从基于web的智能症状检查器中寻求健康信息:横断面问卷研究

简介

背景

网络上可获得的健康信息数量不断增长，这增加了对提供个性化和可操作的健康信息的工具的需求。此外，患者急切地寻求信息，直接或通过验证专业咨询期间讨论的信息，为自己的医疗保健决策提供信息。基于web的健康信息范围广泛，包括通过基于web的搜索获得的一般信息，以及基于用户特定信息提供个性化建议的决策辅助和工具。这些工具包括症状检查器，在响应一组关于用户症状的探测后，可以为用户提供潜在的诊断。

基于网络的症状检查工具越来越受欢迎，COVID-19大流行的出现增加了人们对这些工具的兴趣[1］．然而，只有少数研究调查了它们的使用方式和原因[2-4］．对症状检查器的有限研究发现，它们的使用通常有积极的效果;技术先进的基于网络的分类系统可能有助于减少不必要的急诊室就诊和抗生素的过度使用[4]，使资源匮乏的地区能够获得卫生保健[5]，并提高患者的参与度[6］．然而，尽管它们的实用潜力很大，但还需要对这些工具的实际使用和效果进行更多的研究。

一些研究对基于网络的健康信息系统传播虚假信息和不准确诊断信息的可能性提出了担忧[2，7，8］．例如，一项评估23个基于web的症状检查器的诊断和分类准确性的研究发现，医生的表现比症状检查器算法更好[4］．然而，医生在15%的病例中做出了错误的诊断。尽管研究表明，就诊断准确性而言，症状检查者可能不如医生有效，但更重要的是，症状检查者提供建议的行动(例如，症状是否需要去医院)。因此，了解症状检查对患者如何寻求治疗和对医疗保健建议做出反应的影响是很重要的。

基于web的症状检查器作为分类系统的一个重要的潜在贡献可能是减少当前压倒性的卫生信息环境的负面影响，例如基于web的卫生信息寻求者所经历的卫生信息过载以及他们难以从错误信息中辨别可靠信息。基于网络的医疗信息系统解决了上述问题，可以帮助人们更好地了解他们正在经历的症状的潜在原因，使他们能够寻求正确的帮助，并有可能减少他们正在经历的症状引起的焦虑。

用户必须能够信任并遵循他们对基于web的症状检查器的建议，才能做出有意义的贡献。如果基于web的症状检查器不受信任，它们就不太可能被用户采用，从而限制了它们的潜力[9］．此外，用户可能不清楚基于web的症状检查器背后的技术。研究表明，基于网络的症状检查器的人工智能(AI)系统对用户来说既不透明也不容易理解，这可能会破坏对此类工具的信任[10］．尽管如此，尽管对准确性存在犹豫和担忧，但用户已经认为人工智能症状检查器对诊断有用[11］．

大量基于使用和满足框架的信息搜索研究[12研究了人们如何使用不同的媒体来满足不同的需求。这一传统的研究通过来源(即基于网络的与离线的搜索[13，14])或客观(即为自己而非他人)[15-17])。多项研究已经证实，从非临床来源(包括互联网)积极寻求信息的人更有可能是白人、女性，并具有相对较高的教育和收入水平[18-22］．在寻求卫生信息方面的种族差异，以及对信息的信心和对各种来源的信任，已得到充分的记录。不同种族群体对信息来源的信任和使用程度可能不同，如果使用不准确的信息来源，可能会导致差异[23］．

基于自我报告媒体使用情况的研究已经证实，有意从媒体(包括互联网)寻求信息与更好的健康结果有关[24]，增加预防行为的参与[25]，以及更积极的医患互动[26-28]并协助个人应对不确定性[20.］．在向急诊医生看病之前，基于网络的健康信息搜索也有可能改善患者与提供者的互动，而不会对坚持治疗产生负面影响[29］．

尽管对信息寻求和互联网和其他“新”媒体作为医疗信息来源的重要性进行了广泛的研究，但其影响的证据质量有限。以前大多数研究非临床来源的信息寻求，包括几乎所有基于互联网的健康信息寻求研究，都依赖于个人信息寻求行为和行为或心理社会结果的自我报告。此外，大多数研究依赖于广义的、无时间限制的健康信息搜索行为(例如，“您是否曾经从[一个来源]搜索过关于[一个主题]的信息”)，或询问在特定时间范围内搜索信息的情况，但不检查检索到的信息的内容或提供的建议。因此，这一研究领域的下一个前沿是将信息寻找的客观测量方法(包括来源和内容)与临床和心理社会结果联系起来，以了解人们如何使用他们从非传统来源寻找和发现的信息。

目标

这项研究旨在解决先前信息搜索研究的方法局限性，并研究谁从基于web的智能症状检查器中搜索信息，以及出于什么目的，用户如何体验工具，他们打算用信息做什么，以及遵循工具建议的意图预测因素。以下研究问题(RQs)指导了本研究:

1. RQ1:谁使用基于web的症状检查器?
2. RQ2:是什么促使用户使用基于web的症状检查器?
3. 基于网络的症状检查器的建议是什么?
4. RQ4:用户如何看待基于web的症状检查器?
5. RQ5:对基于web的症状检查器的感知和遵循建议的操作的意图之间的关系是什么?

方法

我们对基于web的智能症状检查器Buoy health (Buoy health, Inc . [30.];N = 2437)。

浮标健康:一个人工智能驱动的基于web的症状检查器

这项横断面研究使用了患者在2019年1月14日至2019年2月28日期间使用Buoy Health(一种基于人工智能的网络症状检查器)遇到的数据。该工具由一组医生和研究人员于2014年创建，基于对话式医学访谈，反映了与提供者的对话。在撰写本文时，Buoy的症状检查器仍然可以在网上或通过应用程序免费提供给任何联网的人。这款由人工智能驱动的工具使用一系列通过聊天机器人交流的渐进健康问题来评估用户症状(图1)．Buoy的分类或诊断系统为用户提供定制的健康信息。

Buoy的专有算法来源于>18,000项临床研究的数据[31］．使用者可获得3种可能的诊断及适当护理级别的建议(图2)．Buoy表示，该工具的诊断准确率为90% [32］．因此，像buoy这样的工具——以及其他智能症状检查器——有潜力从大量相互矛盾的信息中剔除混乱，提供个性化的、基于科学的建议。一项研究调查了患者使用Buoy如何影响他们寻求治疗的计划，发现Buoy降低了用户的不确定性[33］．Buoy还降低了与患者病情相关的紧急程度。这项研究表明，在基于分诊问题寻求治疗时，Buoy等工具与用户的预期行为相关。因此，我们的研究增加了越来越多的文献，旨在了解患者如何与他们的提供者一起使用Buoy等工具来管理他们的健康。

‎ 查看此图

‎ 查看此图

取样和程序

招聘脚本显示给Buoy用户，假定是基于web的健康信息搜索者，他们通过浮标会话后立即弹出窗口满足纳入标准。入选标准包括在≤10分钟内完成Buoy面试到推荐阶段，年龄≥18岁，在美国居住(尽管在申请时不一定身在美国)。

此外，潜在参与者必须自己完成了Buoy的面试;也就是说，他们在寻求关于他们症状的信息。由于95%的Buoy用户在10分钟内完成了诊断访谈，花了更长的时间的用户不能代表典型用户，因此没有邀请他们参与我们的研究，以避免他们可能与典型用户存在其他意想不到的差异。使用类似的逻辑，我们排除了那些已经存在严重或慢性疾病的人[34]，因为他们可能也不能代表典型的Buoy用户。预计他们的健康信息搜索习惯和Buoy的使用模式将与所有其他Buoy用户有所不同。最后，出于道德原因，我们将Buoy建议立即就医的用户排除在资格之外，包括通过911或急诊科立即就医。图3显示每个阶段的减员情况。

参与者获得了一张价值5美元的电子礼品卡，以感谢他们完成调查后的时间，平均完成时间为8.61分钟(标准时间6.78分钟)。礼品卡被送到一个电子邮件地址，该电子邮件地址也用于后续调查。参与者被告知，在完成第二次调查后，他们将获得另一项奖励(10美元)。在最初的调查后2周，对那些选择提供电子邮件地址的人进行了后续评估;然而，本研究仅报告基线数据。

‎ 查看此图

结构与措施

概述

这项研究遵循了使用与满足研究的传统[12］．我们试图了解谁在使用Buoy，对用户体验的看法，以及他们打算用他们获得的信息做什么。这项调查是由行为改变的综合模型指导的[35］．关键结构和措施将在以下部分中描述，完整的调查仪器可根据通讯作者的要求提供。

使用浮标的原因

患者可选择5种原因中≥1种使用Buoy;该列表是基于穆勒等人对互联网用于评估身体疾病症状的回顾[3.］．选项包括不相信卫生保健提供者提供了正确的诊断、症状不严重、敏感或令人尴尬的症状、新症状和持续症状。还提供了一个开放式的回答，结果由2名编码员解释，以映射到原始的封闭式或新代码(访问、焦虑、好奇和分类)。

信任卫生信息来源

使用单个李克特项目评估对各种健康信息来源的信任程度，回答范围从“完全不”(1)到“很多”(4)，改编自国家癌症研究所的健康信息全国趋势调查[36］．问题来源是“一般来说，你会在多大程度上相信以下每个人提供的关于健康或医学话题的信息?”来源是随机的:医生/家人或朋友/报纸或杂志/电台/互联网新闻/电视/政府卫生机构/社交媒体(如Facebook或Twitter)/谷歌/博客/Buoy。

先前的研究表明，卫生信息网站的可用性影响人们对网站上卫生信息的信任和可信度[37］．因此，我们评估了使用Buoy的信心、可理解性、感知效用和情绪影响。

对智能症状检查器的信心

从“完全不自信”到“非常有信心”共有2个5点反应值的项目改编自Sivakumar等人[38，并结合成一个量表，其中值越高代表信心越大。

智能症状检查的可理解性

我们用5分的3个回答值(非常不同意到非常同意)来评估网站上的语言易于理解的程度以及网站的可理解性和易读性。项目基于van Weert等人的量表[39]，数值越高，表示Buoy的可理解性越强。

智能症状检查器的感知效用

共有3个项目，5点响应值(非常不同意到非常同意)，并由Davis [40]被用来评估该网站在多大程度上使症状诊断变得更快、更容易，以及该网站的整体有用性。

使用智能症状检查器的情绪影响

情绪效应是由White和Horvitz [41，并使用2个5分的量表进行测量(非常不同意到非常同意)。这些项目评估了人们对身体状况的焦虑程度，以及网站鼓励寻求帮助的程度。越高的值代表使用网站的积极情绪效应越多。

建议的行动

在Buoy诊断访谈结束时，用户得到了与他们的症状群和潜在诊断相对应的8个可能的下一步(分类级别)建议中的至少一个到3个:(1)等待观察，(2)自我治疗，(3)未来3天内打电话或亲临就诊，(4)2周内找初级保健医生，(5)1至2天内找初级保健医生，(6)当天或尽快亲临就诊，(7)医院急诊室，(8)紧急医疗服务。由于道德原因，收到两项最紧急建议行动的Buoy用户没有被包括在我们的研究中。有关建议的完整描述见多媒体附件1．Buoy向研究团队提供了向所有合格用户展示的实际推荐。此外，我们要求参与者指出他们从Buoy那里收到的6个可能的建议中的哪一个。我们将参与者的自我报告与buoy报告的建议进行了比较，作为操纵检查。调查结果与Buoy的至少一项建议相吻合。大多数自我报告的建议与Buoy报告的至少一项建议相匹配(1595/2141,74.49%)。

遵循建议行动的意图

该措施采用了合理的行动方法[35］．测量了所有6项包括建议行动的意愿，以及与医生或其他健康专业人员讨论Buoy建议的意愿。回答值从1(非常不同意)到5(非常同意)不等。该声明的例子如下，“我打算[遵循Buoy的建议]”和“我打算与我的医生或其他医疗保健专业人员讨论我从Buoy获得的信息。”这个项目的数值越高，代表着更强烈的意愿遵循Buoy的建议或与医生讨论同样的问题。建议的行动作为一个二元变量进行评估。在意图上得分为4或5分(高)的用户被归为有医疗意图，而得分为1、2或3分的用户被归为没有医疗意图。遵循“等待观察”和“自我治疗”的意愿被纳入“无医疗意愿”量表。“未来3天内电话或亲临就诊”、“1-2天内看初级保健医生”和“今天或尽快亲临就诊”的意向组合在“医疗意愿”量表中。

症状和诊断的编码

使用美国疾病控制和预防中心国家门诊医疗保健调查(NAMCS)编码协议，用户在Buoy访谈中自我报告的症状被编码为13类[42］．在采访过程中，用户被提示输入最多5种症状。我们只报告第一个问题，因为这是驱动使用基于web的症状检查器的主要问题。使用迭代编码过程，我们从所有Buoy数据集中生成了一组独特的症状(N=2040)和独特的诊断(N=938)。

共有2名编码员独立编码了第一个症状。编码器1是码本开发过程的一部分。一旦码本最终确定，编码器2就被引入到研究中。分歧通过讨论得到解决。第二作者在无法达成一致意见时解决了分歧。使用Cohen κ来确定两名编码员对2040种独特症状的NAMCS编码分配之间的评级者间可靠性;2位编码器的结果基本一致(κ=0.73;［43])。我们进一步根据Shapiro等人对首发症状是否严重并可能需要就医进行分类[44(与心脏有关的胸痛、出血、意识丧失、呼吸短促和体重减轻)。

在访谈结束时，用户最多可以得到3个可能的诊断或显示名称，并根据Buoy的专有算法进行排名和加权，以及后续行动的建议。根据NAMCS，诊断分为25类，包括主要系统、疾病和病症。我们报告第一个诊断显示名称，因为算法对它有最高的置信度。此外，第一个诊断显示名称没有丢失数据。

分析方法

在此描述性分析中，我们计算了频率和百分比，以总结参与者的总体特征和经验，并在相关情况下按性别和种族分类，并评估遵守Buoy建议的意愿。带Bonferroni校正的方差分析(anova)检验了种族或民族群体在用户体验和推荐方面的平均结果差异。采用Wilcoxon秩和检验的形式进行非参数检验，以检验用户体验和推荐的平均性别差异。使用逻辑回归评估对症状检查器的感知和遵循建议行动的意愿之间的关系。逻辑回归模型检验了影响对建议的信心和遵循这些建议的意愿的因素。使用R(4.0.3版本;R统计计算基础)。

伦理批准

加州大学默塞德分校机构审查委员会批准了这项研究(批准号:UCM2018-124)。

结果

基于web的症状检查程序的用户

与之前对健康信息搜索者的研究一致，Buoy用户受过良好教育(1384/1704,81.22%为大学或以上学历)，主要是白人(1227/1693,72.47%)和女性(2069/2437,84.89%)。使用者的平均年龄为39.4岁(SD 14.7岁)。用户与网络症状工具的其他用户相似，之前对网络症状检查器的研究发现，用户以女性为主，平均年龄为40岁[33］．其他研究结果进一步表明，成年人在网络健康信息搜索行为中存在年龄、性别和社会经济差异[45］．抽样用户在获得医疗保健方面也相对享有特权;大多数人有保险(1449/ 1630,89%)和定期的医疗保健提供者(1307/1709,76%)。他们总体健康状况良好;59%(1000/1703)报告其健康状况良好、非常好或极好。表1显示额外的人口统计细节。

用户使用基于web的症状检查器的驱动程序

用户在5个陈述的使用Buoy的原因中选择了至少1个，以及开放式的回答，这些回答被编码成5个新的类别。超过三分之一(839/ 2437,34.43%)的用户将持续症状作为使用Buoy的原因，其次是出现新症状(767/ 2437,31.47%)、症状不严重(545/ 2437,22.36%)、敏感或尴尬症状(279 / 2437,11.04%)以及对医疗服务提供者提供正确诊断不自信(220/ 2437,9.03%)。不太常见的原因包括新的类别/代码:好奇(66/2437,2.71%)，访问(36/2437,1.48%)，焦虑(16/2437,0.66%)，分诊(29/2437,1.19%)，其他(30/2437,1.23%;数据未显示)。

web症状检查器的建议

我们以两种方式报告症状和诊断模式。首先，我们报告了由与之相关的NAMCS生物系统组织的症状和诊断的频率(多媒体附件2［42，44])。其次，我们报告了总体上和按性别和种族/民族分列的前10个症状和诊断类别(表2)．

仅疼痛(855/2437,35.08%)、妇科问题(293/2437,12.02%)和包块或肿块(204/2437,8.37%)3种类型的症状占了近一半(1352/2437,55.48%)。男性的前3名症状包括疼痛(154/368,41.8%)、包块或肿块(49/368,13.3%)和皮肤问题(33/368,8.9%)，而女性的前3名症状包括疼痛(701/2069,33.88%)、妇科问题(293/2069,14.16%)和包块或肿块(155/2069,7.49%)。疼痛、妇科问题、肿块或肿块也被报告为白人、黑人、亚洲或太平洋岛民的三大症状。拉丁裔使用者的前3个症状是疼痛(43/139,30.9%)、妇科问题(22/139,15.8%)和胃肠道问题(14/139,10.1%)。相比之下，占用户总数不到1%的印第安人只输入了五种症状:疼痛(4/ 13,31%)、妇科问题(4/ 13,31%)、皮肤问题(1/ 13,8%)、胃肠问题(1/ 13,8%)和感觉障碍(1/ 13,8%)。

在整个样本中，主要诊断为肌肉骨骼(303/ 2437,12.43%)，妇科(304/ 2437,12.47%)和皮肤疾病(297/ 2437,12.19%)，感染性疾病(300/ 2437,12.31%)。相比之下，Buoy报告的男性前三种诊断包括肌肉骨骼疾病(63/368,17.1%)、皮肤疾病(62/368,16.8%)和传染病(37/368,10%)。女性的前3个诊断包括妇科疾病(304/2069,14.69%)、感染性疾病(263/2069,12.7%)和肌肉骨骼疾病(240/2069,11.59%)。基于种族或民族的诊断遵循类似的模式。白人用户还报告了肌肉骨骼疾病(177/ 1227,14.42%)、传染病(163/ 1227,13.28%)和皮肤病(148/ 1227,12.06%)为前三种诊断。拉丁裔、黑人、亚洲或太平洋岛民用户报告的前三种诊断为妇科疾病、皮肤疾病和传染病。黑人(42/ 189,22.2%)和亚洲或太平洋岛民(17/ 88,20%)用户报告的主要诊断类别为妇科疾病，而拉丁裔用户报告的主要诊断类别为感染性疾病(26/ 139,18.7%)。

Buoy的主要建议在不太严重的分类类别中更平均地分配。Buoy提供的建议中，用户自我报告2周内看初级保健医生(754/2141,35.22%)、自我治疗(452/2141,21.11%)和1 ~ 2天内进行初级保健(373/2141,17.42%)的比例排在前三位，其次是观望(339/2141,15.83%)。只有5.74%(123/2141)和4.67%(100/2141)的用户表示在未来3天内有过电话或亲临访问，并在当天或尽快亲临访问。Buoy报告的建议与初级保健医生在2周内(924/ 2437,37.91%)、自我治疗(552/ 2437,22.65%)和在1至2天内进行初级保健(456/ 2437,18.71%)非常接近。大多数用户(2098/2437,86.09%)有2条推荐。据Buoy报道，约71.85%(1751/2437)有3条建议。

用户对基于web的症状检查体验的感知

用户普遍报告对Buoy有较高的信心(平均3.47,SD 0.97)，认为Buoy有用(平均4.18,SD 0.81)，易于理解(平均4.64,SD 0.53)，并表示Buoy使他们感到不那么焦虑(平均3.60,SD 1.05)，更有能力寻求医疗帮助(平均3.75,SD 0.96)。与白人用户相比，拉丁裔和黑人用户对Buoy的信心明显更高(P<.05)，前者也发现它显著更有用(P< . 05;表3)．与先前关于基于网络的健康信息源信任的研究一致[46-48，医生是最可信的来源。然而，Buoy比其他任何非医疗来源(包括政府机构(平均2.85,SD 0.95)、家庭(平均2.64,SD 0.76)和谷歌(平均2.52,SD 0.79)更受信任(平均3.68,SD 0.61)。

对基于web的症状检查器的感知与遵循建议操作的意图之间的关系

总体而言，大多数用户表示有意遵循Buoy的建议(1428/1886,75.71%)，并与医生或卫生保健专业人员讨论Buoy的建议(1198/1830,65.44%;表4)．用户报告了最强烈的意愿遵循Buoy的等待和观察建议(平均4.38,SD 0.90)，其次是自我治疗(平均4.33,SD 0.93)，当天或尽快亲自访问(平均4.17,SD 1.01)，未来3天内电话或亲自访问(平均4.05,SD 1.05)， 2周内初级保健医生(平均3.92,SD 1.19)， 1至2天内初级保健医生(平均3.68,SD 1.26)。

讨论Buoy建议的意愿与是否有固定提供者呈正相关(优势比[OR] 1.37, 95% CI 1.04-1.82)，收入>美元50,000美元呈负相关(OR 0.75, 95% CI 0.57-0.98;或66,95% ci 0.48-0.91;表5)．35 - 44岁(OR 1.51, 95% CI 1.13-2.03)和45 - 64岁(OR 1.57, 95% CI 1.18-2.10)的用户比年轻用户(18-34岁)有更好的讨论推荐的意愿。与白人用户相比，拉丁裔(OR 1.96, 95% CI 1.22-3.25)和黑人(OR 2.37, 95% CI 1.57-3.66)用户有更强的意愿与提供商讨论建议，黑人用户有两倍的意愿这样做。对Buoy的信心(OR 1.54, 95% CI 1.34-1.76)、感知效用(OR 1.32, 95% CI 1.10-1.58)以及因使用Buoy而减少焦虑(OR 1.43, 95% CI 1.24-1.63)与较高的讨论Buoy建议的意愿相关。

总体而言，用户有强烈的意愿遵循Buoy的建议，自我报告非常好或非常健康的用户有最强的意愿等待或观察或自我治疗(or 1.92, 95% CI 1.04-3.65;表5)．那些报告Buoy易于阅读和理解的人比那些报告Buoy可理解性较低的人打算等待、观察或自我治疗的可能性高2.2倍(95% CI 1.21-4.14)。有健康保险(OR 2.21, 95% CI 1.36-3.57)和定期提供者(OR 1.59, 95% CI 1.11-2.28)的用户寻求医疗服务的意愿最强。对浮标的信心(OR 1.87, 95% CI 1.56-2.25)和因浮标而减少的焦虑(OR 1.54, 95% CI 1.29-1.83)也与更高的就医意愿相关。

讨论

主要研究结果

这项研究试图了解谁使用基于web的人工智能症状检查器，以及用于什么目的。Buoy用户的人口统计特征与其他基于网络的健康信息搜索者的研究相似，这表明年龄较大的边缘化群体继续被数字排除在外。与更普遍的基于互联网的求医行为数据一致[49，大多数Buoy用户为中年(或更年轻)、女性和高学历人群。需要更多的研究来更好地了解老年人在网上寻求健康信息的行为，并支持他们的医疗和健康决策[50］．尽管从不同角度审视人工智能驱动的症状检查器的文章的范围审查发现，那些无法获得医疗保健服务的人更有可能使用症状检查器[51， Buoy的用户绝大多数都表示自己有医疗保险。这一发现并没有否定用户是出于经济考虑的可能性，因为大多数当代健康计划都要求自付共同支付。然而，这表明其他考虑因素，如便利性也很突出。

沿着这些路线，先前的研究已经确定了污名化状况和使用症状检查器之间的联系[51］．在本研究中，妇科问题是前3个症状组之一。此外，在症状或诊断方面，约11.04%(269/2437)的受访者“太尴尬”而不寻求当面治疗。综上所述，这些研究结果表明，症状检查对于那些被认为是私人的、尴尬的、耻辱的、不值得医生注意的、或需要潜在不舒服或心理压力大的身体检查(如盆腔检查)的用户可能特别有用。

在检查使用该工具的原因时，大约三分之一的受访者有持续的症状，不能自发解决，另外三分之一有新的症状，其余的人要么认为他们不需要专业治疗，要么(如前所述)太尴尬而不寻求治疗。因此，一些患者使用症状检查器是因为他们有重大的健康相关问题;有些是因为他们缺乏足够的关心，无法亲自照顾;还有一些人是因为他们对现有护理的质量、成本或便利性有问题，或者只是想要第二个意见。持续时间超过预期的症状被认为是与健康相关焦虑的强烈驱动因素，因此，医疗保健使用[52］．与此同时，重视便利和对医疗保健系统缺乏信任(这些因素分别在年轻人和种族和民族少数群体中可能特别突出)与使用正规医疗保健服务的倾向较低有关[53］．

在用户体验方面，用户对Buoy有很高的信心，认为Buoy很有用。此外，用户对Buoy的信任超过了其他任何非医疗来源。感知到的信心、效用和信任与与医生讨论Buoy建议的强烈意愿相关。这一发现与一项研究相一致，该研究调查了患者对症状检查器有效性的看法[11］．大多数Buoy用户发现该工具对诊断很有用，大多数用户报告说他们会再次使用它。尽管与医生讨论建议的用户的体验各不相同，但大多数人认为医生对讨论该工具的结果持开放态度。这是一个重要的发现，因为如果用户认为按照症状检查器的建议行事会受到医生的质疑甚至贬低，他们可能不会按照建议寻求治疗，而不管他们对工具有多大的信心。

本研究通过将基于web的人工智能系统的信息搜索的客观测量与临床和心理社会结果联系起来，最终促进了对基于web的健康信息搜索行为和结果的理解。研究结果证明了人工驱动的基于web的健康信息工具在改善用户结果方面的潜在效用。症状检查已被描述为一种解决缺乏医生和减少不必要的办公室访问的手段[4］．

缺乏关于使用症状检查器是否转化为寻求医疗服务行为的研究[4，33］．未来的研究应研究此类工具对医疗寻求的影响，特别是用户如何解释建议，建议是否被遵循，以及不同社会人口群体的用户反应如何不同。例如，人们可能会猜测，获得护理的机会有限或之前有负面医疗保健经历的人可能比他们更有特权的同行更有可能关注、欣赏和遵循这些建议。尽管症状检查器可能使用户能够做出更明智的决定，但如果某些群体不太容易使用它们，它们可能会自相矛盾地加剧健康差距。目前，基于web的症状检查器大多是免费的。由于基于网络的症状检查公司与雇主和健康保险公司建立合作关系，以确保利润，并非所有用户都同样准备好或能够支付症状检查费用。

局限性和优势

我们与Buoy的技术人员和医务人员合作，对用户进行抽样调查。由于我们的合作方法，我们能够获得参与者报告的作为使用Buoy的主要原因的特定症状，以及Buoy和Buoy的分类建议确定的可能诊断。这样可以对自我报告的数据进行比较和验证。我们还从Buoy获得了选择不参与我们研究的符合条件的用户的症状、诊断、分类和性别。这使我们能够将我们的样本与用户群体进行比较，并评估潜在的偏差。此外，合作方法的一个好处是有可能克服先前研究的自我报告限制。因此，我们从Buoy得到了个体所走的路径和Buoy的最终推荐。我们还能够将咨询的最初原因与调查中报告的原因相匹配，并评估受访者对建议的理解程度和打算采取行动的程度。通过利用公共或私人伙伴关系，我们能够探索基于网络的症状检查器的使用和效果，这对COVID-19危机期间和之后的卫生公平和卫生保健系统具有重要意义。

这项研究的局限性包括使用横断面数据，这限制了做出任何因果推断的能力，以及潜在的缺乏对其他基于网络的症状检查的适用性。此外，我们没有评估用户输入的实际搜索词。最后，我们的研究使用了基于网络的健康信息的有限定义。使用基于web的症状检查器搜索症状与通过互联网传播的其他形式的健康相关信息不同。例如，基于网络的卫生社区也可以成为社会支持的一个来源[54]和点对点医疗建议[7］．

结论

这项研究的结果证明了基于网络的健康信息工具的潜在效用，使人们能够寻求适当的护理和减少与健康有关的焦虑。与其他形式的基于web的健康信息搜索相比，交互式症状检查器可以提供更加个性化和潜在可靠的医疗信息。尽管令人鼓舞的结果表明，基于网络的工具可以满足妇女、黑人和拉丁裔成年人未满足的健康信息需求，但对用户群的分析表明，二级数字鸿沟效应持续存在。

为了让基于web的症状检查器做出有意义的贡献，它们不仅必须得到用户的信任，而且必须满足他们的各种需求，特别是那些关于可用性和可理解性的需求。无法使用基于网络的症状检查器也可能与获得医疗服务的差距加大有关，特别是在历史上在数字获取和识字率方面落后的群体中。此外，基于网络的症状检查业务模式可能会进一步加剧这些差异。相比之下，Buoy等人工智能技术有可能通过允许用户在不断变化但往往令人困惑的基于web的健康信息环境中获得准确、可操作和个性化的建议来缓解差异。最后，缺乏证据表明网络症状检查器是否会影响求医行为。为了解决这一差距，未来的研究将使用Buoy用户的随访数据来评估用户与医生讨论他们在网络上的发现的程度，以及影响患者满意度的障碍。