关键词 数字健康;围生期;可穿戴设备;虚拟现实;移动应用程序;网络认知行为疗法;机器学习;互联网;综述
doi：10.12102/j.issn.1009-6493.2026.10.027
Application progress of digital health technology in health management of perinatal women
SHEN Mayan ， DU Qiaoting ， YANG Beibei ， TENG Fei XIAO Jingfei ， CUI Chenhui ， LIU Lingling
1. School of Nursing， Henan University of Chinese Medicine/Nursing School of Smart Healthcare Industry， Henan 450046 China; 2. The First Affiliated Hospital of Henan University of Chinese Medicine; 3. The First Affiliated Hospital of Zhengzhou University
Corresponding Author DU Qiaoting， E-mail： xiaotingdudu123@126.com
Abstract This study reviewed the application forms and effects of digital health technology in health management of perinatal women. It also summarized the shortcomings of this technology and provided prospects. The aim was to provide a reference for improving the quality of digital health technology services in China and for conducting related research on the health management of perinatal women.
Keywords digital health; perinatal period; wearable devices; virtual reality; mobile application; internet-based cognitive behavior therapy; machine learning; internet; review
国家卫生健康委员会制定的《关于贯彻2021—2030年中国妇女儿童发展纲要的实施方案》[1]强调，妇女儿童健康是全民健康的基础，提高妇女儿童健康水平对于提升全民健康素质、构建和谐社会、建设健康中国具有积极意义。围生期是女性一生中的关键时期，围生期妇女的身心健康与其自身安全和胎儿生长发育密切相关[2]。做好围生期妇女的健康管理工作，不仅有利于维持女性在妊娠及分娩期的良好状态，还可以为存在异常情况的孕产妇提供及时的医疗卫生服务，有效降低母婴并发症发生率。但传统的健康管理模式常面临时间或空间受限、管理过程缺乏延续性、医疗资源不足等问题，数字健康技术（digital health technology， DHT）的出现则打破了这些局限性，其与现代医学结合既可以为病人提供便利的医疗服务，又可以减轻医护人员工作负担[3]。我国虽已有学者对DHT在围生期女性中的应用进行综述[4]，但其研究内容仅针对负性情绪，缺乏DHT在围生期妇女中的整体性研究及应用效果分析。现对DHT在围生期妇女健康管理中的应用进行探讨，旨在为我国DHT服务质量的提升和围生期妇女健康管理相关研究的开展提供参考。
1 相关概念
1.1 DHT
DHT是指通过信息或通信技术预防、诊断、治疗、监测和管理健康问题以及监测和管理影响健康的生活方式[5]。目前，其应用已涵盖肿瘤[6]、血液透析[7]、风湿病[8]等多个领域。
1.2 围生期
我国围生期的划分为从妊娠28周（即胎儿体重≥1 000 g或身长≥35 cm）至产后1周 [9] 。国外将围生期定义为孕28周至产后28 d，虽然目前不同国家或组织对于围生期的定义存在差异，但均聚焦于分娩前后这一重要时期，通过采取相应的干预措施有利于保障母婴身心健康。
2 DHT 在围生期妇女健康管理中的应用形式
2.1 可穿戴设备（wearable devices， WD）
可穿戴设备是指与人体连接用于收集个性化实时数据，并以非侵入性方式持续监测个人健康状况和生理指标的电子设备。Sarhaddi等 [10] 使用智能手表监测孕妇中晚期和产后的心率及心率变异性，结果显示，收集到的信号不仅能反映孕产妇自主神经系统变化，还有利于早期发现并发症。Claydon等 [11] 使用WHOOP带对围生期妇女进行监测，追踪她们每日清醒时间、深度睡眠时间、身体活动和中度至剧烈体育活动的时间，为围生期女性提供与活动相关的健康指导，有利于改善睡眠结局。此类可穿戴设备正逐步成为孕产妇健康管理的重要技术支撑，其应用价值在临床研究中得到进一步验证。Maugeri等 [12] 通过范围综述归纳发现，当前临床普遍采用无创式传感器，主要聚焦于孕妇体力活动强度、睡眠质量参数等日常生理指标的动态追踪，这些实时采集的生理数据可为医护人员开展产前健康管理提供客观依据。为促进可穿戴设备的发展，研究人员未来需进一步研发测量更准确、价格更便宜、舒适度更高的新型设备。同时，还应从使用者角度出发，提高其佩戴设备的依从性，发挥可穿戴设备在围生期健康管理中的最大效能。
2.2 虚拟现实（virtual reality， VR）技术
虚拟现实技术是利用计算机生成模拟环境使用户沉浸其中，与虚拟环境产生互动的仿真系统。虚拟现实技术具有沉浸式、交互性等特点，近年来在围生期护理中的应用价值日益凸显。在产前教育领域，俞晓晶等 [13] 构建了涵盖分娩环境、镇痛方式及母婴保健的虚拟现实技术课程体系，结果表明，接受虚拟现实技术干预的初产妇焦虑程度降低，分娩恐惧量表评分下降明显，且课程总体满意度较高，表明虚拟现实技术在提升认知与缓解负性情绪中具有协同效应。在疼痛管理方面，Mohammadi等 [14] 研究表明，分娩疼痛强度会随着产程进展而增加，而虚拟现实技术干预可有效缓解孕37周以上初产妇的分娩疼痛感知及恐惧心理。García-González等 [15] 通过3D虚拟场景的干预发现，孕晚期妇女的焦虑水平及生理应激指标均得以改善，表明虚拟现实技术不仅可以拓展非药物干预路径，还可以通过结构化课程设计精准对接产妇认知需求与心理支持缺口，为优化围生期护理实践提供新思路。
2.3 移动应用程序（mobile application， APP）
移动应用程序作为智能移动终端的重要载体，具有操作便捷性和服务即时性的特点，在围生期健康管理领域展现出了独特优势。已有研究表明，移动应用程序不仅能够实现孕产妇生理指标的动态监测，还能构建高效的医患沟通渠道[16]。Téoule等[17]开发的Buddy Healthcare将虚拟课程及身体活动数据采集功能应用于妊娠晚期管理，有效控制了孕妇体重增长并提高了孕妇运动依从性。目前，移动应用程序的应用已从生理健康管理延伸至心理支持领域。Ogur等[18]研发的PADIP通过情绪监测算法实现了围生期焦虑、抑郁的早期识别，结果显示，干预组的抑郁和焦虑量表评分降低。相较于国外专业化移动应用程序的发展，我国围生期健康管理多依托于微信平台开展数字化实践。朱远等[19]设计的围生期抑郁信息化管理方案主要通过公众号推送定制化内容并实施在线心理评估，结果显示，干预组的抑郁评分和分娩结局得到改善。此外，微信平台也被应用于产后恢复。于双莉等[20]通过微信推送盆底功能锻炼视频、给予产妇实时答疑及个性化指导，结果显示，产妇的盆底康复认知评分、阴道收缩肌电值及生存质量改善。移动应用程序的多维价值在围生期的不同阶段逐渐显现，为进一步优化其临床应用，未来应着重关注用户需求的异质性，建立基于循证医学的评价体系，同时加强多中心临床研究以验证其长期效益。
2.4 网络认知行为疗法（internet-based cognitive behavior therapy， iCBT）
认知行为疗法通过解析情绪、认知及行为间的相互作用机制，运用认知重构技术修正负性思维模式，是改善围生期心理健康的有效干预策略。其数字化延伸形式——网络认知行为疗法可借助互联网平台为病人的心理护理提供新路径。杨贝贝等 [21] 对18篇文献研究后发现，网络认知行为疗法可有效改善围生期妇女负性情绪。Mefrouche等 [22] 研究发现，网络正念干预作为网络认知行为疗法的重要实践形式可提升正念训练的可及性，且干预完成度与症状改善间存在正相关关系。Xie等 [23] 以178名孕妇为研究对象，验证了移动端正念干预降低围生期压力水平的有效性。值得注意的是，基于数字化干预方案的网络认知行为疗法虽可一定程度提升围生期妇女的心理健康管理效率，但实施质量与长期效果保障仍然是影响其临床效益的关键因素。未来研究可对研究对象进行长期跟踪随访，挖掘数字心理干预在围生期护理中的潜在价值。
2.5 机器学习（machine learning， ML）
机器学习作为数字健康的新兴技术，可以从医疗数据中学习并进行预测、分类或决策支持。随着人工智能的迅速发展，机器学习在医疗领域的应用逐渐增多，如药物研发 [24] 、疾病预测 [25] 、影像诊断 [26] 等。有研究者将机器学习应用于围生期妇女的健康管理，通过量化风险因素构建联合预测模型，分析其对母婴结局的影响，为临床提供了阴道试产失败转剖宫产高风险人群的识别工具 [27] 。Garbazza等 [28] 对妊娠期女性的社会心理及睡眠数据进行分析，构建的抑郁风险预测模型对围生期妇女抑郁症的早期诊断和治疗有较高应用价值。Zhang等 [29] 对分娩活婴的单胎孕妇临床特征进行回顾性分析，构建并验证了剖宫产预测模型，借助该模型可精准识别剖宫产的高危因素，进而采取降低风险的干预措施。机器学习的预测价值有利于实现早发现、早诊断、早治疗的健康管理模式，为围生期妇女的身心健康保驾护航。未来机器学习的发展需在发挥其处理多维复杂数据独特优势的同时，积极应对算法公平性、临床信任度、数据质量等严峻挑战。
2.6 互联网平台
互联网技术的发展促进了互联网平台与医疗领域的结合，其在围生期妇女的健康管理方面涵盖了远程干预、线上教育、在线咨询等多种形式。Frankham等 [30] 研究表明，基于互联网平台的在线分娩教育课程对孕产妇分娩自我效能感的改善具有积极作用，可在一定程度上提升其分娩信心。Bilgi?等 [31] 在孕晚期妇女中开展在线教育和产后咨询相结合的干预，结果显示，干预后产妇照顾婴儿的能力、首次母乳喂养成功率及分娩后前3个月纯母乳喂养率均增高。周芸等 [32] 基于互联网平台进行全程母乳喂养支持，提升了剖宫产产妇6个月内的纯母乳喂养率，并改善了产妇的母乳喂养知识水平及自我效能，效果优于常规护理。合理利用互联网平台可为围生期女性赋能，增强其自我管理能力和健康素养。
3 DHT 在围生期妇女健康管理中的应用效果
3.1 缓解负性情绪，提高生活质量
妊娠晚期女性焦虑和抑郁患病率较高，维持围生期女性的心理健康对于提高其生活质量至关重要。江英婵等 [4] 通过梳理文献发现，DHT可突破时空限制，高效缓解抑郁、焦虑等负性情绪，为优化围生期妇女心理健康干预体系提供理论依据与实践方向。Lewkowitz等[33]纳入31项随机对照试验进行Meta分析，结果显示，相较于常规治疗，数字健康干预可降低产后抑郁和产后焦虑症状评分，说明数字健康干预措施可起到有效预防或缓解负性情绪的作用。目前，DHT在围生期女性情绪管理中的应用前景广阔，但研究多局限于抑郁、焦虑，对其他负性情绪的探索相对欠缺。
3.2 减轻分娩疼痛，促进舒适度
分娩创伤可能引起分娩疼痛，进而诱发产后抑郁和应激障碍，故对围生期妇女进行有效的疼痛管理具有重要意义[34]。一项干预性研究将初产妇分为两组，对照组接受常规产科护理，观察组加用HTC Vive头戴式显示器，两组产妇均未接受硬膜外麻醉或其他药物镇痛干预，结果显示，宫口开全时两组McGill疼痛问卷（SF-MPQ）评分差异无统计学意义，但产后1 h观察组疼痛评分低于对照组，该差异可能源于虚拟现实技术对疼痛感知的分散效应[35]。尽管研究通过随机分组及基线均衡性检验控制了混杂因素，但产后疼痛评估仍可能受第二产程时长、会阴完整度等未测量变量影响，后续研究应纳入更全面的协变量进行分析以强化证据等级。此外，产妇对分娩期间虚拟现实技术的体验感受与主观评价[36]同样能为该技术的临床应用效果提供有力佐证。
3.3 监测生理指标，防控妊娠期并发症
DHT 通过动态追踪围生期妇女血糖、血压、心率等关键生理参数，有利于早期识别孕产妇潜在风险，并可对高危妊娠病人实施全程健康监护。Lu 等 [37] 系统回顾了妊娠期糖尿病数字化管理方案，证实基于可穿戴设备和机器学习等技术构建的监测系统能将血糖监测数据转化为指导临床决策的有效信息。近年来，这种数字化监测模式的优势正逐步拓展至妊娠并发症领域。Santos Alves 等 [38] 开展 DHT 产科应用的系统评价，进一步证实了远程监测技术能有效识别妊娠期并发症的早期征兆，为医护人员实施精准干预争取时间窗。通过数字化手段建立的连续性健康监测体系，可提升围生期健康管理的时效性与完整性，为构建智能化母婴安全保障网络提供重要技术支撑。
3.4 提升健康素养，增强自我效能
DHT 通过移动应用程序、小程序、公众号等形式促进医务人员与围生期妇女的沟通交流， 可为孕产妇推送科普知识， 鼓励其积极参与自我健康管理， 提高其健康素养。Liu 等 [39] 根据是否使用健康助手移动应用程序将孕妇分为干预组和对照组，结果显示，干预组孕妇的围生期保健知识、自然分娩率、产前检查依从率、随访率均高于对照组。此外，DHT还可提升围生期妇女自我效能。王晓婷等 [40] 将孕产妇分为干预组和对照组，干预组接受基于微信平台的知信行健康教育，对照组接受常规门诊健康教育，结果显示，干预组分娩自我效能高于对照组。DHT既有利于围生期妇女规范化的健康宣教，又可增强其自我效能。未来有必要探索更加系统、有效的数字化健康教育方案，使围生期妇女获取更多的母婴保健健康指导。
4 不足与展望
4.1 接受度差异显著
当前，DHT在临床应用中呈现显著的接受度差异。病人对DHT的使用受多种因素制约，包括隐私安全、操作界面复杂性及文化适应性等[41]。老年群体及受教育水平较低者在DHT使用过程中普遍存在“数字鸿沟”现象，这与设备操作难度及情感支持缺失密切相关[42]。未来需重点开发具有情感计算能力的交互系统，为病人制定个性化的健康教育方案。
4.2 数据安全防护机制亟待完善
维护病人隐私安全始终是DHT发展过程中亟待解决的关键难题。在数据采集、整合和连接的各个环节都存在不可避免的信息泄漏风险 [43] 。健康管理类移动应用程序因监管不到位导致网络攻击、设备漏洞、数据泄漏等问题出现，会对病人隐私安全造成威胁 [44] 。在后续的DHT应用过程中，需要开发适用于医疗护理场景的隐私风险评估模型，将数据脱敏技术、动态访问权限管理等手段与护理工作相结合，同时应加强护理人员的数据安全培训。
4.3 标准化建设滞后制约发展
DHT在临床应用中的标准化滞后表现在政策法规的制定、评价体系的规范、专业人才培养等方面。随着DHT在医疗领域的推广应用，其潜在的数据隐私安全、医疗决策公平性、上市产品合格性等问题逐渐凸显[45]。数字健康产品因缺乏规范的评价体系，导致有效性和安全性难以准确衡量，部分技术可信度存疑，实践证据级别较低，方法学局限[46]。当前，DHT发展还面临人才短缺挑战，导致技术难以发挥最大效能。建议相关部门加强制度保障，制定统一的评估标准；医学院校增设健康信息技术课程，鼓励专科护士认证；医疗机构制订数字素养提升计划，组建融合临床、技术和数据科学的人才梯队。
4.4 数据孤岛现象阻碍价值转化
数据传播共享是发挥DHT价值的前提[47]。当前医疗机构不仅存在评价体系的差异性，在共享过程中也面临潜在的隐私泄漏风险，导致“数据孤岛”现象显著[48]。医疗数据的碎片化存储严重制约了信息的互联互通，对护理服务的连续性造成影响。建议未来研究优先建立统一的数据标准和规范接口，在确保病人知情同意的前提下，构建安全、可控的数据共享机制以充分保障隐私自主权。通过搭建可信赖的数据流通平台，探索隐私保护与医疗数据价值间的协同路径，从而最大程度发挥DHT的应用潜力，推动医疗发展。
5 小结
DHT在围生期妇女健康管理中具有较好的应用效果，包括可穿戴设备、虚拟现实技术、移动应用程序、网络认知行为疗法、机器学习和互联网平台等多种形式，这些技术在缓解负性情绪、减轻分娩疼痛、监测生理指标及提升健康素养等方面成效显著。DHT在围生期妇女健康管理中具有较大优势和发展前景，但其发展也存在挑战性问题。未来研究应进一步加强研究，探讨适用于我国围生期妇女的DHT健康管理模式。
参考文献：
[1] 国家卫生健康委员会. 国家卫生健康委关于贯彻 2021—2030 年中国妇女儿童发展纲要的实施方案 [EB/OL]. [2025-04-08]. http：//www.nhc.gov.cn/fys/s7900/202204/acaaffeb f2e44964a9b14fdddd173cfa.shtml.
[2] 李玉培， 薛秀娟， 李灵， 等. 孕产妇围产期脆弱的研究进展 [J]. 中华护理杂志， 2024， 59（22）： 2799-2804.
[3] 徐向东， 周光华， 吴士勇. 数字健康的概念内涵、框架及推进路径思考 [J]. 中国卫生信息管理杂志， 2022， 19（1）： 41-46; 84.
[4] 江英婵， 张勇勤， 张琦， 等. 数字健康技术在缓解围生期女性负性情绪中应用的研究进展 [J]. 护理研究， 2024， 38（17）： 3087-3093.
[5] JACOB C， LINDEQUE J， KLEIN A， et al. Assessing the quality and impact of eHealth tools： systematic literature review and narrative synthesis[J]. JMIR Hum Factors， 2023， 10：e45143.
[6] COHEN A B， SCHWAMM L H. Digital health for oncological care [J]. Cancer Journal， 2024， 30（1）：34-39.
[7] 徐骏， 吉小静， 牟洪宾. 数字健康技术在维持性血液透析病人中应用的研究进展 [J]. 护理研究， 2024， 38（16）： 2890-2894.
[8] KNITZA J， GUPTA L， H?GLE T. Rheumatology in the digital health era： status quo and quo vadis？ [J]. Nature Reviews Rheumatology， 2024， 20（12）：747-759.
[9] 孔北华， 马丁， 段涛. 妇产科学 [M]. 10 版. 北京： 人民卫生出版社， 2024： 54.
[10] SARHADDI F， AZIMI I， AXELIN A， et al. Trends in heart rate and heart rate variability during pregnancy and the 3-month postpartum period： continuous monitoring in a free-living context [J]. JMIR MHealth and UHealth， 2022， 10（6）： e33458.
[11] CLAYDON E A， LILLY C L， CASWELL E D， et al. Detecting sleep and physical activity changes across the perinatal period using wearable technology[J]. BMC Pregnancy and Childbirth， 2024， 24（1）：787.
[12] MAUGERI A， BARCHITTA M， AGODI A. How wearable
sensors can support the research on foetal and pregnancy outcomes： a scoping review[J]. Journal of Personalized Medicine， 2023， 13（2）：218.
[13] 俞晓晶， 徐雪芬， 许莉莉， 等. 基于虚拟现实技术的产前健康教育课程的构建及应用 [J]. 中华护理杂志， 2024， 59（2）： 184-190.
[14] MOHAMMADI H， RASTI J， EBRAHIMI E. Virtual reality， fear of pain and labor pain intensity： a randomized controlled trial[J]. Anesthesiology and Pain Medicine， 2023， 13（1）： e130387.
[15] GARC?A-GONZ?LEZ J， MART?NEZ-NAVARRO A， ROMERO-DEL REY R， et al. State-trait anxiety levels and vital signs of pregnant women following intervention with virtual reality during the nonstress test： a randomized controlled trial[J]. Journal of Affective Disorders， 2024， 355：308-314.
[16] MAZAHERI HABIBI M R， MOGHBELI F， LANGARIZADEH M， et al. Mobile health apps for pregnant women usability and quality rating scales： a systematic review[J]. BMC Pregnancy and Childbirth， 2024， 24（1）：34.
[17] T?OULE J， WOLL C， RAY J， et al. The effectiveness of integrated online health-coaching on physical activity and excessive gestational weight gain： a prospective randomized-controlled trial [J]. Archives of Gynecology and Obstetrics， 2024， 310（1）：307-314.
[18] OGUR Y S， YAZ1C1 E， USLU YUVAC1 H， et al. Development of a mobile monitoring program for anxiety and depression in pregnancy and evaluation of 3-month results[J]. Annals of Clinical Psychiatry， 2023， 35（4）：260-271.
[19] 朱远， 徐桂华， 张爱霞， 等. 围生期抑郁信息化管理方案的构建与应用 [J]. 护理学杂志， 2024， 39（5）： 1-5; 27.
[20] 于双莉，郭琛旋.微信平台健康教育干预对产后妇女盆底功能锻炼认知及盆底功能的影响[J].中国健康心理学杂志，2023，31（10）：1463-1468.
[21] 杨贝贝， 杜巧婷， 肖静菲， 等. 网络认知行为疗法在围生期孕妇负性情绪中应用的范围综述 [J]. 中国实用护理杂志， 2025， 41（5）： 387-395.
[22] MEFROUCHE M L， SIEGMANN E M， B?HME S， et al. The effect of digital mindfulness interventions on depressive， anxiety， and stress symptoms in pregnant women： a systematic review and meta-analysis[J]. European Journal of Investigation in Health， Psychology and Education， 2023， 13（9）：1694-1706.
[23] XIE W Y， WANG M， NG S， et al. Effects of a mindfulness-based intervention delivered by mobile phone on perinatal-specific stress and neonatal outcomes： a randomized controlled trial[J]. Mindfulness， 2024， 15（10）：2595-2608.
[24] CHHINA A， TREHAN K， SAINI M， et al. Revolutionizing pharmaceutical industry： the radical impact of artificial intelligence and machine learning[J]. Current Pharmaceutical Design， 2023， 29（21）：1645-1658.
[25] GHANIAVIYANTO RAMADHAN N， ADIWIJAY A， MAHARANI W， et al. Chronic diseases prediction using machine learning with data preprocessing handling： a critical review[J]. IEEE Access， 2024， 12： 80698-80730.
[26] 鲁慧民， 薛涵， 王奕龙， 等. 机器学习在影像组学分析中的应用综述[J]. 计算机工程与应用， 2023， 59（17）： 22-34.
[27] 徐维娜， 艾玲. 阴道试产失败中转剖宫产的风险预测模型构建和母婴结局分析 [J]. 浙江医学， 2024， 46（22）： 2396-2399.
[28] GARBAZZA C， MANGILI F， D'ONOFRIO T A， et al. A machine learning model to predict the risk of perinatal depression： psychosocial and sleep-related factors in the life-on study cohort [J]. Psychiatry Research， 2024， 337： 115957.
[29] ZHANG R， SHENG W X， LIU F R， et al. Establishment and validation of a machine learning-based prediction model for termination of pregnancy via cesarean section[J]. International Journal of GeneralMedicine， 2023， 16：5567–5578.
[30] FRANKHAM L J， THORSTEINSSON E B， BARTIK W. Childbirth self-efficacy and birth related PTSD symptoms： an online childbirth education randomised controlled trial for mothers [J]. BMC Pregnancy and Childbirth， 2024， 24（1）：668.
[31] BILGI? F ?， BOZKURT G. Effect of online infant care training and postpartum counseling based on Meleis' transition theory on mothers' readiness for care and breastfeeding： a randomized controlled trial[J]. Clinical and Experimental Pediatrics， 2024， 67（10）：521-530.
[32] 周芸， 杨丽， 凌静， 等. 基于互联网+全程母乳喂养支持的护理干预在剖宫产产妇中的应用研究[J]. 中华护理杂志， 2024， 59（16）： 1933-1941.
[33] LEWKOWITZ A K， WHELAN A R， AYALA N K， et al. The effect of digital health interventions on postpartum depression or anxiety： a systematic review and meta-analysis of randomized controlled trials[J]. American Journal of Obstetrics and Gynecology， 2024， 230（1）：12-43.
[34] 樊雪梅， 蒲丛珊， 张爱霞， 等. 孕产妇分娩心理创伤的研究进展 [J]. 中华护理杂志， 2022， 57（10）： 1256-1262.
[35] 邓雄， 王小梅， 李宝君， 等. 虚拟现实技术对自然分娩初产妇分娩疼痛分娩焦虑及产后乳汁分泌的影响 [J]. 中国妇幼保健， 2024， 39（2）： 207-210.
[36] NG Y X， CHANG C T， TAN C Y， et al. Women's perceptions of the use of virtual reality during childbirth： a qualitative systematic review and meta-synthesis[J]. Midwifery， 2024， 139：104184.
[37] LU H Y， DING X R， HIRST J E， et al. Digital health and machine learning technologies for blood glucose monitoring and management of gestational diabetes[J]. IEEE Reviews in Biomedical Engineering， 2024， 17：98–117.
[38] SANTOS ALVES D， TIMES V C， DA SILVA?M A， et al. Advances in obstetric telemonitoring： a systematic review[J]. International Journal of Medical Informatics， 2020， 134：104004.
[39] LIU Y， WANG X. Application of smart mobile medical services in maternal health care management[J]. Contrast Media & Molecular Imaging， 2021， 2021（1）：6249736.
[40] 王晓婷， 王华君， 应秀萍. 产前微信平台知信行健康教育对孕产妇妊娠结局影响 [J]. 中国计划生育学杂志， 2024， 32（1）： 128-132.
[41] DOLAN H， EGGETT C， HOLLIDAY L， et al. Virtual care in end of life and palliative care： a rapid evidence check[J]. J Telemed Telecare， 2021， 27（10）：631-637.
[42] 张艳， 彭希， 陈华丽， 等. 数字健康技术在心力衰竭患者居家容量管理中的应用进展 [J]. 中华护理杂志， 2024， 59（21）： 2672-2677.
[43] 叶少芳， 刘婵娟. 智能时代数字医疗的伦理进路——基于“道德物化”理论的思考[J]. 浙江社会科学， 2023（9）：114-120;160.
[44] FLEMING G A， PETRIE J R， BERGENSTAL R M， et al. Diabetes digital app technology： benefits， challenges， and recommendations. A consensus report by the European Association for the Study of Diabetes（EASD） and the American Diabetes Association（ADA） Diabetes Technology Working Group[J]. Diabetologia， 2020， 63（2）： 229–241.
[45] 吴纪树. 后疫情时代数字健康的法律规制[J]. 卫生经济研究， 2022， 39（10）： 75-79.
[46] LONGHINI J， ROSSETTINI G， PALESE A. Digital health competencies among health care professionals： systematic review[J]. Journal of Medical Internet Research， 2022， 24（8）： e36414.
[47] 黄如意， 井淇. 数字化时代的数字健康： 内涵、特征、挑战与治理路径 [J]. 卫生经济研究， 2022， 39（6）： 60-63; 66.
[48] 熊乐佳， 魏毅， 吴旭生， 等. 数字健康创新发展研究 [J]. 医学信息学杂志， 2024， 45（6）： 19-23; 29.
（收稿日期：2025-07-11;修回日期：2026-04-20）
（本文编辑 陈琼）
