新冠疫情下安卓与 iOS 系统 CoronaCheck 应用用户自我报告症状差异研究：对数字健康研究的重要意义

《npj Digital Medicine》：A comparison of self-reported COVID-19 symptoms between android and iOS CoronaCheck app users

在移动健康（mHealth）研究中，不同操作系统用户存在数据差异问题。研究人员分析 CoronaCheck 应用数据，对比安卓和 iOS 用户的 COVID-19 感染及症状。结果发现安卓用户更年轻、男性更多、教育程度较低，感染率和报告症状更多。该研究为优化数字健康研究提供依据。

　　在新冠疫情席卷全球的背景下，人们的生活和健康受到了前所未有的冲击。为了更好地防控疫情，各类移动应用纷纷涌现，试图通过收集数据来助力公共卫生工作。然而，在这些看似高效的数据收集背后，却隐藏着诸多问题。不同移动操作系统（OS）的用户在使用相关健康应用时，是否会因为系统差异而产生不同的行为模式和数据报告？例如，他们在症状感知、报告意愿以及对健康监测工具的参与度上，是否存在显著差异？这些差异又是否会影响基于移动平台收集的健康数据的可靠性和普遍性？如果不解决这些问题，可能导致数字健康评估出现偏差，影响公共卫生决策的制定。

为了回答这些关键问题，德国维尔茨堡大学临床流行病学和生物统计学研究所、医学数据科学研究所等多个机构的研究人员 Michael Winter、Thomas Probst 等人开展了一项针对安卓和 iOS 系统用户在 CoronaCheck 应用上自我报告 COVID-19 症状差异的研究。该研究成果发表在《npj Digital Medicine》上。

研究人员采用了多种技术方法来确保研究的科学性和严谨性。首先，进行了一项横断面分析，收集了 2020 年 4 月至 2023 年 2 月期间全球范围内 CoronaCheck 应用用户的自我报告问卷数据。该应用通过标准化且简洁的问卷，评估了多种与 COVID-19 相关的症状，以此减少参与者负担并提高数据完整性。其次，研究人员对性别、年龄、教育水平和国家等关键社会人口学变量进行评估，确保分析的全面性。在统计分析方面，运用了 Mann–Whitney U 检验、卡方检验以及 Student’s t 检验等方法，来探究安卓和 iOS 用户在症状数量、症状存在与否以及 COVID-19 检测结果等方面的潜在差异；同时，通过单变量和多变量逻辑回归分析，研究用户平台与 COVID-19 相关结果之间的关联。

研究结果如下：

1. 社会人口学特征：研究共纳入 23,063 名用户，其中安卓用户 20,753 名，iOS 用户 2310 名。安卓用户通常更年轻，40 岁以下的占比 62.5% ，而 iOS 用户仅为 41.5%；安卓用户中男性比例略高，占 64%，iOS 用户中男性占 60.3%；安卓用户受教育年限相对较短，接受 12 年以上教育的比例为 39.9%，低于 iOS 用户的 60.8%。从地域分布来看，近 60% 的参与者来自德国、印度和南非，且不同国家的安卓和 iOS 用户分布存在显著差异。
2. COVID-19 相关症状：平均而言，安卓用户报告的 COVID-19 相关症状数量（2.13 个）多于 iOS 用户（1.62 个）。除流鼻涕和喉咙痛外，大多数症状在两类用户中存在差异。安卓用户更常报告头痛（29.6%）、咳嗽（27.3%）、虚弱（26.2%）等症状，而 iOS 用户则更常报告腹泻（2.7%）。
3. COVID-19 感染状态：基于报告症状，安卓用户被归类为疑似 COVID-19 感染的比例（24.0%）是 iOS 用户（11.1%）的两倍；安卓用户中因近期接触确诊病例而处于高风险的比例（4.1%）也高于 iOS 用户（2.4%）；iOS 用户更常报告无 COVID-19 相关症状且无疑似接触史（39.6%）。
4. 用户平台与感染及症状的关联：调整社会人口学变量后，安卓用户被归类为疑似 COVID-19 感染的可能性是 iOS 用户的 2.21 倍。此外，女性、年轻用户和受教育年限不足 12 年的用户，疑似感染的可能性较低。来自印度、孟加拉国等国家的用户，疑似感染及报告嗅觉、味觉丧失的可能性更高。

研究结论和讨论部分表明，安卓和 iOS 用户在 COVID-19 感染率和症状报告方面存在显著差异，这可能与用户的社会人口学特征、风险感知、健康寻求行为以及数字素养等因素有关。该研究结果强调了在设计和解释移动健康研究时，考虑平台特定差异的重要性。移动操作系统不仅仅是技术基础设施，还反映了用户的多样性，这些差异会对健康数据收集产生显著影响。未来的研究需要进一步探究这些差异背后的深层次原因，采用更广泛和多样化的招募策略，整合客观健康数据，考虑更多潜在的混杂因素，并运用纵向研究设计，以提高移动健康监测的准确性和包容性，为公共卫生干预提供更可靠的依据。