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

介绍

背景

时间变化和时钟节律控制着许多不同的健康相关行为和并发症[1，2]。部分由于传统收集数据的方法存在障碍，研究主要集中在较长的时间尺度模式，如年度或季节变化，而不是较短的尺度模式，如每周或每小时的节奏[2]。然而，信息和通信技术的最新进展正在出现，以填补公共卫生监测研究中的一些方法学空白[2]。互联网上大多数与健康相关的行为，如寻找健康信息，都会留下数字足迹，可以以惊人的准确性追踪到。更广泛地了解这些时间变化可能对公共卫生有很大的好处。在互联网上寻求与不同健康问题相关的健康信息是常见的日常行为，每天有数百万人在互联网上寻求帮助，从识别症状到寻找诊断和治疗方法[3.-5]。在芬兰，互联网的使用无处不在，这也与健康有关，16-89岁的芬兰人口中有66%的人搜索与健康有关的信息。在25-34岁的年轻人群中，这一比例为82 [6]。更普遍地说，据估计，70%至90%的卫生保健是由个人在没有卫生保健专业人员参与的情况下进行的[7，8]。这表明，在向医疗保健专业人员寻求治疗之前，人们会首先尝试自己治疗自己的问题，而搜索引擎是最常见的方法。7-11]。世界上最受欢迎的搜索引擎谷歌[12]， 2016年在芬兰的市场份额为96% [13]。这种信息行为揭示了信息寻求者对健康状况不佳或疾病患者的兴趣、原因、症状、建议、治疗等方面的想法和行动[1，14-16]。如前所述，它还留下了数字足迹，或用户生成的在线数据，这些数据很容易接近实时地访问，并允许识别和提出新的假设，并为大规模调查与健康相关的行为开辟了独特的机会[17-19]。

客观的

几项研究，包括季节性流感[20.-23]、病毒[24]，以及一般疾病监察[25-30.]到精神健康问题[1，2，17，31，32]，证明了从在线数据，特别是搜索引擎数据中提取的反映整个人群的有效趋势和见解。预测传染病和非传染病的发病率已被证明是可靠的[15，18，23，33]。在研究传统数据很少或根本不存在的现象时，利用在线数据进行医疗保健研究尤其有用，甚至导致了一个名为信息流行病学的新兴研究领域，由Eysenbach定义[9]作为研究电子媒介，特别是因特网或人群中信息的分布和决定因素的科学，其最终目的是为公共卫生和公共政策提供信息[9，15，18，34]。传统数据不完整的一个具体领域是抑郁症的日变化研究。在与抑郁症相关的健康信息搜索行为中，通过搜索引擎数据确定了季节性变化[17，31]。因此，研究情绪日变化的一种可能方法是在搜索引擎数据的帮助下分析信息寻求行为，这些数据以小时为单位。据作者所知，没有一项研究调查了搜索引擎变量如何在每小时的水平上作为对抑郁症兴趣的预测因素。因此，本探索性研究的目的是分析网上抑郁症兴趣的日变化，以发现抑郁症兴趣和寻求帮助的小时模式。

抑郁症是世界上最沉重的疾病之一。35]。每年全球约有7%的人口患有重度抑郁症，25%的人患有焦虑或轻度抑郁症[35]。在芬兰，每年至少有5%的成年人患有抑郁症[36]。抑郁情绪的特征之一是情绪日变化(DMV)。DMV指的是抑郁症患者和健康人在整体情绪状态上每天或每天都有明显的变化[37-39]。日变化的发生已被证明是有些不规则的，情绪变化的存在和方向随着时间的推移是绝对不确定的，有证据表明情绪困扰的早晨更糟和晚上更糟都达到了高峰[37，38，40]。很少有研究记录不同时期的DMV，部分原因是监测DMV的方法有限[37]。由于患有心理健康问题的个人更有可能在互联网上寻求关于他们问题的信息，研究搜索引擎数据和健康信息寻求行为有可能为车管所提供新的有意义的见解[8，31，37，41]。

方法

研究设计

在谷歌中生成的搜索数据可以通过谷歌Trends访问，这是一个基于web的公共数据库，提供搜索趋势的时间序列数据。谷歌Trends的数据以相对搜索量(RSVs)的形式提供，相对搜索量(RSVs)与原始或绝对搜索量相比，会随着互联网接入或可支配时间的变化而进行校正和调整(例如，周六期间所有搜索量都可能下降)[1，42]。修正因是否可上网或可支配时间而引致的查册量变动[1，42]。谷歌Trends中的查询相对于所有查询进行监控，在本例中是每小时监控一次，并报告为RSV，其中RSV=100是当天搜索比例最高的小时，RSV=50是最高比例的50%。来自谷歌上搜索活动的查询被分解为地理和时间单位，从年到分钟，并从任何识别信息中去识别，以保护用户隐私。在这项研究中，以下6个与抑郁症相关的芬兰搜索查询被监测“Masennus”(英)。抑郁症)，“Masennus oireet”(英)。抑郁症状)，“Masennustesti”(英文。抑郁测试)，“Masennus testi”(英。抑郁测试)、“抑郁”和“抑郁测试”(瑞典语和英语中抑郁症和抑郁测试的术语)。查询词没有组合使用，也没有在搜索词周围加上引号。使用谷歌趋势相关术语功能添加了根术语depression的附加术语，该功能根据内容或用户的搜索行为识别相关的顶级搜索术语[42]。选择的查询词代表了芬兰两种官方语言芬兰语和瑞典语中与抑郁症有关的广泛查询样本，以及症状和自我诊断。搜索查询被指定为芬兰的地理区域，以避免与来自其他地方的搜索查询混合。2017年3月，数据每周从谷歌Trends下载。之所以选择3月，是因为芬兰抑郁症的患病率在春季达到顶峰。43]。每周下载量可以获得3月份每天的小时搜索量数据，结果显示，从2017年3月1日至31日，6个不同搜索词的RSV值为744小时(n=4464)。本研究中的分析基于公共元数据，这些元数据既不提供关于输入搜索词的人的种族、性别、年龄或任何其他识别信息，也不涉及对人的完整性的任何干预。因此，不需要机构董事会审查。

小波功率谱分析

将连续小波变换(CWT)应用于小时数据，重点关注日变化。CWT及后续分析采用MathWorks Matlab R2017b进行。每个查询的rsv的小波功率谱(WPS)显示在图1．为了提取日变化，通过丢弃周期超过32小时的成分来去除长期趋势。类似地，周期小于4小时的组件被认为是噪声，也被排除。计算CWT剩余部分的逆变换，从而提供了一个没有趋势和噪声的信号重建。重建数据以图2，将所有日期与它们的算术平均值叠加，分别用于每个查询。采用方差分析确定各小时分布之间的统计学差异，应用Tukey-Kramer程序进行多重比较。研究结果总结在图3，其中每个标记代表相应时间的兴趣之间的统计显著差异(alpha=.05)。

Trichotomization

每小时的数据也被分为3个时间块进行分析:上午8点至下午3点59分，下午4点至下午11点59分，上午0点至上午7点59分。一天24小时的三分制使得区分和比较结构化时间(办公时间)、非结构化时间(休闲时间)以及夜间成为可能。每个搜索词在0到100之间的每小时RSV值都被添加到设置的时间块中。然后计算3个时间段内搜索量的差异。进行方差分析，计算不同时间块之间分布的统计差异。在事后组间(时间块)比较中，使用Bonferroni校正。P≤。05被认为有统计学意义。采用SPSS(24.0版;SPSS公司，芝加哥，伊利诺伊州，美国)。

‎ 查看此图

‎ 查看此图

‎ 查看此图

结果

小波功率谱分析

本研究的主要结果显示在图1-3.和多媒体附件1．在每幅WPS图(图1)，作为周期约为24小时的组件的功率升高的一致信号，在“Masennus”的情况下最为明显。

从…中可以看出图2，所有与抑郁症相关的查询词的搜索量在研究时间段内的24小时内呈单峰规律模式。所有的查询在晚上11点到凌晨4点之间都有明显的高峰，在早上5点到晚上10点之间有低谷。

方差分析(图3)显示，夜间11时至凌晨3时的搜索兴趣高于白天上午8时至下午4时的搜索兴趣，但不同查询的搜索兴趣有所不同。

在cwt重建数据的方法中，夜间和白天的兴趣差异是明显的。由于原始数据被缩放到最大每周RSV的100，这里的单位是该值的百分比(pp)。峰值和低谷之间的最大差异是查询词“抑郁”，差异为37.3 pp(最大。其次是“Masennustesti”，差异为33.5 pp(最大。0-1, 7-8最小)和“Masennus”，差异为30.6 pp(最大。在2-3，最小在8-9)。“抑郁测试”(差异12.8 pp，最大。0-1, 8-9最小)，“Masennus testi”(差异12.0 pp，最大。0-1, 6-7最小)和“Masennus oireet”(差异11.8 pp，最大。2-3时，9-10时最小)差异较小，24小时内差异无统计学意义。

Trichotomization

3个时间段的平均搜索活跃度分析显示，所有6个词汇的峰值均出现在第一个时间段(00.00 AM-7.59 AM)。其后，“Masennus oireet”(“Masennus oireet”)(P<.001)，“Masennus”(P=.001)、“抑郁”(P=.005)、“抑郁测试”(P= 04)。其后，“Masennus oireet”(“Masennus oireet”)(P= .04点)。此外，“Masennus”一词的平均搜索量有上升趋势(P=.14)，“Masennustesti”(P=.07)、“抑郁测试”(P=.10)在第二个和第三个时间块之间。多媒体附件1显示了3个时间块中各种搜索词的搜索量和标准偏差。

讨论

主要研究结果

这项研究提供了新颖、快速、经济、高效的基于互联网的证据，以深入了解抑郁症相关健康信息的每日变化。这项研究的结果表明，寻求抑郁症的帮助有明确的昼夜模式，与抑郁症相关的查询量在晚上和晚上显著增加。我们的研究结果支持先前确定的夜间dmv较差的概念，这被认为与较轻的抑郁症状有关[40]。夜间搜索量的峰值也支持了抑郁症患者睡眠质量差的概念，以及Tsuno等人注意到失眠和抑郁症之间的因果关系[44]。russting和Larsen对这一发现的一种解释[40]，即结构化时间和非结构化时间可以解释dmv。对于大多数人来说，晚上不太受外界要求和义务的约束，与白天更有条理的工作时间相比，晚上是一天中最容易产生消极想法的时间。根据哈斯勒的说法[37]，这些日常情绪变化的具体模式被认为是抑郁症不同亚型的特征。DMV与抑郁症和非典型性抑郁症的关系最为密切，前者的特征是早晨感觉最糟，后者的特征是晚上感觉更糟。37]。在抑郁症患者和非抑郁症患者中，晚间恶化模式被认为与较轻的抑郁症状有关，并可能以慢性心境恶劣为特征，伴有抑郁症的神经性症状，包括情绪反应性、初期失眠、自怜、疑病症、绝望和焦虑[40，45，46]。根据这项研究的结果，更多需要帮助的芬兰人可能在夜间而不是在办公时间需要支持。此外，由于晚间恶化模式与较轻的抑郁症状相关，早期干预可能有利于积极的健康结果。传统的dmv与抑郁症的流行病学调查存在数据相关问题，如长期的数据检索、收集和处理。早期对dmv的研究基于情绪自评，使用视觉模拟量表和回顾性评估[38]，患者被要求在临床访谈中或在回答问卷中的一个项目时，追溯性地描述这种模式[37]。在这方面，信息流行病学，特别是搜索引擎数据是一个相对较新的概念，为人口和公共卫生研究提供了一种有希望的补充方法。如Nuti等人所述[33]，谷歌趋势有可能为人口行为及其与健康和医疗保健的联系提供有意义的见解。监视和挖掘搜索引擎数据的优势还在于它能够实现成本效益和接近实时的分析。在这种情况下，使用传统技术(如调查)每小时收集一次数据将是昂贵、耗时和困难的。这种类型的大数据分析的优势在于，它允许基于信息单元的总体而不是单个水平得出结论。34]。

限制

需要注意的是，这项研究的结果是基于查询术语的，在解释谷歌查询的语义方面存在挑战。目前尚不清楚一个人为什么要搜索有关的关键字，而且个人搜索查询不一定反映用户的实际情绪状态[17，34]。因此，重要的是要注意，本文中使用的变量是兴趣，而不是实际发生率。然而，正如早期使用搜索查询分析的研究所表明的那样，可以合理地假设，人们在互联网上搜索有关特定症状的健康信息的原因是因为他们自己或他们认识的人可能正在经历相关症状[17]。这些寻求帮助的日趋势也可以为进一步的假设检验提供有用的信息。如前所述，互联网是迄今为止最受欢迎的寻求健康信息的工具，健康状况的变化往往反映在互联网上信息和通信模式的即时变化上[15，34]。如今，人们更倾向于自我诊断，并利用网上提供的信息来寻求信息，以提高对个人健康状况的了解[7-9，14]。搜索查询量不能提供人口统计数据，因此限制了我们对总体人口行为得出结论的能力。然而，芬兰的统计数据显示，几乎所有按人口统计学年龄划分的人口类别都在互联网上寻求健康信息，这表明搜索引擎趋势可能反映了人口健康趋势。此外，人们建议使用搜索引擎数据来促进和鼓励信息流行病学研究，而不是取代或取代传统流行病学研究的需要。因此，这种方法应被视为对传统监测方法的补充。谷歌Trends数据库也有局限性，因为谷歌Trends生成搜索数据的方法及其分析数据的具体算法的详细信息不足[33]。

影响

这项研究的结果可以被公共卫生官员利用，通过在最佳干预时间提供资源，即当大多数与抑郁症相关的信息需求的人都在进行信息寻求的过程中，来促进援助和优化积极的健康结果。在这个时期，人们将注意力集中在健康威胁上，并努力变得更加投入，并提供管理与抑郁症相关的思考的方法。这可能会增加那些需要帮助的人或那些感到抑郁或担心抑郁相关问题的人早期干预的机会。由于车管所的晚间症状较差模式与抑郁症患者以及非抑郁症患者的轻微症状有关[37，40，45]，最佳的干预时间是非常重要的，可以在症状恶化之前指导个人找到最佳的治疗来源。此外，DMV被认为具有临床相关性，可作为治疗反应的预测因子[38];因此，广泛了解这一现象以帮助医疗保健专业人员和其他人制定最佳治疗方案是至关重要的。因此，这些发现应与确保需要帮助的人有基于网络的途径获得循证信息和援助的战略相辅相成，例如芬兰心理健康中心[47]。

结论

这篇论文是一个新颖的尝试，利用每小时的搜索引擎数据来监测抑郁症兴趣的日变化。这些初步步骤可以在后续研究中进一步发展，目的是在每小时的时间尺度上发现更大的健康考虑的时间变化和模式。研究搜索引擎查询量每小时变化和趋势的方法也可以用于抑郁症以外的其他与健康有关的情况。这项研究的目的是让人们注意到，通过使用搜索引擎数据，可以每小时洞察抑郁症相关信息的日变化。对抑郁症相关行为有广泛的了解是至关重要的，这样才能在最好的时间提供最好的治疗。监测每小时的搜索量可以作为一种有效的监测方法来调查抑郁症相关帮助寻求的及时性。尽管存在局限性，但初步分析表明，监测抑郁症的每小时搜索量是有信息的，而且这种方法的好处是多方面的。