本文内容如下e-collection /主题问题:

可穿戴设备和移动健康评论(190) 用于症状和疾病监测、慢性疾病管理的移动健康(967) 人工智能(571) 用于数据收集和研究的移动医疗(640) 移动健康促进健康、行为改变和预防(2126)

发表在在第10卷第6期(2022):6月

本文的预印本(早期版本)可在https://preprints.www.mybigtv.com/preprint/35053，首次出版．
新兴的人工智能支持移动医疗:范围审查

新兴的人工智能支持移动医疗:范围审查

新兴的人工智能支持移动医疗:范围审查

本文作者:

帕拉斯巴特1 作者Orcid图片； 刘贾2 作者Orcid图片； Yanmin龚1 作者Orcid图片； 王静3. 作者Orcid图片； Yuanxiong郭1 作者Orcid图片
文章 作者 引用的 Tweetations (52) 指标

    审查

    1美国德克萨斯州圣安东尼奥市德克萨斯大学电子与计算机工程系

    2位于美国德克萨斯州圣安东尼奥市的德克萨斯大学健康科学中心

    3.佛罗里达州立大学，佛罗里达塔拉哈西，美国

    通讯作者:

    郭元雄博士

    电气与计算机工程系“，

    德克萨斯大学圣安东尼奥分校

    1 UTSA圆

    圣安东尼奥，德克萨斯州，78249

    美国

    电话:1 210 458 8028

    电子邮件:yuanxiong.guo@utsa.edu


    背景:近年来，人工智能(AI)彻底改变了医疗保健服务。对高级人工智能技术(如深度学习)的研究有所增加，以建立早期发现疾病的预测模型。这种预测模型利用来自可穿戴传感器和智能手机的移动健康(mHealth)数据，发现检测和管理慢性疾病和精神健康状况的新方法。

    摘要目的:目前，人们对人工智能驱动的移动健康(AIM)设置的使用知之甚少。因此，这一范围综述的目的是绘制目前关于AIM用于管理疾病和促进健康的新兴用途的研究。我们的目标是综合AIM模型的研究，这些模型在过去两年中越来越多地用于医疗保健服务。

    方法:利用Arksey和O 'Malley的5点框架进行范围综述，我们回顾了过去两年在生物医学技术、人工智能和信息系统领域的AIM文献。我们搜索了三个数据库，PubsOnline通知，电子期刊档案网址:MIS的季度以及美国计算机协会(ACM)数字图书馆，使用诸如“移动医疗保健”、“可穿戴医疗传感器”、“智能手机”和“人工智能”等关键词。我们收录了AIM的文章，排除了只关注AI模型的技术文章。我们还使用PRISMA(系统评价和元分析的首选报告项目)技术来识别代表当前AIM领域研究的综合观点的文章。

    结果:我们筛选了108篇专注于开发AIM模型以确保更好的医疗保健服务、早期发现疾病和诊断慢性健康状况的文章，其中37篇有资格纳入，其中31篇是去年发表的(76%)。在收录的文章中，有9篇研究了人工智能模型来检测严重的心理健康问题，如抑郁症和自杀倾向，以及慢性健康状况，如睡眠呼吸暂停和糖尿病。几篇文章讨论了AIM模型在远程病人监测和疾病管理中的应用。所考虑的主要健康问题分为三类:心理健康、身体健康以及促进健康和健康。此外，37篇文章中有14篇使用AIM应用来研究身体健康，占全部研究的38%。最后，37项研究中有28项(76%)使用了专有数据集而不是公共数据集。我们发现在解决慢性心理健康问题方面缺乏研究，也缺乏AIM研究的公开数据集。

    结论:AIM模型在疾病检测和管理中的应用是一个不断发展的研究领域。这些模型为在卫生保健领域实现更广泛的预防保健提供了准确的预测。鉴于在大流行期间对远程疾病管理的需求不断增长，最近的人工智能技术，如联邦学习和可解释人工智能，可以成为增加AIM采用的催化剂，并在整个医疗保健行业实现安全的数据共享。

    JMIR移动健康Uhealth 2022;10(6):e35053

    doi: 10.2196/35053

    关键字

    流动医疗单位； 远程医疗； 机器学习； 人工智能； 回顾文献作为主题


    最初，信息技术系统主要用于记录病人数据[1]，但多年来技术的快速发展为数据分析和机器学习(ML)在医疗保健领域的应用铺平了道路[2］．先进的人工智能(AI)技术与医疗物联网设备的快速集成相结合[3.]导致了数字医疗保健和预防医学研究的增加[4］．这些研究主要集中在移动健康(mHealth)技术上，这些技术用于监测严重疾病，如哮喘、糖尿病和睡眠呼吸暂停，并确保患者的健康和安全[5］．移动医疗是近年来迅速增长的医疗保健信息技术行业的一个关键部门[6］．可穿戴技术的兴起推动了这种增长。7]、移动传感器[8]，以及物联网设备数量的指数级增长[9］．医院及医疗机构越来越多地使用这类装置[10]以持续监测病人的情况[11以及重症监护病房能力监测。随着物联网设备的使用增加，在医院外佩戴医疗设备进行远程家庭护理的情况也有所增加[12］．这导致了更高水平的研究[13]以及对移动医疗的更高投资[14］．研究人员强调了移动医疗在当前大流行等挑战时期的重要性，以提供远程医疗设施[15］．最近的研究表明，自2019冠状病毒病以来，移动医疗的使用量显著增加[16］．人工智能帮助学者们研究了新的临床护理途径，重点是确保保持社交距离和更好的卫生，并开发了远程移动医疗功能，可以在COVID-19期间和之后对患者进行护理[17，18］．

    随着移动医疗研究的增加，研究人员可用的人工智能水平也有了显著提高。这些改进提供了比传统ML更准确的见解和结果，同时保护了患者隐私并确保了高数据安全标准。深度学习(DL)和联邦学习(FL) [19，20.]是确保资料安全和私隐的新技术的一些例子。因此，研究人员已经使用人工智能技术来研究医疗保健IT领域的新场景和任务，从使用它来分类和预测疾病发生[21]，以检测是否存在慢性疾病[22]，甚至协助医生制定预防保健计划的决策[23］．人工智能已经成功地与医疗保健部门相结合，许多系统的文献调查概述了它对这一领域的重要性[24-26］．

    最近，移动医疗领域与人工智能技术相关的研究大幅增加[27］．这可归因于COVID-19大流行期间远程医疗的迅速发展和接受[28］．由于远程保健政策的几项变化(将远程保健纳入医院门户，扩大远程保健服务的保险覆盖范围，以及增加患者对远程保健服务的选择)[29，30.]，远程医疗已成为为非危病人提供护理的可行替代方案[31]，从而使医院和医疗机构能够将资源用于服务危重病人。在此期间，移动健康设备的采用也有所增加[16]，提供本地化和个性化的患者信息[32]并产生了大量的数据，这些数据特别适合训练人工智能模型。在智能和可穿戴设备上本地运行的ML算法已经带来了新颖的见解。例如，研究人员使用人工智能来研究帕金森等神经生成疾病[33]和老年痴呆症[34这种疾病表现出潜伏的暂时性症状，如果没有移动健康传感器，就很难描述这些症状。人工智能和移动医疗技术的共生关系对于远程医疗基础设施的发展至关重要，这些基础设施可以更好地为医生提供信息，并使数百万患者受益。

    使用移动健康传感器，研究人员记录了疾病的进展[35，描述了疾病如何随着时间的推移在病人身上传播或表现。这些见解对于慢性疾病的早期诊断和治疗以及迄今为止在医院和辅助生活设施中传统患者监测无法检测到的症状的管理具有重要意义。人工智能和移动医疗的融合催生了一个新的研究领域，研究这两种研究流的结合。它被称为人工智能驱动的移动医疗(AIM) [36］．在移动医疗场景中使用人工智能技术可以带来许多好处，例如自动检测慢性疾病的发生[21]、预防自杀的即时预测及干预[37]，以促进紧急应变[38]，使病人得以康复[39]，提供非侵入式护理[40，41以及防止医疗差错。在美国，可预防的医疗事故是导致死亡的一个重要原因。通过使用可穿戴健康传感器的实时数据，临床决策技术可以显著降低风险[42，43］．

    AIM设备可通过远程患者监测为无处不在的医疗保健解决方案提供动力[44]，这对于在偏远和医疗服务不足的地区提供卫生服务至关重要，这些地区的患者无法使用现代卫生保健系统。AIM还可使无法获得医疗保健设施的高危少数群体更容易获得优质医疗保健[45，46］．随着新的人工智能技术的发展，如深度学习、强化学习和少射学习，AIM领域在未来只会增长[47，48］．此外，移动医疗对远程患者监测以及远程医疗研究和实践具有影响，由于COVID-19大流行，这一现实的实现速度远远快于医疗行业的预期[49］．

    先前专注于人工智能在医疗保健领域应用的研究指出，存在某些实施因素，阻碍了医疗保健部门的大规模自动化[50］．然而，随着人工智能技术的进步和DL的出现，AIM的研究和实践都有了显著的增长。以前对移动健康的调查只关注小众条件，如肌肉骨骼医学[51]，或试图研究移动医疗领域和一般医疗保健环境中人工智能的看法[52，53］．

    在过去的几年里，人工智能和移动医疗的使用都取得了重大进展。在这方面，最近的几项研究有一个重叠的背景(AI + mHealth) [54-57试图解释和实施人工智能在移动医疗环境中的临床应用。目前缺乏对此类研究的综述，这表明人工智能移动健康文献存在空白。因此，有必要对移动医疗行业和人工智能领域的AIM研究现状(例如，当前的工作、当前的解决方案和未来的机会)进行调查。对这项研究的范围进行回顾是非常必要的，因为它解决了与深入分析目前在移动医疗环境中使用的人工智能功能相关的文献中的差距。本文旨在进一步拓展这一重要医疗保健领域的研究范围，探索未来发展的机会。据我们所知，这是对AIM分析研究的第一次尝试。我们的目标还包括绘制当前关于越来越多地使用AIM进行远程患者监测的研究，并研究研究人员如何使用患者数据构建疾病管理的AI模型。


    范围审查是用来检查一个特定领域的研究活动的程度、范围和性质。在这种情况下，我们使用了Arksey和O 'Malley 's [585步范围审查框架，以指导我们的搜索策略，以审查当前同行评审的AIM研究。

    步骤1:确定研究问题

    我们首先确定了我们的研究问题(rq)，旨在调查目前使用AIM来识别和管理不同健康状况的文献。我们还研究了从可穿戴传感器和移动设备收集的数据用于构建AIM模型。

    步骤2:确定相关研究

    在明确rq后，我们确定了在本次综述中筛选的相关研究。这涉及到搜索电子数据库，包括PubsOnline at通知电子期刊档案在MIS的季度用于资讯系统的文章。我们使用了计算机协会(ACM)数字图书馆，该图书馆对人工智能领域的顶级会议和期刊的研究进行了编目。我们还在谷歌Scholar中使用了一个带有2年过滤器(自2019年以来)的搜索查询，以包括最近关于AIM领域中与FL和可解释AI (XAI)使用相关的具体进展的文章。之前的研究人员在对医疗保健部门人工智能的调查和评论中已经涵盖了2019年之前人工智能的最先进水平[50，51，53];因此，我们决定关注2019年及以后的文章。此外，由于DL在过去几年里只在医疗保健领域增长，而FL等更新的AIM技术最近才作为隐私保护机制出现，我们决定将搜索范围限制在2019年至今发表的文章。

    本次综述筛选的文章发表在生物医学技术、人工智能和IS这3个主要领域。在这方面，搜索的期刊和文章来自这些领域的顶级场所。我们搜索了生物医学信息学杂志，医学互联网研究杂志,自然医学用于生物医学技术文章。在人工智能方面，我们专注于最近的顶级会议，包括神经信息处理系统会议(NeurIPS)和人工智能发展协会(AAAI)。在这些会议中，我们研究了医疗领域的机器学习、移动医疗领域的机器学习、公共卫生领域的机器学习以及网络搜索和数据挖掘。至于IS，我们搜索了顶尖期刊的文章管理信息系统季刊（MISQ)，信息系统研究（ISR)，以及ACM的Transactions期刊。这些研究与医疗保健技术的使用有关，结合行为成分，试图解释人工智能如何定义患者的健康状况。我们使用了关键词“移动健康”、“移动健康”、“移动医疗保健”、“移动传感器”、“可穿戴传感器”、“医疗传感器”、“智能手机数据”、“ML”和“人工智能”。

    第三步:研究选择

    在选择相关文章后，我们根据纳入和排除标准定义了我们的研究选择指标，如表S1所示多媒体附件1．我们剔除了通过关键字搜索发现的几篇不符合标准的文章。在过去两年，有关AIM的研究有显著增加[59］．与此同时，研究人员开发并使用了更新的人工智能技术，如FL和XAI，以构建预测性隐私保护模型[20.用于疾病管理。因此，我们决定将AIM文章的搜索限制在过去2年。此外，我们还考虑了人工智能和移动健康概念都具体用于研究设计或论文主要研究动机的文章。最后，每位作者独立阅读文章摘要，根据表S1中规定的纳入和排除标准来确定他们是否有资格进行范围审查多媒体附件1．

    步骤4:绘制数据图表

    在选择了本范围综述的研究后，我们根据研究流(生物医学技术、人工智能、IS)、使用的数据类型(公共与专有)和健康状况(身体健康、心理健康和一般健康促进和健康)对文章进行了分类。与身体健康相关的文章研究了AIM在慢性健康问题(如哮喘和糖尿病)以及神经系统疾病(如阿尔茨海默病和帕金森病)的疾病管理中的使用。如果没有医生的积极支持，这些严重的健康状况很难管理，因此，移动健康传感器的应用可用于跟踪患有这些疾病的患者。专注于一般健康促进和健康的研究与不需要持续医疗监督的非慢性疾病有关，例如过积极的生活方式和定期锻炼。移动健康传感器可以通知和提醒人们进行体育活动，以获得更好的整体身体健康水平。与心理健康有关的文章侧重于利用AIM，通过从个人设备收集数据，促进发现人口中的心理健康问题。

    由于公共数据具有巨大的潜力，可以在跨组织、国家和国际边界的医疗保健技术使用和AIM采用方面实现更广泛的合作，我们还根据文章使用的数据集对文章进行了划分。使用公开数据集的研究更有效地揭示了AIM的潜在影响，并激发了公众和医疗机构对AIM模型有效性的信心。

    第五步:整理、总结和报告结果

    最后，在结果部分，我们将整理、总结并报告这次回顾的结果。我们在讨论部分讨论了它们对未来AIM研究的影响，并介绍了我们用于识别和选择本文的PRISMA(系统评价和元分析的首选报告项目)技术的结果。我们还讨论了使用AIM功能进行疾病管理和监测身心健康状况的37篇文章。此外，一些文章侧重于使用AIM模型来加强总体健康促进和人民的健康。


    步骤1:确定rq

    经过仔细的考虑和讨论，我们决定基于人工智能和移动健康的共享功能来定义我们的审查论文的范围。通过讨论，我们决定专注于人工智能在当前最先进的移动医疗领域的新兴用途。在这方面，我们确定了以下3个对研究人员和从业者都有价值的rq:(1)人工智能驱动的移动健康(AIM)领域正在研究的主要健康状况是什么?(2) AIM技术如何使用从可穿戴传感器和移动医疗设备收集的数据?(3)在医疗界别的医院和医疗机构迅速采用AIM模式有何要求?

    步骤2:确定相关研究

    我们最初从本研究的3个领域(生物医学技术、人工智能和IS)相关的108篇文章开始。我们总共确定了108项相关研究:101项来自我们选定的数据库(PubsOnline, n=34;电子期刊档案载于MISQ, n = 27个;和ACM数字图书馆，n=40)和7篇文章通过搜索引擎的参考检查。

    第三步:研究选择

    使用中描述的PRISMA技术图1， 37篇文章符合本范围综述的研究选择标准。在选择文章时，我们继续删除同时拥有期刊版和会议版的重复文章(n=8)，并筛选所选文章(n=27)的标题和摘要，以确保工作中存在足够的基于AI和移动健康的内容。在最终的选择中，我们独立筛选了剩余文章的全文(n=3)。

    ‎
    图1。PRISMA(系统评价和元分析首选报告项目)流程图。计算机协会;AI:人工智能;IS:信息系统;管理信息系统季刊;ML:机器学习。
    查看此图

    步骤4:绘制数据图表

    所确定的大多数文章使用混合方法研究和基于参与者的研究，这些研究的重点是使用移动健康设备从经历某种健康状况(哮喘、糖尿病、自杀倾向、抑郁症等)的人那里收集数据，然后使用收集到的数据训练人工智能模型来自动检测这些状况;否则，它们就是将人工智能模型应用于公开数据集的分析研究。本文最后收录的37篇文章见表S2多媒体附件1．

    在这37篇文章中，有31篇是在2020年发表的(84%)，其中23篇(62%)来自人工智能数据库，这是我们综述中包含的最大领域。在人工智能领域的23篇文章中，17篇(74%)主要关注身体健康和慢性健康状况。这两种情况在本文所收录的大多数文章中都有研究。身体健康类文章主要集中在利用AIM模型进行人体活动识别，分析人们的日常生活活动。这些研究中使用的数据是使用多个移动健康设备收集的，如物体和运动检测传感器。然而，由于医疗机构、医院和临床研究之间的数据共享往往受到限制，因此很难访问此类数据的大型存储库[20.］．这导致了构建AIM模型的高质量数据集的缺乏，这在我们的综述中也被观察到，因为总共37篇文章中有28篇(76%)使用了专有数据集而不是公共数据集。最后，心理健康研究结合了定性技术，如调查和智能手机传感器，以增加数据收集。这些数据被用于建立预测模型，以检测人们的抑郁和自杀倾向。图2下面展示了我们范围审查中所选文章的不同度量。

    ‎
    图2。不同人工智能驱动的移动健康领域的统计数据(N=37)。AI:人工智能;IS:信息系统。
    查看此图

    第五步:整理、总结和报告结果

    我们范围审查的结果有助于回答我们关于AIM领域正在研究的主要健康状况的RQ1和关于研究人员如何使用从可穿戴传感器和移动健康设备收集的AIM数据的RQ2。就RQ1而言，AIM领域正在研究3个主要类别:心理健康、身体健康和慢性健康状况。对于RQ2，大多数研究使用从AIM设备收集的数据来构建和训练高级人工智能模型，以寻求检测、预测和管理一般的健康状况。

    当我们讨论我们对AIM文章的范围审查的结果时，我们观察到该领域的研究集中在3个不同的类别:身体健康、心理健康和慢性健康状况，如所示图3．

    范围综述中的大多数研究集中在慢性健康状况，如与心脏病、中风、心律失常和心房颤动相关的心血管疾病;呼吸系统疾病，如睡眠呼吸暂停、哮喘和COVID-19监测;以及其他慢性疾病，如糖尿病、关节炎和帕金森病。这些研究解释了AIM模型如何通过向患者和医生提供实时健康见解来实现更大程度的慢性疾病自我管理[56，60］．专注于慢性健康状况的AIM模型使用来自可穿戴和移动传感器的异构数据开发，包括文本、音频和有节奏的身体运动，[54，55，57，61］．研究人员指出，人的生理特征，如身高、体重和新陈代谢，可以用作训练个性化AIM模型的数据点[62］．然后，这些模型可以预测一个人(目前和将来)可能易患的慢性健康状况类型[63］．例如，研究人员使用AIM模型来预测帕金森病即将发作的可能性，这种发作可能导致患者摔倒[64］．此外，其他研究人员已经证明了AIM模型在促进预防和精准医学发展以及检测慢性疾病发作的早期迹象(如即将发生的哮喘发作)方面的有效性[65，66］．

    在慢性疾病之后，下一个主要类别的研究集中在精神健康状况上，最近对这方面的研究有所增加。67］．其中包括试图理解精神障碍的性质、原因和后果的文章。这类研究的重点是使用移动传感器来预测人们的情绪和行为，同时确定导致这种变化的原因。68，69］．旨在了解精神障碍的原因和后果的研究是临床精神病学的基础[70]并可用于为表现出反社会行为的人提供干预[71］．有关精神健康障碍后果的研究在确定可能有自杀倾向的高危人群方面发挥着至关重要的作用。在我们选择的一些文章中，研究人员从智能手机的使用情况推断出自杀倾向。72，73］．智能手机的使用也有助于了解精神健康障碍的原因。一个人的情绪反映了他们所处的情绪状态。越来越多的证据表明人们的情绪(快乐、悲伤等)和他们的内在情绪状态(焦虑、抑郁、恐慌等)是相互关联的。74，75］．几项研究成功地追踪了这一联系，以确定易受精神障碍困扰的人群[76，77］．例如，一些作者[76]使用AIM模型在在线社交网络中寻找情绪困扰的人。该模型分析用户帖子的文本，以检测消极词汇或短语的使用情况(例如，“我很孤独”，“我不想再活下去了”)，这表明一个人是否有自杀倾向。同样，其他作者[77]还利用可穿戴传感器的数据建立了AIM模型，以检测人们是否处于情绪压力之下，并确定精神障碍的潜在原因。

    最后一类研究的重点是使用AIM设备监测人们的身体健康。这些文章研究了人们参与的不同精神、社会和身体活动，并使用AIM设备收集数据。这些数据被用来建立AIM模型，用于检测人们什么时候没有进行日常活动，比如锻炼和散步。一旦检测到缺乏社交或体育活动，AIM模型就会发出个性化的建议，鼓励人们过上积极的生活方式。78，79］．这种AIM模型还可以检测到人类长时间的不活动，这在监测老年人的健康时尤其重要。研究表明，与心率和自我报告的疲劳程度相关的数据可用于分享自动建议，提醒人们进行健康锻炼[80-83］．此外，AIM装置可通过使用可穿戴式和物体探测传感器等移动传感器，用于监测老年人的运动[84-87］．通过AIM设备收集的数据还可以识别人类活动，并鼓励安全的身体健康做法[59，88］．例如，在当前的大流行期间，研究人员使用AIM设备建立了识别和检测COVID-19危险行为的模型，例如触摸面部[89，90］．此外，AIM设备的使用有助于确保隐私和保护人们的私人健康数据[91通过使用AI技术，如FL，可以防止数据传输到AIM设备之外。这些各种各样的应用程序展示了AIM领域的多功能性，以确保人们的身体健康。

    ‎
    图3。AIM领域的研究。移动健康:移动健康。
    查看此图

    我们的范围综述的结果展示了在临床护理[92]以改善远程保健服务的全面采用和普及[29，30.］．从我们的工作中讨论的一个关键发现是，最近人工智能和移动可穿戴技术的融合如何导致移动医疗使用量的增加[16］．另一个需要考虑的重要观点是，移动医疗和远程医疗如何成为向患者提供非关键护理的可靠途径[31]，这在当前大流行期间至关重要。这在本综述中收录的许多论文中也很明显[78，81，83］．

    本文综述了AIM领域的最新进展，并根据我们的发现，对未来的研究提出了一些切实可行的建议。首先，通过使用FL和XAI的人工智能技术的最新进展，AIM可以促进更广泛的移动医疗服务的扩展和提供，这一点在大流行期间的大量使用也证明了这一点[16］．其次，这种服务越来越多地采用，有助于就医疗机构中可穿戴技术的使用规则达成共识。目前，医院使用的专有移动医疗设备不允许数据共享，即使是出于重要的研究目的[20.］．随着采用的增加，不同的医疗保健机构可以走到一起，创建一套共享的规则，使基于人工智能的模型能够研究来自所有参与机构的数据，从而产生更强大和准确的医疗见解。第三，鉴于医疗保健对社会各阶层的重要性，政府和私营机构应在其数字医疗工作和公共安全运动中推广移动医疗的使用。

    鉴于在COVID-19大流行期间远程医疗和远程医疗设施的重要性日益增加，我们认为，促进远程健康监测设备的更多采用、保护患者隐私以及提高人们对智能可穿戴医疗设备的信任非常重要。这是因为我们的研究结果表明，移动医疗确实在塑造未来公民在大流行等考验时期如何获得医疗保健设施方面发挥着重要作用。在这方面，讨论了一些最近的人工智能技术，这些技术可以加速其采用，并使医院、医疗机构和广大用户能够更快地实施。对这些技术的讨论也回答了RQ3关于促进医疗保健部门医院和医疗机构快速采用AIM模型的要求，以及如何实施最新的人工智能技术来加强AIM领域的研究。

    为了保护患者隐私，DL、FL和迁移学习等ML技术可以有效地推动智能医疗革命。这些技术使用保护隐私的特征工程，将大量生物医学数据转化为可操作的和可能挽救生命的人类健康结果[93］．从本次调查中包含的论文的分析中，我们观察到在移动健康分析领域应用DL的一个关键结果是它导致了强大算法的开发。这些算法提供了早期预测和检测疾病的出色能力，从而能够努力为弱势群体提供预防性医疗和护理[94］．由于用户数据存在于不同医院和医疗机构之间的孤立竖井或孤岛中，因此该领域的研究人员越来越难以访问这些数据。此外，在缺乏关于个体的个性化数据的情况下，为大群体推广ML模型的性能变得困难[95］．最近FL和迁移学习的进展表明，这是一种很有前途的解决方案。它确保了数据隐私，因为用户数据永远不会离开机构[96］．此外，从一组数据中学习到的模型见解可以转移到对另一组数据进行预测。当使用FL模型时，数据保持静态并位于源，从而保护隐私。在这种模型下，唯一的信息交换涉及到随机梯度下降的纯数值表示。这些数值数据不能用于逆向工程和确定数据的来源。使用这种技术可以帮助消除与医疗保健数据访问相关的隐私障碍。它可以促进医疗、研究和从业者社区之间的更大合作，同时确保AIM在医疗保健部门的更快发展和集成。为此，3个确定的研究流可以作为提供涵盖人的思想、身体和精神的整体医疗保健服务的指导原则。它还可以确保人们在最短的时间内获得尽可能最好的护理，并发挥最大的效力。

    DARPA(国防高级研究计划局)XAI项目致力于支持其模型可被最终用户解释、理解和信任的人工智能系统的开发[97］．XAI对于AIM集成的未来是必要的，因为它可以帮助提高医疗保健领域中ML技术和模型的可接受性和理解程度。随着人工智能模型知识的增加，我们可以预期AIM在医疗保健行业的采用率将会增加，这一点已被与技术接受模型相关的各种研究所证明[98］．根据这个模型，随着技术易用性的增加，人们参与和使用该技术的意图和行为也会增加。在这种情况下，随着人工智能模型变得越来越易于使用和部署，它们的广泛采用将显著提高医院的效率。它还将更好地提供远程医疗服务，这些服务依赖于患者可穿戴传感器设备的关键数据。阿达迪等[99]对XAI进行了深入的调查，并注意到它对未来医学领域的多种影响。他们强调，ML模型缺乏透明度是医疗保健行业不采用人工智能的主要原因之一。因此，窥探AI的黑盒本质是克服有限知识和理解对AIM使用的障碍的有效方法。高登等[One hundred.]已经展示了XAI技术如何应用于医院的外科和手术环境，以及如何处理医疗数据以提供实时临床决策支持。这些模型可以帮助手术团队分析、预测、理解和预防术中不良事件。在另一项研究中，Payrovnaziri等人[101]调查了XAI如何具体地用于模拟真实世界的电子健康记录数据。他们指出了文献中的几个空白，并得出结论，XAI在医学上没有得到充分的追求和实践。他们承认，XAI的采用和应用可以显著增强移动医疗。这些对研究和实践都有重要的意义。最近的这些调查强调了AIM在卫生保健部门的重要性，并为未来对这一关键领域的研究提供了指导方针。

    与大多数范围审查一样，这项工作也有一些局限性。首先，我们只考虑了生物医学技术、IS和人工智能这三个领域的研究。其次，我们在本文中没有考虑AIM技术的社会方面，但它是医疗保健研究的一个新兴方面。我们将在今后的工作中努力解决这些限制。第三，我们只考虑了有限数量的数据库来选择文章，并且必须限制搜索，以便我们可以专注于解决人工智能、生物医学技术和IS的最新跨学科研究背景的文章。这些工作包括在利基ML和AI会议论文集上发表的论文，并在特定的数据库中列出，例如ACM数字图书馆。然而，我们选择的数据库是AIM领域最先进研究的综合途径，包括3个流中最新的同行评审研究文献。

    我们从这次范围审查中得出的结论表明，最近医疗保健部门对移动健康和人工智能功能的研究、实践和采用有了相当大的增加，这导致了重症和非重症临床护理的重大进展。然而，某些领域仍然缺乏人工智能研究，例如解决心理健康问题。这种研究缺乏的一个特殊原因可以归因于公共数据集的不可用性，阻碍了AIM领域的广泛采用。解决这一问题的方法是确保不同医疗机构之间的协作和数据共享。这样的合作努力将确保医生、医生和医院更好地利用人工智能工具。此外，研究人员正在迅速开发新的先进人工智能技术，如FL和XAI，它们随后在现实场景中的应用可能会在未来产生拯救生命的后果。

    利益冲突

    没有宣布。

    ‎
    多媒体附件1

    范围综述中人工智能驱动移动医疗(AIM)文章的选择标准和研究细节。

    DOCX文件，40kb
    1. 帕伦特ST，麦卡洛JS。卫生信息技术与患者安全:来自小组数据的证据。卫生Aff (Millwood) 2009;28(2):357-360。［CrossRef] [Medline］
    2. Raghupathi W, Raghupathi V.医疗保健中的大数据分析:前景和潜力。健康科学与科学系统2014;2:3 [免费全文] [CrossRef] [Medline］
    3. Valanarasu R.医院环境的智能和安全物联网和人工智能集成框架。JISMAC 2019 11月;01(03):172-179。［CrossRef］
    4. Barrett M, Boyne J, Brandts J, Brunner-La Rocca H, De Maesschalck L, De Wit K，等。人工智能支持慢性心力衰竭患者的自我护理:从反应性护理到预测性、预防性和个性化护理的范式转变。EPMA J 2019 12月;10(4):445-464 [免费全文] [CrossRef] [Medline］
    5. Guillodo E, Lemey C, Simonnet M, Walter M, Baca-García E, Masetti V, HUGOPSY Network，等。基于移动健康可穿戴睡眠监测的临床应用系统综述。JMIR Mhealth Uhealth 2020 april 01;8(4):e10733 [免费全文] [CrossRef] [Medline］
    6. 林士华，陈建平。移动医疗的理论进展:移动应用程序的系统回顾。中华卫生杂志2018年11月19日;23(10-11):909-955。［CrossRef] [Medline］
    7. 消费者对可穿戴技术的采用:文献综述、综合和未来研究议程。IJTMKT 2017; 12(3): 274 - 307。［CrossRef］
    8. 邓涛，何亚平。物联网采用的路径依赖视角:来自美国智能和联网传感器早期采用者的证据。政府信息季刊2019年4月;36(2):321-332。［CrossRef］
    9. Singh D, Tripathi G, Jara A.物联网调查:未来愿景、架构、挑战和服务。2014 IEEE物联网世界论坛(WF-IoT)在线发布2014年3月:287-292。［CrossRef］
    10. 徐超，林家杰。消费者采用物联网服务的实证检验:网络外部性和对信息隐私角度的关注。计算机在人类行为2016年9月62:516-527。［CrossRef］
    11. Gómez J, Oviedo B, Zhuma E.基于物联网的患者监控系统。计算机科学进展，2016;［CrossRef］
    12. 吴志强，李志强，李志强。基于物联网的患者实时监控系统。2017年发表于:第四届电气工程进展国际会议(ICAEE);9月28 - 30;孟加拉国。［CrossRef］
    13. 移动健康分类:移动健康应用的文献综述。卫生技术2015年1月30日;4(4):299-308。［CrossRef］
    14. Malvey DM, Slovensky DJ。全球移动医疗政策舞台:现状检查和未来方向。mHealth 2017 9月22日;3:41-41。［CrossRef］
    15. Neubeck L, Hansen T, Jaarsma T, Klompstra L, Gallagher R.在COVID-19期间为心血管患者远程提供医疗保健:对证据的快速回顾。欧洲心血管护理杂志2020 Aug;19(6):486-494 [免费全文] [CrossRef] [Medline］
    16. 吕明，N Untong, NA Aliudin, Osili N, Kifli N, Tan CS，等。大流行初期推出的COVID-19移动健康应用:内容分析与回顾JMIR Mhealth Uhealth 2020年9月16日;8(9):e19796 [免费全文] [CrossRef] [Medline］
    17. Bhaskar S, Bradley S, Sakhamuri S, Moguilner S, Chattu VK, Pandya S，等。利用人工智能和机器人技术在COVID-19时代设计未来远程医疗。前线公共卫生2020;8:556789 [免费全文] [CrossRef] [Medline］
    18. Abdulaal A, Patel A, Charani E, Denny S, Mughal N, Moore L.在英国使用人工智能对COVID-19进行预后建模:模型开发和验证。J Med Internet Res 2020 Aug 25;22(8):e20259 [免费全文] [CrossRef] [Medline］
    19. 胡锐，龚艳，郭艳。基于稀疏放大隐私和自适应优化的联邦学习。2021年第30届国际人工智能联合会议(ijcai21)。2021;8月19-26;蒙特利尔。［CrossRef］
    20. 胡锐，郭艳，李红，裴强，龚艳。基于差分隐私的个性化联邦学习。IEEE物联网学报2020年10月7日(10):9530-9539。［CrossRef］
    21. Zech JR, Badgeley MA, Liu M, Costa AB, Titano JJ, Oermann EK。在胸片中检测肺炎的深度学习模型的可变泛化性能:一项横断面研究。PLoS Med 2018 11月6日;15(11):e1002683 [免费全文] [CrossRef］
    22. 徐东，丁世伟，张志强，张志强，等。一种基于社区人群的视网膜照片检测慢性肾病的深度学习算法。柳叶刀数字健康2020年6月;2(6):e295-e302。［CrossRef］
    23. 马莫什娜P, Ojomoko L, Yanovich Y, Ostrovski A, Botezatu A, Prikhodko P，等。融合区块链和下一代人工智能技术，以分散和加速生物医学研究和医疗保健。Oncotarget 2018年1月19日;9(5):5665-5690 [免费全文] [CrossRef] [Medline］
    24. Farrar CR, Worden K.结构健康监测。美国新泽西州霍博肯:John Wiley & Sons, Ltd;2012.
    25. 维恩斯J，谢诺伊ES。医疗保健领域的机器学习:医疗保健流行病学即将发生重大转变。临床感染疾病2018年1月06日;66(1):149-153 [免费全文] [CrossRef] [Medline］
    26. Esteva A, Robicquet A, Ramsundar B, Kuleshov V, DePristo M, Chou K，等。医疗保健领域的深度学习指南。2019年1月25日(1):24-29。［CrossRef] [Medline］
    27. Alhussein M, Muhammad G.在移动医疗保健框架上使用深度学习的语音病理检测。IEEE Access 2018;6:41034-41041。［CrossRef］
    28. Petracca F, Ciani O, Cucciniello M, Tarricone R.在COVID-19大流行期间和之后利用数字卫生技术:背景至关重要。J Med Internet Res 2020 Dec 30;22(12):e21815 [免费全文] [CrossRef] [Medline］
    29. 柯宁林，胡芝B，曾CA, Leroy Z, Farris K, Jolly B，等。COVID-19大流行出现期间远程医疗使用趋势-美国，2020年1月至3月。MMWR Morb Mortal Wkly Rep 2020年10月30日;69(43):1595-1599 [免费全文] [CrossRef] [Medline］
    30. Lonergan PE, Washington Iii SL, Branagan L, Gleason N, Pruthi RS, Carroll PR，等。综合癌症中心快速利用远程医疗应对COVID-19:横断面分析J Med Internet Res 2020 july 06;22(7):e19322 [免费全文] [CrossRef] [Medline］
    31. 刘宁，黄锐，Baldacchino T, Sud A, Sud K, Khadra M，等。COVID-19大流行期间非危重型慢性病患者的远程医疗J Med Internet Res 2020 Aug 07;22(8):e19493 [免费全文] [CrossRef] [Medline］
    32. 刘志伟，刘志伟。基于可穿戴技术的个性化移动医疗保健监测和管理。入:编辑童R。可穿戴技术在医疗保健中的应用。马萨诸塞州剑桥:学术出版社;2018:235 - 259。
    33. Espay AJ, Hausdorff JM, Sánchez-Ferro, Klucken J, Merola A, Bonato P，运动障碍协会技术工作组。使用移动医疗技术获得的以患者为中心的帕金森病数字结果测量的实施路线图。运动科学2019;34(5):657-663。［CrossRef] [Medline］
    34. Kourtis LC, Regele OB, Wright JM, Jones GB。阿尔茨海默病的数字生物标志物:移动/可穿戴设备的机会。数字医学2019;2:1-9 [免费全文] [CrossRef] [Medline］
    35. Kumar S, Nilsen W, Pavel M, Srivastava M.移动医疗:通过跨学科研究改革医疗保健。计算机2013 1月;46(1):28-35。［CrossRef］
    36. Su Z, Figueiredo M, Jo J，郑凯，陈勇。移动医疗应用中人工智能的描述、用户理解和期望分析。2020年发表于:AMIA 2021年年度研讨会;11月14 - 18;虚拟p. 1170-1179。
    37. Torous J, Larsen ME, Depp C, Cosco TD, Barnett I, Nock MK，等。智能手机、传感器和机器学习促进自杀预防的实时预测和干预:当前进展和下一步的回顾。Curr精神病学代表2018年6月28日;20(7):51。［CrossRef] [Medline］
    38. 刘峰，倪娥，鞠欣。了解移动医疗服务使用:日常和应急使用意图调查。国际信息管理杂志2019年4月;45:107-117。［CrossRef］
    39. 吴敏。可穿戴技术在医疗保健中的应用:文献综述:OJNI。HIMSS。2019.URL:https://www.himss.org/resources/wearable-technology-applications-healthcare-literature-review[2021-12-16]访问
    40. 金杰，王杰，王杰，王杰。可穿戴生物传感器在医疗保健监测中的应用。中国生物科技，2019年4月;37(4):389-406。［CrossRef] [Medline］
    41. 杨刚，庞刚，庞志，顾勇，杨辉，基于纳米增强的非侵入式柔性可拉伸可穿戴传感器在慢性疾病护理中的应用。IEEE修订版生物医学。Eng 2019; 34 - 71。［CrossRef］
    42. 杨国强，王超，杨国强。基于深度学习的移动或可穿戴设备节点传感器数据分析。IEEE J.生物医学。健康资讯2017年1月;21(1):56-64。［CrossRef］
    43. 尹浩，Jha NK。基于可穿戴医疗传感器和机器学习集成的疾病诊断健康决策支持系统。IEEE反式。多尺度比较系统2017年10月1日;3(4):228-241。［CrossRef］
    44. bag MM, GholamHosseini H, Moqeem AA, Mirza F, Lindén M.可穿戴患者监测系统的系统综述-临床应用的当前挑战和机遇。中华医学杂志2017年6月19日;41(7):115。［CrossRef］
    45. Friis-Healy EA, Nagy GA, Kollins SH.是时候做出反应了:数字心理健康应用程序减少种族和民族少数群体心理健康差异的机会。JMIR医疗卫生2021年1月26日;8(1):e25456。［CrossRef］
    46. Bhatt P, Guo Y, Gong Y.贴现生命:使用累积不平等理论分析Covid-19期间医疗保健部门肆虐的西班牙裔逆境的原因。2021年发表于:夏威夷系统科学年度国际会议论文集。2021年在线出版;1月5 - 8;虚拟的。［CrossRef］
    47. 蔡玲，吴超，王晓明，王晓明。基于强化学习的自适应移动行为改变干预研究。2017年发表于:国际配套技术会议(ICCT)。9月在线发布;9月11 - 13日;德国。［CrossRef］
    48. 冯S, Duarte MF。基于少镜头学习的人体活动识别。专家系统与应用2019年12月;138:112782。［CrossRef］
    49. 王晓燕，王晓燕，王晓燕，等。远程医疗转型:COVID-19和虚拟医疗的兴起。美国医学协会2020年4月20日957-962 [免费全文] [CrossRef] [Medline］
    50. 达文波特，卡拉科塔，R.人工智能在医疗保健中的潜力。未来健康杂志2019 Jun;6(2):94-98 [免费全文] [CrossRef] [Medline］
    51. Ramkumar PN, Haeberle HS, Bloomfield MR, Schaffer JL, Kamath AF, Patterson BM，等。单一机构的人工智能和关节成形术:机器学习在大数据、基于价值的护理、移动医疗和远程患者监测中的实际应用。关节成形术2019 10月;34(10):2204-2209。［CrossRef] [Medline］
    52. Laï MC, Brian M, Mamzer M.对医疗保健中的人工智能的看法:来自法国行动者的定性调查研究的结果。J Transl Med 2020年1月09日;18(1):14 [免费全文] [CrossRef] [Medline］
    53. 吴珊珊，金志辉，崔珊珊，李海杰，洪杰，权绍生。医生对人工智能的信心:一项在线移动调查。J Med Internet Res 2019 3月25日;21(3):e12422。［CrossRef］
    54. Antoniadou E, Belo D, D'Silva KJ, Wang B, Soboczenski F.通过人工智能增强的可穿戴设备在太空实现自主临床决策支持系统。In: ICML 2020。医疗保健系统，人口健康和健康技术的作用。2020年发表于:国际机器学习会议论文集;13-18 7月;虚拟的。［CrossRef］
    55. 陈杰，雷特，葛洛科塔，孙杰。使用智能设备的非接触式心脏骤停检测。npj数字。2019年6月19日;2(1):1-8。［CrossRef］
    56. 蒋军，马建平。基于信息技术的慢性疾病自我监测:跨学科综述。MISQ 2020 Jan 01;44(1):451-508。［CrossRef］
    57. 鞠超，赵睿，孙娟，魏旭，赵斌，刘勇，等。隐私保护技术帮助数百万人:预防中风的联邦预测模型。2020年发表于:IJCAI 2020用户隐私和数据保密联邦学习国际研讨会;2021年1月8日;虚拟的。
    58. Arksey H, O'Malley L.范围研究:朝向方法论框架。国际社会研究方法论杂志2005年2月;8(1):19-32。［CrossRef］
    59. Tang C, Perez-Pozuelo I, spthis D, Mascolo C.在医疗保健领域人类活动识别中的对比学习探索。2020年发表于:NeurIPS 2020移动医疗机器学习研讨会;12月12日;虚拟的。
    60. 王晓明，张晓明，张晓明，等。慢性疾病患者远程监护反馈系统的纵向研究。MISQ 2020 Jan 01;44(1):421-450。［CrossRef］
    61. Tailor S, Chauhan J, Mascolo C.野外身体声音设备监测的第一步。: ACM;2020年发表于:ACM国际普适和普适计算联合会议附属会议论文集;9月13日;虚拟的。［CrossRef］
    62. 杨晓明，王晓明，王晓明，等。基于多模态数据的睡眠呼吸暂停检测方法。In: arXiv csLG。2020年出席:NeurIPS 2019机器学习健康研讨会;2019年12月13日;虚拟p. 112-125。
    63. Bent B, Dunn JP。使用可穿戴设备进行无创血糖预测的个性化机器学习模型。见:2020年NeurIPS移动医疗机器学习研讨会。2020年发表于:NeurIPS 2020移动医疗机器学习研讨会;12月12日;虚拟的。
    64. 弗莱格C，弗里德O, MacAvaney S, Motamedi G.帕金森病的实时流步态评估。见:第14届ACM网络搜索和数据挖掘国际会议论文集。ACM;2021年发表于:第十四届ACM网络搜索和数据挖掘国际会议;3月8 - 12;虚拟的。［CrossRef］
    65. 孙杰，周森。基于远程健康信息系统的智能哮喘管理的数据分析框架与蓝牙个人吸入器。MISQ 2020 Jan 01;44(1):285-303。［CrossRef］
    66. 张伟，Ram S.基于机器学习和大型异构数据源的哮喘诱因和危险因素综合分析。MISQ 2020 Jan 01;44(1):305-349。［CrossRef］
    67. Yamaguchi S, Mino Y, Uddin S.战略和未来的尝试，减少污名化和提高对年轻人心理健康问题的认识:教育干预的叙事审查。精神病学临床神经科学2011年8月;65(5):405-415。［CrossRef] [Medline］
    68. 李晓明，李晓明，李晓明。基于贝叶斯模型的移动传感器行为特征预测。在:NeurIPS 2020研讨会，移动医疗机器学习。2020发表于:NeurIPS移动医疗机器学习研讨会论文集;12月11日;虚拟的。［CrossRef］
    69. Rauber J, Fox E, Gatys L.智能手机使用模式及其与认知健康的关系。2019年发表于:NeurIPS 2019机器学习健康研讨会;12月13日;虚拟的。
    70. 乐观、悲观、情绪波动与不诚实行为。经济心理学杂志2019年6月;72:54-63。［CrossRef］
    71. 卡尔沃R，迪纳卡尔K，皮卡德R，梅斯P.心理健康计算。在:心理健康中的计算。2016年发表于:2016年CHI会议论文集关于计算系统中的人为因素扩展摘要;2016年5月7-12日;美国加利福尼亚州圣何塞。［CrossRef］
    72. 刘涛，梁鹏。基于移动数据的多模态隐私保护情绪预测研究。In: arXiv csLG。2020年出席:NeurIPS 2020移动医疗机器学习研讨会;12月12日;虚拟的。
    73. Moreno-Muñoz P, Romero-Medrano L, Moreno, Herrera-López J, Baca-García E, Artés-Rodríguez A.自杀企图预防行为转变的被动检测。2020年出席:NeurIPS 2020移动健康机器学习研讨会;12月12日;虚拟的。
    74. 王锐，王伟，王丽娟，等。融合手机感知和脑成像来评估大学生抑郁症。前沿神经科学2019;13:48 [免费全文] [CrossRef] [Medline］
    75. 胡金杰，王伟，王德伦，刘志强，等。COVID-19大流行早期大学生的心理健康和行为:纵向智能手机和生态瞬时评估研究J Med Internet Res 2020 Jun 17;22(6):e20185 [免费全文] [CrossRef] [Medline］
    76. 周敏，李天明，王普华，徐俊杰，叶世峰，陈慧。在网络社交媒体中发现情绪困扰人群:一种结合机器学习和基于规则分类的设计。MISQ 2020 Jun 1;44(2):933-955。［CrossRef］
    77. 贝叶斯主动学习在穿戴压力和影响检测中的应用。2020年出席:NeurIPS 2020移动健康机器学习研讨会;12月12日;虚拟的。
    78. spthis D, Perez-Pozuelo I, Brage S, Wareham N, Mascolo C.从大规模可穿戴数据学习可推广的生理表征。2020年出席:NeurIPS 2020移动健康机器学习研讨会;2020年12月12日;虚拟网址:http://arxiv.org/abs/2011.04601［CrossRef］
    79. Menictas M, Tomkins S, Murphy S.快速体育活动建议:移动健康中的高效超参数学习。2020年发表于:Neurips 2020移动健康中的机器学习研讨会;2020年12月12日;虚拟网址:http://arxiv.org/abs/2012.11646
    80. Imteaj A, Amini M.使用智能终端用户设备的分布式传感:自主物联网联邦学习的途径。使用智能终端用户设备的分布式传感:自主物联网联邦学习的途径。国际计算科学与计算智能会议(CSCI)。IEEE;2019年发表于:国际计算科学与计算智能会议(CSCI);12月5日至7日;拉斯维加斯。［CrossRef］
    81. Kerr J, Carlson J, Godbole S, cadmusbertram L, Bellettiere J, Hartman S.使用机器学习方法改进臀部磨损的加速度计估计。体育运动医学与科学2018;50(7):1518-1524。［CrossRef］
    82. Kheirkhahan M, Nair S, Davoudi A, Rashidi P, Wanigatunga AA, Corbett DB，等。基于智能手表的框架，用于实时和在线评估和移动监控。生物医学信息学杂志2019年1月;89:29-40。［CrossRef］
    83. Luo H, Lee P, Clay I, Jaggi M, De Luca V.使用可穿戴传感器的疲劳评估:初步研究。数字生物标记2020;4(增刊1):59-72 [免费全文] [CrossRef] [Medline］
    84. Buvik A, Bergmo TS, Bugge E, smabrekke A, Wilsgaard T, Olsen JA。远程骨科会诊中远程医疗的成本-效果:随机对照试验。J Med Internet Res 2019 Feb 19;21(2):e11330 [免费全文] [CrossRef] [Medline］
    85. 王志强，王志强，王志强，等。人工智能驱动的数字健康平台和可穿戴设备改善辅助生活社区中老年人的结果:试点干预研究JMIR老龄化2020年9月10日;3(2):e19554 [免费全文] [CrossRef] [Medline］
    86. 朱浩，陈辉，陈辉，陈辉。一种基于深度学习的老年人日常生活活动识别方法:利用交互依赖和时间模式。MISQ 2021 6月1日;45(2):859-896。［CrossRef］
    87. 朱华，Samtani S，陈华，Nunamaker JF。日常生活活动的人类识别:一种深度迁移学习方法。管理信息系统学报2020年6月16日;37(2):457-483。［CrossRef］
    88. Gudur GK, Perepu SK.基于异构标签和模型的联邦学习用于移动活动监控。2020年发表于:NeurIPS 2020移动医疗机器学习研讨会;2020/12/12;虚拟网址:http://arxiv.org/abs/2012.02539
    89. Alrumayh A, Tan C.用智能音箱支持家庭隔离。见:利用移动设备和边缘计算的健康应用的深度学习。ACM;2020年发表于:利用移动设备和边缘计算的健康应用的深度学习;6月19日;虚拟的。［CrossRef］
    90. Tang Q, Ponnada A, Intille S.在自由生活中使用可穿戴设备进行个人手部卫生检测。2020年发表于:神经信息处理系统会议(NeurIPS) 2020年移动健康机器学习研讨会;12月12日;虚拟的。
    91. 冯杰，荣超，孙峰，郭东，李艳。PMF:基于联邦学习的隐私保护人类移动预测框架。In: Proc. ACM Interact。暴徒。可穿戴无所不在技术。2020年3月18日发表于:Proc ACM Interact Mob可穿戴无所不在技术。2020;4(1);3月;虚拟p. 1-21。［CrossRef］
    92. 戈麦斯·帕斯特M, Mirabet S, Roig E, Lopez L, Brossa V, Galvez-Tugas E，等。跨学科移动医疗模式改善心脏移植后临床护理:实施策略研究。JMIR Cardio 2020 11月24日;4(1):e19065 [免费全文] [CrossRef] [Medline］
    93. Amoedo A, martinez - costa MDP, Moreno E.西班牙商业音乐网络的传播策略分析:http://los40.com, http://los40principales.com, http://cadena100.es, http://europafm.es和http://kissfm.es。无线电学报:国际研究2009年2月01日;6(1):5-20 [免费全文] [CrossRef］
    94. Shailaja K, Seetharamulu B, Jabbar M.医疗保健中的机器学习:综述。2018发表于:2018第二届电子、通信和航空航天技术国际会议(ICECA) (pp.)。IEEE;3月29日;印度哥印拜陀，第910-914页。［CrossRef］
    95. 陈勇，秦霞，王娟，于超，高伟。FedHealth:可穿戴医疗保健的联邦迁移学习框架。IEEE智能。系统2020年7月1日;35(4):83-93。［CrossRef］
    96. Konečný J, McMahan B, Ramage D.联邦优化:超越数据中心的分布式优化。arXiv预打印arXiv.0357511月2015:11。［CrossRef］
    97. DARPA的可解释人工智能(XAI)计划。AIMag 2019 6月24日;40(2):44-58。［CrossRef］
    98. 戴维斯FD。感知有用性、感知易用性和信息技术的用户接受度。MIS季刊1989 9月13日(3):319。［CrossRef］
    99. Adadi A, Berrada M.窥视黑盒子内部:可解释人工智能(XAI)的调查。IEEE Access 2018;6:52138-52160。［CrossRef］
    100. Gordon L, Grantcharov T, Rudzicz F.用于安全术中决策支持的可解释人工智能。美国医学会杂志2019年11月1日;154(11):1064。［CrossRef］
    101. Payrovnaziri S，陈忠，Rengifo-Moreno P, Miller T，卞杰，陈建华，等。使用真实世界电子健康记录数据的可解释人工智能模型:系统范围审查。美国医学通报协会2020年7月01日;27(7):1173-1185 [免费全文] [CrossRef] [Medline］

    ‎
    AAAI:人工智能发展协会
    ACM:计算机协会
    人工智能:人工智能
    目的:人工智能驱动的移动医疗
    美国国防部高级研究计划局:国防高级研究计划局
    DL:深度学习
    FL:联合学习
    物联网:物联网
    是:信息系统
    ISR:信息系统研究
    它:信息技术
    健康:移动健康
    MISQ:管理信息系统季刊
    ML:机器学习
    NeurIPS:神经信息处理系统
    少量的酒:神经信息处理系统
    棱镜:系统评价和元分析的首选报告项目
    中移动:研究问题
    新品:可辩解的人工智能

    L Buis编辑;提交18.11.21;F Velayati, D Madhusudhan, H Ayatollahi同行评审;对作者28.11.21的评论;订正版本收到23.01.22;接受08.04.22;发表09.06.22

    版权

    ©Paras Bhatt，刘佳，龚艳敏，王静，郭元雄。最初发表在JMIR mHealth和uHealth (https://mhealth.www.mybigtv.com)， 09.06.2022。

    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 mHealth和uHealth上的原创作品。必须包括完整的书目信息，https://mhealth.www.mybigtv.com/上的原始出版物的链接，以及此版权和许可信息。
    Baidu
    map