患者依从性的三个前因对点对点在线健康社区用户的影响:横断面研究

简介

上下文

患者的依从性定义为患者的行为与卫生保健专家所给出的医疗或健康建议的一致程度，对于患有慢性健康问题的人来说，患者的依从性尤为重要[1-3.］．在发达国家，世界卫生组织[4据估计，只有50%的慢性病患者按照医生的处方进行治疗。在过去的几十年里，许多实证研究旨在描述和理解患者的依从性和必然的不依从性[5］．文献强调，患者不遵守规定的治疗方案会危及他们的健康，对治疗结果产生不利影响，并导致医疗资源浪费[6］．先前的研究表明，不遵守规定每年可能导致12.5万例可避免的死亡，每年可预防的卫生保健支出达1000亿美元[7］．通过寻求揭示与缺乏依从性相关的因素，学者们确定了人口和文化差异以及心理或社会因素等[8］．然而，文献强调了关于患者依从性的决定因素缺乏一致性和共识。

据估计，对改善人口健康而言，提高患者的依从性比任何医疗进步都更为重要[4，9]，了解患者依从性的决定因素具有战略意义，特别是在医疗改革的时代医疗网络．今天，医疗保健的数字化为提高患者的承诺和依从性提供了有希望的前景[10］．在线健康社区(OHCs)强调用户生成的内容，并允许用户匿名交换医疗信息，不受时间或地理限制。ohc是小型虚拟讨论小组，对健康话题有共同关注的人在其中分享信息、经验和感受;向会员提供建议;并提供社会和情感支持[11，12］．尽管这些社区可能带来不利影响，如错误信息的传播和不可靠的支持或建议，但ohc在提高患者的赋权感方面发挥了作用，因为他们感觉相关他人更好地了解情况和指导他们[13］．先前的研究表明，在这些社区中，医生和患者之间的沟通可以提高患者的依从性[14］．然而，尽管对等OHCs有了长足的发展，但缺乏证据表明它们对患者依从性的影响。

本研究研究了在理论上和法理学上与患者依从性相关的3个预测因素之间的关系，对于那些对对等OHCs活跃的患者。这些预测因素包括患者赋权、患者对医生的满意度以及患者对与医生关系的承诺。我们分析了这些结构，因为它们已被确定为患者依从性的关键预测因素[15，16］．先前的研究表明，患者赋权预示着患者对与医生关系的承诺[17］．在这项研究中，我们关注的是患者对推荐治疗的依从性，也就是说，患者坚持针对其疾病的处方和治疗建议的程度。我们打算回答以下研究问题:患者对治疗依从性的前因是什么?，赋权如何影响患者对治疗的依从性?，一个nd what is the mechanism underlying the impact of empowerment on patient compliance with the treatment?. This study may equip physicians, other health care professionals, scholars, managers, and decision makers alike, with improved insights into a promising and original avenue for encouraging chronically ill patients to comply with their treatment.

理论背景与模型

鉴于以患者为中心的观点在当代医疗保健中日益重要，在过去的几十年里，患者赋权一直是研究人员相当关注的主题[18，19］．这是关注这样一种观点的结果，即将患者视为消费者，他们也越来越接受疾病的自我管理[20.，21］．尽管在医疗保健研究领域对这一结构进行了大量的研究，但令人惊讶的是缺乏共识的定义[22，23］．大多数定义都认为，患者赋权是指患者了解和影响自身健康的能力增强[24］．患者赋权通常被认为是一个多维的认知概念，包括不同的能力和技能[25］．指患者对自身疾病和(或)治疗的控制能力，以及患者在医生的支持下理解和参与会诊并参与决策过程的能力[11，17，24］．

对于授权的良性影响，似乎有广泛的共识[26］．被赋予权力的患者往往更能控制自己的疾病，因为这有助于他们减少不确定性，并制定更好的策略来应对疾病[27］．患者赋权也可增强患者对医生的承诺[17]及病人对医生的满意度[28］．此外，患者赋权被认为是有效的医患关系的先决条件[29]，并提高患者对医生建议的治疗的依从性[17，30.］．患者赋权似乎会导致更高水平的自我效能和自我管理，从而导致更好的结果，如患者的生活质量，同时降低卫生保健系统的成本。基于所有这些原因，患者赋权已成为处理慢性病的卫生保健系统的优先事项[21，31］．

在医疗保健和消费者研究领域以往研究的基础上[17，30.，32]，我们提出了一个概念模型，将患者通过对等OHCs获得的授权与患者对医生推荐治疗的依从性联系起来(图1)．

‎ 查看此图

具体来说，我们假设如下:

H1:通过对等OHC获得的患者赋权与患者对拟议治疗的依从性呈正相关。

H2:通过对等OHC获得的患者赋权与患者对医生的承诺呈正相关。

H3:通过对等OHC获得的患者赋权与患者对医生的满意度呈正相关。

除了上述直接关系外，我们预计患者赋权和患者依从性之间的关系将由患者对医生的满意度和患者对医生的承诺来调节(图1)．这些假设依赖于关系文献，假设消费者满意度和承诺都是消费者-企业关系的先决条件。因此，我们假设如下:

H4:患者对医生的满意度与患者对医生的承诺呈正相关。

H5:患者对医生的承诺与患者对建议治疗的依从性呈正相关。

H6:患者对医生的满意度与患者对治疗方案的依从性呈正相关。

宗旨及贡献

总体而言，通过结合结构方程建模(SEM)和SPSS中基于自举的PROCESS宏(n=10,000个样本重复)，对420名慢性病OHC成员的总样本测试了6个研究假设，以分析基于心理学、医疗保健和社会科学领域的拟议概念框架内的相互关系。SEM具有同时测试和估计由显变量操作的潜在变量之间复杂因果关系的特殊性。此外，SEM估计了观测变量的随机误差，从而提高了估计精度。为了评估中介效应的存在性，我们使用了SPSS中的PROCESS宏。本研究在几个方面对现有文献做出了贡献。首先，它提出了一个概念性框架，将通过对等ohc获得的患者赋权与患者依从性联系起来。其次，它在法理学相关变量的框架中测试了通过对等OHCs获得的患者授权的直接和间接影响。因此，该研究强调了参与对等OHCs的慢性病患者依从性的关键因素。第三，通过研究对慢性病患者的关注，这项研究为更好地支持全球最容易死亡和残疾的人群提供了有价值的见解[21，33］．

方法

参与者招募和数据收集

这项横断面研究的数据是在2018年8月从加拿大的OHCs收集的，为期3周。一份自我报告的问卷在基于网络的调查平台Qualtrics上进行。问卷的链接张贴在加拿大OHCs上，用于使用预设配额的Qualtrics小组的代表性样本，致力于慢性疾病。我们关注的是讲法语的对等OHCs，这些成员报告患有至少一种慢性疾病，例如癌症、糖尿病或肥胖。参与者必须在调查前的3个月内至少访问过一次OHC。问卷进行了预测试(10名受访者)和预测试(32名受访者)，因为项目的翻译和改编为法语，并确认效度和信度。在调查开始前，每个参与者都获得了知情同意。参与是自愿和匿名的。一个伦理委员会已经确认并批准了研究方案。

样本大小

这项研究的规模是根据经验估计的，每项研究中大约有10名受访者[34］．总共有14个项目，最低样本量为140个观察值。最初有1760名受访者参与了调查;其中420人符合纳入标准。去除不完整或无效的问卷后，最终的手术样本由315份观察结果组成。

结果

研究人群特征

样本的人口学特征见表1．在315名受访者中，144名(45.7%)为女性，134名(42.5%)年龄在35岁以下。另外，305人中有208人(68.2%)拥有大学学历。在这个慢性病患者样本中，306名受访者中有132名(43.1%)患有1型或2型糖尿病;因此，糖尿病是最具代表性的病理。另外，306名应答者中有66人(21.6%)表示患有肥胖症。至于患病时间，315名受访者中有236人(75%)表示患有至少1年的慢性疾病。

变量测量

由于我们的研究是从消费者行为和市场营销的角度来调查OHCs，我们的测量方法基于行为和心理学理论以及测量工具。对于授权的测量，我们使用了一个改编版的Ouschan等人的验证量表[17]，由15个条目组成，在因子分析发现与该量表有几处不一致后，减少到4个条目(平均值3.28，标准差1.58)(详情见下一小节)。我们采用奥利弗量表[35]，共3个条目(均值3.83，标准差1.79)。患者承诺由Morgan和Hunt承诺量表中的4个项目衡量(平均值3.67，标准差1.91)[36］．最后，患者依从性(我们的因变量)由Prigge等人的依从性量表(mean 3.10, SD 1.62)中的3个项目捕获[16］．所有项目都采用李克特7分制进行评分，从1 (完全不同意)至7 (完全同意)．在析因分析纯化程序结束时保留的项目如图所示表2．我们使用性别、年龄、国籍、居住省份或国家、教育程度和职业作为控制变量。为了减少测量环境效应和通用方法偏差(CMB)，测量项目在研究问卷中随机进行。

研究模型的测量

进行了一系列初步分析，如异常值、非正态检验和描述性数据分析。为了检验基于横断面调查的研究所固有的CMB，通过进行因子分析进行Harman单因素检验。结果显示，第一个因素不能解释超过50%的总体方差，这表明CMB不是一个问题。为检验测量模型，采用主成分分析提取法和方差旋转技术进行探索性因子分析。结果表明，测量结构解释了83.8%的方差，并且每个项目都显著地加载了其预期的因素。

为了评估测量模型的拟合性，使用最大似然估计程序(潜变量建模中的稳健方法)进行验证性因素分析(AMOS在SPSS中)[37］．采用不同的拟合优度指标来评估模型的质量，即比较拟合指数(CFI)、归一拟合指数(NFI)、非拟合指数(NNFI)大于或等于0.950，标准化均方根残差(SRMR)小于或等于0.080，均方根逼近误差(RMSEA)小于或等于0.050 [38］．然而，由于授权项目，模型的拟合性一直很差。这并不奇怪，因为在赋权的概念化和衡量方面缺乏共识[39，40］．根据构造定义、对象分类、属性分类、评分者识别、刻度形成以及枚举和报告方法，构造似乎是错误指定的，而应该测量这个概念的测量工具实际上可能测量其他东西[41］．因此，经过几次迭代，授权量表中总共删除了11个项目。所得测量模型显示整体拟合良好(χ²₃₆CFI=0.997, NFI=0.983, NNFI=0.995, SRMR=0.026, RMSEA=0.028)。此外，所有项目负荷均显著且高于0.70阈值，并且，如图所示表2时，每个构造的平均提取方差(AVE)(从0.644到0.799)均高于0.50阈值。同时，这些结果证明了收敛有效性[38］．如下文所示表3时，各构念的信度系数均高于AVE，增强了收敛效度[42］．

皮尔逊积矩相关分析揭示了变量之间的单变量和双变量联系。正如Fornell和Larcker所指出的，每个潜在变量(如AVE所示)比其与模型中其他结构(如构间相关性所示)的份额(如构间相关性所示)占更多的方差，除了遵从性[42］．尽管两种相关性都低于相关性的最大可容忍阈值0.90，但我们检查了合规性与两种授权无关(r=0.84)和承诺(r=0.85)，在0.01水平上，两者之间存在高度相关性[43］．我们构建了两个相关的置信区间(即相关性±1.96 x标准误差[44］．如果|1|包含在此区间内，则表示缺乏判别效度[44］．所得置信区间为赋权、依从性相关(0.84±1.96 ×标准误差0.06;CI 0.72-0.95)以及依从性、承诺相关性(0.85±1.96 ×标准误差0.06;CI 0.73-0.98)均排除|1|，证实判别效度。信度系数(0.885 ~ 0.923)和Cronbach alpha(.883 ~ .924)均较高，表明结构信度良好[42］．

结构模型

我们评估了结构模型的拟合性。结果表明，收集的数据已充分拟合我们的研究模型，因为已达到适当的模型拟合(χ²₃₅= 43.5;CFI=0.997, NFI=0.983, NNFI=0.995, SRMR=0.026, RMSEA=0.028)。路径结果可视化地总结在图2．

总体而言，结果表明，除了授权对满意度和满意度对合规性的影响外，我们模型的所有预期关系都得到了支持。授权与依从性呈正相关，支持假设1，但提示患者满意度和患者承诺在患者授权与患者依从性之间的关系中起部分中介作用。授权正向影响患者承诺，支持假设2。然而，患者满意度似乎并没有在解释通过OHCs获得的授权效果和患者对规定治疗的依从性方面发挥重要作用，因为患者授权和满意度之间的关系不显著，患者满意度和患者依从性之间的联系也不显著。这些结果分别使假设3和假设6无效。这些发现表明，这种关系的主要解释变量是患者承诺，因为患者赋权显著提高了患者承诺的水平。反过来，承诺提高了对规定治疗的依从性。总的来说，这些发现支持假设2和假设5。结果提供了初步证据，表明患者的承诺部分解释了通过OHCs获得的授权和增强患者依从性之间的关系，而满意度则不是(见表4)．

‎ 查看此图

引导模式

串行中介分析，也称为多步多重中介[45]，使用SPSS(模型6)中的自引导SPSS PROCESS宏[46]，对承诺的中介效应的存在性、极性和大小给出了更精确的估计，并交叉验证了满意度在整个模型中的不显著性。在SPSS的PROCESS宏中，当回归系数的置信区间不包括0 (图3)．

自举结果与扫描电镜结果相同;除授权对满意度的影响外，其他关系均显著(beta=.05;P=.33)和依从性满意度(beta= - .03;P=点)。这些结果与SPSS中AMOS的SEM结果一致。同样与SEM程序一致，授权影响承诺(beta=.62;P<.001)，满意度正向影响承诺(beta=.15;P<.01)，而承诺影响依从性(beta=.51;P<措施)。授权对依从性的直接影响是显著的(beta=.35;P<.001)和间接效应(beta=.32;95% CI 0.22-0.44)，两者都构成了非常显著的总效应(beta=.68;P<措施)。虽然与授权无关，但满意度通过提高承诺间接地略微改善患者依从性。这些结果表明，承诺只能部分解释授权对遵从性的影响[45］．换句话说，正是通过患者赋权的直接作用以及患者赋权所引发的患者承诺的增强，患者依从性才会增长。

‎ 查看此图

讨论

主要研究结果

本研究调查了ohcs患者(专门针对慢性疾病)感知的授权对推荐治疗依从性的直接和间接影响。我们通过一个多步骤多重中介模型将授权与患者满意度和患者承诺联系起来的中介模型来检验这种影响。

这项研究依赖于验证方法的使用，该方法能够同时估计和测试授权、承诺和满意度等预测变量之间的几种关系及其对遵从性的影响。据我们所知，这是第一个研究通过对等OHCs获得的患者赋权对患者对拟议治疗依从性的影响。因此，这项研究扩展了之前的研究[14表明OHCs中医生和患者之间的沟通对患者的依从性有积极的影响。陆、张[14研究发现，当患者与OHCs的医生互动时，他们对互联网健康信息的质量有更好的评估，并且在决策过程中有更好的偏好。这些结果也强调了医患之间的一致性得到了增强。这些机制反过来又会对患者的依从性产生积极影响。与这些发现一致，我们针对点对点OHCs的研究证实，这些社区可以用作增强患者依从性的强大工具。这项研究也补充了过去的研究[13]表明与OHCs的专业主持人交换信息可以增强患者的能力，并改善患者与医生之间的合作。它还扩展了之前的研究结果[24，25，47，48]强调互联网服务有助于增强患者的赋权，同时展示了在OHCs中获得的赋权如何增强患者对医生的承诺和患者对推荐治疗的依从性的潜在机制。

我们使用SEM不仅因为它允许在假设-演绎方法中测试一组变量之间的因果关系，而且因为它估计了这些关系的强度，还因为它评估了测量误差。我们还使用了SPSS中PROCESS宏的模型6 [45]，在10,000个重样本上，检验解释变量(图3)．鉴于我们在模型中假设的相互关系(图1)，重要的是了解这些影响是如何运作的，以及是否某些变量介导了其他变量对因变量(即患者依从性)的影响。SEM和Hayes PROCESS宏观模型方法共同强调，研究模型的6条估计路径中有4条得到确认。本研究的结果强调，在我们建模的慢性病患者依从性的3个前因中，其中2个，即患者赋权和承诺，对依从性的预期因变量有直接和强烈的影响。换句话说，本研究表明，患者赋权和患者对医生关系的承诺对慢性疾病患者对推荐治疗的依从性有强烈的积极直接影响，而患者对医生的满意度没有直接影响，但通过患者对医生关系的承诺对依从性有中介作用。我们的数据还强调，患者增强的赋权感不仅直接而且间接地影响患者的依从性，对患者的承诺产生强烈的积极影响。

先前的研究表明，通过点对点OHCs获得的患者赋权由社区中发现和共享的信息效用和情感支持等心理益处决定[49］．同样，通过OHCs获得的计算机介导的社会支持被发现积极地改变了患者对医生的承诺[50］．因此，将医疗信息共享和社会支持作为点对点OHC设计的核心，具有重要的战略意义。具体来说，应该鼓励患者参与点对点OHCs。正如Johnston等人[49)强调说，参与决定信息效用和社会支持。因此，在设计OHCs社区时，这些平台的管理者应注重实施支持其成员积极参与的机制，以促进信息共享和增强社会支持。虽然仍在发展中，但这些文献为管理者提供了有用的指导方针，指导他们如何激发这种形式的参与和投入。由于参与OHCs与共享信息的感知质量相互交织[49),一个自底向上建议采取的方法是鼓励这些卫生支助社区的信息自我监管和自我评价过程[51］．第三方可以评估共享的信息，在欺诈或有害信息的情况下，可以有执行机制[51］．这些机制有望提高共享信息的质量，从而提高患者的参与，这反过来又会影响感知到的信息和感知到的社会支持。另一个途径包括提供工具，教育社区用户，促进卫生知识普及，并帮助用户有信心参与这些社区。

有趣的是，患者对医生的满意度似乎对患者的依从性没有直接影响，也不是由患者通过OHCs获得的授权决定的(图3)．

过去的研究强调ohc中出现的功能失调的赋权，因为得到这些社区支持的人可能会对他们与医生的关系投入较少(例如，不信任医生，对专业知识的优越感，以及与医生的关系过度自信)[13］．然而，我们的研究表明，OHCs也可能有助于患者对处方治疗的依从性。该研究强调，对医生的满意度并不是这一过程的重要因素，因此暗示了潜在的功能失调授权的发生[13在病人的不满中表现出来。然而，我们在研究中没有控制这一效应，因此很难估计满意度的低显著性在多大程度上与功能失调授权相关。重要的是，满意度影响的缺失并不妨碍授权直接和间接地对患者产生显著影响，这表明如果存在功能失调的授权，与授权对依从性的总体积极影响相比，其影响是最小的。这一说法需要在未来的研究中得到更好的证实。

实际意义

我们的研究结果对卫生保健服务有几点影响。首先，他们建议卫生保健利益攸关方应致力于加强患者对点对点OHCs的授权。这些社区为其成员提供信息和情感支持，使他们能够减少不确定性，并对自己的健康做出关键决定[48，52］．患者赋权被定义为塑造一个人选择的构成的能力，它对患者对自己的医疗保健做出决定的能力产生积极影响[53］．今天，点对点OHCs有助于将权力和控制权从医生转移到患者，有利于改善健康行为、改善健康结果和降低医疗成本[11］．这项研究表明，当被授权时，患有慢性疾病的对等OHC成员报告更好地遵守他们推荐的治疗方法。应该指出的是，这可能需要患者有一个合理的识字水平。不具备技术健康知识的患者可能无法加入这些社区。同样，这表明患者有足够的信心和能力来使用点对点OHCs，但情况并不总是如此。因此，应努力教育患者克服这些缺点，避免误将部分人群排除在外。知道全世界有一半的成年人患有慢性疾病[3.]而在2007年，86%患有慢性疾病的互联网用户曾在网上搜索医疗信息[53]，我们的发现对医生和卫生保健系统都有相当大的兴趣。我们的研究结果表明，对等OHCs是强大的社交工具，可以增强慢性病患者对医生的承诺和依从性。这就是为什么卫生保健系统和医生应该在患有慢性疾病的患者中推广对等OHCs。

最终，这可以通过将这些平台集成到医疗保健系统和医生的工作流程中来实现。然而，需要进行研究以表明如何将这些社区整合起来;我们相信，在患者与医生建立关系的早期阶段，他们就可以被邀请加入这些社区。这可能需要医生或其他卫生保健工作者在患者加入这些社区时陪伴他/她一些时间和精力。从中期和长期来看，这种投资对医患关系是有益的，因为这些社区也加强了疾病自我护理，减少了医疗保健的利用[13］．在改善医生的工作流程的同时，这些技术工具可以促进一个更广泛的现象，俗称为影子工作［54］．OHCs增加了患者搜索和分析来自患者在线交流的大量信息的工作量，而在此之前，医生是医疗信息的主要过滤和解释者。它的性能影子工作受病人的影响可能会降低医生在病人心目中的价值。然而，医生仍然是医疗保健过程中的核心人物，随着这些ohc的不断增长，医生应该扮演信息向导的角色，帮助患者在网上可用的复杂信息网络中导航。这将使患者的信息搜索更加容易和高效。

总的来说，这些结果强调了赋予患者权力和增加他们与医生关系的承诺的重要性，重要的是，使用点对点OHCs作为一种手段的可能性。由于点对点OHCs可以帮助其成员在慢性疾病的自我管理中获得更多的自主权和有效性，因此它们对使用者的福祉产生积极影响。由于这些社区减少了对卫生保健的利用，它们有助于更好地利用卫生保健资源。从这个意义上说，我们的发现与Joglekar等人的发现一致[55］．由于OHCs提供了本研究中强调的积极结果，并且它们构成了患者健康信息的主要来源[56]，卫生保健利益攸关方应鼓励慢性病患者使用点对点OHCs。

本研究的局限性

虽然本研究强调了通过对等ohc获得的授权对合规性的影响，但我们发现了本研究结果泛化的几个局限性。首先，关于赋权结构的测量，在我们的样本中只确定了一个维度，即医生支持。还应注意的是，尽管我们旨在限制自我报告调查中固有的偏见，但仍然存在潜在的偏见，如社会可取性和选择性回忆[57］．其次，我们的模型没有包括到目前为止在之前的研究中报道的所有预测因子。我们专注于一组关键的预测因素，特别是赋权，因为文献强调了这种结构对患者依从性有很强的影响[58］．先前的研究强调，ohc为其成员提供了社会支持，使他们有一种强烈的赋权感[59，60］．其他相关构念也可能是相关的，比如自我效能感或感知有用性。第三，我们的SEM模型在中介分析中将患者依从性及其预测因素概念化。然而，一些变量可能会调节我们所研究的关系。特别是，我们认为患者素养，更具体地说，电子健康素养[61]，调节这些关系;研究它对我们确定的路径的调节作用将是有趣的。第四，我们样本中的参与者是加拿大Québec省的讲法语的慢性疾病患者。

未来研究方向

为了克服上一节所提到的局限性，未来的研究应该集中在以下几个具体方面。首先，应进一步研究OHCs所获得的社会支持建构的效果，以增加我们对OHCs对慢性病患者依从性影响的认识。其次，患者素养或电子健康素养的调节作用应进行实证检验。第三，需要进行复制研究，以验证所提出的理论框架在不同卫生保健系统的其他省份和国家。如果这些发现能够在其他各种医疗保健系统、环境和国家中得到复制，那么这些发现的外部有效性将会提高。的确，与加拿大类似，Québec省为其公民提供了全民医疗保健系统。在对授权对合规性的影响提供更丰富和更独特的见解的同时，在完全私有或具有混合配置的其他类型的医疗保健系统中测试我们的模型将是有趣的。第四，未来的研究依赖于定性方法，如访谈或焦点小组，将带来有意义的见解，同时限制自我报告研究固有的偏见。

结论

研究结果表明，患者赋权和承诺与医生的关系是提高患者对规定治疗依从性的2个关键预测因素。有趣的是，患者对医生的满意度影响患者的依从性，但通过患者承诺的中介作用。尽管在卫生保健文献中，患者赋权已被证明是至关重要的，但据我们所知，很少有研究实证估计通过对等OHCs获得的赋权如何影响患者遵守规定治疗的倾向。这项研究表明，卫生保健利益相关者应鼓励使用对等OHCs来增强患者的承诺，并最终提高患者对医生的依从性。我们认为，这一研究流是并将继续具有相当大的兴趣，因为合规性是影响卫生保健系统成本和性能的主要公共卫生问题。