使用电子健康素养量表和卫生部门的实际经验作为功能性健康素养的代理措施的电子健康素养与健康素养之间的相关性:基于网络的横断面调查

介绍

健康信息和互联网

将互联网用于与健康相关的目的构成了一项特别重要的挑战，因为有证据表明，互联网上可获得的错误或不完整的信息可能对用户产生负面影响，包括对医患关系、参与预防和筛查方案或坚持接受医疗的影响[1］．今天，与健康有关的高质量互联网信息的可得性和可及性仍然是一个问题，最近已提议就健康网站的一套特定质量标准达成协议，作为一项新的公共卫生优先事项[2］．在当前的Web 2.0环境中，提供高质量的健康相关信息的问题变得更加复杂，因为相关信息的搜索策略不仅取决于搜索者的能力，还取决于中介和调解者的影响，后者有效地将搜索推向或远离相关项目[3.］．

电子健康素养和eheal

2006年，在一个青少年健康促进项目中进行了三年的实验之后，诺曼和斯金纳借鉴了日益流行的健康素养概念，提出了电子健康素养的概念。同年，作者提出了一个理论模型[4]和衡量新结构的工具[5］．他们认为，电子卫生素养被定义为"从电子来源寻找、发现、理解和评估卫生信息的能力，并将所获得的知识应用于处理或解决卫生问题"。提出的模型称为“百合模型”，将电子卫生素养描述为六种核心技能或素养(传统素养、卫生素养、信息素养、科学素养、媒体素养和计算机素养)的相互作用。该测量工具称为电子健康素养量表(eHEALS)，基于社会认知理论和自我效能理论的原则，使用李克特量表进行自我评估，主观反应，因此这些测量应被视为行为改变和技能发展的前兆。6］．从这个意义上讲，eheal可被视为一种主观的、自我评估的电子卫生素养的衡量标准。

为了进一步改进这一测量电子卫生素养的首次尝试，近年来人们开发并验证了更全面、因而也更复杂的电子卫生素养评估工具[7-9］．不过，应该指出的是，尽管eHEALS的简单的8项结构可能带来所有问题，但它的简单性也是该工具的一个优点。事实上，在开发eHEALS的时候，eHEALS被明确地设想为易于管理，考虑到卫生专业人员的明确需求，他们说他们不会在实践中使用长仪器[10］．这种“简单的优势”促进了eHEALS的采用，并且在一些文献综述的发现中强调了其广泛使用。2012年，Collins及其同事回顾了电子健康应用程序中健康素养筛查工具的使用情况[11]并发现，eHEALS最常用于开发一种基于计算机的工具，用于单独或与其他健康素养筛查工具结合，对访问电子健康应用程序的个人进行筛查。Karnoe和Kayser在2015年对现有衡量电子健康素养的工具及其使用情况进行了审查[12]，作者发现，在8种不同的测量电子卫生素养的工具中，只有eHEALS在其最初发表的研究之外的研究中被使用。同样的作者认为，eHEALS虽然易于管理，但提供了一种无法确定电子卫生素养不足是由于卫生素养不足、数字素养不足还是两者兼而有之的措施。换句话说，目前尚不清楚的是，较高水平的自我提及的电子健康素养(使用eHEALS)是由于功能性健康素养水平的差异，还是仅仅是高水平的自我效能感的结果。

本研究目的

互联网上大量未经检查的健康相关信息，对于在健康领域拥有不同技能和经验的不同受访者来说，要么是一种限制，要么是一种资源。考虑到eHEALS的主观性和自我参考的性质，一种可能性是，在健康领域知识较少的人会更相信这些信息，因为他们不太能够辨别他们的互联网搜索结果的真实质量，在量表中得分更高。我们研究的目的是通过评估健康素养水平的差异是否以及在多大程度上解释eHEALS评分的变化来检验百合模型。据我们所知，之前没有使用eHEALS的研究探索量表是否在百合模型中描述的具有不同核心技能或文化水平的人群中发挥预期作用，在我们的案例中是基于健康素养水平的差异。在描述电子健康素养的百合模型时，Norman和Skinner使用了美国医学协会给出的健康素养定义[13]，可以说这是基本的"功能性"卫生知识水平[14］．使用基于不同理论的测量工具，有几种可能的功能性健康素养测量方法。然而，健康素养的功能指标已被证明与健康领域的学习或工作经验相关[15]，医生、卫生领域的研究人员和护士的卫生知识水平高于一般人群。因此，我们选择招募大量受访者，将其分为两组，询问他们是否有在卫生部门学习或工作的真实经历(例如，医生、护士、卫生联盟专业人员)。通过这样做，我们能够将一个高度健康素养的群体与其他普通人群进行比较。

方法

调查设计与管理

为了检验我们的假设，在2016年11月和12月期间，我们通过联系使用两种不同招聘策略的人进行了一项基于网络的调查。招募是通过以下方式进行的:(a)乌迪内大学学生团体(本科生和研究生)的邮件列表(经大学许可获得)和(b)公共卫生研究小组成员的Facebook联系人，然后要求他们通过Facebook进一步将调查传播给他们的联系人。参与调查的决定是自愿的，没有向受访者提供奖励。调查首先由研究团队的成员预先测试可用性和功能。该调查是通过SurveyMonkey软件进行的。所有参与者都被要求阅读并批准一份知情同意书，告知他们这项研究是由乌迪内大学管理的，调查将需要大约15分钟。由于该调查没有收集任何可能与参与者的敏感数据或可能影响其健康的信息直接相关的数据，因此根据意大利立法，不需要得到伦理委员会的批准。

措施

收集的措施包括社会人口特征(性别、年龄、最高受教育程度、工作状况)、自我感知的健康状况、互联网健康相关行为(使用与健康相关的搜索和频率)、卫生部门的工作或学习经历，以及意大利对eHEALS量表的改编。年龄作为一个离散变量收集，以年数为单位。教育程度的统计首先采用8项量表，后来根据欧盟统计局在《国际教育水平标准分类》中使用的综合方法，汇总为3项量表[16］．用于分析的最后一组教育水平是:(低)8年级或以下，(中)9-13年级，(高)大学学位或更高。收集工作状态，询问参与者他们目前是否在工作、学习，或者既不工作也不学习(分类为“其他”)。自评健康使用李克特量表收集，从“非常糟糕”到“优秀”，中点被评为“良好”。与健康相关的互联网使用是通过询问与健康相关的互联网使用频率来测量的(使用5项李克特量表，范围从“每年不超过5-6次”到“每周几次”)。为了区分在卫生部门的实际经验，参与者被问及是否有在卫生部门学习或工作的经验，回答是/否的问题。关于意大利版本的eHEALS，我们无法检索De Caro等人在会议摘要中提出的先前报道的工具版本(I-eHEALS) [17](通过向通讯作者的请求)，研究小组(IT-eHEALS)制作了8个eHEALS项目的新意大利语翻译。翻译过程是按照既定的良好做法进行的[18]:原始的英文工具最初在研究团队中分发，产生了第一批翻译，后来合并为一个草案版本。然后由口译员将意大利语文书草案重新翻译成英语，并由研究小组审查其正确性。翻译后的项目在一小部分意大利成年人(N=24)中进行了可理解性预测试，并对项目进行了相应的调整。与最初的测试版本一样，IT-eHEALS由8个项目组成，采用5分李克特量表进行测量。对于完成所有8个it - eheal项目的样本的每个应答者，总分从8到40不等(通过将单个项目的得分相加计算)，得分越高表明自我提及的电子健康素养越高。

统计分析

样本选择和描述性分析

为了检验我们的假设，我们选择了完成所有8个IT-eHEALS项目的受访者的子样本。对收集到的所有数据进行筛选，以查找缺失值或任何不正确的数据包含。在不合理的情况下，经过研究小组的讨论，将记录排除在分析之外。然后，根据是否有在卫生部门学习或工作的经历，将样本分为两组。在本文中，我们将目前在卫生部门学习或工作的一组称为EHS+，另一组称为EHS-。对所有人群的社会人口变量(性别、年龄、受教育程度和工作状态)、自评健康状况和互联网健康相关行为进行描述性统计(频率、百分比、平均值[SD])计算。对连续变量和分类变量分别采用Wilcoxon-Mann Whitney检验和Chi-square(或Fisher Exact)检验进行比较分析，以检验组间差异是否具有统计学意义(P< . 05)。

IT-eHEALS量表有效性

由于我们使用了新开发和改编的意大利版eHEALS (IT-eHEALS)，我们还通过检查其心理测量特性和结构效度来评估量表。通过测量内部一致性(Cronbach alpha)和进行主成分分析来评估量表的维度来检查心理测量特性。建构效度评估采用假设检验方法。根据先前的研究，假设(a)年轻的参与者[19]， (b)更频繁地为与健康有关的目的使用互联网[20.]， (c)有更好的自评健康[17，21]及(d)学历较高[19]，会有更高的自我提及的电子健康素养分数。使用Spearman rho指数来评估IT-eHEALS总分与两组IT-eHEALS受访者(a)年龄、(b)互联网使用、(c)自评健康状况和(d)教育水平之间的相关性。我们还使用了t检验和方差分析(ANOVA)分别评估性别和工作状态在IT-eHEALS得分上的差异。

健康与电子健康素养的关系

最后，计算EHS+组和EHS-组eHEALS平均值和SDs之间的差异t效应量采用Cohen进行评估d。采用SAS软件9.4 for Windows (SAS Institute Inc, Cary, NC, USA)进行分析。

结果

Socio-Demographic特点

这两次互联网调查总共招募了1136人，其中868人完成了所有8个IT-eHEALS项目，最终样本为868人，被纳入分析。表1显示了整个样本的社会人口学特征以及EHS+和EHS-组之间的差异。两组在工作状态和为健康相关目的使用互联网的频率方面差异显著(P< 0.001)。EHS+组以工作为主(139/259,53.7%)，EHS-组以学习为主(303/609,49.7%)。在与健康相关的互联网使用方面，27.4%(71/259)的EHS+受访者每周使用互联网一次以上，而只有5.42%(33/609)的EHS-受访者每周使用互联网一次以上，这表明两组之间存在与健康相关的互联网行为差异。此外，EHS+组受访者的平均年龄为31.5±12.1岁，EHS-组为28.7±9.7岁(P= .008)。

IT-eHEALS量表的有效性

IT-eHEALS显示出高度的内部一致性，Cronbach alpha值为0.90，两组之间的差异很小，可以忽略不计。EHS-为87,EHS+为0.91)。整个样本的主成分分析证实了量表的单维性(特征值=4.9，方差解释率为61.1%)。所有IT-eHEALS项目在第一个组件上显示高负载(范围从0.68到0.83)。表2显示了Spearman与年龄和受教育程度的相关系数。除年龄、受教育程度和EHS-的自评健康外，IT-eHEALS的总平均得分与所选变量的相关系数显著但较低。在两组中，与健康相关的互联网使用频率的相关性都很显著。

我们没有发现与性别有关的任何差异。在评估整个样本时，工作状态(P=.03)，两组分别考虑EHS+和EHS-时不存在。

健康素养和eHEALS

表3为EHS+组与EHS-组的平均(SD)项得分及差异的统计学意义(见多媒体附录1用于项目描述)。考虑到IT-eHEALS受访者的整个样本，项目的平均值从3.8(项目1)到2.7(项目8)不等。两组之间的差异对于所有IT-eHEALS项目(P<.001)， EHS+组的平均(SD)总评分显著高于EHS-组(31.9 [5.9]vs 26.7 [5.6]);P<措施)。标准化的平均差(科恩d)为0.9，表明较高水平的功能性健康素养对eHEALS评分有相当大的影响。

讨论

研究结果

健康素养与电子健康素养的相关性研究

在我们的研究中，我们能够证明，在卫生部门的实际工作或学习经验，作为较高水平的健康素养的代表，与eHEALS衡量的自我提及的电子健康素养呈正相关。这一发现符合诺曼和斯金纳提出的电子健康素养的原始百合模型，其中电子健康素养被描述为包括健康素养在内的不同核心技能的互连。我们的研究结果强调，在测量电子健康素养时，除了互联网和计算机技能之外，还有其他不同的因素可能导致不同的结果。

eHEALS的心理测量特征及构念效度

关于意大利人群中IT-eHEALS的效度，我们发现了高度的内部一致性，如Cronbach alpha和项目间相关分析所示，与其他eHEALS翻译的结果相当[19-26］．我们的主成分分析表明，单成分结构可以更好地解释IT-eHEALS，支持其单维性。虽然过去使用eHEALS进行的两项研究的作者认为，该量表可能是多维的[24，27]，我们的结果与其他研究一致，这些研究证实了量表的单维性，这允许计算所有eHEALS项目的总平均分[20.，28，29］．关于eHEALS的结构效度，由于抽样技术可能引入偏差，并且记住样本由20-30岁的年轻人组成，因此应谨慎解释我们的研究结果。此外，正如Diviani等人已经指出的[20.]，大多数eHEALS验证研究都是在特定人群中进行的，不同的结果显示eHEALS得分与受访者的个人特征(如性别、教育程度或年龄)没有一致的关联。事实上，虽然一些研究发现电子健康素养水平与年龄有显著相关性[19，26]，教育[19]，性别[26]和自评健康[17，21]，其他研究发现相同的变量之间没有相关性。特别是，其他几项研究发现eHEALS与性别之间没有相关性[19-21]，年龄[20.]和教育[20.］．我们的研究结果显示，it - eheal与年龄、受教育程度和自评健康有微弱的正相关。必须指出的是，有趣的是，当单独考虑我们的两个子样本时，这些相关性仅在EHS+中显示出显著性水平，而在EHS-中则不是如此，这表明不同水平的功能性健康素养和自我参考的电子健康素养之间存在相关性。关于性别，我们发现与eHEALS评分没有相关性，这一结果与其他涉及类似的年轻高学历人群的研究结果相当[20.，21］．此外，根据类似的研究[20.]，我们发现，在所有人群中，与健康相关目的的互联网使用频率存在微弱的相关性。总的来说，这些结果表明，eHEALS应被视为一种有效的工具，可用于评估为健康相关目的使用互联网的感知舒适度和技能。

研究的局限性

我们的研究有一些应该承认的局限性。

样品组成

我们研究的第一个限制在于使用的招聘策略，这导致研究样本由大多数受过高等教育的年轻人组成，因此不能被认为是成年意大利人口的代表，限制了我们研究结果的普遍性。虽然英语版本的量表已应用于各种样本，但大多数其他语言的eHEALS验证研究仅在特定人群中进行。在性别方面，我们的样本中女性受访者的比例过高，因此在试图推广到一般成年人群时，我们的结果应该谨慎对待。此外，应该指出的是，在我们的招聘策略中使用Facebook使得不可能评估非受访者的数量和特征，这是在解释结果时也应该考虑的一个重要限制。虽然这些是类似验证研究的共同缺点，但我们认为其组成特征(高等教育水平，年轻年龄)在某种程度上代表了互联网上最活跃的健康信息寻求者群体，正如意大利最新的2017年欧盟数字记分板关于普通人群中健康信息寻求的统计数据所报告的那样(见多媒体附录2)。此外，我们的研究人群足以满足我们的目标，即招募足够大的样本，以在卫生部门的学习或工作经历为特征，分为两个可比较的组。关于这一点，我们也意识到，在一些社会人口和与健康有关的互联网行为因素方面，这两个群体的分布并不均匀;由于我们的方法不允许我们事先选择样本组成，因此我们无法确定群体差异是否是所选变量对群体纳入的影响(在我们的案例中，与一般人群相比，具有卫生部门经验的人在年龄、工作状态和为健康相关目的使用互联网方面具有不同的基线特征)。或者是否有其他原因导致这些差异，而不是由于我们使用的招聘技术。

措施

我们研究的另一个局限性在于，我们只包括了一种与互联网健康相关的行为测量，因为比较不同的测量超出了研究的原始范围。虽然应该承认，这一措施之前尚未得到验证，但我们的结果表明，这两个群体在互联网健康相关行为方面可能确实存在差异，但在就健康素养在解释这一领域的行为差异方面的作用得出明确结论之前，应该通过更多的措施进一步探讨这些问题。此外，我们没有纳入任何主观或客观健康素养的有效措施，这些措施可用于定量评估不同水平的健康素养。相反，我们要求健康领域的真实经历作为代理，这些经历已被证明仅与客观的健康素养测试相关[15］．我们的研究结果表明，这些经历与eHEALS之间存在相关性，但我们建议未来的研究还包括其他有效的健康素养测量，以更好地纠正结果，并探索eHEALS与主观和客观健康素养测量的相关性。本研究的另一个局限性是缺乏电子健康素养技能的客观测量，这使得不清楚与健康相关的互联网行为的群体之间的差异是否也与实际的、客观的电子健康素养技能有关。目前，关于eHEALS与与健康相关的互联网使用能力的客观测量之间的相关性，有不同的结果:使用不同的电子健康素养客观能力测量，Neter和Brainin发现中度相关性[30.]，而van der Vaart等人则没有发现相关性[23］．在卫生知识普及领域使用的其他措施也是如此，这可能是由于所使用工具的主观性质[31]，即使存在适度的相关性，Neter和Brainin也建议分别评估这两个构念[30.］．由于这些作者为更客观的电子健康素养测量提供了方法基础，我们也鼓励未来的研究包括基于这些方法的测量[30.，32］．这不仅有助于更好地理解主观和客观测量之间的关系，而且还有助于为未来的研究扩大客观测量的题库，可能会使用先进的理论来开发测试，如项目反应理论或Rasch模型[20.，31］．

eHEALS版本

必须指出的是，在我们的研究完成后，Diviani等人发表了另一项意大利版eHEALS (I-eHEALS)的验证研究，使用了讲意大利语的瑞士受访者的样本人群[20.］．由于我们使用了eHEALS的不同意大利语翻译，因此尚不清楚结果是否可以与他们的结果相比较。量表在各条目的措辞上存在细微差异，但具有良好的内部一致性和结构效度。出于这个原因，我们认为目前可用的两种eHEALS意大利语译本(I-eHEALS和IT-eHEALS)都可以被认为是有效的，并且在我们看来，可以互换使用(参见多媒体附录1查阅电子卫生知识普及量表意大利语版)。

结论

本研究表明，正如电子健康素养的百合模型所提出的那样，eHEALS量表结果受到更高水平的健康素养的影响，通过健康领域的实际经验作为代理来衡量。我们认为这是一个原创的结果，它可能与现阶段关于使用eheal的科学讨论和进一步测量电子健康素养的进展有关。尽管存在一些局限性，并且缺乏简单、易于管理的测量工具，eHEALS仍然可以被认为是评估为健康相关目的使用互联网的自我感知舒适度和技能的有效工具。在制定新的电子卫生素养措施时，仍应将其用于比较，这些措施的设计应包括新项目和不同的子量表，以便能够捕捉该结构的所有拟议"素养" [4］．基于这些原因，我们认为，不同作者发现的eHEALS与客观测量的互联网相关技能之间缺乏相关性并不会破坏量表本身的有效性和可用性，eHEALS仍然可以应用于临床和健康促进活动，例如，确定参与者对电子健康干预的不同需求或评估干预结果。