本文内容如下e-collection /主题问题:

数字健康评论(778) 信息流行病学和信息监控(1003) 电子卫生信息的质量/可信度和信任问题(371) 数字媒体中的信息质量(267) 信息监测，信息流行病学，数字疾病监测，信息管理(820) 信息监控和社会倾听(134)

发表在在第22卷， 4号(2020): 4月

本文的预印本(早期版本)可在https://preprints.www.mybigtv.com/preprint/16206，首次出版。
信息流行病学和信息监测:范围审查

信息流行病学和信息监测:范围审查

信息流行病学和信息监测:范围审查

本文作者:

喇叭花Mavragani1 作者:Orcid
文章 作者 引自(96) Tweetations (14) 指标

    审查

    斯特林大学自然科学学院计算科学与数学系，英国斯特林

    通讯作者:

    amarylis Mavragani，理学学士，理学硕士

    计算科学与数学系

    自然科学学院

    斯特林大学

    大学校园

    斯特林，fk94la

    联合王国

    电话:44 7523 782711

    电子邮件:amaryllis.mavragani1@stir.ac.uk


    背景:基于网络的资源越来越多地用于疾病和流行病的分析、检测和预测，以及预测人类对几个健康主题的行为。这种对互联网的使用被称为信息流行病学，这是冈瑟·艾森巴赫(Gunther Eysenbach)提出的概念。信息流行病学和信息监测研究使用基于网络的数据，在过去十年中已成为卫生信息学研究的一个组成部分。

    摘要目的:本文的目的是对信息流行病学的最新进展以及该概念的背景和历史进行范围审查，确定来源和健康类别和主题，详细说明所采用方法的有效性，并讨论当前研究中确定的差距。

    方法:遵循PRISMA(系统评价和荟萃分析首选报告项目)指南，从JMIR、PubMed和Scopus数据库中提取属于信息流行病学和信息监测范畴的出版物。共摘录了338份文件供评估。

    结果:在338项研究中，绝大多数(n=282, 83.4%)发表在JMIR Publications上。卡塔尔世界杯8强波胆分析《医学互联网研究杂志》收录了几乎一半的出版物(n=168, 49.7%)，而JMIR《公共卫生与监测》收录了超过五分之一的研究(n=74, 21.9%)。对这一主题的兴趣逐年增加，2018年的出版物占总出版物的四分之一以上(n=89, 26.3%)， 2017年和2018年的出版物合计占过去十年出版物总数的一半以上(n=171, 50.6%)。最受欢迎的来源是Twitter，占45.0% (n=152)，其次是Google，占24.6% (n=83)，网站和平台占13.9% (n=47)，博客和论坛占10.1% (n=34)， Facebook占8.9% (n=30)，其他搜索引擎占5.6% (n=19)。在被检查的对象中，病情和疾病占17.2% (n=58)，流行病和暴发占15.7% (n=53)，是本次综述中确定的最受欢迎的类别，其次是保健(n=39, 11.5%)、药物(n=40, 10.4%)和吸烟和酒精(n=29, 8.6%)。

    结论:信息流行病学领域越来越受欢迎，采用创新的方法和途径进行健康评估。利用基于网络的资源为我们提供了否则无法获得的信息，并解决了耗时的传统方法所产生的问题，这表明信息流行病学在卫生信息学研究中起着重要作用。

    医学与互联网学报，2020;22(4):16206

    doi: 10.2196/16206

    关键字

    大数据； infodemiology； infoveillance； 互联网； 审查； 基于网络的数据


    信息流行病学(即信息流行病学)是卫生信息学的一个领域，定义为“研究信息在电子媒介，特别是互联网或人群中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“(1]。根据PubMed的搜索(即在标题上显示这个术语)，2002年Gunther Eysenbach首次正式提到了信息流行病学[2]。然而，信息流行病学研究(即使用基于网络的数据评估与健康有关的主题)[3.)可以一直追溯到1996年。2000年代又有两项研究使用了PubMed这个术语:2004年的一项研究评估了医院网站的质量[4]， 2006年的一项研究表明，来自谷歌的流感数据与流感病例相关[5]。

    2009年以后出现了大量的信息流行病学出版物，在Bernardo等人的范围审查中发现了该主题的第一次完整的介绍和评估[6在信息流行病学和信息监控研究的主要卡塔尔世界杯8强波胆分析出版商JMIR出版。

    社交媒体和搜索查询是从基于web的资源中检索信息的最流行的来源。社交媒体的使用不断扩大[7]，有更多的用户，包括更多的功能。搜索查询数据亦有重要价值，因为它们考虑的是已显示而非陈述的用户偏好[8，9]，但在设计方法时应谨慎，以确保结果的有效性[10]。

    信息流行病学中流行的社交媒体数据源包括Twitter [11-17]， Facebook [18-22]和Instagram [23，24]。来自搜寻引擎的查询大多由Google Trends [25-32]，以及Yandex [33-35]、百度[36，37]， Bing [38]，雅虎[39]和Daum [40，41]。其他受欢迎的来源包括网站和平台[42-45];博客、论坛和网上社区[46-52];而且，最近受到关注的是，某些健康类别的移动应用程序(如哮喘)[53]和心力衰竭自我护理管理[54])。将两个或多个来源(如Facebook和Instagram)结合在一起显示出重要的重点[55]、Facebook和Twitter帖子[56]、美国报纸媒体和Facebook [57]，谷歌和维基百科[58]。

    使用基于网络的资源提供了对实时信息的评估，无论是来自Twitter, Google还是其他社交媒体和搜索查询。对于通过登记、问卷或调查等传统方法获取的健康数据，进行分析和评估可能需要时间。因此，使用上述方法的临近预报并不是微不足道的。然而，基于网络的(实时)数据已被证明对某些疾病、疫情和流行病的分析和预测有重大贡献。

    因此，卫生信息学的这一特定部分受益于信息流行病学。特别是，研究最多的疾病之一是流感，并且已采用若干数据来源来预测和评估与流感相关的主题[39，40，59-76]。使用信息流行病学和信息监测方法分析和评估的流行病和传染病包括艾滋病毒/艾滋病[77-79]，麻疹[80-83]和寨卡病毒[84-87]。

    资讯流行病学课题亦已成为若干检讨的研究课题，例如可治愈的性传播疾病[88]和精神健康障碍[89]，以及搜索查询、社交媒体等数据源[6]、手机应用程序[90]，推特[91]，谷歌趋势[92]。

    信息流行病学通过对一系列主题的分析对健康评估作出了贡献。具体而言，信息流行病学和信息监测领域的流行类别包括毒品[39，93，94]，大麻[95-97]、抑郁和自杀[98-108]、吸烟和烟草[109-116]、电子烟(电子烟)[117-126]和水烟[127-130]。就慢性疾病而言，糖尿病的评估[131-136]及多发性硬化症[137，138]受益于信息流行病学和信息监控研究。其他课题包括乳癌[139-142];健康与饮食[143-146];卫生保健绩效、评价和传播[147，148];及人类乳头瘤病毒(HPV) [149-154]。

    本综述旨在更新和扩展2013年Bernardo等人的范围综述[6]。上述综述的作者提供了一个结构良好的概述，说明到目前为止信息流行病学是如何应用于卫生信息学研究的，但很明显，该领域的大量研究是在过去几年中发表的。这一主题的最新情况对于确定过去十年中信息流行病学与传统监测方法、所使用的主要网络资源以及已探索的个别卫生类别和主题相比如何对卫生信息学作出贡献具有重要意义。除了确定信息流行病学研究的“指标”(即出版物数量、专题、期刊和出版商以及数据来源)外，本综述旨在确定信息流行病学和信息监测的优点、缺点以及价值和有效性。


    为甄选资讯流行病学及资讯监察范畴的刊物，系统评审及荟萃分析(PRISMA)扩展范围评审的首选报告项目[155，156都被跟踪了。程序在PRISMA流程图中描述图1。

    在JMIR出版卡塔尔世界杯8强波胆分析物数据库中，检索到两个相关电子馆藏(电子馆藏)的所有论文:225篇来自“信息流行病学和信息监测”[157的电子收藏医学互联网研究杂志185来自“信息流行病学、信息监测和数字疾病监测”[158[商务英语电子托收公共卫生和监测。剔除重复和2篇文章类型合格性后，共提取227篇文章。接下来，根据对数据源(如“Twitter”、“谷歌趋势”和“谷歌流感趋势”)的搜索，从J卡塔尔世界杯8强波胆分析MIR出版物数据库中精心挑选出66份文件。根据文章类型排除10篇后，从JMIR数据库中精选出56篇。

    ‎
    图1所示。从JMIR、PubMed和Scopus中选择出版物的系统评价和元分析首选报告项目图表。
    查看此图

    接下来，在PubMed数据库中搜索2009年1月1日至2018年12月31日的“信息流行病学”一词，搜索字段为“标题-摘要”。搜索返回了94份文件。然后在同一时期和同一领域输入“信息监控”一词，搜索返回51份文件。重复共39篇，根据文章类型排除2篇;从PubMed数据库中提取了104篇文献。然后在Scopus数据库的“文章标题，摘要，关键词”字段中独立检索2009-2018年全年的术语“信息流行病学”和“信息监测”。搜索分别返回88个和43个文档(即总共131个)。在删除33个重复和4个文章类型标准的文档后，从Scopus数据库中提取了94个文档。

    总体而言，选择截至2018年12月PubMed中“标题/摘要”字段中包含“信息流行病学”或“信息监测”的所有研究，以及截至2018年Scopus中“文章标题、摘要、关键词”字段中包含“信息流行病学”或“信息监测”的所有研究。对于JMIR，两个相关电子文集中的所有文章，以及通过单个数据源搜索得到的文章，都被纳入本综述。文章仅根据文章类型合格性(例如，更正、勘误)被排除。从JMIR、PubMed和Scopus数据库中删除重复项后，从所有数据库中提取的文档总数为338篇。


    表A1多媒体附录1包括本综述中收录的338篇精选出版物，并显示作者姓名、出版年份、标题和用于分析的期刊。图2描绘了2009年至2018年各年的出版物数量。

    该学科的出版物数量逐年增加，2018年占总出版物338篇的四分之一以上(n=89, 26.3%)， 2017年和2018年的出版物总和占近十年出版物总数的一半以上(n=171, 50.6%)。

    ‎
    图2。信息流行病学与信息监测各年度出版物数量(2009-2018年)。
    查看此图

    这338项提取的研究共发表在57种期刊上。绝大多数关于信息流行病学和信息监测的研究发表在JMIR Publications上(n=282, 83.4%)。卡塔尔世界杯8强波胆分析具体来说,医学互联网研究杂志收录了近一半的出版物(n=168, 49.7%)公共卫生和监测几乎四分之一的研究(n= 74,21.9%)具有特征。

    图3由每个期刊发表的数量组成，在该主题上有>2篇论文。

    在该领域发表1篇以上论文的期刊包括:JMIR心理健康(n=9)、JMIR研究方案(n=7)、JMIR糖尿病(n=4)、JMIR癌症(n=3)、JMIR医学信息学(n=3)、JMIR儿科与育儿(n=3)、大数据杂志(n=2)、医学研究互动杂志(n=2)。

    表A2多媒体附录1由按所用数据源分类的338份出版物组成。图4按出版物的数量描述所检查的数据源的受欢迎程度(有些出版物使用多个数据源)。

    ‎
    图3。2009-2018年各期刊《信息流行病学与信息监测》出版物数量。电气与电子工程师协会;公共卫生和监测。
    查看此图
    ‎
    图4。按数据来源划分的出版物数量(2009-2018)。
    查看此图

    在338个出版物中，最受欢迎的来源是Twitter，占45.0% (n=152)，并且不断受到欢迎。其次是谷歌资源，占24.6% (n=83)，其次是网站和平台，占13.9% (n=47)，博客和论坛占10.1% (n=34)， Facebook占8.9% (n=30)，其他搜索引擎占5.6% (n=19)。谷歌类别主要包括使用谷歌趋势的出版物;尽管如此，以下谷歌工具也在一些出版物中被确定为主要数据源:谷歌流感趋势(n=6)、谷歌分析(n=2)、谷歌洞察(n=2)、谷歌关联(n=1)、谷歌健康(n=1)、谷歌新闻(n=1)、谷歌AdWords (n=1)、谷歌视频(n=1)和谷歌博客搜索(n=1)。

    “其他搜索引擎”类别包括必应(n=7)、百度(n=4)、Yandex (n=4)、Daum (n=2)和雅虎(n=3)，“其他社交媒体”类别包括YouTube (n=5)、Yelp (n=5)、Google+ (n=4)、Foursquare (n=1)、SoundCloud (n=1)、Tumblr (n=1)、Pinterest (n=1)和MySpace (n=1)。雅虎回答(n=2)被包括在博客、论坛和社区类别中。

    虽然在信息流行病学和信息监测中已经研究了许多健康主题，但有些主题明显更受欢迎。图5按出版物数量描绘了一般类别，而图A1为多媒体附录2由子类别的饼状图组成。本综述中按出版物数量确定的所有单独主题和子主题可在表A1中找到多媒体附录2。

    在本次审查审查的338份出版物中，最受欢迎的主题是条件和疾病，占17.2% (n=58)，流行病和暴发占15.7% (n=53)，其次是卫生保健，占11.5% (n=39)，药物，占10.4% (n=35)，吸烟和酒精，占8.6% (n=29)，以及心理健康，占8.3% (n=28)。传染病占8.0% (n=27)，癌症占6.8% (n=23)，也出现在一些出版物中。“饮食和健身”(占4.1%)和“母亲和孩子”(占2.7%)类别的受欢迎程度较低。

    ‎
    图5。按出版物数量划分的健康类别(2009-2018年)。
    查看此图

    主要研究结果

    在这一范围审查中，通过对现有文献的系统搜索，确定了信息流行病学和信息监测中最流行的基于网络的数据源以及研究最多的健康类别。

    时间线和日志

    结果显示，基于网络的数据在卫生信息学中的使用逐年显著增加，2009年至2018年的出版物中有一半是在过去几年发表的。就这一主卡塔尔世界杯8强波胆分析题的出版物数量而言，JMIR出版物数据库是最大的贡献者(n=282/338, 83.4%)，特别是考虑到最重要的信息流行病学期刊(即JMIR公共卫生与监测)是由JMIR出版物出版的。信息流行病学的概念是由Gunther Eysenbach于2002年提出的，自其诞生以来已经获得了重要的认可，很明显，它将在未来的几年里在健康信息学中发挥更重要的作用，特别是随着互联网普及率的提高和用户平均年龄的增加。

    数据来源和工具

    图6描述在审查期间最受欢迎的数据源的出版物数量的年度变化情况。显而易见的是，在过去的几年里，网络数据源的使用有了显著的增长，Twitter在健康信息学研究人员评估健康相关主题方面处于领先地位。

    尽管Twitter的用户数量越来越多，而且Twitter的使用率也明显高于谷歌，但Twitter仍存在不普及的局限性。它的优点包括它是官方报告和新闻(例如，政府，政治家)的出口，但一个重要的缺点是它不是被所有人使用;此外，并不是每个人都在网站上互动(比如，推文或转发)。对互联网搜索流量的分析——主要来自谷歌，但也来自其他搜索引擎(如必应、雅虎)——在某种意义上更为普遍，因为互联网普及率已经提高到大多数人都可以访问和使用互联网的程度，在搜索引擎中搜索关键词是最常用的互联网功能。除此之外，它还确保匿名性，认为它更可靠，因为它使用的是公开的而不是声明的用户偏好。但是，关键字(查询)的选择以及选择检索数据的方法要比使用Twitter复杂得多。此外，存在多个搜索引擎，因此，并不是关于各自所选主题的所有查询(数据)都可以检索到。

    另一方面，在过去几年中，使用Facebook和Instagram等其他社交媒体数据的出版物比例显著上升。这可能表明，年轻的互联网用户在使用社交媒体方面的偏好可能揭示了一种趋势，即使用上述平台而不是原始搜索查询和网站。这一领域的研究人员应该密切关注互联网使用的任何潜在变化，以及用户的通信和年龄，以确保样本具有代表性，研究的目的是随着趋势的变化而变化，这一点与基于网络的数据是可能的。后者对于信息流行病学研究继续有效至关重要，应该给予重视。

    ‎
    图6。最受欢迎的数据源的出版物数量的年度变化(2009-2018年)。
    查看此图
    健康的话题

    很明显，到目前为止，已经研究了各种各样的主题。在本综述中确定的最受欢迎的主题是非法药物、乳腺癌、吸烟、健身、艾滋病毒/艾滋病、抑郁症、糖尿病、流感、HPV、多发性硬化症、寨卡病毒、自杀、性传播疾病和电子烟，并且对医院评级、患者经历、健康主题和医疗机构传播策略等卫生保健评估给予了极大的关注。

    方法包括临近预测流行病和疫情，监测传染病，评估慢性病，以及基本上所有传统监测方法的目标。因此，本综述的结果不仅表明基于网络的数据日益普及，而且表明它们对现有文献的重大贡献，以及信息流行病学在卫生信息学中的价值。

    优点和缺点

    使用基于网络的数据——信息流行病学的主要优势——的不同之处在于它解决了传统监测方法不能提供实时评估的问题。即使在卫生部门，与其他主题相比，数据通常是可用的，但卫生数据的收集、评估和发布有时也需要数年时间才能完成。对于慢性病等非传染性疾病来说，这不是一个大问题，但它使流行病和疫情的评估和预测变得复杂得多。

    与传统监控方法相比，信息监控的另一个显著优势是基于网络的数据提供的匿名性。在线搜索流量数据是完全匿名的，在大多数社交媒体和论坛上，个人可以选择匿名。通过这种方式，从所述来源检索的数据是显示的，而不是声明的偏好，这对于艾滋病或性病等敏感话题可能是一个加分项。

    尽管基于网络的数据源具有许多优点，但在使用信息流行病学数据源方面已确定了一些限制。使用基于网络的来源的主要缺点是数据可能受到突发事件或事件的影响，特别是在临近预报或观测数量较少的情况下，可能会提供有偏差的结果。同样，样本不能被证明具有代表性，特别是在评估在线搜索流量数据时;不过，随着互联网普及率的提高，这已不再是个问题。

    由于可以从网络资源中检索实时数据，疾病监测变得比传统方法快得多，而且网络资源还具有评估大量人口的好处，这与大多数基于从较小群体中检索数据的传统方法(如访谈或问卷调查)形成对比。总的来说，健康信息学未来的目标应该是将网络数据源与传统数据评估相结合，以提供更完整的评估。

    限制

    这项范围审查的主要限制是并非所有的信息流行病学论文都可以纳入。虽然为这项工作选择的出版物是彻底的，并遵循了适当的选择准则，并包括了信息流行病学论文的主要渠道(即JMIR出版物和PubMed)，但可能遗漏了一些出版物;卡塔尔世界杯8强波胆分析这是所有评审都有的限制。具体来说，使用两个最流行的信息流行病学来源(即Twitter和Google)的文章只在JMIR数据库中搜索。例如，使用Google Trends和Twitter的研究构成了大量相关文献，并且大量上述研究未被纳入，因为它们没有使用特定的搜索术语(即信息流行病学和信息监控);后者是与原版Bernardo等人的主要区别[6范围审查。然而，由于JMIR是此类主题出版物的主要出口，尽管使用信息流行病学和信息监测来源而不是信息流行病学或信息监测术语的出版物数量可能减少，但本范围审查对过去十年中该概念的发展进行了有价值的定性和定量概述，并确定了已使用和评估的主要来源和主题。未来的工作应侧重于扩大目前的结果，以及根据所使用的工具记录信息流行病学论文。由于按资料来源搜索会产生许多结果，因此应把重点放在今后按资料来源对该主题进行系统审查，例如使用Google Trends [92]。

    结论

    在过去十年中，在流行病学和疾病监测中使用基于网络的资源已被证明是有价值和有效的，并且本范围审查的结果清楚地指出了这一方向。数据来源涵盖各种各样的工具、社交媒体、平台、网站、博客和搜索引擎，研究最多的主题从慢性病流行到临近流行不等。信息流行病学和信息监测解决了传统评估方法中出现的几个问题，随着互联网普及率的提高，使用网络数据源进行健康评估可能是健康信息学的未来。

    利益冲突

    没有宣布。

    ‎
    多媒体附录1

    来自JMIR、Scopus和PubMed的信息流行病学和信息监测出版物(2009-2018)。

    PDF文件(adobepdf文件)，1420kb
    ‎
    多媒体附录2

    2009- 2018年信息流行病学和信息监测专题和分专题(#出版物)。

    PDF档案(adobepdf档案)，1430kb
    1. 信息流行病学和信息监控:一套新兴的公共卫生信息学方法框架，用于分析互联网上的搜索、交流和出版行为。[J]医学互联网研究，2009,27;11(1):11。［CrossRef] [Medline］
    2. 信息流行病学:(错误)信息的流行病学。美国医学杂志2002年12月;113(9):763-765。［CrossRef］
    3. 杨建军。信息流行病学与信息监测:在线健康信息与网络行为。中华预防医学杂志，2011;40(5增刊2):S154-S158。［CrossRef] [Medline］
    4. Kind T, Wheeler KL, Robinson B, Cabana MD。领先的儿童医院有高质量的网站吗?儿童医院网站的描述。[J] .中国医学信息学报，2004;6(2):920。［CrossRef] [Medline］
    5. 信息流行病学:在网络上追踪流感相关搜索以进行综合征监测。AMIA年会程序2006:244-248 [免费全文] [Medline］
    6. Bernardo TM, Rajic A, Young I, Robiadek K, Pham MT, Funk JA。对疾病监测的搜索查询和社交媒体的范围审查:创新年表。医学互联网杂志，2013;15(7):e147。［CrossRef] [Medline］
    7. 皮尤研究中心。社交媒体简报网址:https://www.pewinternet.org/fact-sheet/social-media/[2019-09-09]访问
    8. 马夫拉格尼A，察加拉基斯KP。预测大数据时代的公投结果。大数据学报2019年1月14日;6(1):e。［CrossRef］
    9. 马夫拉格尼A，察加拉基斯KP。是或否:使用谷歌趋势预测2015年公投结果。科技预测与社会变革2016;08:1-5。［CrossRef］
    10. 马夫拉格尼，奥乔亚。信息流行病学和信息监控的谷歌趋势:方法论框架。中华医学会公共卫生监测杂志2019年5月29日;5(2):e13439。［CrossRef] [Medline］
    11. 郭赵扁J, Y,萨卢姆RG, Y,王M, Prosperi M,等。利用社交媒体数据了解促销信息对外行人讨论的影响:lynch综合征的案例研究。医学与互联网学报，2017,12(12):414。［CrossRef] [Medline］
    12. 推特上的疫苗图片:分享图片的分析。医学互联网研究，2018年04月03日;20(4):e130。［CrossRef] [Medline］
    13. hswy, Naslund JA, Brownstein JS, Hawkins JB。监测精神分裂症Twitter用户关于自杀的在线讨论:探索性研究。中华医学杂志2018年12月13日;5(4):e11483。［CrossRef] [Medline］
    14. Odlum M, Yoon S, Broadwell P, Brewer R, Kuang D. Twitter如何支持艾滋病毒/艾滋病应对以实现2030年根除目标:对世界艾滋病日推文的深入专题分析。中华医学会公共卫生监测杂志2018年11月22日;4(4):e10262。［CrossRef] [Medline］
    15. 陈松，徐强，Buchenberger J, Bagavathi A, Fair G, Shaikh S，等。突发公共卫生事件中卫生机构反应和公众参与的动态:2016年寨卡疫情期间CDC推特模式的案例研究中华医学会公共卫生监测杂志2018年11月22日;4(4):e10827。［CrossRef] [Medline］
    16. 王晓明，王晓明，王晓明，等。基于微博间接信息的流感检测方法研究。JMIR公共卫生监测2018年9月25日;4(3):e65。［CrossRef] [Medline］
    17. 李建军，李建军，李建军，等。表征推特的数量和内容有关常见的健康状况在宾夕法尼亚州:回顾性分析。中华医学会公共卫生监测杂志，2018,12 (4):e10834。［CrossRef] [Medline］
    18. Saha K, Weber I, Birnbaum ML, De Choudhury M.利用Facebook广告估算来表征Facebook用户的精神分裂症意识。[J]医学互联网研究，2017,08;19(5):e156。［CrossRef] [Medline］
    19. Smith RJ, Crutchley P, Schwartz HA, Ungar L, Shofer F, Padrez KA，等。经过验证的患者健康状况的Facebook发布模式的变化:一项前瞻性队列研究。医学互联网研究，2017,06;19(1):7。［CrossRef] [Medline］
    20. Gittelman S, Lange V, Gotway Crawford CA, Okoro CA, Lieb E, dininggra SS，等。公共卫生监测的新数据来源:Facebook点赞。医学互联网研究，2015;17(4):e98。［CrossRef] [Medline］
    21. Keller MS, Park HJ, Cunningham ME, Fouladian JE, Chen M, Spiegel BMR。公众对在医疗保健中使用虚拟现实的看法:使用Facebook的社交媒体内容分析。医学互联网研究，2017;19(12):e419。［CrossRef] [Medline］
    22. Mejova Y, Weber I, Fernandez-Luque L.基于Facebook广告受众评估的美国在线健康监测:评估研究。JMIR公共卫生监测2018年3月28日;4(1):e30。［CrossRef] [Medline］
    23. Cherian R, Westbrook M, Ramo D, Sarkar U. Instagram上可待因滥用的表现:内容分析。JMIR公共卫生监测2018年3月20日;4(1):e22。［CrossRef] [Medline］
    24. Muralidhara S, Paul MJ。#健康自拍:在Instagram上探索健康话题。中华医学会公共卫生监测杂志2018年6月29日;4(2):e10150。［CrossRef] [Medline］
    25. Phillips CA, Barz Leahy A, Li Y, Schapira MM, Bailey LC, Merchant RM。美国州级Google在线搜索量与癌症发病率的关系:回顾性研究医学与互联网学报，2018,08;20(1):6。［CrossRef] [Medline］
    26. 使用Google趋势的系统性红斑狼疮的信息流行病学。狼疮学报，2017;26(8):886-889。［CrossRef] [Medline］
    27. Seidl S, Schuster B, r th M, Biedermann T, Zink A.德国人想了解皮肤癌的哪些方面?2013年至2017年的全国谷歌搜索分析。医学互联网学报，2018,02;20(5):e10327。［CrossRef] [Medline］
    28. 王慧，陈东，于海，陈勇。用Google趋势预测痴呆发病率及痴呆相关门诊就诊:来自台湾的证据。医学互联网研究，2015年11月19日;17(11):e264。［CrossRef] [Medline］
    29. 张建军，张建军，张建军，等。带状疱疹疫苗接种的研究进展。中华医学会公共卫生监测杂志2018;4(2):e10180。［CrossRef] [Medline］
    30. 李建平，李建平。传染病信息监测的研究进展。大数据学报2018年9月6日;5(1):30。［CrossRef］
    31. 马夫拉格尼A, Sampri A, Sypsa K, Tsagarakis KP。在美国医疗保健系统中整合智能健康:谷歌时代哮喘监测的信息流行病学研究。JMIR公共卫生监测2018年3月12日;4(1):e24。［CrossRef] [Medline］
    32. 张震，郑旭，曾德东，雷士杰。使用搜索查询监视进行跟踪:美国的案例研究。医学互联网研究，2016年9月16日;18(9):e252。［CrossRef] [Medline］
    33. Zheluk A, Gillespie JA, Quinn C.寻找真相:互联网搜索模式作为调查俄罗斯非法药物政策辩论在线反应的方法。医学与互联网学报，2012;14(6):e165。［CrossRef] [Medline］
    34. Zheluk A, Quinn C, Meylakhs P.俄罗斯联邦的互联网搜索和krokodil:一项信息监控研究。医学互联网学报，2014,Sep 18;16(9):e212。［CrossRef] [Medline］
    35. 张建军，张建军，张建军，张建军，等。中国性传播感染的网络监测。国际公共卫生杂志2014;59(5):841-849。［CrossRef] [Medline］
    36. Agarwal V，张磊，朱军，方森，程涛，洪超，等。通过网络搜索行为预测医疗保健利用的影响:数据驱动分析。医学互联网研究，2016年9月21日;18(9):e251。［CrossRef] [Medline］
    37. 杨红，李生，孙磊，张欣，侯军，王勇。中国环境细颗粒物对公众肺癌风险认知的影响:来自互联网大数据平台的证据。中华医学会公共卫生监测2017年10月03日;3(4):e64。［CrossRef] [Medline］
    38. Cartwright AF, Karunaratne M, Barr-Walker J, Johns NE, Upadhyay UD。确定全国堕胎护理的可用性和与美国主要城市的距离:系统的在线搜索。[J]医学互联网研究，2018;20(5):e186。［CrossRef] [Medline］
    39. 无试验成本的上市后药物监测:通过大规模网络搜索查询分析发现药物不良反应。医学互联网学报，2013,18;15(6):e124。［CrossRef] [Medline］
    40. 徐东，赵敏，孙昌，申顺，李军，余敏，等。利用搜索引擎数据进行流感监测的累积查询方法。医学互联网学报，2014;16(12):e289。［CrossRef] [Medline］
    41. 吸引H,曹Y,垫片E,李J,李C,金正日SH。估计流感疫情同时使用搜索引擎查询数据和社交媒体数据在韩国。医学互联网研究，2016年7月4日;18(7):e177。［CrossRef] [Medline］
    42. 梁睿，郭华，潘欣。中国社交媒体用户对远程医疗和移动医疗的认知:探索性研究。JMIR移动健康Uhealth 2018 Sep 25;6(9):e181。［CrossRef] [Medline］
    43. 李强，王超，刘锐，王磊，曾德东，雷士杰。从社交媒体了解用户的电子烟体验:使用情绪意见总结技术的初步研究。医学与互联网研究，2018;15;20(8):e252。［CrossRef] [Medline］
    44. Sadah SA, Shahbazi M, Wiley MT, Hristidis V.基于网络的健康相关社交媒体用户的人口统计研究。医学互联网研究，2015年8月6日;17(8):e194。［CrossRef] [Medline］
    45. 沙达，沙赫巴兹M，威利MT, Hristidis V.基于人口统计学的健康相关社交媒体内容分析。医学互联网研究，2016年6月13日;18(6):e148。［CrossRef] [Medline］
    46. A, Falissard B.在线健康社区中关于停止抗抑郁药和抗焦虑药的主要关注:一种文本挖掘方法。中华医学杂志2017年10月23日;4(4):e48。［CrossRef] [Medline］
    47. Abdellaoui R, sch ck S, Texier N, Burgun A.过滤实体优化社交媒体药物不良反应识别:信息中实体之间的字数如何帮助?中华医学会公共卫生监测杂志2017年6月22日;3(2):e36。［CrossRef] [Medline］
    48. 刘建军，刘建军，刘建军，刘建军。基于主题模型的患者论坛帖子对药物治疗不依从性的检测。医学互联网学报，2018;14;20(3):85。［CrossRef] [Medline］
    49. Dyson MP, Newton AS, Shave K, Featherstone RM, Thomson D, Wingert A，等。社交媒体对Cochrane儿童健康证据传播的评价研究医学互联网学报，2017,01;19(9):e308。［CrossRef] [Medline］
    50. 郑勇，胡春春，郑东，金敏。网络健康社区医院服务质量关键因素的研究。医学互联网研究，2015年04月07日;17(4):e90。［CrossRef] [Medline］
    51. 高志强，高志强，高志强，高志强。网络日志中脑卒中体验的性别差异研究。医学互联网学报，2014,19;16(3):e84。［CrossRef] [Medline］
    52. 孔海姆-卡尔克斯坦YL, Miron-Shatz T，以色列LJ。妇女如何评估分娩挑战:基于网络的分娩故事分析。中华儿科杂志2018年12月18日;1(2):12206。［CrossRef] [Medline］
    53. Tinschert P, Jakob R, Barata F, Kramer J, Kowatsch T.手机应用程序改善哮喘自我管理的潜力:对公开可用和广泛采用的哮喘应用程序的回顾。JMIR移动医疗Uhealth 2017 Aug 02;5(8):e113。［CrossRef] [Medline］
    54. 杨建军，张建军，张建军，等。手机应用程序支持心衰自我护理管理的综合评价。中华医学会心脏科杂志2018;02;2(1):e10057。［CrossRef] [Medline］
    55. Hendriks H, Van den Putte B, Gebhardt WA, Moreno MA。社交媒体上的社交饮酒:对Facebook和Instagram上与酒精相关的帖子的社交方面的内容分析。医学互联网学报，2018;20(6):e226。［CrossRef] [Medline］
    56. Roccetti M, Marfia G, Salomoni P, Prandi C, Zagari RM, Gningaye Kengni FL，等。克罗恩病患者的态度:Facebook和Twitter帖子的信息流行病学案例研究和情绪分析。中华医学会公共卫生监测2017年8月9日;3(3):51。［CrossRef] [Medline］
    57. Manchaiah V, Ratinaud P, Andersson G.耳鸣在美国报纸媒体和Facebook页面上的表现:二手数据的横断面分析。中华医学杂志，2018,08;7(1):9。［CrossRef] [Medline］
    58. 关于一种疾病，谷歌和维基百科能告诉我们什么?系统性红斑狼疮的大数据趋势分析。国际医学杂志2017年11月;107:65-69。［CrossRef] [Medline］
    59. Sharpe JD, Hopkins RS, Cook RL, Striley CW。使用贝叶斯变点分析评估Google、Twitter和Wikipedia作为流感监测工具:一项比较分析。中华医学会公共卫生监测杂志2016年10月20日;2(2):161。［CrossRef] [Medline］
    60. 王晓东，王晓东，王晓东，等。eHealth数据源在地方流感监测中的表现:一项为期5年的开放队列研究医学互联网研究，2014年4月28日;16(4):e116。［CrossRef] [Medline］
    61. 刘建军，刘建军，刘建军，刘建军。使用社交媒体内容估计英国新的儿科流感疫苗接种计划的人口影响。医学互联网研究，2017,12,21;19(12):e416。［CrossRef] [Medline］
    62. Aslam AA, Tsou M, Spitzberg BH, An L, Gawron JM, Gupta DK，等。推特作为季节性流感监测补充方法的可靠性。医学与互联网杂志，2014,11,14;16(11):e250。［CrossRef] [Medline］
    63. Baltrusaitis K, Santillana M, Crawley AW, Chunara R, Smolinski M, Brownstein JS。参与性疾病监测系统“你身边的流感”中参与者随访的决定因素和代表性的表征。中华医学会公共卫生监测杂志2017年4月7日;3(2):e18。［CrossRef] [Medline］
    64. Broniatowski DA, Dredze M, Paul MJ, Dugas a .利用社交媒体在市中心医院进行当地流感监测:一项回顾性观察研究。中华医学会公共卫生监测杂志，2015;1(1):5。［CrossRef] [Medline］
    65. 陈斌，邵军，刘凯，蔡刚，姜志，黄勇，等。吃鸡爪泡椒会导致禽流感吗?H7N9禽流感暴发期间中国社交媒体的观察案例研究中华医学会公共卫生监测杂志2018年3月29日;4(1):e32。［CrossRef] [Medline］
    66. 顾华，陈斌，朱华，姜涛，王旭，陈磊，等。互联网监测在突发公共卫生事件控制和预防中的重要性:来自甲型H7N9禽流感暴发期间数字流行病学研究的证据医学与互联网杂志，2014,17(1):16 - 20。［CrossRef] [Medline］
    67. 刘建军，李建军，李建军，李建军，等。甲型H1N1流感天然补充剂的研究进展。医学互联网学报，2011;13(2):e36。［CrossRef] [Medline］
    68. Kagashe I, Yan Z, Suheryani I.加强季节性流感监测:利用Twitter数据对广泛使用的药物进行主题分析。医学互联网研究，2017年9月12日;19(9):e315。［CrossRef] [Medline］
    69. Kandula S, Hsu D, Shaman J.使用搜索趋势的季节性流感分区域临近预报。医学互联网研究，2017年11月6日;19(11):e370。［CrossRef] [Medline］
    70. Klembczyk JJ, Jalalpour M, Levin S, Washington RE, Pines JM, Rothman RE，等。谷歌流感趋势空间变异性验证对急诊室流感相关访问。医学互联网研究，2016年6月28日;18(6):e175。［CrossRef] [Medline］
    71. 卢福生，侯森，Baltrusaitis K, Shah M, Leskovec J, Sosic R，等。使用新型互联网数据流的准确流感监测和预测:波士顿大都会的案例研究。中华医学会公共卫生监测杂志2018年1月9日;4(1):1 - 4。［CrossRef] [Medline］
    72. 毛超，吴霞，付霞，狄敏，于莹，袁军，等。2013年初以来中国H7N9禽流感暴发的网络流行病学调查医学互联网研究，2014,Sep 25;16(9):e221。［CrossRef] [Medline］
    73. FluBreaks:基于谷歌流感趋势的早期流行病检测。医学与互联网学报，2012;14(5):e125。［CrossRef] [Medline］
    74. 刘建军，刘建军，刘建军，等。结合机器学习方法的医院大数据实时流感监测:对比研究。中华医学会公共卫生监测杂志2018年12月21日;4(4):11361。［CrossRef] [Medline］
    75. Samaras L, García-Barriocanal E, Sicilia M.使用网络数据的综合征监测模型:使用谷歌趋势的希腊和意大利流感病例。中华医学会公共卫生监测杂志2017年11月20日;3(4):e90。［CrossRef] [Medline］
    76. 分析Twitter和网络查询对流感趋势的预测。理论生物医学模型2014年5月07日;11供应1:S6 [免费全文] [CrossRef] [Medline］
    77. Adrover C, Bodnar T, Huang Z, Telenti A, salath M.使用Twitter识别HIV药物治疗的不良反应和相关情绪。中华医学会公共卫生监测杂志，2015;1(2):e7。［CrossRef] [Medline］
    78. 张建军，张建军，张建军。俄罗斯联邦人体免疫缺陷病毒的因特网搜索模式和数字鸿沟:信息监测研究。医学互联网研究，2013,11,15(11):e256。［CrossRef] [Medline］
    79. 马夫拉加尼A，奥乔亚G.利用在线搜索流量数据预测美国艾滋病流行。大数据学报2018年05月19日;5(1):5。［CrossRef］
    80. 李建军，李建军，李建军，等。疾病检测还是民意反映?2013年荷兰麻疹爆发期间推特、其他社交媒体和在线报纸的内容分析。医学互联网学报，2015;17(5):e128。［CrossRef] [Medline］
    81. Radzikowski J, Stefanidis A, Jacobsen KH, Croitoru A, Crooks A, Delamater PL.推特上的麻疹疫苗接种叙事:定量分析。JMIR公共卫生监测2016;2(1):e1。［CrossRef] [Medline］
    82. 杜军，唐磊，向勇，支东，徐军，宋辉，等。2015年麻疹疫情期间推文的公众感知分析:使用卷积神经网络模型的比较研究医学互联网学报，2018,07 (7):e236。［CrossRef] [Medline］
    83. 互联网与反疫苗运动:追踪2017年欧盟麻疹疫情。BDCC 2018 1月16日;2(1):2。［CrossRef］
    84. Farhadloo M, Winneg K, Chan MS, Hall Jamieson K, Albarracin D. Twitter上讨论话题与寨卡病毒相关态度、知识和行为的调查措施的关联:美国的概率研究。JMIR公共卫生监测2018年2月09日;4(1):e16。［CrossRef] [Medline］
    85. Majumder MS, Santillana M, Mekaru SR, McGinnis DP, Khan K, Brownstein JS。利用非传统数据源近实时估计2015-2016年哥伦比亚寨卡病毒病暴发期间的传播动态。中华医学会公共卫生监测杂志2016;2(1):e30。［CrossRef] [Medline］
    86. Miller M, Banerjee T, Muppalla R, Romine W, Sheth a。关于其症状、治疗、传播和预防的探索性研究。中华医学会公共卫生监测杂志2017年6月19日;3(2):e38。［CrossRef] [Medline］
    87. 张建军，张建军，李建军，等。推特上的寨卡病毒:地点、演员和概念的时间变化。中华医学会公共卫生监测杂志2017年4月20日;3(2):e22。［CrossRef] [Medline］
    88. 王晓明，王晓明，王晓明，等。基于web2.0的性传播疾病预防研究进展。医学互联网研究，2018年3月22日;20(3):113。［CrossRef] [Medline］
    89. 王晓明，王晓明，王晓明，等。社交媒体时代心理健康障碍研究综述。[J]医学互联网研究，2017,29;19(6):e228。［CrossRef] [Medline］
    90. 杨建军，张建军，张建军，等。手机应用程序支持心衰自我护理管理的综合评价。中华医学会心脏科杂志2018;02;2(1):e10057。［CrossRef] [Medline］
    91. Gohil S, Vuik S, Darzi A.卫生保健推文的情感分析:所用方法的回顾。中华医学会公共卫生监测杂志2018年4月23日;4(2):e43。［CrossRef] [Medline］
    92. 马夫拉格尼A, Ochoa G, Tsagarakis KP。评估谷歌趋势研究中的方法、工具和统计方法:系统回顾。医学互联网研究，2018年11月6日;20(11):e270。［CrossRef] [Medline］
    93. 刘建军，张建军，张建军，等。基于微博的社交圈子与处方药滥用研究。医学互联网研究，2013;06;15(9):e189。［CrossRef] [Medline］
    94. Katsuki T, Mackey TK, Cuomo R.建立处方药滥用与非法在线药店之间的联系:对Twitter数据的分析。医学互联网学报，2015,12,17(12):e280。［CrossRef] [Medline］
    95. peper NC, Baumgartner PM, Chew RF, Hsieh YP, Bieler GS, Bobashev GV，等。加州大麻药房网络的推特行为模式。医学互联网研究，2017,04;19(7):e236。［CrossRef] [Medline］
    96. 与大麻消费相关的不良反应从搜索引擎查询中可以看出。中华医学会公共卫生监测杂志2017年10月26日;3(4):e77。［CrossRef] [Medline］
    97. Cavazos-Rehg P, Krauss M, Grucza R, Bierut L.描述一个关注大麻的推特账号的关注者和推文。医学与互联网杂志，2014,27;16(6):e157。［CrossRef] [Medline］
    98. Ricard BJ, Marsch LA, Crosier B, Hassanpour S.社区生成的社交媒体内容在抑郁症检测中的效用:对Instagram的分析研究。[J]医学互联网研究，2018年12月6日;20(12):11817。［CrossRef] [Medline］
    99. brobrook EM, Kern ML, Fulcher BD, Rickard NS。从基于语言的情绪动态预测抑郁:对Facebook和Twitter状态更新的纵向分析。[J]医学互联网研究，2018,08;20(5):e168。［CrossRef] [Medline］
    100. 张建军，张建军，张建军，等。抑郁相关健康信息搜索的日变化:基于谷歌趋势数据的芬兰个案研究。中华医学杂志;2018年5月23日;5(2):e43。［CrossRef] [Medline］
    101. DeJohn AD, Schulz EE, Pearson AL, Lachmar EM, Wittenborn AK。识别和理解使用Twitter联系抑郁症的社区:横断面研究。[j] .中华医学杂志，2018年11月5日;5(4):61.]［CrossRef] [Medline］
    102. 郑慧，朴慧，宋涛。基于本体的社会数据情感分析方法:青少年抑郁信号的检测。医学与互联网杂志，2017;19(7):e259。［CrossRef] [Medline］
    103. Lachmar EM, Wittenborn AK, Bogen KW, McCauley HL。#MyDepressionLooksLike:在Twitter上调查关于抑郁症的公共话语。中华医学杂志，2017;10(4):43。［CrossRef] [Medline］
    104. M, King K, Turnure J, Sukunesan S, Phelps A, Pirkis J.影响男性气质与自杀的对话:使用Twitter数据对Man Up多媒体活动的评估。中华医学杂志，2018年2月15日;5(1):14。［CrossRef] [Medline］
    105. 黄培文，傅康，邱汝生，马海红，罗勇，张生，等。在互联网上获取自杀相关信息:一项搜索行为的回顾性观察研究。医学互联网研究，2013,11,15(1):3。［CrossRef] [Medline］
    106. 张建军，张建军，张建军，张建军。验证Twitter数据的机器学习算法，以对抗已建立的自杀率指标。中华医学会心理健康杂志2016年5月16日;3(2):e21。［CrossRef] [Medline］
    107. 程强，李天明，郭翀，朱婷，叶培平。中国社交媒体中自杀风险与情绪困扰的评估:文本挖掘和机器学习研究。医学与互联网学报，2017;19(7):943。［CrossRef] [Medline］
    108. 李丹，李海，崔m。研究过去取向与美国自杀率之间的关系:基于大数据驱动的谷歌搜索查询的分析。医学互联网研究，2016;18(2):35。［CrossRef] [Medline］
    109. Rose SW, Jo CL, Binns S, Buenger M, Emery S, Ribisl KM。Twitter用户对薄荷香烟的看法:内容和情绪分析。医学互联网研究，2017年2月27日;19(2):56。［CrossRef] [Medline］
    110. Ayers JW, Westmaas JL, Leas EC, Benton A, Chen Y, Dredze M，等。利用大数据改善健康意识运动:对美国大禁烟的新评估。中华医学会公共卫生监测杂志，2016;2(1):e16。［CrossRef] [Medline］
    111. 范奥延h，萨格斯S, Brand A，范奥延H.通过社交媒体传播基因和吸烟:我们还在那里吗?医学互联网研究，2013,09;15(9):e198。［CrossRef] [Medline］
    112. Duke JC, Hansen H, Kim AE, Curry L, Allen J.国家烟草控制项目使用社交媒体促进戒烟:一项横断面研究。医学互联网杂志，2014;16(7):e169。［CrossRef] [Medline］
    113. Myslín M，朱s，查普曼W，康威M.使用twitter调查吸烟行为和新兴烟草产品的认知。医学与互联网杂志，2013,29;15(8):e174。［CrossRef] [Medline］
    114. Rocheleau M, Sadasivam RS, Baquis K, Stahl H, Kinney RL, Pagoto SL，等。戒烟推特账户中社会和情感支持的观察性研究:推特内容分析。医学互联网杂志，2015,14;17(1):e18。［CrossRef] [Medline］
    115. Lienemann BA, Unger JB, Cruz TB, Chu K.烟草相关Twitter数据的编码方法:一个系统综述。医学互联网研究，2017;31;19(3):91。［CrossRef] [Medline］
    116. 陈建军，陈建军，陈建军。烟草及其相关产品:产品开发的早期检测、营销策略和消费者兴趣。JMIR公共卫生监测2018年5月28日;4(2):e55。［CrossRef] [Medline］
    117. 张勇，刘锐，李强，曾德东。电子烟用户生成内容的主题识别:基于多社交媒体平台的案例研究。医学与互联网学报，2017;19(1):24 - 24。［CrossRef] [Medline］
    118. Allem J, Ferrara E, Uppu SP, Cruz TB, Unger JB。基于社交媒体数据的电子烟监控:社交机器人、新兴话题和趋势。中华医学会公共卫生监测杂志2017年12月20日;3(4):98。［CrossRef] [Medline］
    119. Chen AT, Zhu S, Conway M.网络社区可以告诉我们电子烟和水烟的使用:一项使用文本挖掘和可视化技术的研究。医学互联网研究，2015年9月29日;17(9):e220。［CrossRef] [Medline］
    120. 朱凯，西杜AK，华莲TW。电子烟在线营销:多站点、多产品对比。中华医学会公共卫生监测杂志，2015;1(2):11。［CrossRef] [Medline］
    121. 李建军，张建军，张建军，等。社交聆听:Twitter上电子烟讨论的内容分析。医学与互联网学报，2015;17(10):943。［CrossRef] [Medline］
    122. Cole-Lewis H, Varghese A, Sanders A, Schwarz M, Pugatch J, Augustson E.使用监督机器学习评估电子烟相关推文的情绪和内容。医学互联网研究，2015年8月25日;17(8):e208。［CrossRef] [Medline］
    123. Harris JK, moeland - russell S, Choucair B, Mansour R, Staub M, Simmons K.推特支持和反对公共卫生政策:对芝加哥公共卫生部电子烟推特运动的回应。医学与互联网学报，2014;16(10):838。［CrossRef] [Medline］
    124. 金爱华，霍珀T，辛普森S, Nonnemaker J, Lieberman AJ, Hansen H，等。利用Twitter数据获取电子烟营销和使用地点的洞察:一项信息监控研究。医学互联网研究，2015年11月6日;17(11):e251。［CrossRef] [Medline］
    125. Kim A, Miano T, Chew R, Eggers M, Nonnemaker J.推特用户关于电子烟的分类。JMIR公共卫生监测2017 9月26日;3(3):e63。［CrossRef] [Medline］
    126. Lazard AJ, Saffer AJ, Wilcox GB, Chung AD, Mackert MS, Bernhardt JM。电子烟社交媒体信息:对Twitter上营销和消费者对话的文本挖掘分析。中华医学会公共卫生监测杂志2016;12 (2):e171。［CrossRef] [Medline］
    127. Allem J, Ramanujam J, Lerman K, Chu K, Boley Cruz T, Unger JB。识别Twitter上与水烟相关的帖子的情绪。中华医学会公共卫生监测杂志2017年10月18日;3(4):e74。［CrossRef] [Medline］
    128. 李国强，李国强，李国强。追踪纽约的水烟吧:利用Yelp作为一个强大的公共卫生工具。中华医学会公共卫生监测杂志，2015;1(2):e19。［CrossRef] [Medline］
    129. 张勇，Allem J, Unger JB, Boley Cruz T. Instagram上水烟(水管)自动识别:基于卷积神经网络和支持向量机分类的特征提取应用。医学互联网学报，2018,11,21 (11):e10513。［CrossRef] [Medline］
    130. Allem J, Dharmapuri L, Leventhal AM, Unger JB, Boley Cruz T.从2017年到2018年Twitter上与水烟相关的帖子:主题分析。医学互联网学报，2018年11月19日;20(11):11669。［CrossRef] [Medline］
    131. 刘勇，梅强，哈诺尔达，郑坤，李建民。糖尿病社区使用社交媒体:对糖尿病相关推文的探索性分析。JMIR糖尿病2016年11月07日1(2):e4。［CrossRef] [Medline］
    132. M, Park SB, Maison I, Mody V, Soh LS, Parihar HS。基于iOS应用商店的糖尿病管理手机应用程序:用于药物依从性的潜力。中华医学会糖尿病杂志2017年7月11日;2(2):e12。［CrossRef] [Medline］
    133. 王志强，王志强，王志强。一种识别1型糖尿病儿童抚养障碍和促进因素的新方法:对护理者博客的定性分析。中华医学会糖尿病杂志2017年10月26日;2(2):27。［CrossRef] [Medline］
    134. 李建军，李建军，李建军，等。Twitter上关于高血压和糖尿病的隐喻内容分析:探索性混合方法研究中国糖尿病杂志2018年12月21日;3(4):e11177。［CrossRef] [Medline］
    135. 徐旭，李志强，李志强，李志强，等。通过Facebook帖子预测糖尿病前期:一项混合方法研究的协议。核磁共振成像学报，2018;7(12):e10720。［CrossRef] [Medline］
    136. 王晓明，王晓明，王晓明，等。面向糖尿病患者的移动应用系统评价及易用性评价。医学互联网研究，2014年04月09日;16(4):e104。［CrossRef] [Medline］
    137. 刘建军，刘建军，刘建军，刘建军，刘建军。慢性脑脊髓静脉功能不全的临床研究进展。医学互联网研究，2015,01;17(7):e159。［CrossRef] [Medline］
    138. Risson V, Saini D, Bonzani I, Huisman A, Olson M.活跃于社交媒体的美国多发性硬化症患者治疗转换模式:社交媒体内容分析在健康结局研究中的应用。医学互联网研究，2016年3月17日;18(3):e62。［CrossRef] [Medline］
    139. Tapi Nzali MD, Bringay S, Lavergne C, Mollevi C, Opitz T.患者可以告诉我们的:社交媒体对乳腺癌的话题分析。中华医学杂志2017年7月31日;5(3):e23。［CrossRef] [Medline］
    140. Vasconcellos-Silva PR, Carvalho DBF, Trajano V, de La Rocque LR, Sawada ACMB, Juvanhol LL。利用谷歌趋势数据研究巴西公众对乳腺癌筛查的兴趣:为什么不选择一个粉红色的二月?中华医学会公共卫生监测杂志2017年4月6日;3(2):e17。［CrossRef] [Medline］
    141. M, Chetlen A, Segel J, Schetter S. Facebook上乳房x光检查和乳腺癌术语的私人提及和分享频率:一项初步研究。医学互联网研究，2017;09;19(6):e201。［CrossRef] [Medline］
    142. Jones J, Pradhan M, Hosseini M, Kulanthaivel A, Hosseini M.基于网络的乳腺癌论坛案例研究:将患者生成的数据聚类到可操作主题的新方法。中华医学杂志2018年11月29日;6(4):45 - 45。［CrossRef] [Medline］
    143. vicky T, Breslin JG。健身推文的网络影响力与情感:两百万条健身推文分析中华医学会公共卫生监测杂志2017年10月31日;3(4):882。［CrossRef] [Medline］
    144. Edney S, Bogomolova S, Ryan J, Olds T, Sanders I, Maher C.在社交媒体上开展引人注目的健康促进活动:来自Fitbit和Garmin的观察和教训。医学互联网学报，2018,12 (12):e10911。［CrossRef] [Medline］
    145. 马登公里。关于运动和减肥的健康思考的季节性周期性:生态学相关性研究。中华医学会公共卫生监测杂志2017年12月13日;3(4):92。［CrossRef] [Medline］
    146. 王宏，陈东。经济衰退与台湾肥胖相关网路搜寻行为:基于Google Trends资料的分析。JMIR公共卫生监测2018年4月6日;4(2):e37。［CrossRef] [Medline］
    147. Sugawara Y, Narimatsu H, Tsuya A, Tanaka A, Fukao A.医疗机构与Twitter:日本公共沟通的新工具。中华医学会公共卫生监测杂志，2016;2(1):e19。［CrossRef] [Medline］
    148. 徐松，Markson C, Costello KL，邢永青，Demissie K, Llanos AA。利用社会媒体促进公共卫生知识:以通过Twitter提高癌症意识为例。中华医学会公共卫生监测杂志，2016;2(1):e17。［CrossRef] [Medline］
    149. 李建军，阮东强，李建军，李建军，李建军。利用主题建模和社区检测表征Twitter上关于HPV疫苗的讨论。中国医学与互联网杂志，2016年8月29日;18(8):e232。［CrossRef] [Medline］
    150. 邓建军，周晓东，李建军，等。社交媒体上人乳头瘤病毒疫苗暴露与负面意见表达的相关性研究。医学互联网研究，2015;17(6):e144。［CrossRef] [Medline］
    151. Lama Y, Chen T, Dredze M, Jamison A, Quinn SC, Broniatowski DA。人乳头瘤病毒Twitter图像与美国人乳头瘤病毒风险和疾病差异之间的不一致:混合方法分析医学与互联网杂志2018年9月14日;20(9):e10244。［CrossRef] [Medline］
    152. 马宏明，唐涛，纪凯，等。围绕人乳头瘤病毒疫苗接种的公共卫生新闻的数字分布:纵向信息流行病学研究。公共卫生监测，2015;1(1):2。［CrossRef] [Medline］
    153. Massey PM, Leader A, yo - tov E, Budenz A, Fisher K, Klassen AC.应用多种数据收集工具量化Twitter上的人乳头瘤病毒疫苗传播。医学互联网研究，2016年12月5日;18(12):e318。［CrossRef] [Medline］
    154. Nakada H, Yuji K, Tsubokura M, Ohsawa Y, Kami M.日本人乳头瘤病毒疫苗接种国家协议的制定:一项信息流行病学研究。医学互联网研究，2014;15;16(5):e129。［CrossRef] [Medline］
    155. 棱镜。PRISMA语句URL:http://www.prisma-statement.org/PRISMAStatement/
    156. 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］
    157. 医学互联网研究杂志。电子合集“资讯流行病学与资讯监察”网址://www.mybigtv.com/themes/69
    158. 公共卫生和监测。电子合集“信息监测、信息流行病学和数字疾病监测”https://publichealth.www.mybigtv.com/collection/view/304

    ‎
    电子烟:电子香烟
    e-collections:电子集合
    人乳头状瘤病毒:人类乳头状瘤病毒
    棱镜:系统评价和荟萃分析的首选报告项目
    STD:性传播疾病

    G·艾森巴赫编辑;提交10.09.19;由T Bernardo, C Liang, L Sun, W Marlicz同行评审;对作者的评论02.02.20;收到05.02.20修订版本;接受08.02.20;发表28.04.20

    版权

    ©喇叭花Mavragani。原载于《医学互联网研究》(//www.mybigtv.com)， 2020年4月28日。

    这是一篇在知识共享署名许可(https://creativecommons.org/licenses/by/4.0/)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《医学互联网研究杂志》上，并适当引用。必须包括完整的书目信息，到//www.mybigtv.com/上原始出版物的链接，以及版权和许可信息。
    Baidu
    map