更有针对性的电子医疗技术的角色:以用户为中心的设计方法

简介

虽然电子医疗技术被视为支持慢性疾病患者自我管理和疾病管理的一个机会，但其实际使用率仍然很低[1］．因此，电子卫生技术的全部潜力没有得到充分发挥。对于这些缺乏应用程序的一个可能的解释是，在开发过程中，对潜在终端用户的需求、愿望和上下文没有给予足够的关注。为了克服这些问题，以用户为中心的设计原则[2]提供工具，使目标用户始终处于电子卫生保健开发过程的核心。创建角色的UCD实践被广泛接受，以确保在开发的所有阶段中技术与目标组或最终用户之间的契合[3.］．角色表示目标组的虚构成员，并由这些潜在用户的描述组成。通过与人物角色的接触，开发人员和项目团队成员培养了对目标群体特征的洞察力[4］．可以说，角色是一种持续向团队传达“我们为谁做这件事”的方式。此外，例如，eHealth开发团队可以对这些角色进行预估，以定制教育信息[5]或支持若干类型电子健康服务用户的依从性[6］．所描述的用于创建角色的方法只使用一个数据源，忽略了创建具有相似特征的终端用户组所需的数据的多样性和可变性。

若干框架提倡在电子卫生保健开发过程中使用多种方法收集数据[7，例如，通过访谈、问卷调查和焦点小组。因此，在eHealth开发过程中使用来自多个来源的混合类型数据，而人物角色创建通常依赖于有限的数据源。首先，目标群体的健康相关属性是电子健康项目中角色的重要组成部分[8]:健康并发症的风险、潜在最终用户必须进行的与健康有关的活动、目标群体症状的变化，以及量身定制的医疗方案。这些主题反映了可以用来描绘“最终用户图景”的因素。因此，健康相关因素是构建电子健康角色的主要因素。然而，随着电子卫生发展的研究和经验的进展和成熟，很明显，电子卫生用户的特征不应该仅仅是健康状况，而放大与健康有关的因素只能讲述用户故事的一部分。更确切地说，一个人可能生病了，或患有慢性疾病，但他/她的目标是在手术或疾病后恢复，或只是想保持他/她的健康，仍然有更多的个人特征，好恶或习惯，这些也与了解这个人有关[9］．因此，第二个人物角色的创建集中于一个人想要、喜欢或喜欢如何生活。LeRouge和同事[10]开发了一个概念模型，用于从定性数据中识别广泛的用户档案和角色属性。Vosbergen等人描述了一种考虑健康因素之外特征的相关方法[5］．他们已经证明了信息需求的变化如何导致人物角色(以及技术设计)，这些人物角色代表了人们重视和消费信息的不同方式。同样，除了健康/疾病状况和人口统计之外，还有许多偏好、习惯和其他变量可能值得包括在电子健康角色中[11，12］．在这些方法中，人物角色来自于相关因素的选择，这些因素取决于更多的主观经验和专家的隐性知识。这很容易导致在角色中包含什么的任意决定。Holden等人提出了一种解决这个问题的方法[13]，使用生物心理社会调查数据的定量聚类分析。在他们的方法中，霍尔顿等人[13]使用定性数据，如主观电子健康素养来描述目标群体，并提取代表该群体的人物角色。

除了使用与健康相关的数据和面向个人的数据外，我们还注意到使用服务器日志数据来识别和描述用户组的方法。服务器日志数据是eHealth用户在系统内执行的时间、日期和活动等的自动注册。一个例子是根据电子卫生系统内的活动识别用户组，从而产生以集群内最突出的活动为特征的人物角色[14］．Jones等人的研究描述了一种更全面的方法[15]，其中系统内的活动扩展了关于用户的频率、强度、一致性和人口统计信息。使用这些数据产生的人物角色包括用户的人口统计数据以及用户与电子健康系统的接触情况。当此方法应用于识别患有慢性病的eHealth用户组时，此方法本身可以使用与所监视的健康值相关的日志数据进行扩展。

总的来说，我们看到有几个框架以非常结构化或不太结构化的方式描述了可以开发电子卫生技术的步骤。这些框架的相似之处在于，我们在迭代遍历以获得适合最终用户的技术的阶段中看到了几种数据收集方法。从这个意义上说，在eHealth开发和人物角色创建中应用框架都得益于对用户、技术和上下文应用广泛的视角，以确保良好的匹配。电子健康研究中心(CeHRes)路线图[7]描述了这样一种方法，即通过不同的设计阶段来指导研究和开发。这种方法要求进行全面和价值驱动的开发，不仅关注电子医疗技术的功能和目标，还考虑到用户的动机、能力、环境和背景[7］．如果我们为创建人物角色包含相关的因素/特征，那么人物角色就很适合这种方法。然而，如上所述，开发角色的方法只关注收集数据的一种方法(如访谈、问卷数据、日志数据)，忽略了UCD开发过程中收集的各种数据。因此，我们研究了如何在eHealth开发过程中为角色开发结构化的迭代方法。在完成CeHRes路线图的各个阶段时，使用了先前研究的数据，从而获得了通过各种方法收集的数据(如访谈、问卷调查、日志数据)。

方法

研究设计

在这项研究中，我们对角色使用了一个三步迭代的方法。在第一步中，使用来自电子患者记录(EPR)的数据，使用与健康相关的数据来开发角色。在第二步中，通过访谈和问卷调查收集的个人相关数据丰富了这些EPR数据。在第三步中，将日志数据添加到模型中，以说明在通过试点研究收集日志数据后，或在eHealth技术推出并实际为最终用户使用后，如何进一步开发角色。从现在开始，我们将这种迭代的电子健康开发方法称为二十人角色方法(PAT)。在说明PAT的过程中，重点还在于(1)霍尔顿等人所描述的方法如何[13]和LeRouge等[10可以结合使用几种数据收集方法(定量的和定性的)来描述用户组，以及(2)使用半自动方法对最终用户进行分组，这样在以前的研究中用于开发与人物相关的人物角色的任意方法就会被更系统的方法所取代。因此，我们的目标是为实现慢性疾病电子卫生技术的全部潜力做出贡献。

数据收集

在CeHRes路线图中描述的步骤指导下，使用了之前为开发心力衰竭患者远程监测应用程序而进行的研究中收集的数据[7］．这些数据来自荷兰特温特、阿尔梅洛和亨格洛医院集团门诊的25例轻度至中度慢性心力衰竭患者，其中13例为女性(56%)。他们的平均年龄为68岁(SD 9)，年龄在46岁至82岁之间。纽约心脏协会(NYHA)功能分级为2或3级的患者[16]，症状稳定，用药稳定纳入本研究。数据收集后1个月内住院的患者被排除在外。

首先，利用参与者epr数据收集NYHA分类、脑血管意外或短暂性脑缺血发作共病等健康相关数据。其次，通过8项电子健康素养量表(eHEALS)问卷收集定量数据[17]以深入了解参与者的电子卫生素养状况。第三，采用5级5维欧洲生活质量(EQ-5D-5L)问卷，深入了解参与者的生活质量，包括活动能力、自我照顾、日常活动、疼痛/不适和焦虑/抑郁[18］．此外，通过与参与者的访谈收集了关于心力衰竭生活经验、技术使用和信任以及动机的定性数据。基于这些数据，另一项研究开发了iMediSense远程监测系统(2016年，泰利斯公司)[19］．一项试点研究在心脏病学家和护士执业者的临床监督下进行。在这项试验中，患者被要求在60天内每天至少测量一次:舒张压、收缩压、心率和体重。此外，他们还填写了一份心力衰竭症状问卷。当测量值超过预定义范围时，就会产生告警。护士从业人员被指示查看产生的警报并做出相应的反应。在本研究中，有关指定症状、试点研究期间的告警的日志数据和使用日志数据用于二次分析。在表1，上述数据收集方法与通过这些方法收集的变量相结合。变量还显示已知变量的参与者数量。由于对该数据集进行了二次分析，并非所有参与者都存在或评估了所有变量。

数据分析

在分析数据之前，通过半结构化访谈收集的定性数据由2位独立编码员(FS和JW)采用归纳和演绎相结合的编码方法进行编码[20.］．首先，LeRouge等[10使用与技术、人口统计和医疗保健细节相关的代码来对访谈数据进行演绎编码。随后，这些编码被归纳编码的方式加以改编和补充。定性分析后，所有的主题和变化被归类为二元变量，进行聚类分析。这意味着，如果一个主题由几个变量组成，就会创建多个二进制变量:每个变量1个。例如，婚姻状况被分为2个变量，即结婚(已婚或未婚)和离婚(离婚或未离婚)。此外，当一个代码被分配到少于5个引号时，将从进一步分析中删除这些引号，以减少缺失值对聚类结果的影响。其次，采用Shapiro-Wilk检验检验变量是否正态分布[21］．我们发现年龄、参与eHealth的能力和估计的肾小球滤过率正态分布(P> . 05)。其余变量非正态分布(P< . 05) (多媒体附件1)，因此在进行聚类分析之前进行日志转换。

由于数据既是数值的又是二进制的，因此使用高尔距离创建距离矩阵。Gower距离可以处理这些类型的混合数据，通过对定量数据使用范围归一化的Manhattan距离，对名义变量使用Dice系数[22］．随后，使用Partitioning Around Medoids算法进行了3个聚类分析，以开发与PAT中3个步骤中的1个相关的人物角色。聚类分析是一种探索性数据分析的形式，其中观察结果被划分为具有共同特征的有意义的组。选择了Partitioning Around Medoids算法，因为它符合Gower距离，并且Medoids可以作为将聚类转换为人物角色的“代表”。中位点是指在一个聚类内的观测值，它与该聚类中所有其他成员之间的平均差异最小。通过使用这些代表，我们限制了极端价值观在参与者中的影响。

对同一数据集的3个不同部分进行了分析:(1)与健康相关的数据，(2)与健康和人员相关的定性和定量数据，以及(3)与健康和人员相关的定性和定量数据，其中丰富了试点研究期间收集的日志数据。所有分析均使用RStudio [23]和R Cluster包[24]，并使用Ggplot2包对结果进行可视化[25］．为了估计最佳簇数，采用了平均轮廓法。在进行聚类分析后，所得到的聚类的中位数被用来描述人物角色。表1总结每个步骤(1-3)的分析中包含哪些变量。

伦理批准

所有参与者都同意使用这些数据，并签署了一份知情同意书。此外，本研究在伦理上得到了行为、管理和社会科学伦理委员会的批准(210111)。

结果

通过(1)EPR(2)访谈和问卷数据丰富的数据，以及(3)上述数据丰富的日志数据，进行了三个聚类分析。

健康相关数据聚类

图S1多媒体附件2显示集群数量从2到10的平均剪影宽度。根据该图，我们确定最优的簇数为2，得到的平均轮廓宽度为0.17。总共25人被分为2组。第一个集群的平均廓形宽度为0.12，由17人组成，占总人数的68%(17/25)。第二簇的平均廓形宽度为0.27，由8人组成，占总人数的32%(8/25)。这些聚类的中位体用于在人物角色中翻译这些聚类。使用这些中位数的变量值创建了两个角色，可以在图1(人物角色描述中使用的符号的含义见多媒体)．第一个角色是Peter(代表集群1)，他患有射血分数降低的心力衰竭，病因是缺血性。第二，人物芭芭拉代表聚类2，她患有心力衰竭，射血分数降低，高血压，心房颤动，她估计的肾小球滤过率降低(43 mL/min/1.73 m)²)．芭芭拉之前曾因心力衰竭住院。

‎ 查看此图

聚类与人相关数据丰富的健康相关数据

在第二步中，我们将数据集与健康相关数据、访谈数据和eHEALS问卷聚类[17］．聚类分析后，生成一个平均轮廓图，得到2个聚类，如图S2所示多媒体附件4．2个星团对应的平均廓形宽度为0.11。

在25人的总数中，第一个集群由10人(40%)组成，平均轮廓宽度为0.08。第二组由15人(60%)组成，平均轮廓宽度为0.12。人物角色描述是基于两个集群中的中位体进行的，这些可以在图2．第一个角色是Eva，她在2年前被诊断出患有心脏衰竭，射血分数降低33%和心房颤动。Eva在EQ-5D-5L问卷上的得分为10分，从5到25分，表示生活质量良好，有轻微问题或健康问题。伊娃提到了一种积极的应对方式和两种消极的应对方式。伊娃拥有一部智能手机、一台电脑和一台平板电脑。她将这种技术用于社交目的(如社交媒体)和获取信息。此外，她在电子健康调查问卷上的平均分为4分，表明她从事电子健康的能力中等。相应地，Eva表示她有电子医疗技术的经验。

Christoph是一名75岁的已婚男性，受过职业教育。他有两个孩子，目前失业。克里斯托夫两年前被诊断出患有心脏衰竭射血分数降低。此外，他左室射血分数为37%，肾小球滤过率估计为60 mL/min/1.73 m²．克里斯托夫患有缺血性心脏病Christoph有一个植入式心脏再同步治疗除颤器或植入式心脏转复除颤器来支持他的心脏功能。克里斯托弗在EQ-5D-5L问卷中得分为5分，表明生活质量良好。他提到了两种消极应对问题的方法。Christoph有一台电脑，但没有智能手机或平板电脑。此外，他在电子健康调查问卷上的得分为3分，表明他具有从事电子健康的中等能力。此外，Christoph表示，他没有使用电子保健技术的技能。

‎ 查看此图

健康和个人相关数据与日志数据的聚类

在第三步中，我们用通常在设计阶段之后收集的使用日志数据丰富了与健康和人员相关的数据。聚类分析后，平均轮廓图生成3个聚类。这个平均剪影图可以在图S3中找到多媒体．3个星团对应的平均廓形宽度为0.08。在25个人中，第一个集群由15个人(60%)组成，平均轮廓宽度为0.09。第二组由5人(20%)组成，平均轮廓宽度为0.12。第三组由5人(20%)组成，平均轮廓宽度为0.04。角色描述是基于3个集群中的中位体进行的，这些可以在图3．

第一个角色是Pete(代表集群1)，他在2年前被诊断出患有射血分数降低的心力衰竭和缺血性病因。皮特没有提到任何积极的应对方式和两种消极的应对方式。此外，他没有智能手机或平板电脑，但他有一台电脑。他在电子健康调查问卷上的得分为3分，表明对他使用信息技术促进健康的技能表示怀疑，并提到他没有使用电子健康技术的技能。在初步研究期间，Pete在心衰症状问卷中表示他没有任何症状。此外，主要报警对象为心率(n=13)和舒张压(n=10)。在初步研究期间，Pete展示了一种使用模式，即只开始新的测量(n=77)并将其发送到监控系统(n=63)。他参观了他的测量历史1次。此外，他没有使用iMediSense中的其他功能。患者使用监测系统后的生活质量(EQ-5D-5L平均得分5分)在使用监测技术后没有变化。

‎ 查看此图

莎拉代表2型群，一年前被诊断为心力衰竭和射血分数降低。她估计肾小球滤过率为88 mL/min/1.73 m²．莎拉患有慢性阻塞性肺疾病，她的目标是保持稳定的体重。莎拉提到了一种积极应对的方法和三种消极应对的方法。此外，她还拥有智能手机、平板电脑和电脑。她认为自己在使用信息技术促进健康方面的技能相当高(eHEALS平均得分为4分)，并表示她有使用电子保健技术的经验，但她没有看到附加价值。在初步研究期间，Sarah通过心衰症状问卷显示了一种混合模式的症状。她提到自己焦躁不安、健忘、注意力不集中(n=4);她的努力水平降低(n=5)，食欲下降(n=4)，疲劳加重(n=7)，气短加重(n=3)，咳嗽或挠痒性咳嗽(n=2)。与使用iMediSense前(EQ-5D-5L平均得分12)相比，她的生活质量略有提高(EQ-5D-5L平均得分13)。在中试研究中，主要产生心跳告警(n=29)。 Besides, alarms for diastolic blood pressure were generated 13 times, and the alarms for systolic blood pressure were generated 17 times. In iMediSense, Sarah started a new measurement 52 times, sent the symptoms measurement 36 times, and the physical measurement 37 times. Besides, she opened her measurement history 54 times and opened her profile page 37 times. Furthermore, she visited other functionalities a few times.

第三个角色是Elizabeth(代表集群3)，她在两年前被诊断出患有心力衰竭。她有高血压并糖尿病。此外，她的肾小球滤过率估计为47 mL/min/1.73 m²并且在本次就诊前曾住院。伊丽莎白在eHEALS问卷上的得分为3分，表明她在使用信息技术促进健康方面的技能受到怀疑。Elizabeth在心衰症状问卷中提到的主要症状是腿部水分和腹胀(n=37)。在初步研究期间，几乎每天都会产生收缩压(n=58)和舒张压(n=43)的警报。在更低的数量下，对心率(n=5)和体重(n=1)产生警报。在iMediSense中，Elizabeth显示了一种使用模式，其中她主要开始新的测量(n=165)，发送症状测量(n=68)，并查看她的测量历史(n=87)。与使用iMediSense前相比，她的生活质量略有提高(EQ-5D-5L平均得分为8)(EQ-5D-5L平均得分为7)。

讨论

主要研究结果

创建角色的实践被广泛接受，以确保在开发的所有阶段中技术与目标组或最终用户之间的匹配。我们对PAT的演示表明，这种方法可以用于通过以迭代方式聚类混合数据来开发角色，以与eHealth开发过程保持一致。这样，随着eHealth技术的继续发展，角色的丰富程度也会增加，而聚类算法的使用在一定程度上确保了这些角色是客观确定的。PAT的优点是:(1)使用中位数使结果易于解释，(2)可以使用混合数据，(3)可以迭代开发角色。下面，我们将详细说明这些优点，最后，我们将描述我们遇到的缺点，以及未来的可能解决方案和方向。

对于使用PAT开发心力衰竭的人物角色，我们使用中介体作为一种方法，为具有相似特征(集群)的每组用户寻找代表。这些中位数与同一聚类中的其他患者的差异最小。来自该代表性患者(medoid)的数据可用于描述角色。霍尔顿等人[13]在聚类之间使用比较统计检验来查看这些聚类在哪些变量上存在差异。随后，只有显著不同的变量的均值被用来描述角色[13］．与此方法相比，PAT有几个优点。首先，它也适用于参与者数量较低的情况(在UCD过程中经常发生)，因为比较统计检验也高度依赖于参与者的数量。其次，PAT不需要进行比较统计检验，因此劳动强度较低。第三，更容易解释，例如，性别的平均值为0.5就很难解释，而使用中位数时就不会出现这种情况。

除了使用中间体外，PAT还允许在人物角色开发中包含混合数据。在我们对CeHRes路线图步骤指导的项目中收集的数据进行PAT演示时，我们能够包括通过问卷调查、访谈、EPR和日志数据收集的数据。这样，就可以更全面地了解用户。此外，包括混合数据可以看作是三角测量方法的应用[26］．例如，NYHA对患者的分类是从epr中提取的，这是基于症状对心力衰竭严重程度的描述，该分类范围从I(无症状或限制)到IV(严重限制)。然而，当添加通过另一种方法收集的数据时，可以更全面地理解患者所经历的症状以及这些症状对患者日常生活的限制。

最后，我们看到了PAT如何与在Twente Teach项目中部署数据收集方法的顺序保持一致。在开发过程中应用时，角色可以根据新收集的数据不断更新。这种不断更新的角色与数字双胞胎的概念重叠。27］．不同之处在于，目前的方法侧重于在组级别上对用户进行最新的描述，而Digital Twins应用于个人级别。这确保了角色在eHealth开发的复杂过程中保持适用和清晰。然而，我们认为在使用PAT时也应该应用“适应性智能”的概念。这意味着角色是使用算法开发的，但当领域知识用于将这些角色转化为针对电子健康技术用户的实际含义时，它们就变得有意义了。

虽然我们在本研究中发现了PAT的一些优点，但结果表明，当使用访谈的定性数据进行聚类分析时，聚类的质量会下降(用较低的轮廓宽度表示)。然而，这并不意味着访谈数据是无价的。相反，它可能意味着应该注意哪些类型的数据是可用的或应该收集以及如何收集这些数据。通常情况下，一项研究中包含的所有患者的健康相关数据都是存在的，而我们的患者或用户组中更面向个人的特征的收集则缺乏标准化和定义。我们认为，有关个人的信息应包括在内，因为与健康有关的变量通常以更有条理的方式进行测量，使其更易于使用。除了健康状况，这些变量还能告诉我们更多关于用户的信息，包括他/她的背景、环境、能力、动机和价值观，这些变量至少在衡量和创建角色时同样有价值。然而，这项研究表明，在对角色建模时，数据质量是一个问题，而且这种情况经常发生在标准化程度较低的变量中。这适用于LeRouge等人的框架中描述的许多信息类型[10]，重点关注电子健康服务用户特征的更广泛背景[10］．例如，技术使用(技术细节)或信息寻求态度(医疗保健细节)可能非常相关，但很少是标准和标准化医疗评估的一部分。为了能够使用这些可能相关的变量，它们应该以一种更结构化的方式进行测量。

当添加定性数据时，另一种可能的补救方法是使用领域知识来决定哪些变量应该包括在聚类分析中，或者将多个变量总结为一个变量(例如，使用特征工程或因子分析)。然而，由于基于1个以上变量的针对电子健康用户的干预措施具有更高的有效性[28]，我们认为更系统地收集以人为本的特征应该是首选。我们认为，以下步骤应在电子卫生保健开发过程中迭代完成。这些也适用于其他情况(例如，其他目标群体，当数据以不同的顺序收集时):

1. 使用各种方法收集数据，并确保以结构化的方式收集与人相关的变量。
2. 检查变量是否正态分布，并据此调整分析。
3. 进行聚类分析，将参与者分组为相似的聚类。
4. 描述基于中间体的集群，并根据这些中间体的已知数据绘制人物角色。
5. 向这些角色添加来自这些中介的定性数据，以增加角色描述的丰富性。
6. 使用领域知识将角色转换为eHealth系统的实际含义，以更好地将eHealth定位于用户。

限制

由于本研究的探索性设计、1个临床中心的小样本量以及相应的同质性样本，尚不清楚结果在多大程度上可以推广到心力衰竭患者和其他情况及人群。然而，本研究的重点是展示如何使用PAT来开发角色;因此，泛化并不是得到有用结果的条件。然而，当从最终用户组收集大量数据时，在开发过程中仍然可以在多大程度上使用集群结果的问题仍然存在。此外，无法使用iMediSense的使用日志数据，因为该数据的变化太小:依从性很高(几乎100%)，用户在平台上导航的方式有限。这与探索聚类结果在多大程度上对用户在系统中导航的方式具有预测价值有关，当确实遵循和导航模式不同时。此外，应用远程指导和教育促进自我管理可能会改变系统导航的聚类和预测价值，值得进一步研究。

未来的工作

在未来的研究中，我们将开发角色，包括更多的参与者，从而允许在更大的样本上测试这种组合方法。此外，预期的使用将与这些角色相结合，使用日志数据将用于查看参与者是否按预期使用它。通过这种方式继续我们的研究，我们希望了解如何使技术特性适应我们的用户。我们假设，技术角色可以激励开发人员把正确的有说服力的功能[29]，并为不同的使用者量身定做。此外，在本研究中，我们重点研究了如何使用PAT方法更好地定位用户。针对电子保健的具体方法是个性化、裁剪和调整电子保健。在未来的研究中，我们的目标是对电子健康技术如何个性化进行系统回顾。更具体地说，我们的目标是调查从用户收集哪些信息，以相应地个性化电子健康技术。因为我们还将描绘出这些不同类型的个性化的有效性，所以我们还可以对开发角色时应该考虑的变量提出建议。