位评价者(SA和RHL)之间的评分为0.82，几乎是完全一致的评分[22，23]。

    ‎
    图2。纳入文章的系统评价和荟萃分析的首选报告项目流程图。美国计算机协会数字图书馆;电气和电子工程师协会。
    查看此图

    证据来源的特征

    概念图图3对公众使用人工智能自诊断数字平台的主要主题领域进行了说明性概述。这些文章主要在美国(n=10)或英国(n=4)进行。总共有2篇文章是评论，其余的集中在以下几个方面:与医生诊断的准确性或一致性、法规、社会学观点、经验、理论、隐私和安全、伦理和设计。概念图还概述了文章中出现的主要主题和所审查的健康状况。

    ‎
    图3。围绕公众使用人工智能自诊断数字平台的文献概念图。DCM:退行性颈椎病;耳鼻喉科:耳朵、鼻子和喉咙;FDA:食品和药物管理局;HIPAA:健康保险流通与责任法案;国民保健服务。
    查看此图

    个别证据来源的结果

    多媒体附录2提供所有纳入文章的概述，并概述以下变量:文章类型、研究的主题领域、主要目标和主要发现[24-42]。

    结果综合

    表1提供关于需要招募参与者来回答其研究问题的研究的附加信息。这些文章倾向于关注数字平台或用户体验的准确性。

    表1。参与者研究结果的综合。
    第一作者，年份，参考文献，国家 样本量(n) 目标人群 数据收集 使用的数字平台 方法
    Bisson, 2014 [26，美国 572 有膝盖疼痛的人 从患者和电子病历(emr)收集的主要数据 一个由研究小组开发的基于网络的程序 在对该算法进行诊断训练的21种可能情况中，测试了该程序为膝关节疼痛提供正确诊断的能力的敏感性和特异性
    Bisson, 2016 [27，美国 328 有膝盖疼痛的人 从患者和电子病历中收集的原始数据 一个由研究小组开发的基于网络的程序 计算敏感性和特异性
    科普兰，2018年[29，美国 13 测试协议的用户(未提供详细信息) 使用系统可用性量表和用户体验可用性度量来收集主要数据 研究小组开发的原型 描述性统计
    农民，2011年[32，英国 61 病人来到耳鼻喉外科医生的办公室 主要数据收集于1个月以上的患者 Boots WebMD现象描述 没有提供
    哈格曼，2014 [33，美国 86 病人来到门诊手和上肢外科医生的办公室 从患者和医生那里收集的原始数据 WebMD症状检查 使用Pearson卡方检验来确定诊断应用程序提供的诊断与医生的最终诊断的对应程度
    兰森，2007年[36)、挪威 160 年龄在18岁到65岁之间的人 使用技术准备度调查(TRI)收集主要数据 N/A一个 以基于互联网的医学自我诊断应用程序为重点技术进行了一项调查;研究假设通过完成一个场景，然后进行问卷调查来检验
    Luger, 2014 [37，美国 79 老年人(50岁或以上) 有声思考协议的主要数据收集 WebMD症状检查 参与者收到了描述疾病症状的两个小插曲中的一个。参与者大声说出他们的想法和行为，同时尝试在有或没有常见互联网工具(谷歌和WebMD的症状检查器)的帮助下诊断症状;然后将参与者的有声思考内容与诊断准确的参与者和诊断不准确的参与者进行比较。
    Powley, 2016 [40，英国 34 连续出现临床新表现明显的滑膜炎或新发病症状与炎性关节炎一致的患者 主要数据收集自患者 国民健康服务(NHS)和WebMD症状检查 患者被问及他们的互联网使用与他们的症状之间的关系。随后，他们完成了NHS和WebMD症状检查，并记录了他们的答案和结果。

    一个不适用。

    证据和知识差距摘要

    在这一范围审查中，包括19篇文章，从不同的角度研究了人工智能自诊断数字平台。尽管人工智能自诊断技术在公众中很受欢迎，也很容易获得，但值得注意的是，检验这些平台准确性的研究有限。因此，目前还不清楚这些平台是阻碍还是改善了用户的健康。尽管有些人认为使用这种技术可能会导致个人延迟就医，但重要的是要认识到，即使没有使用这种技术，延迟诊断也很普遍[40，42，43]。造成诊断延误的因素很多，其中排名靠前的问题是二级和初级保健之间沟通不畅，患者的医疗需求和保健供应不匹配，以及缺乏获得或使用保健服务的机会[42，44]。例如，Behrbalk等人发现，从症状出现到诊断脊髓型颈椎病(CSM)的平均时间延迟为2.2年(SD为2.3年)[43]。尽管症状检查器可以潜在地解决延迟诊断问题，但一项综述显示，该技术在诊断CSM方面并不理想[30.]。

    此外，这些平台通常提供潜在诊断的列表，而不是单一的诊断。在这种情况下，用户必须决定哪个条件最能描述他们当前的状态。用户准确选择正确诊断的可能性与用户的社会人口学概况/变量有关，例如教育和性别[33]。例如，女性和受过高等教育的人更有可能选择正确的诊断[33]。因此，尽管及时诊断很重要，但如果用户由于误诊而考虑错误的治疗方案，可能会适得其反。此外，患者可能仍然需要访问PCP接受治疗或处方。如果患者在访问PCP时已经有了诊断，可能会出现问题，因为这可能会转化为对他们病情的分歧。

    这一范围审查表明，在文献中有突出的知识空白;因此，对这个主题进行系统的回顾可能是不值得的。相反，需要协调一致的努力，在这一领域开展与准确性、用户体验、监管、医患关系、PCP观点和伦理有关的研究。具体来说，评估这项技术的准确性需要进行广泛的研究，同时考虑到一些平台是为广泛的条件而设计的，而另一些平台是专门为这些平台设计的，因此需要对这些平台进行相应的评估。同样重要的是，要区分诊断的准确性和与PCP诊断的一致性，因为PCP可能误诊或漏诊[45-47]。重要的是，在开发自诊断人工智能数字平台时，重要的是要在具有广泛背景和技术经验水平的用户身上进行测试。这将确保很大比例的用户最终选择正确的诊断。

    除了自我诊断应用程序准确性的重要性外，还需要指导如何监管这些平台。虽然与人工智能自我诊断技术相关的法规应该关注患者安全以及隐私和安全，但它们不应该阻碍这一领域的创新;相反，它们应该允许安全的创新进步，并改善获得及时诊断的机会。总的来说，需要更多的知识来了解不同类型的用户如何与这项技术互动，以及它的使用如何影响医患关系。还需要明确用户共享的数据管理。围绕数字经济的道德问题是一个主要关注的领域，目前围绕使用这些平台的权衡存在争论。

    限制

    这个范围审查的一些限制值得提及。需要个人上传图像或扫描的人工智能自诊断平台被排除在审查之外。需要用户进行医学测试的测试包或平台也被排除在外。我们的范围审查的重点是需要用户付出最少努力的平台(即，只需在平台中输入他们的症状以获得潜在的诊断)。也有可能因为无法检索而错过了一些可能相关的文章。为了克服这一限制，作者系统地审查了相关文章的参考文献，并举行了多次会议，以评估一致性并讨论筛选过程中的任何差异。

    结论

    考虑到自我诊断人工智能技术的潜力，我们有必要了解一下卫生保健系统如何利用它来降低成本和不必要的医疗就诊。这一范围审查旨在绘制围绕人工智能自诊断平台使用的文献。考虑到这些平台的直接面向消费者的方法，只有少数研究关注这项技术的使用，这令人担忧。重要的是，未来的研究和资源将用于理解自诊断人工智能数字平台的准确性和规范性。这些规定可以采取不同的形式，例如创建一个应用程序库，其中包括被认为安全的平台列表，并提供来自可靠的卫生机构或组织的高度准确的诊断。应该指出的是，在这些平台的开发过程中，患者的参与是必要的，以确保它们允许高比例的个体——无论性别和教育程度——选择正确的诊断。重要的是，考虑用户体验是至关重要的，因为公众可能对这项技术持怀疑态度。

    致谢

    作者感谢滑铁卢大学图书管理员丽贝卡·哈钦森(Rebecca Hutchinson)协助制定搜索策略。这项研究是由加拿大健康研究所资助的。资助者在研究设计、研究选择、数据合成、发表决定或手稿准备方面没有任何作用。

    作者的贡献

    SA构思并设计了审查。RHL、BND、AC和SE参与了研究的构思。SA, RHL和BND进行了审查。所有作者都阅读并改进了最后的手稿。

    利益冲突

    没有宣布。

    ‎

    多媒体附录1

    PubMed (Medline)的搜索策略。

    PDF档案(adobepdf档案)，57KB
    ‎

    多媒体附录2

    自诊断人工智能数字平台相关纳入研究综述。

    PDF档案(adobepdf档案)，103KB
    1. 加拿大统计局。2009年加拿大互联网使用调查https://www150.statcan.gc.ca/n1/daily-quotidien/100510/dq100510a-eng.htm[查阅日期:2019-04-06][WebCite缓存］
    2. Beck F, Richard JB, Nguyen-Thanh V, Montagni I, Parizot I, Renahy E.法国年轻人使用互联网作为健康信息资源:来自全国代表性调查的结果。中国医学信息学报，2014;16(5):e128 [J]免费全文] [CrossRef] [Medline］
    3. 皮尤研究中心。健康在线2013网址:https://www.pewinternet.org/2013/01/15/health-online-2013/[查阅日期:2019-04-06][WebCite缓存］
    4. Amante DJ, Hogan TP, Pagoto SL, English TM, Lapane KL.获取医疗服务和使用互联网搜索健康信息:来自美国国家健康访谈调查的结果。医学互联网研究，2015;17(4):e106 [J]免费全文] [CrossRef] [Medline］
    5. 求助行为与互联网:一项全国性调查。中华医学杂志，2006,31(1):29-41。［CrossRef] [Medline］
    6. 唐思克，陈志强，陈志强，等。互联网上的健康信息:金矿还是雷区?家庭医生2014,5;60(5):407-408 [j]免费全文] [Medline］
    7. Mosa AS, Yoo I, Sheets L.智能手机医疗保健应用系统综述。中华医学杂志2012;12:67 [j]免费全文] [CrossRef] [Medline］
    8. 图灵A.计算机器和智能。心灵1950;49:43 -460 [免费全文］
    9. 加拿大参议院。常务参议院社会事务和科学技术委员会，2017。未来的挑战:将机器人、人工智能和3D打印技术整合到加拿大?s医疗保健系统URL:https://sencanada.ca/content/sen/committee/421/SOCI/reports/RoboticsAI3DFinal_Web_e.pdf[查阅日期:2019-04-06][WebCite缓存］
    10. 张建军，张建军，张建军，等。自我诊断与分诊评估的临床研究。中国生物医学工程杂志，2015;33 (4):344 - 344 [J]免费全文] [Medline］
    11. 王志强，王志强，王志强。面向患者的数字症状检测器的安全性研究。柳叶刀2018年12月24日;392(10161):2263-2264。［CrossRef] [Medline］
    12. milson ML, Baldwin JL, Zipperer L, Singh H.超越谷歌博士:面向消费者的数字诊断工具的证据。中华诊断学杂志2018年12月25日;5(3):95-105。［CrossRef] [Medline］
    13. 商业内幕，2018。一家声称可以在考试中击败医生的人工智能初创公司，将投入1亿美元创造500个新工作岗位。https://www.businessinsider.com/babylon-health-invests-100-million-500-new-jobs-ai-research-2018-9[查阅日期:2019-04-06][WebCite缓存］
    14. 数字健康。2018。巴比伦与Telus Health合作伙伴关系进入加拿大https://www.digitalhealth.net/2018/09/babylon-canadian-partnership/[查阅日期:2019-04-06][WebCite缓存］
    15. 李建军，李建军，李建军，等。世界各地过度使用医疗服务的证据。柳叶刀2017年12月08日;390(10090):156-168 [免费全文] [CrossRef] [Medline］
    16. Morgan DJ, Dhruva SS, Wright SM, Korenstein D. 2016医疗过度用药研究进展。美国医学杂志实习生2016年12月1日;176(11):1687-1692 [j]免费全文] [CrossRef] [Medline］
    17. 加拿大卫生信息研究所。2017。加拿大的不必要护理https://www.cihi.ca/sites/default/files/document/choosing-wisely-baseline-report-en-web.pdf[查阅日期:2019-04-06][WebCite缓存］
    18. 经济合作与发展组织，2019。卫生保健质量指标http://www.oecd.org/health/health-systems/oecdhealthcarequalityindicatorsproject.htm[查阅日期:2019-04-06][WebCite缓存］
    19. 崔科，李丽娟，李建平，李建平，等。PRISMA范围审查扩展(PRISMA- scr):清单和解释。实习医学2018年10月2日;169(7):467-473。［CrossRef] [Medline］
    20. 杨建军，刘建军，李建军，等。基于Google Scholar的灰色文献检索与证据评价。公共科学学报，2015;10(9):e0138237 [j]免费全文] [CrossRef] [Medline］
    21. 加拿大卫生研究院，2016。知识合成指南http://www.cihr-irsc.gc.ca/e/29418.html[查阅日期:2019-04-06][WebCite缓存］
    22. 引用本文:张建明。互译者信度:kappa统计。生物化学医学杂志(Zagreb) 2012;22(3):276-282 [j]免费全文] [Medline］
    23. Wongpakaran N, Wongpakaran T, Wedding D, Gwet KL. Cohen's kappa和Gwet's AC1在计算量表间信度系数时的比较:一项基于人格障碍样本的研究。中华医学杂志2013;13:61 [j]免费全文] [CrossRef] [Medline］
    24. 张建军，张建军，张建军，张建军，张建军，张建军，张建军，张建军，张建军。双相情感障碍杂志2017;5(1):6 [J]免费全文] [CrossRef] [Medline］
    25. 美国T. Marshall大学，卫生信息系，2016。部署前电子健康和移动健康应用程序的规定https://www.researchgate.net/publication/318887422_Regulations_for_eHealth_mHealth_Apps_before_Deployment[查阅日期:2019-04-06][WebCite缓存］
    26. Bisson LJ, Komm JT, Bernas GA, Fineberg MS, Marzo JM, Rauh MA，等。膝痛门诊患者计算机诊断程序的准确性。体育与医学杂志，2014;42(10):2371-2376。［CrossRef] [Medline］
    27. Bisson LJ, Komm JT, Bernas GA, Fineberg MS, Marzo JM, Rauh MA，等。在基于网络的症状检查器的帮助下，患者诊断膝关节疼痛的原因有多准确?骨科杂志，2016;4(2):2325967116630286 [J]免费全文] [CrossRef] [Medline］
    28. Boulos MNK, Brewer AC, Karimkhani C, Buller DB, Dellavalle RP。移动医疗和健康应用:现状、关注、监管控制和认证。公共卫生通报;2014;5(3):229 [J]免费全文] [CrossRef] [Medline］
    29. 李建军，李建军。基于症状检测的健康应用界面设计。2018年出席:第十届电子卫生国际会议;2018年7月17日至19日;马德里，西班牙http://tinyurl.com/y5jotoby
    30. Davies BM, Munro CF, Kotter先生。使用基于网络的症状检查器诊断退行性颈椎病挑战的新见解。[J]中国医学杂志，2019;21(1):888 - 888 [J]免费全文] [CrossRef] [Medline］
    31. 费拉杰。数字诊断:隐私和移动电话健康应用程序的监管。中华医学杂志，2014;40(4):416-441。［Medline］
    32. Farmer SE, Bernardotto M, Singh V.使用Boots WebMD症状检查器进行耳鼻喉科症状的互联网自我诊断有多好?中华耳鼻咽喉杂志，2011;36(5):517-518。［CrossRef] [Medline］
    33. 王晓明，王晓明，王晓明，王晓明。网络自我诊断在手外科手术中的应用。手(N Y) 2015 Sep;10(3):565-569 [j]免费全文] [CrossRef] [Medline］
    34. 朱特尔A，卢普顿D.数字化诊断:在诊断过程中的移动应用审查。中华诊断杂志2015年6月1日;2(2):89-96。［CrossRef] [Medline］
    35. [3]高建平，李博维茨。消费者移动健康应用:现状、障碍和未来发展方向。PM R 2017年5月;9(5S):S106-S115。［CrossRef] [Medline］
    36. 电子医疗:人们对自我诊断的准备程度和态度的研究。服务业管理[J]; 2007;18(4):394-417。［CrossRef］
    37. Luger TM, Houston TK, Suls J.老年人在线诊断经验:基于场景的有声思考方案的结果。医学与互联网研究，2014,16(1):16 [J]免费全文] [CrossRef] [Medline］
    38. 勒普顿D，朱特尔A。“这就像口袋里有个医生一样!”对自我诊断智能手机应用程序的批判性分析。中华医学杂志;2015;33(3):368 - 368。［CrossRef] [Medline］
    39. Morita T, Rahman A, Hasegawa T, Ozaki A, Tanimoto T.症状检查的潜在可能性。国际卫生政策管理杂志，2017,12,6(10):615-616 [J]免费全文] [CrossRef] [Medline］
    40. Powley L, McIlroy G, Simons G, Raza K.在线症状检查对炎性关节炎患者有用吗?中华医学会骨骼肌疾病杂志，2016;17(1):362 [j]免费全文] [CrossRef] [Medline］
    41. 互联网医疗:自我诊断网站弊大于利吗?专家意见药品安全2008年5月;7(3):227-229。［CrossRef] [Medline］
    42. Tudor Car L, Papachristou N, Bull A, Majeed A, Gallagher J, El-Khatib M，等。初级保健中延迟诊断的临床识别问题和解决方案:一项优先研究。BMC Fam实践2016年12月09日;17:131 [免费全文] [CrossRef] [Medline］
    43. 张建军，张建军，张建军，张建军，张建军。脊髓型颈椎病的临床研究进展。神经外科杂志2013;35(1):1。［CrossRef] [Medline］
    44. 李建平，李建平。影响预防和体重管理护理的因素:公共卫生视角。健康管理论坛2019四月03:840470418824345。［CrossRef] [Medline］
    45. 辛格H, Schiff GD, Graber ML, Onakpoya I, Thompson MJ。初级保健诊断错误的全球负担。中华医学杂志;2017;26(6):484-494 [j]免费全文] [CrossRef] [Medline］
    46. Panesar SS, deSilva D, Carson-Stevens A, Cresswell KM, Salvilla SA, Slight SP等。初级保健有多安全?系统回顾。中华医学杂志，2016;25(7):544-553。［CrossRef] [Medline］
    47. 刘建军，刘建军，刘建军，等。浅谈初级保健诊断错误的研究进展。由LINNEAUS合作对初级保健患者安全进行的计算机诊断决策支持系统的系统荟萃综述。Eur J Gen practice 2015 Sep;21增刊:8-13 [免费全文] [CrossRef] [Medline］

    ‎
    人工智能:人工智能
    CSM:脊髓型颈椎病
    卡式肺囊虫肺炎:初级保健提供者

    C·洛维斯编辑;提交20.01.19;由D . Mendes, MS . Aslam进行同行评审;对作者03.03.19的评论;收到04.03.19修订版本;接受27.03.19;发表01.05.19

    版权

    ©Stephanie Aboueid, Rebecca H Liu, Binyam Negussie Desta, Ashok chauasia, Shanil Ebrahim。原发表于JMIR医学信息学(http://medinform.www.mybigtv.com)， 2019年1月5日。

    这是一篇在知识共享署名许可(https://creativecommons.org/licenses/by/4.0/)条款下发布的开放获取文章，该许可允许在任何媒介上不受限制地使用、分发和复制，前提是原始作品(首次发表在JMIR Medical Informatics上)被适当引用。必须包括完整的书目信息，到http://medinform.www.mybigtv.com/上原始出版物的链接，以及版权和许可信息。
    Baidu
    map