原始论文
摘要
背景:互联网上提供的健康信息越来越多,确保人们能够判断这些信息的准确性以防止他们受到伤害比以往任何时候都更加重要。平台有可能根据数字卫生知识普及程度建立保护机制,从而减少滥用卫生信息造成伤害的可能性。
摘要目的:本研究旨在创建一种基于电子健康素养量表(eHEALS)的数字健康素养评估(DHLA)工具,根据误读健康信息的风险水平将参与者分为高、中、低风险组。
方法:本研究开发了DHLA,并构建了一个包含正确答案和错误答案的在线健康信息库。采用受试者工作特征曲线分析检测DHLA的截断值,从网上健康信息库中随机抽取5个项目,对用户进行低、中、高风险误判健康信息的分类。这提供了数字健康素养风险群体与在线健康信息准确判断之间关系的信息。研究对象为20岁及以上的台湾居民。采用滚雪球抽样,参与者匿名完成网络问卷。对DHLA的信度和效度进行了检验。采用Logistic回归分析DHLA中与危险组相关的因素。
结果:本研究共收集有效问卷1588份。在线健康信息库包括310项健康信息,根据判断其准确性的难易程度分为容易(147项)、中等(122项)和困难(41项)。DHLA的内部一致性令人满意(α= 0.87),构效度因子分析发现3个因子,占方差的76.6%。受试者工作特征曲线分析发现106人存在高风险,1368人存在中等风险,114人存在低风险。在原分组病例中,经判别分析,正确率为89.6%。Logistic回归分析显示,健康信息误判风险较高的被试受教育程度较低、收入较低、健康状况较差。他们也很少或从不浏览互联网。这些差异具有统计学意义。
结论:DHLA评分可以区分出对互联网上的健康信息判断错误的低、中、高风险人群。互联网卫生信息平台可考虑纳入DHLA,以建立一种机制,保护用户不被滥用卫生信息,避免损害他们的健康。
doi: 10.2196/19767
关键字
介绍
国际电信联盟在2019年报告称,世界上超过一半的人口正在使用互联网。总的来说,世界上97%的人口生活在可接收移动蜂窝信号的范围内,93%的人口生活在可提供3G或更好信号的网络范围内[
]。2014年,欧盟的一份报告指出,大约60%的公众每天浏览互联网,其中60%的人使用互联网搜索健康信息[ ]。2019年,超过70%的美国成年人将互联网作为健康信息的主要来源[ ]。在台湾,2016年家庭数码机会调查报告[ ]得出的结论是,66.5%的互联网用户在互联网上搜索健康教育、健康或食品安全信息[ ]。Song等人的一项跨国研究[ ]报告称,51.5%的美国人、76.9%的韩国人和81.4%的香港人表示使用社交网站获取健康信息,其中66.2%、94.6%和86.1%的人表示使用健康信息博客内容。这意味着,随着数字信息工具的迅速发展,人们可以随时随地使用互联网传输或检索健康信息。然而,Lee等人[
报道称,科技和医疗互联网谣言占谣言总量的30%。2019年,台湾的一项调查发现,26.8%的12岁及以上的互联网用户接收和转发未经验证的信息或新闻,44.9%的人没有对信息或新闻进行验证[ ]。人们也倾向于相信朋友和亲戚转发的健康信息,因为他们信任转发者[ ]。如果可以评估人们的数字卫生素养,以此了解他们对在线卫生信息作出准确判断的能力,就可以避免不必要的伤害。希望网站平台能够为数字卫生知识水平较低的人提供关于未经事实核查的健康信息的警告,或者干脆不显示这些信息,因为这些人很可能有很高的风险误判健康信息的准确性。电子健康素养量表(eHEALS)是一种主观测量,衡量发现、评估和使用电子健康信息来解决健康问题的感知技能[
, ]。eHEALS是一种广泛使用的测量工具,已被翻译成不同的语言并经过验证[ ]。以前的研究使用eHEALS来评估与在线健康信息搜索相关的数字健康素养的能力。Ghaddar等[ 使用一份关于互联网使用模式、在互联网上查看健康信息以及对特定健康信息网站的了解程度的问卷调查了在线健康信息搜索行为(Medline Plus [ ])。两项研究[ , 通过电话采访询问参与者是否使用过互联网,使用的频率,以及他们在哪里上网。Diviani等[ ]进行了定性的深度访谈,探讨了在线健康信息寻求和在线健康信息可信度判断的经验。诺布林和卢瑟福[ 询问参与者是否使用个人健康记录或其他基于互联网的信息系统进行医疗保健,如果他们还没有这样做,他们是否愿意使用医疗保健信息技术。因此,这些研究探讨了在线健康信息搜索的各个方面。然而,所有的研究都使用了自我报告,这被认为是一种主观的测量方法。van der Vaart等[
研究了eHEALS结果与长达1.5小时的实际性能测试之间的关系。性能测试结合了使用客观测量的操作、形式、信息和战略网络技能。例如,如何访问健康网站、保存文件或将网站添加到“收藏夹”菜单都是可操作的互联网技能[ ]。Quinn等人的研究[ 通过将软件集成到网络浏览器中以客观地监测在线互动,调查了健康素养、电子健康素养和实际在线健康信息寻求行为之间的关系;这些数据被编码以供分析。研究参与者从54名大学生和教职员工中招募,他们在实验室条件下完成了关于糖尿病、肥胖、流感、营养和镇痛药物等6个健康问题的搜索任务。因此,这些研究使用了客观的测量方法,但由于参与者的特征或有限的健康问题或所需的时间,它们的设计不能与现实世界的情况直接比较。据我们所知,目前还没有研究报告了误读健康信息的风险(以数字健康素养水平衡量)与对在线健康信息做出准确判断的能力之间的关系,特别是使用广泛的健康信息和大量具有真实情景的参与者。因此,本研究旨在开发一种基于eHEALS的数字健康素养评估(DHLA)工具。它通过评估互联网健康信息判断的准确性来区分数字健康素养的不同风险水平,这些判断与现实世界中发现的相似。
方法
我们开发了一种叫做DHLA的仪器,它借鉴了eHEALS。此外,我们还建立了一个包含正确答案和错误答案的在线健康信息库,并利用受试者工作特征曲线(ROC)分析来检验DHLA对低、中、高风险误读健康信息人群的区分能力。本研究经台湾中部地区审查委员会审核通过(批准文号crrecc -108-096)。
研究参与者
本研究以年龄在20岁以上的台湾居民为研究对象。雪球取样法用于在台湾北部、中部和南部的研究人员的同事、朋友和家庭成员中确定潜在的参与者。总共招募了350名参与者,以最大限度地扩大社会经济地位的范围。他们被要求将在线调查发给他们的朋友和家人。使用电子邮件和在线通信软件向参与者发送快速响应代码或网站链接,使他们能够完成在线问卷。
仪器
eHEALS包括8个问题,使用李克特式5分制,得分从1(非常不同意)到5(非常同意)不等。这产生了一个单一的因素。总分在8到40分之间。分数越高表明数字健康素养越好[
, ]。先前的一项研究[ ]表明eHEALS的结构随环境和背景而变化,研究人员还建议该量表应考虑环境和文化问题[ , ]。在台湾,吴[ ]利用雅虎的数据确定,在搜索过程中获得的健康信息中,有近15%与民间传说和习俗有关。一个例子是“吸烟者应该吃猪血来清洁他们的肺。”因此,本研究增加了2个问题。问题1要求参与者评价他们使用信息技术的能力(“我能够使用计算机/智能手机在互联网上查找我需要的信息”),问题10询问他们对当地民间医学的信仰(“我对基于我在互联网上找到的民间传说和习俗的保健信息感到自信”)。对问题的回答直接评价了对问题内容的能力和信念水平,而不是用同意程度来评价态度。问题1至6涉及数字健康素养的自我评估,回答从1(非常差)到5(非常好)。问题7至9涉及人们如何令人信服地从不同来源找到互联网健康信息,问题10涉及对民间传说和习俗健康信息的信任。回答从1(一点也不令人信服)到5(非常令人信服)不等。DHLA的10项内容见 .网上健康信息库的建设
本研究构建了一个场景,在这个场景中,互联网用户可以在开始搜索健康信息之前使用DHLA完成对他们的数字健康素养的评估。这将使该网站能够确定他们的数字健康素养水平。数字健康知识水平较低的用户会在未经验证的健康信息旁边看到一条警告信息,或者根本看不到这类健康信息。因此,这项研究涉及从现实世界的互联网上搜索健康信息项目。台湾卫生部门建立了一个平台,对人们在互联网上发布的健康信息进行事实核查。健康信息项目来自台湾食品药品监督管理局网站的事实核查栏目[
]及健康促进署网站的医疗实况查核专栏[ ]。这些网站提供有关食品安全、药品、医疗器械、化妆品、医疗、预防保健、疾病筛查、健康促进和一般医学的信息。任何台湾居民都可以通过互联网搜索查询这些健康信息。卫生当局邀请专家开会,就这些信息是对还是错达成共识,并给出理由。从公共政府信息平台获取卫生信息项目内容和专家反馈[ , ]。本研究的网上健康信息库主要集中在食品安全、药品、医疗、预防保健、疾病筛查、健康促进和一般医学等方面,这与互联网上可获得的健康信息范围非常相似。我们对构建网上健康信息库进行了两阶段的内容效度检验。从两个公共部门平台共纳入了600项卫生信息,在删除重复项目后减少到529项。在第一阶段,邀请了四位医学专家对判断每条内容的准确性和公共平台反馈的难度进行分类。这些项目被分为容易判断、中等判断和难以判断三个类别,分别是超过80%、50%和不到30%的公众能够确定可信度的项目。在第二阶段,邀请了一名公共卫生专家和三名公众成员讨论专家难度分类。小组会议认为,必须准确地说明保健资料的项目,高度专业化的保健资料项目是不合适的。因此,如果专家认为健康信息项目只有部分正确,或者确定可信度需要了解化学成分及其影响,则排除这些信息项目。这导致了一个包含310个项目的在线健康信息库,其中147个是容易的,122个是中等的,41个是困难的。样本项目和难度等级包括在
.数据收集
问卷通过在线问卷平台匿名完成。问卷介绍了DHLA,然后询问了基本信息,如性别、年龄、受教育程度、婚姻状况(已婚或未婚)、就业、收入、工作是否与健康相关、互联网使用数量(水平)、自我报告健康、身高、体重、腰围、运动频率、居住地等。最后,系统从在线健康信息库中随机抽取5个项目(2个简单、2个中等、1个困难)供参与者考虑。对于每个项目,参与者被要求确定信息是对还是错,并选择不确定。问卷平台设置标准答案,回答正确(判断准确)打1分,回答错误或不确定(判断不准确)打0分。项目是随机选择的,因为现实世界的健康信息是多种多样的,难度也各不相同。因此,这种方法模拟了在互联网上搜索健康信息的真实世界。一旦参与者完成问卷,平台就会向他们展示5个项目的正确答案,作为一个重要的伦理问题,供他们将来参考。
分析
DHLA的信度和内部一致性采用Cronbach alpha和项目量表相关性进行评估。采用收敛效度和构念效度评估效度。DHLA总分与年龄、教育水平和互联网使用水平之间采用Spearman相关性。与以往的研究一致,我们假设与年龄负相关,与教育程度和互联网使用水平正相关,并使用这些假设来研究收敛效度[
, ]。假设因子之间存在轻微的相关性,我们使用主成分分析(Principal component analysis)和最大旋转(promax rotation)来衡量结构效度,并使用大于1的特征值作为保留多少因子的指示。通过检验总分的正态性和检测地板和天花板效应来研究DHLA的分布特性。偏度和峰度值低于- 1或高于1被认为是非正态[ ]。如果超过15%的参与者在DHLA中获得最差或最好的分数,则认为存在地板或天花板效应[ ]。根据参与者对简单、中等和困难项目的准确判断能力,我们采用ROC分析,使用DHLA评分的不同截止点来区分高、中、低风险组。DHLA评分的截止值从ROC曲线上的点确定。一般情况下,截止点是基于曲线下大于50%的面积。我们用约登指数选择最合适的临界值:(敏感性+特异性- 1)为最大值[
]。采用描述性统计来显示正确答案的比例,并给出不同风险组DHLA得分的均值和标准差。采用卡方检验检测健康信息项目难度与危险群体之间的关系。采用方差分析(ANOVA)调查不同风险组中各因素DHLA评分的差异。采用方差分析(ANOVA)检验风险组间差异是否有统计学意义。我们对三个风险组进行了区别分析,以探索根据DHLA分数正确分类人群的概率。采用Spearman相关分析检验健康信息项目难度与风险群体在年龄、受教育程度和互联网使用水平方面的关系。
在数据分析的最后阶段,采用卡方检验分析数字健康素养与个体属性、自我报告健康状况和互联网使用水平的关系,然后采用logistic回归分析DHLA评分识别的风险群体相关因素。将高危组与中危组以及中、低危组合组进行比较。SPSS统计软件(22.0版);采用IBM公司的数据进行统计分析。P值<。05were considered statistically significant.
结果
参与者
共收集在线问卷1871份,剔除不完整问卷后有效问卷1588份。女性占63.7%(1011/1588),45 ~ 63岁占40.6%(645/1588),大学及以上文化程度占87.7%(1393/1588)(959/1588,60.4%)(434/1588,27.3%),已婚占57.8%(918/1588)。46.7%(742/1588)的受访者为专业人士,36.9%(586/1588)的受访者从事服务业;36.1%(573/1588)的月收入为新台币3万至5万美元(1049至1748.34美元),91.1%(1447/1588)的人每天上网多次,46.3%(736/1588)的人认为自己的健康状况良好。15.6%(247/1588)的人每天锻炼,20.9%(332/1588)的人根本不锻炼。
分布特性
DHLA总分近似为正态分布,偏度为- 0.53,平均得分为35.50 (SD 5.56)。没有人得到最差的分数(即10分),有5名(5/1588,0.3%)参与者得到了最高的分数(即50分),因此地板和天花板效应是可以接受的。
信度和效度
我们使用主成分因子分析DHLA评分给出三个因素。这三个因素分别是数字健康素养(问题1 ~ 6)、医学信仰(问题7 ~ 9)和偏方信仰(问题10),占方差的76.6%,特征值分别为4.87、1.68和1.11。
显示10个项目的因子负载,范围从0.63到0.93。整个量表的标准化Cronbach alpha为0.87,数字健康素养子量表为0.92,医学信念子量表为0.77。因此,内部一致性总体上是好的。所有项目-总量相关性也具有统计学意义,范围为0.27 ~ 0.87。如果条目被删除,Cronbach alpha值在0.84到0.89之间。因子载荷 | |||||||||||||
域名一个 | |||||||||||||
DHLA项 | 意思是(SD) | 1 | 2 | 3. | 量表的相关性,P<措施 | Cronbach alpha如果条目被删除 | |||||||
全面 | 35.50 (5.56) | .87点 | |||||||||||
1 | 我使用电脑/智能手机在网上查找我需要的信息的能力 | 4.04 (0.91) | 0.77 | 0.73 |
.85 | ||||||||
2 | 我在网上找到健康或疾病相关信息的能力 | 3.89 (0.86) | 0.91 | 0.85 | 点 | ||||||||
3. | 我在互联网上查找信息以了解健康问题或疾病的能力 | 3.82 (0.86) | 0.93 | 0.87 | 点 | ||||||||
4 | 我在互联网上查找信息以回答有关医疗保健或疾病治疗的问题的能力 | 3.67 (0.88) | 0.91 | 0.85 | 点 | ||||||||
5 | 我使用在互联网上找到的信息与卫生保健专业人员讨论的能力 | 3.27 (0.99) | 0.79 | 0.75 | .85 | ||||||||
6 | 判断在网上找到的医疗信息是否准确的能力 | 3.45 (0.88) | 0.82 | 0.78 | .85 | ||||||||
7 | 关于我在网上找到的医疗保健信息的信念 | 3.31 (0.64) | 0.63 | 0.53 | .87点 | ||||||||
8 | 我在网上找到的关于医生提供的医疗保健信息的信念 | 3.60 (0.66) | 0.90 | 0.56 | .86 | ||||||||
9 | 我在网上找到的关于医院提供的医疗保健信息的信念 | 3.82 (0.67) | 0.89 | 0.48 | .87点 | ||||||||
10 | 我在网上找到的基于民间传说和习俗的关于医疗保健信息的信念 | 3.37 (0.79) | 0.90 | 0.27 | .89 |
一个域名如下:1=数字健康素养,2=医学信仰,3=民间偏方信仰。
显示了DHLA总分与年龄、教育水平和互联网使用水平变量之间的Spearman相关性的收敛效度。所有相关分析均具有统计学意义,相关系数与年龄呈轻度相关(<0.3)(ρ= -0.19,P<.001),教育程度(ρ=0.22,P< 0.001),互联网使用水平(ρ=0.17,P<措施)。
特征 | DHLA一个(ρ) | DHLA (P值) | 难度等级得分 | 总分(ρ) | 总分(P值) | 风险组(ρ) | 风险组别(P值) | ||||||||
容易b | 温和的c | 困难d | |||||||||||||
ρ | P价值 | ρ | P价值 | ρ | P价值 | ||||||||||
年龄(≤34岁至≤65岁) | −0.19 | 措施 | 0.02 | .322 | 0.03 | 他 | 0.02 | .344 | 0.04 | .168 | −0.18 | 措施 | |||
教育水平 (初中及以下至大学及以上) |
0.22 | 措施 | 0.05 | .196 | 0.05 | .031 | 0.10 | 措施 | 0.09 | 措施 | 0.18 | 措施 | |||
使用互联网的程度 (从不到一天几次) |
0.18 | 措施 | 0.04 | .245 | 0.07 | .007 | 0.07 | .006 | 0.08 | 措施 | 0.21 | 措施 |
一个DHLA:数字卫生素养评估。
bDHLA与easy水平Pearson相关=0.04。
cDHLA与中度水平Pearson相关=0.07;P= .009。
dDHLA与难度水平Pearson相关=0.17;P措施。
定义风险组
采用ROC分析分析DHLA各因素的得分,以确定正确回答倾向与错误回答倾向之间的分界点。如图所示
在美国,数字健康素养、对医学的信仰和对民间偏方的信仰的分界点分别为15.5、8.5和1.5。对于民间偏方的因素信仰的所有难度水平,曲线下的面积都小于0.50,因此分数低于临界值(1.5)被定义为倾向于正确回答。然而,对于其他两个因素(数字健康素养和对医学的信念),低于临界值(分别为15.5和8.5)被定义为回答错误的倾向。因此,三个DHLA因素的新得分被定义为1(倾向于不正确)或2(倾向于正确),基于ROC截止点。如果三个因素都得2分,则被认为误判的风险较低;如果三个因素中有两个得2分,则被认为误判的风险中等;如果三个因素中有一个或没有一个得分为2分,则被认为误判的风险较高。这样,总共有106名参与者属于高风险组,1368名参与者属于中等风险组,144名参与者属于低风险组。域名和难度等级 | 截止 | 灵敏度 | 特异性 | AUC一个 | 95%可信区间 | ||||||
数字健康素养 | |||||||||||
容易 | 15.5 | 0.95 | 0.09 | 0.49 | 0.45 - -0.54 | ||||||
温和的 | 15.5 | 0.95 | 0.09 | 0.54 | 0.50 - -0.57 | ||||||
困难 | 15.5 | 0.96 | 0.08 | 0.56 | 0.53 - -0.59 | ||||||
对医学的信仰 | |||||||||||
容易 | 8.5 | 0.96 | 0.03 | 0.52 | 0.47 - -0.56 | ||||||
温和的 | 8.5 | 0.97 | 0.05 | 0.50 | 0.47 - -0.54 | ||||||
困难 | 8.5 | 0.97 | 0.04 | 0.53 | 0.50 - -0.56 | ||||||
相信民间偏方 | |||||||||||
容易 | 1.5 | 0.91 | 0.07 | 0.48 | 0.44 - -0.52 | ||||||
温和的 | 1.5 | 0.91 | 0.10 | 0.46 | 0.43 - -0.50 | ||||||
困难 | 1.5 | 0.91 | 0.08 | 0.48 | 0.46 - -0.53 |
一个AUC:曲线下面积。
结果表明,易题判断正确率为86.9%,中题判断正确率为78.3%,难题判断正确率为54.2%。正确率最高的始终是低危组(90.4%、79.8%、57.0%),其次是中危组(87.0%、78.9%、55.0%),最后是高危组(82.1%、68.9%、41.5%)。正确评估易题与风险组别(P= .190)。然而,在中等难度和高难度项目(P= .049;P= 0)。低危组DHLA评分平均值(平均39.32分,SD 4.72分)高于中危组(平均36.84分,SD 4.37分)和高危组(平均25.31分,SD 5.04分),差异有统计学意义。数字健康素养、对医学的信仰和对民间偏方的信仰这三个因素显示出非常相似的结果。对于事后检验的配对比较,低风险组的数字健康素养和医学信念的平均得分均高于中风险组,但这种差异无统计学意义。判别分析表明,89.6%的原始分组参与者被正确分类。
难度/ DHLA | 风险评估小组 | |||||||||||
高(n = 106) | 介质(n = 1368) | 低(n = 114) | 总(n = 1588) | χ²/ F (df) | P价值 | Posthoc测试 | ||||||
难度等级(正确答案,%) | ||||||||||||
容易 | 82.1 | 87.0 | 90.4 | 86.9 | 3.37 (2) | .190 | ||||||
温和的 | 68.9 | 78.9 | 79.8 | 78.3 | 6.05 (2) | .049 | ||||||
困难 | 41.5 | 55.0 | 57.0 | 54.2 | 7.57 (2) | 0。 | ||||||
DHLA得分 | ||||||||||||
的意思是 | 25.31 | 36.84 | 39.32 | 360.12 (2) | 措施 | H一个米b,霍奇金淋巴瘤c毫升;P措施 | ||||||
SD | 5.04 | 4.37 | 4.72 | |||||||||
数字健康素养评分 | 303.77 (2) | 措施 | ||||||||||
的意思是 | 13.14 | 22.75 | 23.29 | 嗯,霍奇金淋巴瘤;P措施 | ||||||||
SD | 4.60 | 3.82 | 4.13 | |||||||||
对医学的信仰 | 92.36 (2) | 措施 | ||||||||||
的意思是 | 8.78 | 10.86 | 11.04 | 嗯,霍奇金淋巴瘤;P措施 | ||||||||
SD | 2.38 | 1.46 | 1.44 | |||||||||
相信民间偏方 | 388.63 (2) | 措施 | ||||||||||
的意思是 | 3.39 | 3.23 | 5.0 | 嗯,P= .02点;霍奇金淋巴瘤,毫升,P措施 | ||||||||
SD | 0.82 | 0.66 | 0.0 | |||||||||
谓词组d | ||||||||||||
高 | 56 | 50 | 0 | 89.6%的原始分组病例正确分类 | ||||||||
媒介 | 1 | 1367 | 0 | |||||||||
低 | 0 | 114 | 0 |
一个高危组。
b中等风险。
c低风险组。
d标准化正则判别函数:Wilks lambda=0.688,P措施;特征值= 0.454;典型相关= 0.559。
本研究也检验了难度等级与风险组分数的收敛效度
.跨难度水平的Spearman相关系数与教育水平(ρ= 0.05-0.10)和互联网使用水平(ρ= 0.04-0.07)的相关性非常轻微。与中等和困难项目的相关性具有统计学意义。DHLA评分与各难易程度评分的Pearson相关系数在0.4 ~ 0.1之间,中等难度和困难难度的Pearson相关系数均有统计学意义。在不同的风险组中,简单项目的得分没有统计学意义。危险群体与年龄、受教育程度和互联网使用水平之间的相关系数显示出轻微但有统计学意义的相关性(ρ= - 0.18至0.21)。与年龄呈负相关,与教育水平和互联网使用呈正相关。不同危险人群的描述及相关因素分析
结果表明,性别、年龄、受教育程度、婚姻状况、就业、收入、互联网使用水平、自我报告的健康状况和运动习惯与危险群体有统计学显著相关。总体而言,45岁及以上受试者中70.7%(75/106)属于高危组,28.9%(33/114)属于低危组。总体而言,高、中、低风险组中分别有55.7%(59/106)、89.5%(1224/1368)和96.5%(110/114)的参与者拥有大学及以上学历。这表明,较高的教育水平与较低的误解健康信息的风险相关。专业人员和服务行业的参与者以中低风险人群居多(703/742[94.7%]和556/586[94.9%])。在高、中、低危人群中,从事劳动的参与者分别占16.0%(17/106)、6.9%(95/1368)和2.6%(3/114)。在高、中、低风险人群中,从事服务业的参与者分别占28.3%(30/106)、37.6%(514/1368)和36.8%(42/114)。月收入在新台币50,000元(1748.34美元)及以上的参与者比例,高危组为28.3%(30/106),中危组为37.6%(514/1368),低危组为39.4%(45/114),说明月收入越高,高危组参与者比例越低。从不或很少浏览互联网的参与者比例分别占高、中、低风险组的28.3%、2.5%和0%。低危组健康状况良好的比例较高(70/114、61.4%),高、中、低危组健康状况不佳的比例分别为17.0%(18/106)、6.6%(90/1368)、3.5%(4/114)。 This suggests that most participants with poor health were in the high-risk group. The proportion of participants who did not exercise was higher in the higher risk groups (27/106 [25.5%], 286/1368 [20.9%], and 19/114 [16.7%] in the high-, medium-, and low-risk groups, respectively).
特征 | 风险组,n (%) | ||||||
高(n = 106) | 介质(n = 1368) | 低(n = 114) | 总数,n (%) | χ²(df) | P价值 | ||
性 | 17.5 (2) | 措施 | |||||
男性 | 46 (43.4) | 471 (34.4) | 60 (52.6) | 577 (36.3) | |||
女 | 60 (56.6) | 897 (65.6) | 54 (47.4) | 1011 (63.7) | |||
年龄(年) | 142.6 (6) | 措施 | |||||
≤34 | 20 (18.9) | 364 (26.6) | 52 (45.6) | 436 (27.5) | |||
35-44 | 11 (10.4) | 398 (29.1) | 29 (25.4) | 438 (27.6) | |||
45 - 64 | 49 (46.2) | 564 (41.2) | 32 (28.1) | 645 (40.6) | |||
≥65 | 26日(24.5) | 42 (3.1) | 1 (0.9) | 69 (4.3) | |||
教育水平 | 234.5 (6) | 措施 | |||||
初中或以下学历 | 21日(19.8) | 9 (0.7) | 0 (0) | 30 (1.9) | |||
高中 | 26日(24.5) | 135 (9.9) | 4 (3.5) | 165 (10.4) | |||
大学或学院 | 45 (42.5) | 841 (61.5) | 73 (64) | 959 (60.4) | |||
研究生院 | 14 (13.2) | 383 (28) | 37 (32.5) | 434 (27.3) | |||
结婚了 | 7 (2) | .029 | |||||
没有 | 40 (37.7) | 569 (41.6) | 61 (53.5) | 670 (42.2) | |||
是的 | 66 (62.3) | 799 (58.4) | 53 (46.5) | 918 (57.8) | |||
就业 | 40.8 (6) | 措施 | |||||
专业 | 39 (36.8) | 653 (47.7) | 50 (43.9) | 742 (46.7) | |||
服务行业 | 30 (28.3) | 514 (37.6) | 42 (36.8) | 586 (36.9) | |||
手工工作 | 17 (16.0) | 95 (6.9) | 3 (2.6) | 115 (7.2) | |||
失业 | 20 (18.9) | 106 (7.7) | 19日(16.7) | 145 (9.1) | |||
收入(新台币)a、b | 90.3 (12) | 措施 | |||||
0 | 22日(20.8) | 86 (6.3) | 15 (13.2) | 123 (7.7) | |||
≤23800美元 | 20 (18.9) | 79 (5.8) | 18 (15.8) | 117 (7.4) | |||
23801 - 30000美元 | 10 (9.4) | 167 (12.2) | 9 (7.9) | 186 (11.7) | |||
30001 - 50000美元 | 24 (22.6) | 522 (38.2) | 27日(23.7) | 573 (36.1) | |||
50001 - 70000美元 | 12 (11.3) | 276 (20.2) | 18 (15.8) | 306 (19.3) | |||
70001 - 100000美元 | 9 (8.5) | 148 (10.8) | 20 (17.5) | 177 (11.1) | |||
≥100001美元 | 9 (8.5) | 90 (6.6) | 7 (6.1) | 106 (6.7) | |||
使用互联网的程度 | 177.8 (4) | 措施 | |||||
从不或很少 | 30 (28.3) | 34 (2.5) | 0 (0.0) | 64 (4) | |||
每周/每月几次 | 5 (4.7) | 70 (5.1) | 2 (1.8) | 77 (4.8) | |||
每天几次 | 71 (67.0) | 1264 (92.4) | 112 (98.2) | 1447 (91.1) | |||
健康状况 | 29.4 (4) | 措施 | |||||
可怜的 | 18 (17.0) | 90 (6.6) | 4 (3.5) | 112 (7.1) | |||
正常的 | 51 (48.1) | 649 (47.4) | 40 (35.1) | 740 (46.6) | |||
好 | 37 (34.9) | 629 (46) | 70 (61.4) | 736 (46.3) | |||
锻炼频率 | 11.8 (4) | .019 | |||||
从来没有 | 27日(25.5) | 286 (20.9) | 19日(16.7) | 332 (20.9) | |||
有时 | 54 (50.9) | 883 (64.5) | 72 (63.2) | 1009 (63.5) | |||
每天 | 25 (23.6) | 199 (14.5) | 23日(20.2) | 247 (15.6) |
一个外币兑换率为新台币1元= 0.035美元。
b全体员工(包括全职或兼职台湾籍或外籍员工)平均固定收入为新台币42,495元。2019年,台湾的贫困水平收入在新台币11,648元至新台币24,293元之间。
结果表明,对健康信息判断错误的高风险参与者受教育程度较低,收入较低,健康状况不佳,他们不浏览或很少浏览互联网。这些差异具有统计学意义。中等风险组的参与者拥有高中、大学或研究生教育水平的概率分别是高风险组的4.65倍、13.22倍和18.40倍。有收入的参与者比没有收入的参与者更有可能成为中等风险组的一部分,比值比(OR)为1.76 (95% CI 0.58-5.36)至4.23 (95% CI 1.56-11.47)。健康状况良好的参与者比健康状况不佳的参与者(OR 2.98, 95% CI 1.30-6.83)更有可能属于中等风险组(OR 1.93, 95% CI 0.90-4.14)。与从不上网或很少上网的人相比,每天上网几次或每周/每月上网几次的人更有可能属于中等风险组(or分别为3.80,95% CI 1.71-8.46和or 9.19, 95% CI 2.61-32.37)。当高风险组与两个低风险组进行比较时,也得到了类似的结果。
特征 | 中等风险vs .高风险一个,或b(95%置信区间) | 中、低风险vs .高风险c,或(95% ci) | |
教育程度(参考:初中或以下)d | |||
高中 | 4.65 (1.54 - -13.99) | 4.50 (1.50 - -13.52) | |
大学/学院 | 13.22 (4.24 - -41.23) | 13.46 (4.32 - -41.93) | |
研究生院 | 18.40 (5.03 - -67.36) | 19.11 (5.23 - -69.90) | |
收入(新台币)(参考:0元)e | |||
≤23800美元 | 0.90 (0.37 - -2.20) | 0.93 (0.38 - -2.28) | |
23801 - 30000美元 | 4.06 (1.44 - -11.45) | 3.86 (1.37 - -10.87) | |
30001 - 50000美元 | 4.08 (1.72 - -9.69) | 3.78 (1.59 - -8.95) | |
50001 - 70000美元 | 4.23 (1.56 - -11.47) | 3.92 (1.45 - -10.59) | |
70001 - 100000美元 | 2.18 (0.75 - -6.33) | 2.16 (0.75 - -6.23) | |
≥100001美元 | 1.76 (0.58 - -5.36) | 1.62 (0.54 - -4.90) | |
使用互联网的程度(参考:从不/很少) | |||
每周/每月几次 | 9.19 (2.61 - -32.37) | 9.05 (2.57 - -31.84) | |
每天几次 | 3.80 (1.71 - -8.46) | 3.95 (1.77 - -8.79) | |
健康状况(参考:差) | |||
正常的 | 1.93 (0.90 - -4.14) | 2.00 (0.93 - -4.31) | |
好 | 2.98 (1.30 - -6.83) | 3.22 (1.40 - -7.39) |
一个-2 log-likelihood: 564.251;NagelkerkeR2: 0.311。
bOR:优势比。
c-2对数似然:576.339;NagelkerkeR2: 0.309。
d裁判:参考。
e外币兑换率为新台币1元= 0.035美元。
讨论
主要结果
本研究借鉴eHEALS开发了DHLA仪器,并进行了信度和效度分析。该研究还从公共部门的资源中构建了一个在线健康信息库,以模拟现实世界用户搜索在线健康信息时可能找到的信息。本研究采用ROC分析,根据误读健康信息的可能性,找到DHLA的临界值,将参与者分为高、中、低风险组。DHLA评分越高,健康信息误判的风险越低。高风险参与者往往受教育程度低、收入低、健康状况不佳,从不或很少浏览互联网获取信息。与中危组(78.9%,55.0%)和低危组(79.8%,57.0%)相比,高危组对健康信息中、难项目的准确判断比例分别为68.9%和41.5%,约低10% ~ 15%。在被认为容易的项目中,风险组之间的差异较小。因此,与区分低风险组和中风险组相比,该工具似乎更准确地区分了高风险组和低/中风险组。
限制
本研究的第一个限制是样本不能代表台湾的人口。我们尽最大努力从尽可能广泛的社会经济地位中招募参与者,包括通过同事、朋友和亲戚从那些使用社会福利的人中招募参与者。参与者涵盖了不同的年龄组、性别、收入水平和教育水平。然而,参与者往往具有较高的教育水平,这可能影响了他们的数字健康素养。第二个限制是数据收集机制(在线问卷平台),无法接触到不熟悉互联网或移动设备的参与者。然而,先前的一项研究发现,纸质问卷和在线问卷在eHEALS得分上没有显著差异[
]。未来,可以考虑通过电话或纸质渠道收集数据,以扩大数字卫生素养得分的范围。这可能会增加中危组和低危组之间DHLA评分的差异。第三个限制是在线健康信息库,它包括310项不同难度的健康信息(147项容易,122项中等,41项困难)。这比以前的研究中使用的项目更多[ , , ]。我们考虑到大多数人需要能够从网上健康信息库中判断健康信息的准确性,所以我们排除了任何被认为需要专业知识的项目。这可能将困难项目的数量限制在41个,并且可能使区分中等和低风险群体变得更加困难。与前期工作比较
eHEALS是单维的,Cronbach alpha为0.88,而DHLA是三维的,Cronbach alpha为0.87。使用0.70到0.90的标准来衡量良好的内部一致性[
], DHLA具有足够的内部一致性。DHLA的项目量表相关系数在0.27 ~ 0.87之间,系数大于0.20,是令人满意的[ 为所有项目。除民间偏方1项(0.27)外,其余均超过0.48。DHLA是从eHEALS发展而来的,增加了两个项目,并改变了回答的格式。这就产生了不同的因子结构。Abma等[ ]报道,他们的收敛效度的相对相关大小在0.2到0.4之间,具有轻度到中度的相关性,尽管预期的相关方向——正或负——也很重要。DHLA得分与年龄呈负相关,与受教育程度和网络使用水平呈正相关。弱相关系数在0.20左右有统计学意义,认为收敛效度可以接受。在一项系统综述中,Diviani等[
]发现,38项研究中有10项(26%)研究了卫生素养与评估在线卫生信息的能力之间的关系。然而,只有五项研究使用eHEALS作为一种措施来探索与在线健康信息搜索相关的问题。最新生命体征(辉瑞公司)筛选工具已在若干研究中被用作评估对在线健康信息做出准确判断的能力的性能测试[ , , ]。此工具以营养标签为基础,由六个问题组成,需要3分钟完成[ ]。Quinn等人的研究[ ]制定了六个健康问题作为绩效测试,包括战略领域,如糖尿病、肥胖、流感、营养和止痛药物。有几项研究使用性能测试来收集数据,但这些测试需要相当长的时间才能完成,通常在1.5小时左右[ , , ]。因此,使用性能测试的研究往往限制了健康信息所涵盖的领域,因此不能反映现实世界的情况。由于参与者的疲劳,花费较长时间收集数据可能会降低研究的有效性。在这项研究中,大多数参与者花了大约6分钟的时间来评估从在线健康信息库中随机选择的5项健康信息。健康信息库中的项目来自互联网上的真实项目。因此,在线健康信息库被认为是对在线健康信息的合理类比,但它不能被视为与以往研究中使用的性能测试相媲美[ , , , , , ]。在线健康信息库包含大约300个项目,数量和种类都很丰富,这可能导致难度、教育程度和互联网使用之间存在微弱的正相关系数(
)。然而,除简单项目外,相关系数均具有统计学意义。难度等级分为超过80%(容易),50%(中等)和不到30%(困难)的人能够确定可信度的项目。然而,在研究中,正确答案的比例为86.9%(容易),78.3%(中等)和57.0%(困难),明显高于定义。这可能是因为96.5%的参与者至少接受过大学或学院教育。然而,本研究使用健康信息库和DHLA评分来区分根据数字健康素养水平误解信息的高、中、低风险人群。研究结果显示,在判断健康信息项目时,高危人群的正确答案比例最低。这意味着DHLA可以被互联网上的健康信息平台用作识别——并因此保护——有误解健康信息高风险的用户的一种方式。系统评价发现教育水平与数字健康素养相关[
]。网络与大脑[ 研究了18岁及以上的成年人,发现数字健康素养与性别或自我报告的健康状况无关,但与年龄、教育水平、疾病和状况以及互联网使用水平有关。Xesfingi和Vozikis [ 发现数字健康素养与年龄、教育水平和运动频率有关。Del Giudice等[ 数字健康素养与年龄、教育水平、自我报告的健康状况和互联网健康信息使用水平有关。我们将高危组与(1)中等风险组和(2)中、低风险组合组进行了比较,发现区分因素包括教育程度、收入、互联网使用水平和自我报告的健康状况。因此,本研究发现的因素与以往数字健康素养研究发现的因素非常相似[ , - ]。Del Giudice等[
]发现受教育程度呈弱正相关(ρ=0.11,P=.001)与数字健康素养相关。他们的样本被分为两组:一组在卫生部门学习或工作,另一组不是。有趣的是,在我们的研究中,拥有与健康相关的工作与不同的风险群体并没有统计学上的显著相关。我们发现,高等教育水平(ρ=0.22),P.001)与较低的健康信息误判风险相关,表现出较好的判断可靠健康信息的能力。这一发现表明,教育水平低的人可能需要帮助来提高他们的数字健康素养,以避免滥用在线健康信息及其对他们健康的潜在负面影响。崔和迪尼托[
表明,与美国整体人口相比,受教育程度较低的人的数字健康素养较差。一项系统的文献综述报告了收入与互联网接入和数字健康素养之间的关联[ ]。我们发现,收入在新台币23,800元至70,000元(832.20美元至2447.65美元)的参与者比没有收入的参与者更能判断网路健康资讯的可信度。然而,收入为70,001新台币(2447.68美元)和100,000新台币(3496.64美元)或更高的参与者的or低于收入为23,801新台币(832.24美元)至70,000新台币(2447.65美元)的参与者(分别为2.18和1.76,分别约为4; )。这表明,基于DHLA评分的收入水平与风险群体之间的关系可能是倒U形的。收入在7万新台币(832.20美元)以上的人可能在选择健康信息时更为谨慎,不愿给出错误的答案,因此更有可能回答“不确定”,从而导致属于中、低风险群体的可能性较低。研究表明,自我报告的健康状况与数字健康素养显著相关[
, , ]。我们发现,健康状况不佳的参与者更有可能属于高风险群体,他们的数字健康素养较低。因此,重要的是通过健康教育帮助那些健康状况不佳的人提高他们的健康素养。这将减少他们使用来自互联网的虚假信息的风险。Zrubka等[
]表明,许多研究发现数字健康素养与互联网使用水平之间存在关联,尽管一些研究发现相关性很弱[ ]。我们发现,每天、每周或每月上网几次的参与者比那些很少或从不上网的人更能识别正确的健康信息,而且对健康信息判断错误的风险更低。然而,与从不或很少使用互联网的人相比,每周或每月使用互联网数次的人最有可能属于中危或低危组(or 9.19, 95% CI 2.61-32.37),其次是每天使用互联网数次的人(or 3.80, 95% CI 1.71-8.46)。那些每天上网几次的人可能会对可获得的信息的质量变得挑剔,而那些每周或每月上网几次的人可能会更加小心。对于从不或很少使用互联网的人来说,改善互联网接入并鼓励他们更频繁地使用互联网可能会有所帮助。然而,网站可能还需要提供一种机制,以防止他们误解信息。结论
我们的研究结果显示DHLA评分可以区分低、中、高风险的互联网健康信息误判者。因此,互联网上的卫生信息平台可以利用《卫生保健法》建立机制,保护用户不被滥用卫生信息,从而避免损害他们的健康。这意味着将DHLA纳入网站,并用更大的样本进行验证。同时,这种方法可以减少用户接收到可能威胁其生活质量的错误健康信息的可能性。
致谢
我们感谢所有受访者参与这项研究。我们也感谢来自Edanz Group Japan Inc .的MBA Melissa Leffler编辑了本文的草稿。
利益冲突
没有宣布。
数字健康素养评估。
DOCX文件,23 KB
网上健康信息库样本项目。
DOCX文件,21 KB参考文献
- 电联。衡量数字发展:事实和数据2019。瑞士,日内瓦:国际电信联盟;2019.
- 欧洲委员会。欧洲公民数字健康素养:报告。布鲁塞尔:欧盟委员会;2014.
- 提示回答:你最近一次查找有关健康或医学主题的信息时,你首先去的是哪里?健康信息全国趋势调查5(提示5):周期3网站。国家癌症研究所。URL:https://hints.cancer.gov/view-questions-topics/question-details.aspx?PK_Cycle=12qid=688[2020-06-04]访问
- 国家发展委员会。2016年个人和家庭数字机会调查(AE010014)。台北:国家发展委员会;2017.
- 宋辉,Omori K, Kim J, Tenzek KE, Morey HJ,林伟,等。信任社交媒体作为健康信息的来源:美国、韩国和香港的在线调查比较。医学互联网研究,2016年3月14日;18(3):e25 [J]免费全文] [CrossRef] [Medline]
- 李海燕,王春春,卢思聪,方万成。网络谣言跨国传播现象的探索性研究信息社会学报2003年7月;5:175-208 [j]免费全文]
- 国家发展委员会。2019年个人和家庭数字机会调查。台北:国家发展委员会;2020年3月20日。
- 李建平,李建平,李建平。关于癌症的谣言:内容、来源、应对、传播和信念。卫生通讯J; 2012;17(9):1099-1115。[CrossRef] [Medline]
- 诺曼CD,斯金纳HA。eHEALS:电子健康素养量表。医学与互联网研究,2006;8(4):e27 [J]免费全文] [CrossRef] [Medline]
- 古明,张慧。中国学龄儿童电子健康素养量表(eHEALS)的心理测量评估。全球卫生教育进展[J]; 2012;15(1):29-36。
- 电子健康素养是如何测量的?这些测量告诉我们什么?系统回顾。知识管理电子学习2015 Dec 15;7(4):576-600。[CrossRef]
- Ghaddar SF, Valerio MA, Garcia CM, Hansen L.青少年健康素养:在线健康信息可靠来源的重要性。中国卫生杂志,2012;82(1):28-36。[CrossRef] [Medline]
- 医疗在线。URL:https://medlineplus.gov/[2020-11-13]访问
- Knapp C, Madden V, Wang H, Sloyer P, Shenkman E.低收入家庭特殊医疗需求儿童的互联网使用与电子健康素养。中国医学信息学报,2011;13(3):775 [J]免费全文] [CrossRef] [Medline]
- 电子卫生素养:将数字鸿沟扩展到卫生信息领域。医学互联网研究,2012;14(1):e19 [J]免费全文] [CrossRef] [Medline]
- 李建军,李建军,李建军。探索健康素养在在线健康信息评估中的作用:来自混合方法研究的见解。中华医学杂志;2016;39(6):1017-1025。[CrossRef] [Medline]
- 健康素养对老年人参与医疗保健信息技术使用的影响。老年医学杂志2017;3:2333721417706300 [j]免费全文] [CrossRef] [Medline]
- van der Vaart R, van Deursen AJ, Drossaert CH, Taal E, van Dijk JA, van de Laar MA。电子健康素养量表(eHEALS)衡量的是它想要衡量的吗?在两个成年人群中验证荷兰版eHEALS。医学互联网研究,2011年11月09日;13(4):e86 [J]免费全文] [CrossRef] [Medline]
- Quinn S, Bond R, Nugent C.利用现有工具和基于浏览器的软件跟踪在线健康信息搜索行为,量化健康素养和电子健康素养。计算机与人类行为2017年4月;69:256-267。[CrossRef]
- 马忠,吴敏。中国农村人群电子健康素养量表(C-eHEALS)的心理测量特征:横断面验证研究。[J]中国医学信息学报,2019,vol . 22;21(10): 1145 - 1145]免费全文] [CrossRef] [Medline]
- 苏德伯里-莱利L,菲茨帕特里克M,舒尔茨PJ。婴儿潮一代电子健康素养量表(eHEALS)测量特性的探索:测量不变性的跨国检验。医学互联网研究,2017年2月27日;19(2):e53 [J]免费全文] [CrossRef] [Medline]
- 电子健康素养2.0:概念演变中的问题与机遇。医学与互联网研究,2011;13(4):e125 [J]免费全文] [CrossRef] [Medline]
- 吴晨。社交问答中健康相关问题分析。台北:国立台湾师范大学;2014年1月。
- 事实核查栏。台湾食品药品监督管理局网站。URL:https://www.fda.gov.tw/TC/news.aspx?cid=5049[2020-11-13]访问
- 医疗保健事实检查专栏。健康促进管理局网站。URL:https://www.hpa.gov.tw/Pages/List.aspx?nodeid=70[2020-11-13]访问
- 医疗保健事实检查列数据集。健康促进局。政府公开数据网站。URL:https://data.gov.tw/dataset/43338[2020-11-13]访问
- 关于食品和药品的事实检查列数据集。政府公开数据网站。台湾食品药品监督管理局。URL:https://data.gov.tw/dataset/17148[2020-11-13]访问
- 李建军,李建军,李建军,等。偏最小二乘结构方程建模方法研究。加利福尼亚州千橡市:Sage Publications Inc;2017.
- Terwee CB, Bot SDM, de BMR, van DWDAWM, Knol DL, Dekker J,等。提出了健康状况问卷测量性质的质量标准。中华临床流行病学杂志,2007,30(1):34-42。[CrossRef] [Medline]
- Habibzadeh F, Habibzadeh P, Yadollahie M.确定最合适的试验截止值:连续试验结果的情况。生物化学医学(Zagreb) 2016 Oct 15;26(3):297-307 [j]免费全文] [CrossRef] [Medline]
- 朱华塔,陈建平,李建平,等。电子健康素养在德国和瑞士父母中的应用。[J]互联网研究与发展[J]; 2010;22(3): 563 - 567 [J]免费全文] [CrossRef] [Medline]
- 王敏,Batt K, Kessler C, Neff A, Iyer NN, Cooper DL,等。在美国成年血友病患者中,患者报告的结果工具和血友病关节健康评分v2.1的内部一致性和项目-总相关性:来自疼痛、功能损伤和生活质量(P-FiQ)研究的结果患者偏好依从性2017;11:1831-1839 [j]免费全文] [CrossRef] [Medline]
- 张建军,李建军,张建军,等。评价系统评价中患者报告的结果测量的收敛效度:构建假设和解释结果。BMC Res Notes 2016年4月19日;9:26 [免费全文] [CrossRef] [Medline]
- 张建军,张建军,张建军,等。低健康素养与在线健康信息评价:文献系统综述医学互联网研究,2015;17(5):112 [J]免费全文] [CrossRef] [Medline]
- Monkman H, Kushniruk AW, Barnett J, Borycki EM, Greiner LE, Sheets D.健康素养与电子健康素养是否相同?猪健康技术通报2017;245:178-182。[Medline]
- Weiss BD, Mays MZ, Martz W, Castro KM, DeWalt DA, Pignone MP,等。初级保健中读写能力的快速评估:最新的生命体征。中国生物医学工程学报(英文版);2005;3(6):514-522 [j]免费全文] [CrossRef] [Medline]
- Feufel MA, Stahl SF。网络使用技能的差异对在线健康信息搜索意味着什么?中国医学杂志,2012;14(3):e87 [J]免费全文] [CrossRef] [Medline]
- van Deursen AJAM, van Dijk JAGM。互联网技能表现测试:人们准备好接受电子健康了吗?医学与互联网研究,2011年4月29日;13(2):e35 [J]免费全文] [CrossRef] [Medline]
- Chesser A, Burke A, Reyes J, Rohrberg T.导航数字鸿沟:美国服务不足人群电子健康素养的系统回顾。中华卫生杂志,2016;41(1):1-19。[CrossRef] [Medline]
- 王晓峰,王晓峰。网络健康素养的影响因素分析。国际医学杂志,2016;5(2):e16 [J]免费全文] [CrossRef] [Medline]
- Del Giudice P, Bravo G, Poletto M, De Odorico A, Conte A, Brunelli L,等。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。[J]医学互联网研究,2018 Oct 31;20(10):e281 [J]免费全文] [CrossRef] [Medline]
- 崔吴,Dinitto DM.低收入家庭老年人的数字鸿沟:互联网使用模式、电子健康素养和对计算机/互联网使用的态度。[J]中国医学杂志,2013;15(5):e93 [J]免费全文] [CrossRef] [Medline]
- 张建军,张建军,张建军,等。网络健康素养与老年人网络健康信息获取行为的关系。医学互联网研究,2015;17(3):e70 [J]免费全文] [CrossRef] [Medline]
- 张晓明,王晓明,王晓明,王晓明。电子健康素养量表的研究进展。欧洲卫生经济杂志2019年7月;20(增刊1):57-69 [J]免费全文] [CrossRef] [Medline]
- De Caro W, Corvo E, Marucci AR, Mitello L, Lancia L, Sansoni J.电子健康素养量表:护理分析与意大利验证。种马健康技术通报2016;225:949。[Medline]
- 帕拉米奥·帕萨雷兹G, Almagro BJ, Hernando Gómez Á, Aguaded Gómez JI。[西班牙大学生电子健康素养量表(eHEALS)的验证]。Rev Esp Salud Publica 2015;89(3):329-338 [j]免费全文] [CrossRef] [Medline]
缩写
方差分析:方差分析 |
DHLA:数字健康素养评估 |
eHEALS:电子健康素养量表 |
NT:新台币 |
或者:优势比 |
中华民国:接收机工作特性 |
G·艾森巴赫编辑;提交30.04.20;由Z Ma, Z Zrubka, P Schulz, S Ghaddar同行评审;对作者的评论25.05.20;修订版本收到16.07.20;接受26.10.20;发表21.12.20
版权©刘佩琪,叶玲玲,王俊怡,李少娣。原载于医学互联网研究杂志(//www.mybigtv.com), 2020年12月21日。
这是一篇在知识共享署名许可(https://creativecommons.org/licenses/by/4.0/)下发布的开放获取文章,该许可允许在任何媒介上不受限制地使用、分发和复制,前提是原始作品首次发表在《医学互联网研究杂志》上,并适当引用。必须包括完整的书目信息,到//www.mybigtv.com/上原始出版物的链接,以及版权和许可信息。