基于自由文本评论的心血管疾病患者医疗服务价值感知分析

Perception analysis of medical service value for cardiovascular disease patients based on free-text comments

摘要

目的 分析心血管疾病患者对医疗服务的自由文本评论，识别其在医疗过程中的关注点和情感倾向，洞察患者视角下医疗服务价值的关键要素。 方法 在患者满意度调查中嵌入可自由文本评论的开放式问题，收集2022年9月至2023年7月因心血管疾病住院的患者对医疗服务的真实评价，形成患者观点的大型文本库。采用有监督机器学习算法和BERT模型，对文本库进行主题建模和情感分析。采用Logistic回归分析患者负性评论主题与患者满意度、忠诚度之间的关系。 结果 共收集4 693例心血管疾病患者的自由文本评论，评论对象数量最多的是护士（25.1%），其次是医师（14.9%）。情感分析结果显示，3 592人（76.5%）发表正性评论，977人（20.8%）发表负性评论，102人（2.2%）发表混合评论，22人（0.5%）发表中性评论。主题分析结果显示，心血管疾病患者最常提到的5个主题分别是人文关怀（14.4%）、信息教育沟通（9.0%）、专业技术水平（6.6%）、膳食（6.2%）和诊疗有效性（4.2%）。Logistic回归分析结果显示，人文关怀、信息教育和沟通、应答需求等维度负面评价的出现与患者满意度、忠诚度的降低显著相关。 结论 人际交互维度与功能性维度在患者医疗服务价值感知中呈现出双元重要性，人际交互维度往往会成为患者审视医疗服务价值和质量的决定性因素。

Abstract

Objective To deeply analyze the free-text comments of patients with cardiovascular disease regarding medical services， in order to identify their concerns and emotional tendencies during the medical journey， and to gain insights into the value elements of medical services from the patient perspective. Methods An open-ended question allowing free-text comments was embedded in the patient satisfaction survey to collect genuine evaluations of medical services from patients hospitalized for cardiovascular disease from Sept 2022 to Jul 2023， forming a large text corpus of patient opinions. Supervised machine learning algorithms and the BERT model were used to conduct topic modeling and sentiment analysis on the text corpus. Logistic regression was employed to analyze the relationship between negative comment themes and patient satisfaction and loyalty. Results A total of 4 693 comments were collected from patients with cardiovascular disease during the study period. The most frequently mentioned subjects in patient comments were nurses （25.1%）， followed by doctors （14.9%）. Sentiment analysis results showed that 3 592 patients （76.5%） made positive comments， 977 patients （20.8%） made negative comments， 102 patients （2.2%） made mixed comments， and 22 patients （0.5%） made neutral comments. Topic analysis results indicated that the five most frequently mentioned themes by patients with cardiovascular disease were humanistic care （14.4%）， information education and communication （9.0%）， technical proficiency （6.6%）， diet （6.2%）， and effectiveness of diagnosis and treatment （4.2%）. Logistic regression analysis showed that negative evaluations of dimensions such as humanistic care， information education and communication and response to needs were significantly associated with lower patients’ satisfaction and loyalty. Conclusion Interpersonal interaction and functionality are dual important dimensions in medical services， especially interpersonal interaction， which often becomes the decisive factor for patients with cardiovascular disease to assess the quality of medical services.

关键词

医疗服务 / 价值感知 / 文本挖掘 / 机器学习算法 / BERT模型 / 心血管疾病

Key words

health services / value perception / text mining / machine learning algorithms / BERT model / cardiovascular disease

上海市加强公共卫生体系建设三年行动计划（2023—2025年）重点学科项目（GWVI-11.1-46）

随着人口老龄化和生活方式的改变，心血管疾病正成为威胁全球健康的主要原因之一^［1］。据《中国心血管健康与疾病报告2023》报告，我国心血管疾病现患人数约为3.3亿，占总人口的近1/4，且患病率持续上升，疾病负担绝对值保持增长态势^［2］，给个人和社会带来了沉重的经济负担。心血管疾病患者病情复杂，常伴有多种慢性疾病，发病急骤凶险，对医疗保健的需求呈现出高度的复杂性与延续性^［3-4］，也对医疗机构提供高效、协调、以患者为中心的医疗服务提出了挑战。目前心血管疾病患者就医体验及需求的相关研究多为单一主题的质性研究^［5-7］，指导作用有限。价值感知最早源自于经济学领域，指消费者基于对外部信息的感知和体验对产品或服务产生的主观认知与评价，患者价值感知（patient perceived value，PPV）是价值感知理论在医疗服务领域的延伸，指患者对医疗服务效用的期望值与接受值的综合评估^［8］。由于各自立场、观点的差异以及信息获取的不对等，服务的提供者和接受者在对价值的认识上可能会有分歧，他们所重视的价值要素并不总是相同的。医患双方的价值感知存在差异^［9］，一旦忽视，就会对服务的预期效果造成不利影响，医疗服务的发展需要围绕患者的价值感知展开^［10］。患者的自由文本评论是其价值观的直观呈现，从中可以窥见患者在医疗过程中的关注点和情感倾向。对患者评论进行文本挖掘，能够帮助医疗机构深入洞察患者对医疗服务价值的主观感知要素，从而明确服务质量提升的方向。本研究以心血管疾病患者为研究对象，对其发表的评论进行文本挖掘，揭示该群体对医疗服务的具体态度和偏好，识别患者视角下的医疗服务价值关键要素，指导医疗机构在心血管专科服务上的优化，促进医疗服务质量的提升，实现医患协同的价值共创。

资 料 和 方 法

研究对象

选取2022年9月至2023年7月因心血管疾病在中山医院心内科住院的患者作为研究对象。纳入标准：（1）第一诊断为心血管疾病；（2）年龄≥18岁；（3）住院时间≥1天；（4）自愿提供自由文本评论。排除标准：（1）合并严重非心血管系统疾病（如活动期恶性肿瘤、肝肾功能衰竭等）；（2）住院期间死亡或自动出院。本研究已通过复旦大学附属中山医院伦理委员会批准（编号：B2020-07R）。

本研究收集的自由文本评论来自患者出院后填写的反馈内容，评论与患者基本信息在原始数据中存在关联。在数据分析前，研究团队对所有可识别信息（姓名、住院号、联系方式等）进行去标识化处理，仅保留与研究目的相关的变量。

研究方法

数据收集

依托于研究单位搭建的患者服务体验智慧化管理平台^［11］，患者完成出院结账后，平台自动触发测评短信，邀请患者评价就医体验。评价工具包括结构化问卷和非结构化自由文本评论框。数据内容包括：（1）基本人口学信息，包括年龄、性别、家庭住址、医保类型、主要疾病诊断、住院时间；（2）患者满意度和忠诚度，通过2个问题“总体而言，您对医疗服务的满意程度如何？”和“如果您的家人和朋友需要，您会在多大程度上推荐他们来这家医院？”进行评价。满意度评分范围为0~10分，忠诚度评分范围为0~5分，评分越高代表满意度和忠诚度越高；（3）自由文本评论（选填），通过问题“您对本次医疗服务有什么意见或建议吗？”进行文本收集。

数据预处理

第一步，去除噪声。对文本数据进行清洗、分词和去除无效信息等操作。

第二步，制定患者体验标签体系。研究团队以NHS和国内患者体验概念框架为依据初步制定“患者体验标签体系”^［12-13］，并通过深入的文献研究进行补充，形成最终的患者体验标签体系（表1）。

第三步，构建训练集。将评论文本数据按0.1、0.05、0.85的比例分割训练集、验证集和测试集^［14-15］。将10%的患者评论分配给两名研究人员（具备患者体验的理论知识和临床工作经验）进行独立编码，形成带有标签的训练数据，若患者评论包含未被分类的主题，则创建新的标签项；同时，分析文本评论的情感成分，将各评论标记为积极、消极、中立以及混合情绪这4种情感标签。两名研究者间一致性较高，达到0.91^［16］。研究者间有分歧时由第三位研究者参与定义标签，并通过讨论达成一致意见。

数据处理

采用6种带有监督机器学习方法（决策树、支持性量机、逻辑回归、XGBoost、多项式朴素贝叶斯和随机森林），并使用训练数据集来评估模型性能，结果显示决策树、支持性量机和随机森林性能更佳。本研究实施一种多模型集成策略，即“多分类器投票策略”^［17］，通过硬投票策略将3个性能最佳的机器学习模型结合起来，以期获得更加精确的分类效果。

在自由文本评论中经常会有混合情绪的表达，需要结合具体语境进行细致解读，机器学习算法应用受限。BERT模型作为transformer架构下的一项先进自然语言处理技术，在情感分析任务上展现优势^［18］，因此，本研究使用BERT模型（经训练集训练后）来获取其余患者评论文本中的情感属性。

统计学方法

计量资料以$\bar{x} \pm s$或M（P₂₅，P₇₅）表示，计数资料以n（%）表示。通过SPSS 26.0软件，采用t检验、χ²检验等方法对负性评论进行单因素分析，并采用Logistic回归分析患者发表负性评论的影响因素，以双侧检验P<0.05为差异有统计学意义。主题的提取和计数采用Python 3.11完成，本研究使用one-hot编码将分类变量转化为二进制列，其中0代表输入不属于该类别，1代表属于，由此解决了多标签分类问题。将one-hot编码后的数据导入SPSS软件，对评论主题以及情绪属性进行描述性分析。采用二元Logistic回归法分析患者负性评论中某一主题出现与患者满意度及忠诚度之间的相关性。使用top-box评分法^［19］对患者满意度和患者忠诚度评分进行二分类处理，即将分数分为最高分和小于最高分两大类。

结 果

研究对象的一般资料

共4 693例住院患者纳入研究，年龄14~96岁，平均（61.58±13.32）岁。其中男性3 178例（67.7%），女性1 515例（32.3%）。以患者评论的情感类别作为分组变量进行单因素分析，两组间年龄、性别、婚姻状况、医疗费用支付方式的差异有统计学意义（P<0.05，表2）。

自由文本评论的一般特征

患者自由文本评论的字数在2~693个，中位数为10个。患者评论对象数量最多的是护士（25.1%），其次是医师（14.9%）、护工（1.5%）和非医疗工作者（0.10%）。517份（11.0%）文本使用“医务人员”或“医护人员”作为评论主体，未指明具体评论对象。106份（2.3%）文本评论的对象为医院环境、硬件设施。剩余评论不涉及具体对象。

自由文本评论的情感分析

4 693例患者中，3 592例（76.5%）发表正性评论，977例（21.0%）发表负性评论，102例（2.2%）发表混合情绪评论，22例（0.3%）发表中性评论。负性评论（平均32字）和混合评论（平均67字）通常比正性评论（平均14字）更长、更具体、更详细。以患者评论类别为因变量（非负性评论=0，负性评论=1），自变量赋值方式如下。性别：男=0，女=1。婚姻状况：单身/离异/丧偶=0，已婚=1。支付方式：自费=0，医保=1。其余变量以原值输入。二元Logistic回归法分析结果显示，年龄（OR=0.986）、性别（OR=1.380）、婚姻状态（OR=1.174）、费用支付方式（OR=0.705）是患者发表负性评论的影响因素（表3）。

年轻患者更倾向于发表负性评论，一方面是其对在线反馈系统的操作性更强，另一方面可能与较强的权利意识有关^［20］。女性患者对环境和细节更注重、情绪敏感性较高、情感表达意愿更强烈^［21］，给出负性评价可能性更大。已婚患者通常同时承担着家庭责任与照护压力，对医疗服务的效率、沟通质量等要求更高^［22］，若未达预期则可能给出负性评价。

自由文本评论的主题特征

4 693例患者中，1 994例给出概括性正性评论，例如“挺好的”或“没什么意见”；2 699例对医疗服务中的具体维度进行评价。自由文本评论中共出现20个主题，出现频率最高的5个主题是人文关怀（14.4%）、信息教育沟通（9.0%）、专业技术水平（6.6%）、膳食（6.2%）和诊疗有效性（4.2%）。673例（14.3%）患者同时评论了2个及以上主题。对2 699份涉及医疗服务具体维度的自由文本评论，进一步分析正性评论和负性评论的主题分布情况，涉及20个主题，具体见表4。

患者满意度、忠诚度影响因素的相关性分析

Logistic回归分析结果显示，负性评论中出现的人文关怀、信息教育沟通、应答需求、服务连续性和膳食等主题与患者满意度的降低显著相关（表5）；人文关怀、信息教育沟通和应答需求等主题与患者忠诚度降低显著相关，而其他体验主题中出现的负性评价对患者满意度、忠诚度无显著影响（表6）。

讨 论

心血管疾病患者提供的自由文本评论蕴含丰富信息 患者自由表达的观点往往比传统量性调查和质性访谈所能捕捉到的信息更为丰富和真实，它们不受固定问题框架的约束，更能够揭示患者内心的真实感受和深层次的想法^［23］。国内有学者通过文本挖掘，识别评论热点内容并进行分类和汇总，深入分析在线医评信息，并提出了情感分值计算模型来优化打分机制，这些研究为理解患者评论提供了新视角^［24-25］。国外在利用自由文本评论来挖掘患者需求和服务偏好方面的研究相对较多，英国的NHS Choices网站允许患者从不同维度对医疗服务进行评分并提供文字评论，以反映他们的体验和满意度，美国的RateMDs网站则允许用户对医师进行匿名评论，这些评论可以包含对医师个人的直接反馈。而国内相似研究较少，虽然有一些医疗服务评价平台，但在功能、用户参与度以及数据分析方面远不及国外成熟^［26］。目前心血管疾病患者就医体验相关研究多为单一主题的质性研究^［5-7］，无法全面发现心血管疾病诊疗过程中存在的问题，难以揭示诊疗过程中各环节的相互作用和协同效应，对实践的指导作用有限。本研究聚焦于心血管疾病患者群体，利用监督机器学习算法来分析患者自由文本评论中的非结构化数据，较为精准地挖掘出了此群体的医疗服务偏好和需求。不仅能够帮助医疗机构优化相关服务，还可为后续相应政策的制定提供重要参考，以指导心血管专科医疗服务的改进和创新。本研究结果显示，心血管疾病患者倾性于发表正面评价，但在撰写负面评价时，往往会给出更具体的细节，涉及更广泛的信息维度。相较于正性评论，负性评价更有益于变革的推动^［27-28］，医疗机构应对服务中出现的负面评价予以监测并重视，寻找服务质量改进的突破点。医疗机构可依托医院信息系统和患者反馈平台构建实时反馈系统，利用文本挖掘技术和情感分析算法对患者反馈数据进行整合和深度分析并及时追踪，系统挖掘患者评论中隐含的服务改进触点，实现医疗服务质量优化的管理闭环。

人际交互性和功能性元素是心血管疾病患者感知医疗服务价值的核心要素

本研究的统计分析显示，在患者发表的自由文本评论中，护士和医师是被频繁提及的关键角色，通过主题建模的深入分析发现，反馈主要集中在人际交互性和功能性两大维度。人际交互性包括人文关怀、信息教育沟通、需求应答、隐私保护、家属参与等，在评论主题中出现频率最高的主题是人文关怀（14.4%），其次是信息教育沟通（5.6%）。对患者正性评价和负性评价的主题进一步分析后发现，人际交互相关主题占比均为最高。这与Huang等^［29］的研究结果一致，与医疗服务提供者的沟通质量是心血管疾病患者评价医疗服务价值的最重要因素。不良的人际互动往往是导致患者负面评价的主要原因，甚至影响患者对医疗机构的整体评价^［30-31］。由此可见，医疗服务中的人际交互性元素是优化心血管疾病患者就医体验、增进满足感和建立长期忠诚度的关键因素。功能性主要包括服务可及性、专业技术水平、诊疗有效性、躯体舒适等。本研究中，6.2%的患者针对医院膳食进行了评论，说明心血管疾病患者对饮食较为关注，这可能与其特定的饮食需求密切相关^［32］；4.2%的患者针对诊疗有效性进行了评论，负面评论仅有5例，这可能归因于本研究所依托的医疗机构作为国家医学中心，拥有先进的医疗技术和专业水平，诊疗效果令人满意。

心血管疾病患者对饮食的关注不仅反映了其对疾病管理的积极态度，也凸显了医疗团队在营养指导方面的重要作用。这提示医护人员应提供个性化的专业饮食指导，结合患者的饮食习惯和文化背景进行沟通。同时，医疗机构应重视医护人员的沟通技能培训，并在服务流程中融入更多人文关怀，如定期随访、健康宣教和营养咨询等，以满足心血管疾病患者的信息需求。通过优化人际互动与专业支持，不仅能改善患者的短期就医感受，还能培养其长期的就医忠诚度，并提升医疗服务质量。

识别并优化医疗服务中的关键接触点是提升心血管专科医疗服务质量的核心策略和关键路径

对心血管疾病患者自由文本的负性评论主题的出现与否和患者满意度、忠诚度间的相关性进行分析后发现，该患者群体对医疗服务中的特定维度存在偏好。人文关怀、信息教育沟通、应答需求、服务连续性以及膳食等维度的负性评价与患者满意度降低显著相关；人文关怀、信息教育沟通以及应答需求等维度负性评价与患者忠诚度降低显著相关。除专业技术水平和膳食与服务的功能性有关外，其他主题均与人际交互性相关，这再次提示人际交互在医疗服务过程中的作用举足轻重。当患者在医疗服务中的人际交互环节体验较差时，对医疗机构服务的整体评价也会偏向负面，愿意向家人或朋友推荐该医疗机构可能性也会大大降低。因此，从患者主体性视角出发，精准识别和把握医疗服务流程中的关键接触点，是提升心血管疾病医疗服务质量的核心战略支点和价值导向^［29］。这不仅体现了现代医疗服务质量管理的精细化要求，更彰显出“以患者为中心”的医疗服务理念的实践深化。医疗机构能够在有限的人力配置和物质资源条件下，建立科学合理的服务，改进优先级排序机制，从而聚焦该特定患者群体最为关切的医疗服务维度，形成标准化、可复制的优质医疗服务实践方案，最大化实现心血管疾病患者就医体验的系统性优化和医疗服务价值。

本研究对心血管疾病患者的自由文本评论进行深入分析，揭示了患者医疗服务价值感知中的侧重维度，研究结果表明人际交互维度与功能性维度呈现出双元重要性，其中人际交互维度往往会成为患者审视医疗服务价值和服务质量的决定性因素。作为国内医疗服务质量研究领域首例聚焦心血管疾病患者自由文本评论的探索性研究，本研究不仅填补了该领域中方法论的空白，也为医疗机构构建数字治理框架提供了新视角——将非结构化的患者反馈转化为精准的医疗服务优化方向。然而，自由文本评论不能代表所有患者的心声，沉默患者群体（如临床重症患者、意见表达障碍群体）的服务体验存在数据盲区；此外，单中心数据源的局限性可能导致结论外推效度受限。未来研究需构建多模态数据融合的分析模型，结合自然语言处理与机器学习算法，建立患者反馈的动态监测体系。

参考文献

[1] ROTH GA， MENSAH GA， JOHNSON CO，et al.Global burden of cardiovascular diseases and risk factors，1990‒2019：update from the GBD 2019 study［J］.J Am Coll Cardiol，2020，76（25）：2982-3021.

[2] 刘明波，何新叶，杨晓红，等.《中国心血管健康与疾病报告2023》要点解读［J］.临床心血管病杂志，2024，40（8）：599-616.

[3] BLUMENTHAL DM.Increasing clinical complexity-implications for care delivery，payment models，and the health care workforce［J］.JAMA Intern Med，2024，184（2）：192-193.

[4] JONES JB， WEINER JP， SHAH NR，et al.The wired patient：patterns of electronic patient portal use among patients with cardiac disease or diabetes［J］.J Clin Endocrinol Metab，2015，17（2）：e42-e44.

[5] 余睿聪，徐翠荣，蔡雪，等.分级诊疗背景下慢性心力衰竭患者就医选择偏差的质性研究［J］.现代医学，2024，52（12）：1815-1821.

[6] 栗林，徐娜，武文贤，等.A型主动脉夹层患者及其家属对就诊、转诊体验的质性研究［J］.中国全科医学，2023，26（1）：97-103.

[7] HARB E， OBIEAT H DA， KHALAF IA，et al.Exploring the healthcare needs and experiences of pregnant women with congenital heart disease：a qualitative study［J］.Women Birth，2024，37（1）：223-228.

[8] PANGGABEAN B， SUHARJO B， SUMARWAN U，et al.Perception study of perceived value and social influence of digital health services in Indonesia［J］.Int J Risk Saf Med，2023，34（4）：367-377.

[9] SERATI M， BRAGA A， ROSIER P，et al.Acceptability and perceived value of urodynamics from the patient perspective：a narrative review［J］.Neurourol Urodyn，2022，41（5）：1065-1073.

[10] LELORAIN S， BRÉDART A， DOLBEAULT S，et al.How does a physician’s accurate understanding of a cancer patient’s unmet needs contribute to patient perception of physician empathy？［J］.Patient Educ Couns，2015，98（6）：734-741.

[11] 张育红，张玉侠，陈潇，等.利用智慧化管理平台实现患者护理服务体验的闭环管理［J］.中国卫生质量管理，2024，31（7）：17-21.

[12] CHEN X， ZHANG Y， ZHANG R，et al.‘I Accelerate’ model：a grounded theory on conceptual framework of patient experience with nursing care in China［J］.J Nurs Manag，2021，29（5）：1311-1319.

[13] NATIONAL CLINICAL GUIDELINE CENTRE.Patient experience in adult NHS services：improving the experience of care for people using adult NHS services：patient experience in generic terms［M］.London：Royal College of Physicians （UK），National Clinical Guideline Centre，2012：1012-1014.

[14] JIANG T， GRADUS JL， ROSELLINI AJ.Supervised machine learning：a brief primer ［J］.Behav Ther，2020，51（5）：675-687.

[15] RAYKAR VC， SAHA A.Data split strategies for evolving predictive models［C/OL］//Proceedings of the ECMLPKDD 2015 Doctoral Consortium.Porto：Aalto University School of Science，2015［2024-08-26］.

[16] LANDIS JR， KOCH GG.The measurement of observer agreement for categorical data［J］.Biometrics，1977，33（1）：159-174.

[17] LEE J， YOON W， KIM S，et al.BioBERT：a pre-trained biomedical language representation model for biomedical text mining ［J］.Bio-informatics，2020，36（4）：1234-1240.

[18] BOVONRATWET P， SHEN TS， ISLAM W，et al.Natural language processing of patient-experience comments after primary total knee arthroplasty［J］.J Arthroplasty，2021，36（3）：927-934.

[19] TSIANAKAS V， MABEN J， WISEMAN T，et al.Using patients’ experiences to identify priorities for quality improvement in breast cancer care：patient narratives，surveys or both？［J］.BMC Health Serv Res，2012，12：271.

[20] 熊晶晶，王诗忆，俞惺悦，等.年轻患者在互联网平台发表医疗电子口碑的动机研究［J］.中华医院管理杂志，2023，39（4）：310-315.

[21] 李想.基于社会发展视角的情绪表达性别差异研究［J］.心理学进展，2017，7（3）：359-365.

[22] 宋玉健，赵岚，邓牡红，等.非正式照护者负担与相关因素初步调查［J］.中国心理卫生杂志，2022，36（1）：50-55.

[23] NG QX，LIM YL， XIN X，et al.What is said about #donateliver or #liverdonor？ Reflexive thematic analysis of Twitter （X） posts from 2012 to 2022［J］.BMC Public Health，2024，24（1）：1904.

[24] 位志广.在线医评信息文本主题挖掘及打分机制优化研究［D］.南京大学，2021.

[25] 高慧颖，刘嘉唯，杨淑昕.基于改进LDA的在线医疗评论主题挖掘［J］.北京理工大学学报，2019，39（4）：427-434.

[26] 欧阳伟，李青谦.医疗服务在线点评：来自英美两国的经验与借鉴［J］.中国卫生政策研究，2018，11（6）：74-80.

[27] LARSON E， SHARMA J， BOHREN MA，et al.When the patient is the expert：measuring patient experience and satisfaction with care［J］.Bull World Health Organ，2019，97（8）：563-569.

[28] SALERNO C， PACK QR， JURKOWSKI B，et al.“I just wanted nothing more than to get in a real shower”：patient experience of the inpatient wait for a heart transplant［J］.J Card Fail，2023，29（12）：1672-1677.

[29] HUANG K， KONIG M， PSOTKA MA，et al.Cardiovascular patient perspectives on value in the healthcare experience［J］.Circ Cardiovasc Qual Outcomes，2020，13（6）：e006617.

[30] MARAMBA ID， DAVEY A， ELLIOTT MN，et al.Web-based textual analysis of free-text patient experience comments from a survey in primary care［J］.JMIR Med Inform，2015，3（2）：e20.

[31] MENENDEZ ME， SHAKER J， LAWLER SM，et al.Negative patient-experience comments after total shoulder arthroplasty［J］.J Bone Joint Surg Am，2019，101（4）：330-337.

[32] DIAB A， DASTMALCHI LN， GULATI M，et al.A heart-healthy diet for cardiovascular disease prevention：where are we now？［J］.Vasc Health Risk Manag，2023，19：237-253.