数据收集分为三个基本步骤。首先，确定了Twitter的健康用户。组织智慧创建的Twitter用户列表[ 19是一家医疗信息技术领域的公司，被用来收集数据。Organized Wisdom将与健康相关的Twitter用户整理成列表，使其他人能够更有效地在线查找信息;例如，“经过认证的医生”名单由在网上公开披露其证书的医生组成。在这些列表中，有37个是医生、护士、医院和其他卫生组织的Twitter账户，涵盖了七个感兴趣的用户群体:健康倡导者、企业、卫生保健组织、政府组织、学生、专业人员和其他(例如卫生保健相关出版物)。

其次，在2012年7月31日至8月3日期间，从这些健康用户下载了每个组中每个用户的相同数量(n=200)的最新公开推文，包括转发推文。如果用户的tweet少于200条，则获取所有可用数据。

第三，从这七个用户组的大量tweet集合中，采样一个较小的集合。对于每个组，从组中随机选择一个用户，并为该用户选择一个随机的tweet(没有替换)。该策略用于创建tweet的初步样本(来自每个用户组的随机tweet 15条，共105条)以开发编码方案，并用于深入定性分析的最终样本(来自每个用户组的随机tweet 100条，共700条)。

研究小组首先根据自己的经验和已发表的文献对感兴趣的内容领域进行假设，以生成编码方案草案。然后，使用105条推文的初步样本，4位共同作者(JL, ZB, MD, MC)使用该草案方案对每条推文进行内容分析。然后对编码方案进行修改以进行最终分析。感兴趣的类别在 表1．随后的分析是对上面描述的另外700条推文进行的。审稿人对之间存在分歧的领域以逐个案例的方式通过协商一致解决。在内容分析过程中，评论者对Twitter用户的身份一无所知。

在揭开数据的面纱后，对用户和用户组进行审查，以验证组织智慧提供的分类的准确性。被审查的推文都没有被发现是由研究团队撰写的。在若干情况下，所提供的分类是不准确的;例如，一家自我认定的酒店被错误地归类为政府机构。因此，研究小组的两名成员(JL和ZB)根据对公开可用档案的一致审查，将所有用户重新分类为七个新的用户组( 表2):没有可用档案的用户、非卫生用户、卫生倡导者、卫生企业、非提供者卫生专业人员、卫生提供者和卫生保健组织。这导致七个组的推文数量不同。

描述性统计用于将每组用户的推文类型制成表格。使用卡方检验评估用户组之间tweet比例的统计学显著差异。使用Stata 13进行分析。

约翰霍普金斯医学机构审查委员会对该研究进行了审查，并宣布免除进一步审查。

在所有推文中，排除了5.0%(35/700)的非英语推文。对其余95.0%(665/700)的英语推文进行了深入分析( 图2）.总共有255个独立用户贡献了665条推文。在分析样本中的推文中，52.0%(346/665)被归类为与健康相关。例如，“RT @用户名:太极拳改善收缩期心力衰竭患者的情绪和生活质量”这样的推文被归类为与健康相关。此后，每条与健康相关的推文都被细分为六个非互斥类别中的至少一个 表1．

样本中近三分之一(31.1%，207/665)的推文本质上是私人的。在个人推文中，70.5%(146/207)与健康无关，29.5%(61/207)与健康相关。这一发现具有统计学意义( P<措施)。

研究小组对与健康有关的推文最感兴趣。这些推文中有超过一半(53.2%，184/346)包含“可测试”的声明，定义为查看推文的人可能期望得到医学证据支持的声明。一个可测试的tweet的例子显示在 表1(第一行)。

在与健康相关的推文中，新闻是第二常见的内容类别;41.0%(142/346)的推文包含新闻。超过四分之一(26.9%，93/346)的受访者提到了商业产品或服务，17.6%(61/346)的受访者表达了个人观点或经历，17.1%(59/346)的受访者讨论了健康问题。

表3总结了推特内容区域在用户群体中的分布，其中卫生保健提供者的内容可作为比较的基线。总体而言，医疗服务提供者和非医疗服务用户以及没有可用档案的用户之间的内容类型没有显着差异。

健康倡导者在推特上谈论个人健康问题的次数明显多于医疗服务提供者。提供者的推文与医疗保健企业的推文最不一样。从统计数据来看，企业更有可能发布新闻，而不太可能发布有关健康的推文;从统计数据来看，非医疗服务提供者的医疗专业人员更有可能发布可测试的声明和新闻故事，而不太可能发布个人内容。医疗保健机构和提供者的推文也不同。从统计数据来看，组织的推文更有可能包含商业内容和健康，但不太可能包含个人内容。

对自认为健康的用户及其在Twitter上发布的健康相关信息的分析得出了几个重要的发现。首先，样本中超过一半的推文包括可测试声明的推文，本研究将其定义为推特用户可能期望得到医学证据支持的内容。大多数健康推文都是可测试的，包含各种主题。在初步分析中，我们发现约40%的可测试推文分享了医疗建议，23%的推文传播了科学新闻或研究书籍和文章。虽然研究小组没有详细分析这一点，但这些医学声明背后的来源比科学研究(即“循证”医学声明)更多样化，从常识(例如，在炎热的天气多喝水的建议)到WebMD，到奥兹医生，再到个人博客。这些说法是否在科学上有效尚未得到检验，需要进一步研究。

其次，除了传统的医疗服务提供者外，许多非医疗服务提供者也在发送与健康相关的推文。此外，Twitter上与健康相关的用户的推文内容因用户类型而异。例如，卫生保健组织比个人分享更多的健康新闻和可测试的声明，但也比个人更多地支持商业服务或产品。在未来，重要的是要检查组织的推文是否比个人卫生专业人员的推文更经常地基于严格的证据。这些发现证实并扩展了Sugawara等人的研究[ 20.]和Chretien等人[ 21]，他们都专注于一小部分健康用户。在研究日本癌症患者的推文时，Sugawara发现，患者的推文既包括个人信息(如问候、聊天)，也包括医疗信息(如治疗信息)。同样，克雷蒂安发现，医疗服务提供者(特别是医生)在Twitter上分享个人、商业和医疗信息。

我们发现该样本中17%的用户是非健康领域的提供者个人，共同贡献了20%的健康相关推文。它们的参与表明，在Twitter上参与信息共享和卫生信息传递的非提供者范围广泛。虽然这个用户社区代表了Twitter上健康对话和信息的重要资源，但这些非提供者不受有关Twitter使用的专业指南的约束。目前还不清楚Twitter用户如何使用或理解这一群体的推文，例如，将其与医生和护士的推文进行比较。鉴于信任是社交网络的重要特征(年轻用户可能像医生一样信任他们的社交网络)，这需要进一步的研究[ 3.， 22]。

第三，这些发现表明专业指南与网络行为之间存在潜在差距[ 23， 24]。许多医学协会、机构和医学院向临床医生和学生传播这样的指导方针。通常，这些准则鼓励使用社交媒体作为认可医疗信息的工具，不鼓励使用该媒体进行医疗咨询，并建议不要发布个人内容。尽管如此，17%来自医疗服务提供者的健康推文和74%来自医学生的健康推文都包含个人内容。缺乏对专业指导方针的遵守，确定了一个需要额外教育或在专业范围内建立潜在共识的领域。同样，相当一部分(14%)的提供商的推文包含商业产品或服务，证实了之前的发现和对Twitter上潜在利益冲突的担忧(Twitter是一种难以披露的媒体，如果不是不可能的话)[ 21， 25]。

随着Twitter使用的增加，有关Twitter用于健康相关目的的学术研究也在增加。一些研究人员使用Twitter作为监控[ 7， 13， 26]和疾病爆发预测工具[ 27]而其他人则描述了Twitter上与健康相关的用户群体之间的关系，例如医疗协会[ 28]，内科医生[ 29]和癌症患者[ 20.]。虽然很少有论文对与健康相关的用户进行整体调查，或者详细调查他们的推文内容，但我们的研究并不是第一次对Twitter进行内容分析。例如，Chew和Eysenbach分析了与2009年H1N1流感大流行有关的个人推文，发现除了观点和经验之外，来自各种可靠来源的信息也在Twitter上传播[ 26]。我们的研究对健康相关用户的推文进行了定性分析，解决了不同的问题，因此使用了不同的方法。

通过检查与健康相关的用户的推文内容，这项研究增加了越来越多的关于将Twitter用于健康目的的文献。这样做，这项研究有几个重要的优势。它代表了对Twitter上与健康相关的用户和内容类型的深入探索。该分析首次对Twitter上的健康用户及其健康相关内容进行了详细调查，为研究人员和临床医生提供了Twitter健康领域的指导。而之前的研究主要集中在特定人群或用户中使用Twitter [ 8， 20.， 21， 30.， 31如日本的癌症患者，或某些话题，如儿童肥胖[ 9]，本研究探索了几种类型的用户，同时实现了广度和定性深度。

这项研究并非没有局限性。数据收集于2012年夏季;因此，这个样本反映了自那时以来Twitter的格局可能已经发生了变化。例如，对专业指导方针的遵守可能会随着时间的推移而增加。这项研究的发现为未来的分析奠定了基础。由于缺乏一种简单的机制来对Twitter上与健康相关的用户和推文进行抽样，分析样本的选择受到了限制。因此，对所有健康用户及其推文进行随机抽样是不可行的，这降低了研究结果的普遍性。虽然通过将内容组织到列表中的Organized Wisdom似乎提供了一种合理的方法来解决这个问题，但许多用户类别的指定是不准确的。研究小组倾向于用户类型的准确性，而不是原始类别的保存，因此进行了自己的特征描述。由于这减少了某些用户组中的tweet数量，因此降低了确定组间统计显著性的能力。 If so, the results likely underestimate potential differences between groups. Importantly, this only reinforces the need for in-depth analysis while revealing a concern that collated “health-related user” content might not be from health-related users.

该分析没有故意评估“高影响力”用户(例如，Dr. Oz, Atul Gawande, Sanjay Gupta)。我们也没有独立地验证用户配置文件，并且没有根据其他数据库检查代表自己为提供者的用户。此外，虽然分析是双重编码的，分歧是通过共识来解决的，但编码的主观性限制了这些发现的有效性。

这项研究为进一步研究提供了几个机会。虽然初步评估评估了每个可测试推文的证据基础，但未来的分析可以检查推文的这一部分(包含可测试声明的与健康相关的推文)，例如，通过将它们与公认的证据强度标准进行比较[ 32]。交叉引用用户的身份将是细化用户特征的另一个步骤，而包括可验证的、自我认定的患者或提供者的Twitter用户将进一步丰富对健康信息的分析。

总之，与健康相关的用户和他们在Twitter上分享的内容是多种多样的。虽然医疗服务提供者的推文通常包含可验证的声明，但他们也会使用个人陈述。非医疗服务提供者也在Twitter上持续提供与健康有关的信息。在Twitter上积极参与与健康相关对话的与健康相关领域的用户，以及那些仅仅是阅读这些用户推文的用户，都应该关注与健康相关的Twitter内容的多样性，如果可能的话，还应该关注相关推文的有效性。