TY -的盟Triantafyllidis Andreas K盟——Tsanas Athanasios PY - 2019 DA - 2019/04/05 TI -应用机器学习在现实生活中的数字卫生干预措施:文献回顾乔- J地中海互联网Res SP - e12286六世- 21 - 4 KW——机器学习KW -数据挖掘KW -人工智能KW -数字医疗KW -审查KW -远程医疗AB -背景:机器学习已经吸引了相当多的研究兴趣对发展智能数字卫生干预措施。这些干预措施有可能彻底改变卫生保健，并为患者和医疗专业人员带来实质性成果。目的:我们的目标是回顾机器学习在现实生活中的数字健康干预应用的文献，旨在提高研究人员、临床医生、工程师和政策制定者在医疗保健领域开发强大且有影响力的数据驱动干预措施的理解。方法:我们检索了PubMed和Scopus文献数据库中与机器学习相关的术语，以确定结合机器学习算法的数字健康干预的现实研究。我们根据目标(即目标条件)、研究设计、入组参与者人数、随访时间、主要结果(是否具有统计学意义)、干预中使用的机器学习算法和算法的结果(如预测)对这些干预措施进行分组。结果:我们的文献检索确定了在现实研究环境中纳入机器学习的8项干预措施，其中3项(37%)在随机对照试验中进行了评估，5项(63%)在试点或实验性单组研究中进行了评估。这些干预措施的目标包括抑郁症的预测和管理、语言障碍者的语音识别、减肥的自我效能、多重疾病患者的生物心理社会状况变化检测、压力管理、幻肢痛治疗、戒烟和基于血糖反应的个性化营养。研究的平均入组人数为71人(范围8-214人)，平均随访研究时间为69天(范围3-180天)。8项干预措施中，6项(75%)具有统计学意义(P=。05水平)。结论:本综述发现，将机器学习算法纳入现实生活研究的数字健康干预措施可能是有用和有效的。 Given the low number of studies identified in this review and that they did not follow a rigorous machine learning evaluation methodology, we urge the research community to conduct further studies in intervention settings following evaluation principles and demonstrating the potential of machine learning in clinical practice. SN - 1438-8871 UR - //www.mybigtv.com/2019/4/e12286/ UR - https://doi.org/10.2196/12286 UR - http://www.ncbi.nlm.nih.gov/pubmed/30950797 DO - 10.2196/12286 ID - info:doi/10.2196/12286 ER -