用户画像在国内外慢性病领域应用的范围综述

汤诗恒，林璟珊，李晶晶，李玉霞

(上海中医药大学 护理学院，上海 201203)

慢性病 (chronic diseases) 又称非传染性疾病 (noncommunicable diseases) ,指病情发展较缓慢、持续时间长的疾病[1]。《2015年中国卫生和计划生育统计年鉴》显示，大于55岁人群慢性病发病率达到46%，成为公共卫生工作中的重要问题之一[2]。《“健康中国”2030规划纲要》明确提出推进大数据在医疗领域的应用，可评估患者健康状态和疾病需求等数据[3]，进一步构建用户画像。“用户画像(user profile)”也称“用户角色(user persona)”，最先由Cooper[4]提出，认为用户画像是真实数据的虚拟代表；也有学者[5-6]从用户偏好、兴趣及需求，用户行为角度定义用户画像。本研究认为用户画像是存在于真实世界以反映个体自然属性、社会特征和行为轨迹的虚拟标签，根据患者身心健康、服药安全等大数据，将不同特征的慢性病患者进行用户标签形成用户画像，从而提供高效率、高质量的个性化健康管理方案。本研究以范围综述的研究方法[7]为基础，探讨用户画像在慢性病领域的研究内容、研究方法及效果，为护理人员开展针对性措施提供理论基础。

1 资料与方法

1.1 检索数据库 计算机检索Cochrane Library、Medline、PubMed、Web of Science、中国知网、维普中文期刊文献库、万方医学网数据库、中国生物医学文献数据库等8个数据库，检索词以自由词和主题词相结合的方法，根据具体要求检索数据库。

1.2 检索策略 中文检索式以(用户画像 OR 用户画像分析 OR 用户角色)AND(慢性病 OR 慢性非传染病 OR 慢性疾病 OR 慢性非传染性疾病 OR 高血压 OR 心血管疾病OR 中风OR 糖尿病 OR 脑卒中OR冠心病 OR 恶性肿瘤 OR 癌症 OR 痛风 OR 高脂血症 OR 肾脏OR 内分泌 OR 呼吸 OR 心理 OR 神经)。英文以检索式(user profile* OR user persona) AND (chronic OR high blood pressure OR coronary heart disease OR cardiovascular disease OR stroke OR diabetes OR cancer OR malignancy OR gout OR hyperlipidemia OR kidney OR endocrine OR respiratory OR psychological OR nerve)。检索时间从建库时间至2020年12月。

1.3 文献纳入和排除标准 (1)纳入标准：研究对象是慢性非传染性病患者、慢性病患者的相关医务人员等；研究类主题为用户画像应用于慢性病领域；研究设计包括现况研究、病例研究、质性研究等原始研究。(2)排除标准：文献类型为综述、会议摘要等；不能获取全文的文献；重复报导的文献；非中文或英文文献。

1.4 文献筛选与分析 由2名有循证学习经历的研究者阅读文献的题目和摘要，将符合标准的文献查阅并下载全文，如遇到意见不一致，则讨论后再做决定。资料提取内容包括纳入文献的国家、研究对象、样本量、数据来源、提取法、用户标签及内容、构建方法、识别方法、呈现形式、功能作用及使用方法等内容。

2 结果

2.1 文献筛选过程 检索数据库共获得文献5150篇，其中：Cochrane Library 306篇、Medline 409篇、PubMed 856篇、Web of Science 3558篇，CBM 2 篇、知网13篇、维普2篇、万方4篇；排除重复文献2536篇；再经过浏览标题和摘要、阅读全文，排除研究主题、对象、类型不符以及无法获取全文和内容重复的文献，最终纳入15篇文献。

2.2 纳入文献基本特征 15篇研究发表于2013年至2020年；在研究对象方面，以慢性病患者(n=8)较多见；以用户行为标签描述个体特征较多；用户画像识别主要基于情感、病情信息、行为标签，电子病历、健康档案等；呈现形式以情感、医护人员、社区用户、老年慢病画像模型常见；有监测与记录患者健康信息、制定饮食方案及提高患者服药依从性等功能；护理人员可根据患者用户画像提供个性化的护理服务，加强疾病知识宣教、心理护理及随访护理。文献详细信息汇总。详见表1。

表1 纳入文献基本特征

续表1

备注：①论述法；②Python语言；④聚类法；⑤主题分析法；⑥决策树；⑦ TF-IDF方法(词频-逆向文档频率方法)；⑧图像区域描述法；③八爪鱼。Persona构建法：高度精炼目标人群主要特征，并加以标签化。四步构建法：获取用户信息、描述使用频率的变量、聚类分析形成相似用户、构建数据库。UCD工具：分析用户需求，将用户行为转化为用户模型。

3 讨论

3.1 用户画像在慢性病领域的识别方法及应用实践 用户画像通过提取并分析大数据，主动或被动地提取用户在互联网留下的信息，根据人物角色用文本分析形成用户情感、病情信息、行为和服药等标签，以识别患者的不同类型和疾病状态，给予个性化推荐。用户画像在慢性病领域的应用主要有查询用户标签、形成用户画像模型、服务远程医疗。依据患者独特标识，可查询特征性标签，如情感标签、服药标签、行为标签、角色标签等，根据标签发现用户的性格特征、个人爱好、生活习惯，以进一步构建人物角色模型，挖掘不同用户群体与用户属性之间的关系；在此基础上构建远程医疗系统，针对疾病类型和健康信息给出推荐性的疾病护理方案，更好地满足患者偏好及医疗软件的功能需求，识别出不同情景下患者的角色特征，服务远程医疗，实施精准化护理。

3.2 用户画像在慢性病领域的应用对护理的启示 (1)慢性病管理：护理人员利用网站真实地记录患者的用药史、跌倒史等数据形成用户画像，对跌倒发生率较高的患者，利用线上结合线下的模式提供预防性护理措施，降低跌倒发生率[16]。(2)健康宣教：基于患者在网上浏览信息的频率和强度构建用户行为画像，了解患者疾病需求，针对性地提供用药、疾病诊疗知识[8]及详细的饮食方案[14]。(3)心理护理：护理人员将患者的显、性情感关键词量化，为分析患者情感提供的语义词典[9]，监测其心理变化情况并提供实时心理护理。(4)远程医疗：护理人员在深入分析患者就医行为与策略后，提供线上预约平台并指导使用互联网问诊[18]。由此可见，护理人员能利用移动智能平台推荐疾病信息并提升患者的疾病管理能力，增进疾病诊疗参与度，实施个性化护理。

3.3 用户画像在慢性病领域应用的局限及改进之处 首先，目前国内外在用户画像的研究倾向于慢性病患者的用户行为和整体描述，但关键词的分析往往不够精确且缺乏动态化的数据，较少对患者各时间段的在线评论进行深入剖析，建议护理人员建立用户反馈模式对数据进行动态分析和深入描述。其次，在我国农村互联网医疗技术有限，且患者文化程度不一，用户画像推广受到局限，建议护理人员可指导患者利用简单易操作的应用软件程序[23]，使更多用户受益于“互联网+”的医疗模式。最后，如何在使用大数据的过程中对隐私进行管理是值得重视的问题，在使用大数据分析用户画像时，确保患者的信息安全是未来应进一步完善的技术。