我们查询了谷歌Trends结膜炎术语和其他常见眼部疾病和治疗方法，以便进行比较。搜索词包括“结膜炎”、“眼睛模糊”、“白内障”、“红眼病”、“干眼症”、“水眼”、“青光眼”、“隐形眼镜”、“visine”和“lasik”。一个积极的控制术语，可能会表现出每小时和每星期的变化(“醉酒”)。数据是使用我们开发的Python (Python软件基金会)脚本获得的 Pytrends(用于访问谷歌Trends数据的常用应用程序编程接口)，使用pytrends获取历史每小时兴趣数据。应用程序编程接口[ 4， 6， 12］．每个术语和状态组合被单独查询。每个请求检索1周的每小时数据。将结果合并进行分析。使用此方法，查询中不指定类别，不使用引号，术语单独作为terms而不是as进行查询 主题．下载了美国人口最多的10个州(CA、FL、GA、IL、MI、NC、NY、OH、PA和TX) 2018年(查询时可用的最新完整年份数据)这些术语的小时搜索频率数据的相对搜索量(RSV)。在2019年8月26日这一周内，为每个状态项对查询和下载两次数据，以考虑随机抽样[ 36， 37］．通用协调时间被调整为每个状态的主要时区(只有FL、MI和TX包含多个时区)。得到的时间序列表示给定位置、时间段和期限的每小时RSV。然后将所有州的数据组合起来进行分析。

使用每个搜索词的小时RSV作为结果变量，我们对趋势进行了Serfling回归调整，如下所示[ 44- 46］．我们使用三阶正交多项式对自2018年1月1日以来的天数进行总体趋势调整。日效应用sin的形式来模拟 nωt,因为 nωt,在那里 ω= 2π/ 24,t时间是24小时制的吗 n= 1,…,4。我们分别估计了周末和工作日的日效应。

由于在单一时间出现的离群值可能会产生对日系数的偏差估计，因此我们包含了额外的术语来控制潜在的离群值(妨害术语)。我们可能会包含大量不同长度的此类术语，通过使用交叉验证的LASSO(最小绝对收缩和选择算子)来避免不可识别性，从而只选择少量此类术语[ 47］．这提供了一个简单的基于回归的过滤器，用于去除明显的流行和其他不规则的异常值。具体来说，异常值和局部(非周期性)偏离是由在给定间隔上取值1的项建模的，否则为0。具体来说，我们选择了形式1的项 x∈ 公里,k (m + 1) 1),在那里 米= 0,1,…, x是自2018年1月1日午夜以来的小时数，和 k取值为8、16、32、64和128，以及168(后者对应于一周的小时数)。我们还在敏感性分析中选择了其他区间，发现这些回归量的选择对结果影响不大;具体来说，我们选择了k=7、14、28、56、112和168小时的集合，以及9、18、36、72、144和168小时的集合。可以选择其他方法来过滤异常值，而不是选择这个回归过程。

对于统计分析，在对这些有害项进行模型选择后，使用普通最小二乘估计来估计趋势系数、离群值和三角系数。根据三角系数和截距，我们估计了圆形中值出现时间和幅均值比(与我们之前的分析相似，并使用R [R统计计算基础]包“圆形”)[ 39- 41］．由于日和周发生日数据为角度数据，我们使用圆形中位数时间来总结集中趋势;圆形中位数反映了峰值的发生(当数据近似为单峰时)。幅均值比测量周期，接近零的值表示周期变化小。标准误差和 P数值采用时间序列自举法确定，宽度固定为20小时[ 48- 50］．对于日循环模式， P小于0.001的值被认为是显著值。

对于数据可视化，对每个术语过滤后的时间序列数据的平均小时结果进行归一化，以便在极图中进行可视化比较(R包“ggplot”[ 51])。为了优化地展示图中每个术语的循环模式，通过将每个术语的每个小时的平均值除以具有最小平均值的小时的值，将每个术语的小时RSV归一化，以便RSV最小的小时以1.0的值绘制在离中心最近的位置，而相对搜索兴趣较高的小时则绘制在离中心更远的位置。由于值已经标准化，因此图并不表示一个词相对于另一个词的总搜索兴趣，而是表示词之间搜索兴趣的相对数量( 图1)，在个别学期( 图2)，或在个别学期的季节及平日与周末之间( 图3)．

这项研究获得了加州大学旧金山分校机构审查委员会的批准(14-14743)。

为了可视化每一项的循环日模式，每天每个时间点的平均RSV用标准化的24小时极坐标图表示(见方法) 图1．请注意，尽管大多数术语显示日模式，比例条形图 图1表明并非所有的术语都表现出相似的日强度。在 图2，每一项在一周中每一天的循环日模式以标准化极坐标24小时图表示。这些图表明，一些术语具有日循环特征，其模式在工作日和周末之间变化。中显示的术语具有统计上显著的每周一天模式、平均高峰日值和所有术语的其他每周一天特征 表1．在 图3，归一化极坐标24小时图表示每个学期、每个季节的工作日和周末的循环日模式。工作日组结果显示为实线，周末组结果显示为虚线。季节由颜色表示。这些图表表明，尽管大多数词汇在每个季节的日搜索和工作日搜索模式相似，但在某些情况下，特征随季节而变化。例如，在冬季和春季的几个小时里，“干眼”的RSV总体上更高，但在夏季周末也表现出强烈的早晨高峰，在冬季和春季周末，“水汪汪的眼睛”也是如此。

在平滑和去趋势之后，得到的数据集用于所有后续的统计分析和数据可视化。所有项的结果显示在 表1．第2-3列提供工作日和周末的循环中值时间，第4列提供工作日和周末之间的高峰时间差异。列5-6提供幅均值比。第7列提供了周末与工作日循环比的比较(值越接近零表示差异越大，负值表示工作日循环强度越强，置信区间越过零表示差异不显著)。

所有季节的日循环模式均在工作日和周末显著( P<。所有条款均为001)。特征因搜索词而异。在与眼睛相关的术语中，“红眼”具有最强的基于幅均值比的日循环模式，较强的信号局限于一个狭窄的时间窗口，并且在同一1小时内的所有早晨达到峰值。这在平日表现出较高的幅度( 表1，列5-7; 图2而且 3.)．“结膜炎”也有较强的日循环模式之一，但低于“红眼病”，早晨循环中位数时间稍晚，周末与工作日的循环强度差异较小。与“红眼病”相比，“干眼病”在周末表现出更强的昼夜模式，从晚到早的时间段内出现更强的信号，在清晨达到峰值，周日上午最为明显( 表1，列5-7; 图2而且 3.)．不过，与“红眼病”类似，“干眼病”的循环中位数在工作日比周末更接近。相比之下，对于“白内障”、“青光眼”和“激光手术”，工作日和周末的循环中位数时间不太一致，而且这些术语的工作日RSV总体上大于周末( 表1，第4栏; 图2而且 3.)．作为阳性对照，“醉酒”一词表现出很强的振幅均值比，在周末的深夜到凌晨(数据未显示)最强，反映了深夜的酒精消费。

与常见眼部疾病和治疗相关的基于网络的搜索行为模式显示出显著的独特的周期性日变化。这表明，利用信息流行病学方法，如本研究中所展示的方法，可以为我们了解不同的眼病可能对患者造成最大或最小干扰或关注的昼夜时间增加信息。这可能有助于增强我们对眼部疾病的传统理解，这种理解主要是基于在典型临床时间内评估患有眼科疾病的患者。我们观察到，在典型门诊时间之外发生的特征在眼科疾病相关搜索词之间可能有所不同。例如，“红眼病”在短时间的工作日早晨显示出更大的日振幅-均值比，而其他术语，如“干眼病”在周末有更大的振幅-日模式，与“红眼病”相比，更强的信号出现在更广泛的晚上到早上的时间段。

对于一些单独的搜索词，我们还发现该词在工作日和周末的日搜索模式存在显著差异。这表明，信息流行病学方法可以对一周中的特定日子以及这些日子中的几个小时提供新的理解，在这些日子里，特定的眼科疾病对患者的影响最大。这种方法可以补充正在进行的研究，以了解眼部疾病的标准临床时间以外的症状和条件的严重程度或治疗的关键时间或天数，正如对其他疾病的研究一样[ 28， 31- 37， 52- 57］．我们还观察到，对于某些术语，日搜索模式在一年中的不同时间也会有所不同，这表明独特的季节因素可能会影响特定眼病的昼夜周期，并提高了我们这样的方法在加强季节性眼病研究方面的潜在价值[ 29］．

我们的研究有可能出现异常值、偏差和混杂因素。例如，一个孤立的事件，比如一个名人患了结膜炎，可能会在新闻报道的时候引发对“红眼病”的不寻常搜索。类似地，停电等事件可能会引发搜索模式的临时变化。此外，众所周知，媒体报道会影响对covid -19相关词汇的搜索[ 13， 14]，而每日RSV会因数据收集日期而有所不同[ 15， 16］．为了解释这种异常，我们使用了一个带有基于回归的过滤器的模型来去除不寻常的激增或减少，如孤立事件和其他不规则异常值(参见方法)，并使用来自重复查询和多个状态和天数的平均值来减少潜在的不精确性。模型灵敏度分析结果稳定。虽然不是不正确的，但我们的方法使用搜索关键字，不允许查询搜索主题或健康类别;因此，对我们健康主题的研究可能还不完全完整。未来的方法将比较多年的结果，并在初步和最终分析中优化使用搜索主题和健康类别，可以提供额外的模型验证。机器学习的未来应用也有可能提高我们模型的灵敏度和特异性[ 11， 58］．

尽管有这些限制，我们还是找到了支持我们模型的证据。例如，在我们的分析中确定的结果通常反映了已知临床理解的组成部分。从深夜到清晨，观察到“眼睛干涩”和“眼睛模糊”的每小时RSV增加，这与症状的临床报告一致[ 31， 34］．在周末早晨观察到的“干眼症”振幅较强，可能代表在晚上之前暴露于烟或酒精等刺激物的程度较高，据报道这些刺激物会加重这些症状[ 32， 33］．从晚上到清晨，观察到的“眼睛模糊”、“隐形眼镜”、“视力”和“水眼”的每小时RSV增加可能反映了隐形眼镜佩戴者夜间症状的增加[ 35］．同样，早晨观察到的“结膜炎”和“红眼病”的每小时RSV增加可能也反映了临床表现[ 28］．相比之下，“白内障”、“青光眼”和“lasik”在工作日白天的搜索次数更多。这表明，与眼部手术或与急性症状无关的慢性疾病相关的信息寻求行为更有可能在正常工作时间发生。

在这项研究中，我们从基于网络的每小时搜索模式中建立证据，表明与各种眼科症状和条件相关的基于网络的信息搜索行为存在明显的日和周模式。通过分析补充数据源(如使用基于网络的搜索数据)，未来可能会确定对临床眼病表现、卫生和临床外患者健康维护行为的更精确的时间理解。这反过来又可以改进日常眼病监测和眼科远程医疗资源分配时间、及时的医疗保健信息和临床干预的方法。