2028年基于在线搜索的乙型肝炎发病率预测模型

信息学在医学解锁10（2018）143基于综合在线搜索指标的乙型肝炎发病率预测模型张亚明a，赵阳a，*，林欣b，王爱博b，车丹丹ba中国秦皇岛燕山大学经济管理学院b中国秦皇岛东北大学数学与统计学院A R T I C L E I N F O保留字：在线搜索综合搜索索引搜索关键词乙型肝炎发病趋势预测模型主成分分析A B S T R A C T互联网上的关键词搜索已成为人类了解乙型肝炎的主要行为特征之一，通过使用一套全面的在线搜索指数，可以显着提高预测准确性本研究的主要目的是建立并应用乙肝发病预测模型，为乙肝的早期发现和及时治疗提供科学依据首先，我们利用主成分分析提取显著信息。其次，我们利用逐步回归法建立了乙型肝炎趋势的综合预测模型最后建立了时间序列模型和搜索数据模型进行比较，并对下一时期的发病率进行了预测。结果表明，该模型提供了稳定和及时的数据，这使其成为一个理想的预测工具，同时也为其他传染病的预测提供了一个参考框架1. 介绍乙型肝炎是由乙型肝炎病毒（HBV）感染人体引起的疾病。HBV是一种嗜肝病毒，主要驻留在肝脏细胞中并影响肝脏细胞，导致肝细胞坏死、坏死和纤维化[1]。HBV可分为两类：急性和慢性。90%的成人急性乙型肝炎可以在人体内治愈而无需医疗援助，但慢性乙型肝炎症状是独特的[2]。乙型肝炎、艾滋病和结核病是世界上最流行的传染病，全球约有3.5亿至4亿HBV感染者，是艾滋病感染者人数的8倍多。此外，HBV是世界上死亡人数第十大的疾病[3]。乙型肝炎在中国和其他亚洲国家流行，约十分之一的中国人口是乙型肝炎病毒携带者。 一旦感染乙肝，肝糖尿病、脂肪肝、肝硬化、肝癌、干性角膜炎、口干等并发症的发生率会增加，其危害性不可低估。因此，能够有效地预测乙型肝炎的发病率是绝对必要的。及早有效预测乙肝发病趋势，可为乙肝防治提供科学依据，合理配置卫生资源，减少不必要的浪费。然而，现有的办公室乙型肝炎检测几乎所有国家的组织都只收集医院人群中的乙肝疑似病例数作为乙肝发病率的调查数据。这一方法要求建立一个全国性的监测网络，在这个网络中，数据的收集和处理必须经过复杂的过程。因此，监测数据滞后于疾病的实际发展[4]。针对这一问题，乙型肝炎发病趋势的预测模型主要有基于时间序列的直接预测模型、组合预测模型和灰色预测模型。 这些研究有助于提高短期预测机制的准确性和及时性。随着搜索引擎越来越成为人们获取健康信息的主要渠道，网络信息已成为乙肝监测的理想数据来源在中国，大约有9000万成年人使用搜索引擎查询疾病和医疗相关问题[5]。这一现实基础使得有可能根据搜索数据预测乙型肝炎的发病率。与其他类型的数据源相比，通过搜索引擎获得的数据更加及时和准确。搜索关键词直接反映了查询人的意图，这样的搜索数据可以实时统计，与乙肝传播完全同步此外，通过搜索数据调查的人群范围更广，它可以显示一个地区所有互联网用户对乙肝的关注程度，因此数据更接近普通人群的整体现实，而不仅仅是那些已经在医院寻求医疗援助的人*相应的作者。 联系电话： 传真：0335-8051411电子邮件地址：glossacherry@163.com（Y. 赵）。https://doi.org/10.1016/j.imu.2018.01.004接收日期：2017年11月4日;接收日期：2018年1月20日;接受日期：2018年1月24日2018年1月31日在线提供2352-9148/©2018由Elsevier Ltd.发布这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。目录可在ScienceDirect医学信息学期刊主页：www.elsevier.com/locate/imuY. Zhang等人信息学在医学解锁10（2018）143144和其他此类设施。近年来，一些研究表明，互联网搜索信息对公共卫生和传染病监测有很大贡献，利用这些数据监测传染病是一种更快、更准确、更经济的方式。它可以作为传统调查的辅助措施，提前预测疾病因此，这对中国和世界传染病的预防和控制具有重要意义2. 文献综述目前，乙型肝炎发病趋势的预测是全球许多研究人员正在努力的事情。所采用的方法主要有基于灰色模型、时间序列、神经网络以及组合模型。这些研究在很大程度上提高了短期预报的及时性和准确性王培成等人已经能够基于灰色模型最早预测乙型肝炎的发病率[6]。然而，灰色预测模型GM（1，1）的预测结果精度较低，而只有在最近的数据可以观察到高精度。我们看得越远，预测的准确性就越弱王峰等学者对此进行了改进，所以现在采用动态GM（1，1）预测模型。 他们继续添加新的信息，并能够通过应用五维动态模型来考虑未来随机干扰和驱动因素对灰色系统的影响。虽然准确性有所提高，但仍然没有解决根本问题[7]。对于传染病历史数据的预测，谭姣等学者采用时间序列分析，建立了ARIMA模型，适用于时序规律不明显，或季节性、周期性明显的情况[8]。但该模型仍存在不足：（1）该模型的预测结果存在相对误差大于10%的项目;（2）一般时间序列模型是非线性的，而ARIMA模型的对象是线性的，导致该模型缺乏足够的非线性映射能力。陈银平等学者将ARIMA和GM模型相结合，提高了预测精度。预测结果表明，ARIMA-GM 组合 模型的 平均绝 对百分 误差（ MAPE ）为17.53%，小于单独模型的MAPE。然而，目前对影响传染病发展的各种自然和社会因素的监测数据还不够，这影响了传染病流行数学预测模型的准确性[9]。陈远芳等学者利用BP神经网络模型预测乙肝发病率[10]，使误差率下降到5.7%。然而，神经网络模型包含多种网络创建函数、传递函数和训练函数，并且不同函数的收敛速度不同，这增加了模型的复杂性。达到最佳的收敛结果仍然非常具有挑战性。到目前为止，无论是GM模型、ARIMA模型，还是神经网络模型，对乙肝发病率的预测模型都是基于历史月发病率数据。然而，没有足够的监测数据来表明自然和社会因素在传染病发展中的作用，这影响了数学模型预测流行病的准确性。 同时，这种基于短期相关性的预测方法没有反映流行病固有的突然增加。随着网络技术的发展，使用在线搜索关键字来辅助预测近年来受到了学者们的广泛关注。袁庆宇利用自动推荐技术选择关键词，逐步综合建立了基于网络搜索关键词的汽车销量预测模型[11]。张冲基于公平价格理论，对网络搜索数据与居民消费价格指数（CPI）的相关性进行了研究[12]。王文亮采用了逐步合成的方法，方法，提出通过在线搜索关键词预测电子商务交易量的方法[13]。李秀亭收集了结合网络搜索数据和历史疫情动态信息的有效信息，并结合历史信息和搜索信息建立了中国未来疫情的预测模型[4]。针对网络搜索数据综合中存在的问题，孙毅利用主成分分析方法建立了一种新的数据综合方法，即：消除共线性和合理确定各指标权重的困难这有助于模型获得更高的稳定性和更高的匹配指数[14]。这些对网络搜索数据的应用和研究为我们建立乙肝预测模型提供了丰富的理论支持3. 方法3.1. 数据源在建立中国乙型肝炎发病率预测模型之前，我们首先需要建立一个能够描述该发病率的指数。因此，我们采用中华人民共和国国家卫生和计划生育委员会传染病流行病学数据库（http://www.nhfpc.gov.cn/）中收集的乙型肝炎患者的月度数据作为定量描述。抽样期间为2011年1月至2016年12月，共计72个月。搜索数据来自百度指数（index.baidu.com/）的实时数据以百度搜索量为基数，以关键词为统计对象，提供一定时间和区域内它可以科学地分析和计算每个关键字在百度网页搜索中的搜索频率加权和[4]。根据搜索来源，搜索索引可分为PC搜索索引和移动搜索索引。 数据是绝对值，因此不会随时间变化。3.2. 搜索关键词个人搜索用户之间存在明显差异。随着不同的重点或描述时，搜索相同的项目，他们使用的关键字与搜索引擎也将是不同的。因此，搜索关键字将展示相当数量的变化。 为了覆盖尽可能多的相关关键词，我们从乙肝携带者的心理入手，将搜索关键词分为三类：乙肝症状、乙肝治疗和预防、乙肝传播途径。 然后我们进一步细分每个类别，并参考百度搜索推荐和相关关键词，共选取了132个关键词。表1显示了一部分关键词在72个月内的百度搜索指数然而，并非所有的检索数据都对乙型肝炎的发病率有影响。利用SPSS22.0软件对该检索数据与乙肝患者数进行相关性分析，筛选出相关系数较大的关键词。值得注意的是，仅仅依靠相关系数来确定两个变量之间的相关性是不够的。由于总体相关系数ρ是未知的，样本相关系数r通常被用作其近似估计。然而，由于r是根据样本数据计算的，因此它很容易受到采样结构的影响[ 15]。因此，我们使用t分布检验，并选择显著性水平0. 05作为阈值，然后筛选出112个具有最大相关性和重要性的有效搜索词。 精确详情见表2。3.3. 索引处理不仅是一个巨大的体积广泛-足够的关键字需要建立一个合理的模型来描述肝炎的发病率Y. Zhang等人信息学在医学解锁10（2018）143表1145联系我们不0i-1ii-1 it-i部分关键词的检索索引（由于页面有限，仅保留2016年12个月的数据因此，省略了2011-2015年每年12个月的数据月乙肝病毒携带者肝功能乙型肝炎乙型肝炎核心抗体乙肝疫苗乙肝能治好乙型肝炎传播途径乙型肝炎病毒肝胆关系2016一月806035435617158411172356276600991351831232509二月888214635716992510130320913688082181762927255三月1228157051222839012973503913832787452004232000四月1037686610618959812713384734493977681841638367可以1433208458324916414971472094582292152504038088六月1075867763119511312560381546597579251897635291七月1010378886119447212648388098061083801717534625八月10322910420920233912896407827746483521784233445九月897719144917284813829360977470475581663631164十月879907534419408113742373679164283231837932328十一月802025584817511111850366497243677331678534487十二月870005130418870712770372613797678321890935751表2组成有效的搜索词。检索类型代表性检索关键词数量和比例4. 模型传统的预测方法是基于短期相关性，利用历史数据来预测未来。这种方法在乙型肝炎症状乙型“Hepatitis外部环境没有很大的变化，但它不反映实时信息。另一方面，搜索数据可以更好地反映乙型肝炎治疗和预防乙型肝炎传播途径“CanHepatitis B“Hepatitis B“IsHepatitis“Hepatitis B实时事实，但它可能不如使用历史数据持久因此，我们设计了以下模型，它结合了上述两种方法的优点yXn αX Xm βyþε（一）B，但这些关键字之间也存在显著的共线性如果使用传统的回归模型，多重共线性将导致估计的准确性显著降低，使模型不稳定。因此，尽管整体而言回归方程式合理，但部分回归系数将无法通过重大测试也可能存在回归系数符号颠倒的情况。 在这种情况下，回归方程不能得到合理的经济解释，直接影响最小二乘法的应用效果，降低了回归方程的应用价值。因此，基于上述要求，我们考虑使用主成分分析（PCA），然后进行回归分析[16]。主成分分析是一种以信息损失最小化为前提，将多个指标转化为少数几个复合指标的统计分析方法，称为主成分分析。降维后得到的prin-NR分量不仅反映了原变量的主要信息，而且相互之间不产生相关性基本原则是：x x1;x2;：;xp0是p维随机向量，且x Nμ;μ，其中μ是p维平均向量，μ是p乘p维协方差矩阵对x作正交变换y<$A0x，其中A0是正交矩阵X，然后用拉格朗日乘子计算λ1≥λ2≥：：≥λp> 0的非零特征值，其中λi<$A1 <$A2 <$A1<$A2;：; ppn对应于特征向量rsA1<$A2<$A1 <$A2;：;pn。y1¼A01x称为X的第一主成分，特征向量λ1是[17]第17话通过主成分分析，我们可以解决传统方法中搜索关键词之间的多重共线性问题与简单相加或加权相加的检索索引相比，该方法能最大限度地保留原始数据它还以不偏不倚的方式为增强权能提供了合理的解释。因此，我们整理出112个有效关键词进行主成分分析。按照“λ > 1”的准则可提取15个主成分，保留了的结果示于表3中。其中yt是t期乙肝患者数，Xi，t是t期第i个主成分的值，n是模型中主成分的个数，m是y的滞后阶数，εt是模型的残差通过以上分析，我们提取了15个主成分。然而，这15个主成分并非全部对乙型肝炎患者人数有显著影响。因此，有必要使用回归模型对15个主成分进行滤波。考虑到短期的相关性，我们选择了3. 采用逐步回归方法筛选独立变量。我们将进入概率设置为α<$0： 05，移除概率设置为α<$0： 1。最后，根据调整后的R平方的最大值和估计值中标准误差的最小值，除了2yt-1;yt-2之前的数据外，我们还剩下5个主成分（F1;F2;F5;F6;F7）。实验结果表明，匹配质量为0.922，去除了数目的影响后，调整后的R平方为0.891估计值的标准误为5542.67，符合要求。模型的系数列于表4。从表4中，我们可以看到模型的8个参数在10%的显著性水平下通过了检验，这表明这些参数对模型有显著影响我们还需要使用F检验来验证七个独立变量是否对整个模型表5显示了结果。从表5中，我们可以通过看到出错的概率小于0.001来拒绝模型的原始假设 通过分析可知，七个自变量对因变量y的影响是显著的。5. 验证实验5.1. 对比实验上述模型基于时间序列和搜索数据的合成表明该模型可以预测乙型肝炎的发展趋势，i;t不Y. Zhang等人信息学在医学解锁10（2018）143146N.联系我们.不i-1我 i;tyt表3解释的差异总额组件初始特征值EX牵引力平方载荷总方差%累计百分比总方差%累计百分比141.41636.97936.97941.41636.97936.979216.11914.39251.37016.11914.39251.370310.0368.96160.33110.0368.96160.33149.1468.16668.4979.1468.16668.49754.9344.40572.9024.9344.40572.90264.0723.63576.5384.0723.63576.53873.5983.21379.7513.5983.21379.75182.5812.30482.0552.5812.30482.05592.1671.93583.9902.1671.93583.990101.6151.44285.4321.6151.44285.432111.3801.23286.6651.3801.23286.665121.3471.20287.8671.3471.20287.867131.2081.07888.9461.2081.07888.946141.1551.03189.9771.1551.03189.977151.0100.90290.8781.0100.90290.8781X. yt-byt。非标准化系数标准化系数T信号我们计算了2016年9月至12月的患者人数，并预测了2017年1月的乙肝患者人数常数125003.189 0 9.663 0.001粤ICP备16017889号-1粤ICP备16037771号-1粤ICP备05016888号-1粤ICP备16044766号-1粤ICP备16016889号-10.455-0.458-4.5560.001Yt-20.150 0.151 1.705 0.093表5方差分析表。残差1： 905× 109623：072 × 107总6： 854× 10969在显著程度上，我们使用时间序列模型和搜索数据模型进行比较。结果示于表6中。从表6中可以看出，2017年1月乙肝预测值与实际值的相对误差仅为0.48%，由公式（4）计算得出的MAPE为0.0448，表明模型的准确性是合适的，模型具有实用价值。 实际值和预测值如下图所示。1、反映波动关系。从图1中我们可以很容易地看到，趋势预测值与实际值基本一致，特别是在乙型肝炎突然爆发的情况下。 这说明该模型能够实时监测和反映乙肝的未来情况，对一线医疗工作更有实用价值。6. 结论乙型肝炎是世界上最具传染性和危险性的疾病之一。但由于相关统计数据量大且复杂，医疗机构需要1-2个时间序列模型：y<$βXm φyþμ（二）因此，预测其发生率具有重要的现实意义。的t0搜索数据模型：y¼γi-1Xn我-我X þυ（三）乙型肝炎具有高度的准确性和及时性[18]。因此，我们使用主成分分析结合112关键词分为15个主要成分。结合历史数据，从我们的模型中，时间序列模型的滞后阶为2，搜索数据模型的主成分为（F1;F2;F5;F6;F7）我们得到了以下结果。对于时间序列模型，在滞后阶为2的时间序列分析之后，模型的平稳R平方对于搜索数据模型，回归分析后模型的调整R平方为0.738。由于我们的模型的调整后的R平方为0.891，可以得出结论，我们的模型是一个更好的，当谈到模型的整体有效性，只是从这个R平方判断为了进一步说明其预测精度，我们进行了模型的精度分析。5.2. 精度分析从以上分析可以看出，模型及其参数均具有统计学意义。 为了确定其是否具有实际意义，需要进一步核实。因此，我们使用原始样本数据集计算平均绝对百分比误差：采用逐步回归方法建立乙型肝炎发病趋势预测模型。检验结果表明，模型的调整R平方为0.891，拒绝方程的概率小于0.001，模型参数在10%的显著性水平下通过检验因此，该模型不仅整体拟合效果良好，而且自变量对因变量的影响也很大。 通过验证实验发现，该模型达到了很好的拟合效果和准确的预测效果：MAPE仅为0.0448，对趋势突变非常敏感。因此，该模型具有重要的表62016年9月至2017年1月的预测结果。日期实际值预测值相对误差九月201687390886651.46%十月201685480858420.42%十一月20169147892413百分之一点零二十二月201691371907090.72%2017年186657870750.48%表4模型的系数t-1（四）0模型平方和DF均方FSig.回归4：950 × 10977：071 × 10823.016<0.001不Y. Zhang等人信息学在医学解锁10（2018）143147Fig. 1. 预测值和实际值时序图。对医疗工作和疾病监测具有实际意义。与本研究相似的结果表明，ARIMA-GM组合模型比单一模型能提供更准确的预测[19]，进一步揭示了利用大数据平台的集成搜索索引构建乙肝疾病预测模型的前瞻性和可靠性。7. 讨论和对未来研究目前，国内外研究者正在积极运用各种方法提出不同的预测方案，但大多数都是基于短期数据进行关联，利用历史数据外推虽然这些方法也有一些实际意义，但由此产生的方案往往在预测方面不及时可能在很短的时间内突然发生巨大变化的感染者另外，单因素分析不足以全面把握传染病的流行特点和规律当使用不同的预测模型来拟合同一传染病的发病率时，准确性可能会有所不同[20]。目前，多种方法正在联合使用来研究乙型肝炎的发病机制。例如，系统性综述、文献数据库荟萃分析、DNA大数据分析和临床试验正在被用于从多角度了解乙型肝炎的发病机制[21]。本研究试图从一个全新的视角出发，是对传统研究方法的有益补充。近年来，互联网已融入智慧医疗领域，在许多疾病的预测和预防中发挥着重要作用。例如，Google趋势已被证明在预测特定术语的某些疾病方面很有用[22]。学者们通过调查在线搜索行为与梅毒的关系，以及实际疾病数量[23]。随着大数据和大健康产业的兴起，大量医疗信息资源正在数字化、平台化。患者、医疗机构、医务人员都被连接起来，热衷于互联网健康咨询和信息共享的人们。互联网搜索引擎已经成为这些平台的支柱，也成为医生和患者之间的桥梁。因此，学者们对健康搜索行为产生了浓厚的研究兴趣。一些研究发现，大约一半的患者在离开医生办公室时仍然无法准确理解诊断，这使得在线患者教育网站成为许多患者的主要信息来源。通过Google搜索索引，我们发现有关乙型肝炎和丙型肝炎，肝硬化和肝癌的阅读材料主要集中在危险因素，症状，诊断，治疗和预防[24]。可以看出，越来越多的人依靠互联网进行健康咨询，服务他们利用互联网不仅是为了寻找与健康相关的信息，而且还阅读更专业的医学文献或相关资料，最关注的是能够改善生活质量的措施。 研究发现，病情越严重的患者，上网搜索行为越频繁，就越能使他们对自己的健康有积极的认识。然而，在以往的研究中，互联网使用对自身健康意识的影响尚未得到重视。例如，当在线寻求健康建议时，信息的质量，个性，公平性和可信度增强了在线信任，并使人们愿意根据在线建议采取行动[25]。事实上，患者可以选择性地管理来自互联网的信息，以形成对自身健康的自我服务和积极的感知，这在心理上提高了患者应对疾病的能力[26]。总之，基于网络搜索数据的预测方法还处于起步阶段，还有很多领域需要探索。例如，搜索词的合理数量和延迟时间段数量的准确定位的选择还有待探索。在此基础上，大数据预测建模的突发疾病，如在乌鲁恩扎，甲型肝炎丙型肝炎也是未来的一个关键研究课题利益冲突作者声明没有竞争性的经济利益。确认作者感谢教授。 感谢燕山大学的张亚明对本文的支持和指导。本论文得到了国家社会科学基金项目（17BGL 089）的资助。附录A. 补充数据与本文相关的补充数据可以在https：//doi找到。org/10.1016/j.imu.2018.01.004。引用[1] 吴SS。具有CTL免疫反应的乙型肝炎病毒模型的全局动力学。西南大学; 2012.[2] 庞建清。阿德福韦酯治疗慢性乙型肝炎的临床观察。中国医学指南2012;26：138。[3] 杨XB。人类历史上最可怕的十大病毒Discov Nat 2014;10：24- 5.[4] 李晓霞，刘芳，董建春，吕宝芳. 根据互联网搜索数据，中国在乌普萨拉进行监视。SystEng Theory Pract2013;33（12）：3028- 34.[5] 在线健康搜索在：皮尤互联网&美国生活项目; 2006年。[6] 王PC，李XY，杨SX，胡SL。灰色理论在乙型肝炎发病率预测中的应用。 中华卫生统计杂志2004;06：30- 1.[7] 王芳，金晓芳，刘伟，郭德兴.应用灰色GM（1，1）模型预测乙型肝炎发病率 数学音乐杂志2012;02：232- 3.[8] 王涛，袁晓华，朱志良. ARIMA时间序列在乙型肝炎发病率预测中的应用。 中国卫生统计学杂志2014;04：646- 7.Y. Zhang等人信息学在医学解锁10（2018）143148[9] Chen YP，Wu AP，Yu LK.组合模型预测乙型肝炎发病率的研究。 中国人民解放军医学杂志2014;01：52- 6.[10] 陈永芳，张明，王晓林，荣英，彭海英，关芳。ARIMA模型和BP神经网络模型在中国乙型肝炎发病率预测中的应用。江苏预防医学杂志2015;03：23- 6.[11] 元庆英。基于互联网关键词搜索的汽车销售预测研究。01. 管理科学学术版;2011年。p.12- 24[12] 张角网络搜索数据与CPI的相关性研究。中国管理科学杂志2012;15（7）：50- 8.[13] 王文成基于网络搜索数据的电子商务交易预测研究。北京：中国科学院; 2012。[14] Sun Y.基于主成分分析的网络搜索数据综合方法研究。Journal Math PractTheor2014;44（21）：121- 8.[15] 贾太平统计学的基础。北京：中国人民大学出版社;2014.[16] 他XQ。应用回归分析。北京：中国人民大学出版社;2014.[17] 高宏翔。应用多元统计分析。北京：北京大学出版社;2014.[18] 赵志华，侯艳艳，郑丽玲，等。艾叶乙酸乙酯提取物体外抗乙型肝炎病毒活性研究。郑州大学医学院学报2013;48（6）：783- 5.[19] Chen YP，Wu AP，Yu LK.用组合模型预测乙型肝炎发病趋势。中华医学杂志解放军2014;39（01）：52- 6.[20] JinRF，Qiu H，Zhou X，et al. 用ARIMA模型和GM（1，1）模型预测中国大陆传染病发病率复旦大学医学杂志2008;35（5）：675- 80.[21] 作者：J.J. E，J.J. 荟萃分析的系统评价：撒哈拉以南非洲乙型肝炎病毒感染的母婴传播风险营养药理学治疗2016;44（10）：1005- 17。[22] HaneyNM，Kinsella SD，Morey JM. 美国医学院毕业生对放射学住院医师项目的兴趣，如在线搜索工具所示。J Am CollRadiol 2014;11（2）：193- 7.[23] 彭刚，王军。基于百度查询数据的中国梅毒感染人数检测。第二届信息通信技术软计算国际会议（SCICT），卷。01; 2014.p. 180比5 台北，台湾。[24] Gulati R，Nawaz M，Pyrsopoulos NT. 关于肝炎及其并发症的在线患者教育材料的比较分析。 Eur J GastroenterolHepatol 2016;28（5）：558- 66。[25] 放大图片作者：HarrisPR，Sillence E，Briggs P. 感知威胁和确证：改善基于互联网的健康信息和建议的信任预测模型的关键因素。J Med Internet Res2011;13（3）：7-11.[26] 放大图片创作者：J.当疾病严重程度高时，互联网搜索有关疾病的信息会激发对自身健康的积极看法：一项纵向问卷调查研究。 J Med Internet Res 2016;18（3）：1- 11.