原始论文
摘要
背景:基于智能手机的接触追踪应用程序有助于降低COVID-19的传播率,从而支持随着限制逐步放松而摆脱封锁的国家。
摘要目的:我们研究的主要目标是确定荷兰人口对接触追踪应用程序的潜在吸收,这取决于应用程序的特征。
方法:一项离散选择实验在全国具有代表性的900名荷兰受访者中进行。采用模拟极大似然方法,使用混合logit模型规范来估计人口平均和个人水平的偏好。个人层面的使用概率是根据个人层面的偏好估计计算出来的,然后汇总到样本中,以及特定亚群体的接触追踪应用程序采用率。
结果:最差和最佳联系人追踪应用程序的预测采用率分别为59.3%到65.7%。最现实的联系人追踪应用的预计使用率为64.1%。预测的采用率因年龄组而有很大差异。例如,最现实的应用程序的采用率在最年长和最年轻年龄组(即≥75岁vs 15-34岁)的人群中分别为45.6%至79.4%。受教育程度、是否存在严重的潜在健康状况以及受访者对COVID-19感染风险的态度也与预测的采用率相关,但程度较小。
结论:在荷兰,一款安全、尊重隐私、具有最真实特征的联系人追踪应用程序的采用率可高达64%。这超过了荷兰政府制定的60%的目标。主要挑战将是提高老年人的使用率,他们最不倾向于安装和使用COVID-19接触者追踪应用程序。
doi: 10.2196/20741
关键字
简介
COVID-19大流行已形成前所未有的公共卫生、社会和经济危机。鉴于目前还没有疫苗,治疗方案有限,预防至关重要。为了阻止病毒的传播,社会在不同程度上被封锁,保持社交距离;全职措施;学校、大学和企业关闭。这些政策在社会上是痛苦的,在经济上是昂贵的。
针对隔离措施,无论是强制性的还是自愿的,都可以缓解这些政策的社会和经济影响。这些措施要求迅速识别和隔离感染者,并在疾病潜伏期期间对其最近接触者进行隔离。从本质上讲,当感染者的接触者能够以足够快的速度被追踪和隔离时,未受影响的人可以继续以或多或少正常的方式生活。根据世界卫生组织的说法,“如果系统地应用,接触者追踪将打破传染病的传播链,因此是一种必不可少的公共卫生工具”[
].有证据表明,接触者追踪在以前的大流行中是有效的,一些模型研究指出,在COVID-19危机中也有好处[ , ].接触追踪的主要缺点是劳动密集型和耗时,并且只有在快速进行时才能有效。当人们出现表明感染COVID-19的症状并随后检测出COVID-19阳性时,必须迅速警告和隔离他们的大部分接触者,以避免进一步感染。公共卫生当局手动追踪接触者可能无法实现这一目标[
].如果公共卫生当局无法为这项任务招募和培训足够的工作人员,这个问题可能会加剧。基于这些原因,有人建议使用数字方法(即基于智能手机的联系人追踪应用程序)来促进和加速联系人追踪。其基本理念是,与COVID-19感染者有近距离接触的应用程序用户会收到警告,并被要求自我隔离。从理论上讲,一旦确定感染,这种应用程序几乎可以即时通知,从而取代一周的手工接触追踪工作(每个感染者)[
].只有有足够多的人愿意下载和使用COVID-19接触追踪应用程序,才能成功地限制病毒的传播。这一点变得越来越重要,尤其是在社交距离措施放松、人工追踪无法全面快速发挥作用的情况下[
].根据模型研究,荷兰政府制定了60%的人口应该使用该应用程序的目标[ ].目前尚不清楚这种吸收水平能否达到。在新加坡,1个月后才有20%的人开始使用这款应用。 ],而在怀特岛,超过40%的人在10天内下载了联系人追踪应用程序[ ].荷兰当局明确表示,该应用程序只会用于追踪接触者,而不会用于监控或强制自我隔离,也不会用于提供进入公共场所的通道。然而,这款荷兰联系人追踪应用的具体规格尚未确定,但可能会对人们使用它的意愿产生影响。因此,本研究的主要目的是估计基于智能手机的接触追踪应用程序在荷兰人口中的未来使用情况,以及通过改变应用程序的规格可以优化的程度。次要目的是描述子组之间的预期使用差异。这两个目标都是通过离散选择实验(DCE)来实现的。
方法
在DCE中,通过将产品分解为单独的特征(称为DCE)来建立对产品(如COVID-19接触者追踪应用程序)的首选项属性)和这些特性的不同规格(简称属性水平) [
, ].例如,属性“财务激励”包括每月“€0”、“€5”和“€10”级别(€1 = US$1.18)(参见 ).然后,通过要求受访者在一系列选择任务中做出权衡,可以经验地确定属性级别的相对重要性。在每个选择任务中都有两个或两个以上的产品可供选择,受访者被反复要求表明他们更喜欢哪个选项。随后,统计回归被用来推导属性的相对吸引力及其水平的数值,其方法在随机效用理论中有坚实的基础[ ].在此DCE研究中选择的属性和属性级别(请参见
)反映了荷兰的情况,因为荷兰政府已经发布了一款COVID-19接触追踪应用程序的开发,当他们最近附近的人被感染时,该应用程序会提醒用户。目前,该应用程序的推出预计将支持进一步解除封锁。然而,这款应用的推出取决于它是否符合欧洲通用数据保护条例的隐私和安全规定(即从一开始)[ ].因此,描述应用程序的不同安全和隐私级别的属性没有包括在DCE中,而是被描述为DCE上下文的一部分(即在所有选择任务中保持不变)。后者将更多的注意力放在警告类型、测试、对阳性测试结果的沟通控制以及DCE中应用用户的潜在财务激励上。包括属性和级别。
小组规模(“应用程序用户可以参加……”)
- 活动可达3人
- 活动可达10人
- 活动可达30人
- 活动可达100人
预警类型
- 过去两周你和一个感染者有过亲密接触
- 在哪个日期和时间你与感染者有过亲密接触
警告谁
- 只有你
- 您和当地卫生当局(GGD),但必须征得您的同意
- 你和当地卫生当局(GGD)
警告后的测试
- 只有在有人出现症状的时候
- 每个人都将接受考验
谁可以上传测试结果
- 只有你
- 这由政府和/或当地卫生当局(GGD)自动完成。
财务奖励(每月)
- €0
- €5
- €10
一旦定义了属性和属性级别,使用Sawtooth Software (Sawtooth Software Inc)创建了调查仪器的初始版本,并在由商业调查样本提供商Dynata管理的荷兰在线面板中进行管理。该仪器包括一个基于近正交设计的DCE,有300个设计版本,每个版本有13个选择任务。正交性最小化了选择任务中属性级别之间的相关性,并确保了偏好参数的统计识别。为了评估受访者偏好的稳定性,DCE设计中的第14项选择任务是第5项选择任务的重复[
, ]. 提供一个选择任务示例。如图所示,受访者可以在两个应用程序之间进行选择,也可以选择退出。此外,为了减少调查的认知负担,提高受访者的属性出勤率,还采用了少量的属性层次重叠[ ].除DCE任务外,调查还包括几个背景、热身、态度和调查评估问题。该调查工具通过238名在线受访者的样本进行了试点测试。根据调查参与者的反馈和对估计偏好的评估,对调查工具进行了修订,以提高理解能力,减少调查的认知负担。加强了属性的介绍和描述,增加了一个额外的热身问题,包括补充的汇报问题,并修改了一个DCE属性的级别(即群体规模),以更好地反映观察到的非线性偏好结构。这意味着最初的数据收集与随后的数据收集不兼容,并被排除在最终的分析之外。
修订和改进的仪器(可根据要求提供)使用260名参与者的第二个试点样本进行了试点测试。根据受访者的反馈和我们对估计偏好的评估,不需要进一步更改。因此,又获得了640名参与者,以获得900名受访者的整体调查样本,根据正式的样本量计算和常用的经验法则,这已经足够了[
].900名受访者的总体样本被设计为在性别、年龄和15岁及以上荷兰普通人群的教育程度方面具有全国代表性。所有数据收集于2020年第16周。一旦数据收集完成,调查满意度和认知述评问题通过平均7点李克特得分进行总结。直接观察调查的退出率,并计算完成时间为花费在问卷页面上的累计时间,最大限度为每页5分钟,以纠正受访者在调查问题之间的休息。根据重复选择任务中相同选择的被调查者的百分比来评估被调查者偏好的稳定性。
描述性统计用于描述整个样本和基于DCE中观察到的选择行为定义的子组之间的受访者特征。更具体地说,比较了总是选择应用程序的受访者,有时选择应用程序的受访者,以及从不选择应用程序,因此总是选择DCE中的选择退出选项的受访者。我们研究了选择行为是否因性别、年龄组、最高教育水平、一般健康状况、慢性疾病或抵抗力下降而不同,是否有人出现COVID-19症状,以及受访者是否积极使用健康应用程序。我们还比较了三个亚组对六个DCE评估问题的态度,他们认为舒服的最大群体规模,以及基于健康信念模型的与COVID-19追踪应用程序相关的9个一般陈述[
, ]包括在调查工具中。采用模拟极大似然方法,使用混合logit (MIXL)模型估计人群和个人层面的偏好[
].该模型将观察到的选择作为因变量,将显示给受访者的COVID-19接触者追踪应用程序的特征(即属性级别)作为解释变量。使用Stata 15 (StataCorp)进行估计,使用2000 Halton图计算模拟最大似然,以确定稳定系数,并使用完整的方差-协方差矩阵估计,以适应随机参数之间潜在的非零相关性。在14项选择任务中没有选择COVID-19接触追踪应用程序的受访者被排除在MIXL估计之外,并被分配到单独的(潜在)类。对于这些受访者来说,无法确定他们理论上是否愿意考虑安装联系人追踪应用程序(这只意味着一个非常积极的选择退出参数),或者,在选择预测中,这些受访者被视为安装和使用应用程序的意愿为零的外生类别。这避免了在至少一个选择任务中选择了联系人跟踪应用程序的受访者的溢出效应和向上偏置的选择退出参数。
随后对三种不同的接触追踪应用程序(即最好的、最差的和最真实的应用程序)进行了吸收计算,并基于受访者的个人偏好系数。MIXL的评估定义了最佳和最差的联系人追踪应用程序。最真实的应用程序是根据发布时所有公开的信息定义的。对于每个应答者,使用标准logit规则计算预测的吸收概率,然后将预测的样本采用率计算为个体水平吸收概率的平均值。这比直接基于MIXL样本平均参数的计算更可靠,因为它适当地考虑了受访者的异质性。对于每个应用程序,我们计算了900个受访者的整个样本和几个子样本的采用率,例如不同的教育背景(低、中、高)和年龄组(15-34岁,35-54岁,55-74岁,≥75岁)。
结果
研究人群
在开始调查的986名小组成员中(由于名额限制),有900名(91.3%)完成了问卷调查,86名(8.7%)退出。由此产生的样本在年龄、性别和教育水平方面对荷兰人口具有代表性。在900名受访者中,39% (n=351)年龄在55岁或以上,442名(49%)受访者为男性,三分之一的受访者教育水平较低(
).大约70%的受访者表示他们身体健康,625名(69%)受访者没有慢性疾病或免疫系统受损。近25%的受访者报告说,他们在过去两个月内出现了COVID-19症状,1.4% (n=14)的受访者COVID-19检测呈阳性。几乎所有受访者都拥有并使用智能手机、智能手表或平板电脑(n= 827,91.9%), 47.60% (n=428)的受访者已经在移动设备上使用与健康相关的应用程序。大多数受访者表示该调查(非常)有趣(n= 645,72%)和(非常)清楚(n= 738,82%)。有48名(5%)受访者认为调查(非常)不清楚( ).人口统计资料 | 总(N = 900), n (%) |
总是(n = 460), n (%) |
有时(n = 214), n (%) |
从不(n = 226), n (%) |
|
性别 | |||||
男性 | 442 (49.1) | 215 (48.6) | 114 (25.8) | 113 (25.6) | |
女 | 458 (50.9) | 245 (53.5) | 100 (21.8) | 113 (24.7) | |
年龄组别(年) | |||||
15 - 34 | 268 (29.8) | 168 (62.7) | 76 (28.4) | 24 (9.0) | |
35-54 | 281 (31.2) | 131 (46.6) | 74 (26.3) | 76 (27.0) | |
55 - 74 | 265 (29.4) | 124 (46.8) | 59 (22.3) | 82 (30.9) | |
≥75 | 86 (9.6) | 37 (43.0) | 5 (5.8) | 44 (51.2) | |
教育水平 | |||||
低 | 274 (30.4) | 134 (48.9) | 51 (18.6) | 89 (32.5) | |
媒介 | 342 (38.0) | 187 (54.7) | 79 (23.1) | 76 (22.2) | |
高 | 284 (31.5) | 139 (48.9) | 84 (29.6) | 61 (21.5) | |
地理区域 | |||||
严重影响b | 612 (68.0) | 304 (49.7) | 149 (24.3) | 159 (26.0) | |
轻微的影响 | 288 (32.0) | 156 (54.2) | 65 (22.6) | 67 (23.3) | |
自我感知的总体健康状况 | |||||
好或者非常好 | 635 (70.6) | 322 (50.7) | 159 (25.0) | 154 (24.3) | |
公平 | 232 (25.8) | 119 (51.3) | 49 (21.1) | 64 (27.6) | |
糟糕或非常糟糕 | 33 (3.7) | 19日(57.6) | 6 (18.2) | 8 (24.2) | |
健康问题 | |||||
肺部疾病 | 112 (12.4) | 72 (64.3) | 19日(17.0) | 21日(18.8) | |
心脏病 | 79 (8.8) | 40 (50.6) | 17 (21.5) | 22日(27.8) | |
糖尿病 | 87 (9.7) | 44 (50.6) | 13 (14.9) | 30 (34.5) | |
肾脏疾病 | 11 (1.2) | 7 (63.6) | 2 (18.2) | 2 (18.2) | |
免疫系统受损 | 61 (6.8) | 38 (62.3) | 13 (21.3) | 10 (16.4) | |
过去2个月自我报告COVID-19症状 | |||||
是的 | 218 (24.2) | 131 (60.1) | 53 (24.3) | 34 (15.6) | |
没有 | 645 (71.7) | 312 (48.4) | 152 (23.6) | 181 (28.1) | |
检测COVID-19感染情况 | |||||
是的,阳性测试 | 14 (1.6) | 8 (57.1) | 6 (42.9) | 0 (0) | |
是的,阴性测试 | 25 (2.8) | 15 (60.0) | 9 (36.0) | 1 (4.0) | |
没有 | 855 (95.0) | 434 (50.8) | 197 (23.0) | 224 (26.2) | |
拥有并使用智能手机/智能手表或平板电脑 | 827 (91.9) | 446 (53.9) | 203 (24.5) | 178 (21.5) | |
使用智能手机/智能手表或平板电脑上的健康应用程序 | 428 (47.6) | 272 (63.6) | 100 (23.4) | 56 (13.1) | |
感觉很舒服 | |||||
三人一组 | 292 (32.4) | 108 (37.0) | 69 (23.6) | 115 (39.4) | |
10人一组 | 312 (34.7) | 196 (62.8) | 66 (21.2) | 50 (16.0) | |
30人一组 | 165 (18.3) | 107 (64.8) | 36 (21.8) | 22日(13.3) | |
100人小组 | 79 (8.8) | 34 (43.0) | 31 (39.2) | 14 (17.7) | |
1000人一组 | 52 (5.8) | 15 (28.8) | 12 (23.1) | 25 (48.1) |
一个第2列的百分比在垂直方向上之和为100%,而第3-5列的百分比在水平方向上之和为100%。
b受影响严重的地区是北布拉班特,林堡,Zuid-Holland,北荷兰和Gelderland。
态度的语句b | 合计(N=900), N (%) | 总是(n=460), n (%) | 有时(n=214), n (%) | 从不(n=226), n (%) | ||
我发现联系人追踪应用程序很有用 | ||||||
同意 | 414 (46.0) | 309 (67.2) | 87 (40.7) | 18 (8.0) | ||
不同意 | 191 (21.2) | 30 (6.5) | 33 (15.4) | 128 (56.6) | ||
我担心联系人追踪应用程序的安全性 | ||||||
同意 | 447 (49.7) | 174 (37.8) | 125 (58.4) | 148 (65.5) | ||
不同意 | 198 (22.0) | 140 (30.4) | 38 (17.8) | 20 (8.8) | ||
我反对使用联系人追踪应用 | ||||||
同意 | 268 (29.8) | 51 (11.1) | 63 (29.4) | 154 (68.1) | ||
不同意 | 356 (39.6) | 274 (59.6) | 68 (31.8) | 14 (6.2) | ||
我认为如果我感染了COVID-19,情况会非常严重 | ||||||
同意 | 581 (64.6) | 322 (70.0) | 134 (62.6) | 125 (55.3) | ||
不同意 | 91 (10.1) | 38 (8.3) | 30 (14.0) | 23日(10.2) | ||
我想如果我感染了COVID-19,我会病得很严重 | ||||||
同意 | 568 (63.1) | 311 (67.6) | 120 (56.1) | 137 (60.6) | ||
不同意 | 119 (13.2) | 60 (13.0) | 38 (17.8) | 21日(9.3) | ||
我觉得我很有可能感染新冠病毒 | ||||||
同意 | 198 (22.0) | 123 (26.7) | 46 (21.5) | 29 (12.8) | ||
不同意 | 231 (25.7) | 115 (25.0) | 59 (27.6) | 57 (25.2) | ||
我认为我感染COVID-19后很有可能患上重病 | ||||||
同意 | 374 (41.6) | 214 (46.5) | 78 (36.4) | 82 (36.3) | ||
不同意 | 196 (21.8) | 99 (21.5) | 59 (27.6) | 38 (16.8) | ||
我认为新冠肺炎应用程序是控制和抗击新冠肺炎的好方法 | ||||||
同意 | 416 (46.2) | 312 (67.8) | 84 (39.3) | 20 (8.8) | ||
不同意 | 222 (24.7) | 41 (8.9) | 52 (24.3) | 129 (57.1) | ||
如果有联系人追踪应用,我会使用它 | ||||||
同意 | 388 (43.1) | 307 (66.7) | 72 (33.6) | 9 (4.0) | ||
不同意 | 250 (27.8) | 30 (6.5) | 56 (26.2) | 164 (72.6) | ||
调查评估 | ||||||
选择题很清楚 | ||||||
同意 | 738 (82.0) | 385 (83.7) | 172 (80.4) | 181 (80.1) | ||
不同意 | 48 (5.3) | 23日(5.0) | 16 (7.5) | 9 (4.0) | ||
选择题很有趣 | ||||||
同意 | 645 (71.7) | 373 (81.1) | 161 (75.2) | 111 (49.1) | ||
不同意 | 70 (7.8) | 23日(5.0) | 17 (7.9) | 30 (13.3) | ||
在选择题中,我很容易就能看出这些应用程序之间的区别 | ||||||
同意 | 667 (74.1) | 360 (78.3) | 158 (73.8) | 149 (65.9) | ||
不同意 | 76 (8.4) | 39 (8.5) | 21日(9.8) | 16 (7.1) | ||
在选择题中,我可以很容易地在应用程序中做出选择 | ||||||
同意 | 633 (70.3) | 332 (72.2) | 154 (72.0) | 147 (65.0) | ||
不同意 | 101 (11.2) | 59 (12.8) | 27日(12.6) | 15 (6.6) | ||
我本可以轻松地回答更多的选择题 | ||||||
同意 | 617 (68.6) | 331 (72.0) | 152 (71.0) | 134 (59.3) | ||
不同意 | 50 (5.6) | 25 (5.4) | 13 (6.1) | 12 (5.3) | ||
选择题太多了 | ||||||
同意 | 174 (19.3) | 90 (19.6) | 40 (18.7) | 44 (19.5) | ||
不同意 | 469 (52.1) | 259 (56.3) | 115 (53.7) | 95 (42.0) |
一个第2-5列中的百分比垂直相加为100%,但在第3-5列中,100%是该特定群体中的人数。
b报告完全同意或同意的受访者和完全不同意或不同意的受访者;百分比不计算至100%,因为受访者回答中性均不包括在本表中。
DCE结果
联系人追踪应用程序的所有属性都影响了受访者的偏好(
).平均而言,受访者更喜欢COVID-19接触追踪应用程序,该应用程序可以为他们提供额外的好处,例如每月5欧元或10欧元的小额经济奖励,允许与最多10人或30人的小组见面,如果他们靠近感染者,还可以接受检测。平均而言,受访者希望继续掌握自己的数据,他们明确允许与当地卫生部门共享警报,并自己在应用程序中输入COVID-19检测结果为阳性。他们更喜欢具体到日期和时间的警报。属性 | 人口 意思是(SE) |
95%可信区间 | 人口 SD (SE) |
95%可信区间 | |
没有应用程序 | -3.44 (0.32) | -4.07到-2.80 | 3.97 (0.28) | 3.43到4.51 | |
组大小 | |||||
3人(参考) | 0 | N/A一个 | 0 | N/A | |
10人 | 0.56 (0.09) | 0.39到0.74 | 1.27 (0.14) | 1.01到1.55 | |
30人 | 0.45 (0.10) | 0.25至0.65 | 1.77 (0.13) | 1.51到2.03 | |
100人 | 0.04 (0.12) | -0.20到0.28 | 2.50 (0.17) | 12.17 ~ 2.84 | |
预警类型 | |||||
资料有限(参考) | 0 | N/A | 0 | N/A | |
详细的信息 | 0.23 (0.06) | 0.10 ~ 0.36 | 1.14 (0.09) | 0.97至1.31 | |
警告谁 | |||||
只有你(参考) | 0 | N/A | 0 | N/A | |
你和当地卫生部门自动联系上了 | 0.01 (0.07) | -0.12到0.15 | 1.02 (0.09) | 0.83到1.20 | |
你和当地卫生部门同意后 | 0.28 (0.07) | 0.14到0.42 | 0.94 (0.09) | 0.74到1.13 | |
警告后的测试 | |||||
只有当有人出现症状时(参考) | 0 | N/A | 0 | N/A | |
每一个人 | 0.40 (0.09) | 0.23到0.57 | 1.96 (0.10) | 1.77到2.15 | |
谁可以上传测试结果 | |||||
你(参考) | 0 | N/A | 0 | N/A | |
当地卫生部门 | 0.05 (0.08) | -0.11到0.20 | 1.70 (0.08) | 1.53到1.87 | |
财务奖励(每月€) | |||||
0(参考) | 0 | N/A | 0 | N/A | |
5 | 0.85 (0.11) | 0.62至1.07 | 2.44 (0.13) | 2.18到2.70 | |
10 | 1.29 (0.16) | 0.97到1.60 | 3.70 (0.18) | 3.35至4.05 |
一个N/A:不适用。
属性水平具有预期的符号(显示理论有效性),84%(760/900)的受访者在他们的选择中表现出一致性(即,他们在第5和第14个DCE选择任务中选择了相同的选项)。属性的实用程序模式组大小这是夸张的(即,受访者更喜欢允许他们与10或30人而不是3人会面的应用程序,但对与100人会面不太积极;
).此外,平均而言,相对于其他属性,财务激励是最重要的属性,而描述谁进入应用程序的属性是应用程序用户测试呈阳性的属性是最不重要的属性。然而,替代特定常数(即随机截距)和所有属性(水平)的标准偏差表明,受访者的偏好存在很大差异。COVID-19接触者追踪应用程序使用率
超过一半的受访者(460/900,51%)在所有的选择任务中都选择了联系人跟踪应用程序,这意味着他们更喜欢规格最低的联系人跟踪应用程序,而不是根本没有联系人跟踪应用程序(参见
).约25%(226/900)的受访者对联系人追踪应用程序有严格的偏好(即,他们在所有14个DCE任务中都选择了退出选项),并且无法说服他们选择联系人追踪应用程序,即使是具有最受欢迎规格的应用程序。其余24%(214/900)的受访者的选择取决于应用程序的规格。最现实的假设COVID-19接触者追踪应用,鉴于当时的情况在荷兰的写作,是定义为一个应用程序,它允许应用程序用户会见30个人同时,警告说,应用程序用户,他们接近一个被感染的人在过去2周,警告说只有应用程序用户,允许用户应用程序接受COVID-19测试只有在他们COVID-19症状,是由应用程序更新的用户,他们COVID-19阳性,并且没有给予应用程序用户经济激励,最现实的应用程序的预测采用率为64.1% (
).应用程序属性级别的单向变化对预测采用率的影响相对较小( ).从最不受欢迎的联系人追踪应用程序到最受欢迎的属性级别,荷兰人口对联系人追踪应用程序的估计采用率从59.3%增加到65.7%。值得注意的是,这种变化与MIXL平均偏好参数并不完全相关;偏好异质性程度也是一个同样重要的决定因素。预测的采用率存在重要的社会人口学差异。年龄在15岁至34岁之间的受访者比75岁或以上的人更有可能使用联系人追踪应用程序。35岁以下的受访者对应用程序的规格也更敏感。当将联系人追踪应用程序与最不喜欢的应用程序与最喜欢的应用程序进行比较时,35岁以下的人的采用率从72.4%上升到81.7%,而75岁以上的人的采用率从46.4%下降到45.6%。预测的采用率也因教育程度而有所不同。受教育程度较低的受访者不太可能安装应用程序,而且对应用程序的规格不太敏感。在比较最不受欢迎和最受欢迎的联系人追踪应用程序时,受教育程度最低的受访者的采用率从55.4%上升到59.1%,受教育程度最高的受访者的采用率从59.4%上升到67.8%。此外,随着总体健康状况的恶化,一直喜欢接触追踪应用程序的受访者比例有所上升。与没有健康问题的受访者相比,患有肺部疾病、肾脏疾病和免疫系统受损的受访者的这一比例也更高。
我们还观察到收养方面的重要态度差异。那些表示在大群体(不超过1000人)中感到安全、认为感染COVID-19的几率很小、并且认为感染COVID-19后不会患上重病的受访者,更有可能拒绝使用该应用程序,无论其规格如何。这也适用于那些更担心应用程序安全性的受访者。
除了这项研究中包含的属性外,支持使用COVID-19接触追踪应用程序的原因还包括预防(能够控制病毒)、减少不确定性(即清晰度和安全性)以及更大的自由度。经常被提及的障碍与隐私问题、安全问题(数据泄露)、没有智能手机、可能需要自付费用以及社会预期采用率低有关。
应用程序 | 所有(n=900), % | 15 ~ 34岁(n=268), % | 35-54岁(n=281), % | 55-74岁(n=265), % | ≥75年(n=86), % | 低建造一个(n = 274), % | 中等教育(n=342), % | 高教育c (n=284), % |
最受欢迎应用b | 65.7 | 81.7 | 61.4 | 60.4 | 46.0 | 59.1 | 69.2 | 67.8 |
最现实的应用程序c | 64.1 | 79.4 | 60.4 | 58.4 | 45.6 | 59.3 | 67.1 | 65.0 |
最不喜欢的应用d | 59.3 | 72.4 | 55.4 | 54.3 | 46.4 | 55.4 | 62.3 | 59.4 |
一个建造:教育。
b规范的最喜欢COVID-19接触者追踪应用软件用户被允许会见10个人同时,警告用户,他们接近一个人被感染在过去2周,警告app用户和当地卫生当局(GGD)许可后,允许用户应用程序接受一个COVID-19测试,是由应用程序更新的用户,他们COVID-19阳性,并确实给应用程序用户每月财务激励€10。
c规范最现实的应用程序允许用户应用程序与30个人同时,警告应用的用户,他们接近被感染的人在过去的两周,提醒用户应用程序,允许用户应用程序接受COVID-19测试只有COVID-19症状后,更新的应用程序用户COVID-19阳性,并且不给应用程序用户财务激励。
d规范最喜欢的应用程序允许用户应用程序与3个人同时,警告应用用户的日期和时间,他们接近一个被感染的人,警告当地卫生当局(GGD),允许应用程序用户只接受COVID-19测试后COVID-19症状,更新由当地卫生当局(GGD)应用程序用户COVID-19阳性,并且不给应用程序用户财务激励。
讨论
主要发现
我们的研究表明,在荷兰,接触追踪COVID-19应用程序的采用率可高达66%。然而,人们的偏好差异很大。超过一半的受访者总是选择使用应用程序,约25%的受访者从未被说服选择应用程序,其余24%的受访者的选择取决于应用程序的规格。在整个样本中,将规格从最不受欢迎更改为最受欢迎,将预测采用率从59%提高到66%。一般来说,应用程序用户更喜欢能给他们提供额外好处的应用程序,比如允许他们以最多10人到30人的小组会面,并在收到警报后立即接受检测。应用程序用户希望通过明确授权与公共卫生部门共享警报,并在应用程序中输入阳性检测结果,来保留对自己数据的控制权。他们更喜欢具体到日期和时间的警报。每月5欧元或10欧元的小额经济奖励是值得赞赏的。
政策背景及影响
在4月中旬收集数据之前,应在荷兰关于COVID-19应用程序的讨论的背景下看待所呈现的结果。在荷兰,医院重症监护病房的COVID-19患者人数在4月的第一周达到峰值,曲线处于下降的开始,当时还不清楚。检测能力有限,仅适用于症状严重的个人和医院工作人员。
四月中旬,荷兰政府组织了为期两天的活动appathon评估和测试从660个候选应用中选出的7个不同的候选应用。这篇文章在互联网上播出了。结果发现,候选应用程序都存在隐私和安全问题。因此,该应用程序中没有一个应用程序被选中,卫生部开始开发一个新的应用程序,该应用程序从一开始就将严格考虑隐私和安全。
政府的这一决定证实了我们为我们的研究选择了正确的背景,即拟议的应用程序将满足所需的隐私和数据安全问题,而不是要求受访者为了应用程序的利益或规格而牺牲隐私和安全。荷兰当局还明确表示,它不会采用存储位置数据的联系人追踪应用程序,联系人数据的存储时间不应超过2-3周。这与我们决定不包括位置数据和数据存储长度的权衡是一致的。在文献中,已经出现了似乎满足这些条件的智能手机应用程序[
, ),而几乎所有出现在麻省理工学院(Massachusetts Institute of Technology)不断更新的数据库中的新应用程序,都是基于谷歌和苹果(Apple)推出的相对安全和尊重隐私的蓝牙应用程序编程接口。该数据库捕捉了全球每一个重要的自动联系人追踪工作的细节。 ].我们发现,最现实的应用程序的采用率在15-34岁的受访者中比75岁或以上的受访者高34%,这可能具有政策意义。这表明需要量身定制的沟通策略,以最大限度地利用接触者追踪应用程序。我们的数据表明,老年人在较大的群体中感觉不太舒服,更担心被感染,并在感染后患上重病,这是合理的,因为老年人健康问题的患病率更高,对COVID-19的易感度更高。如果这表明老年人感觉接触追踪应用程序没有充分保护他们,这可能是老年人使用率较低的原因。量身定制的沟通策略应该解决这些问题,并说服老年人分享数据的必要性,以控制一种在很大程度上无症状传播的病毒,即使应用程序不能提供个人保护。因为35岁以下的人对应用程序的规格更敏感,他们可以通过向应用程序用户传达好处来吸引他们采用这款应用程序,比如允许他们在更大的群体中见面,在与COVID-19感染者接触后立即接受检测,也许还可以获得经济奖励。
政策制定者面临的另一个挑战是,适当地处理观察到的对采用该应用程序的态度差异。也许在大量应用程序用户中感到安全的群体,认为他们感染病毒的几率很小,并且认为如果他们被病毒感染,他们不会患上严重疾病,这代表了一个低估情况严重性的群体。专门针对这些态度的教育可能是必要的。
与其他研究的比较
这项研究提供给受访者的背景(即应用程序将遵守隐私和安全法规)可能是高采用率的原因之一。尽管如此,迄今为止发表的关于COVID-19应用程序的唯一其他基于选择的研究报告显示,采用率更高,尽管它们确实包含了使用应用程序来强制自我隔离、匿名性、数据存储长度和应用程序项目的责任等属性[
].在这项全英国范围的研究中,推荐规格的应用程序的采用率为73.5%,而我们的研究为64.1%。其中一个可能的原因可能是英国的研究进行得更早,当时感染高峰还没有到来,人们感到更不安全。还有其他一些关于COVID-19应用程序的调查,但这些调查不是基于选择的,也没有像在DCE中那样要求受访者权衡应用程序的积极和消极特征。在法国、德国、意大利、英国和美国进行的一项大型国际调查中,无论受访者的国家或背景特征如何,他们都对联系人追踪应用程序表示强烈支持[
].限制
这项研究是在荷兰人口的代表性样本中进行的,涉及年龄、性别和教育程度。然而,我们应该承认,受访者是市场研究组织的互联网小组成员,这使得他们更有可能对互联网和数字设备总体上持积极态度,因此更有可能采用应用程序。这与我们的发现有关,已经使用健康应用程序的人比不使用健康应用程序的人更喜欢接触追踪应用程序。然而,使用互联网面板的影响可能有限,因为88%的荷兰公民拥有智能手机,超过三分之一的荷兰公民安装了健康应用程序[
].很明显,在我们的研究中,采用率是基于公开的偏好,这可能与公开的偏好不同。首先,尽管陈述的偏好可能准确地反映了个人使用应用程序的意图,但它们可能无法准确预测应用程序的实际使用情况。
].关于dce的外部验证研究很少,但在一些情况下,如流感疫苗接种和结直肠癌筛查,其中90%以上的选择在个人水平上被正确预测[ , ].然而,有人可能会说,这些案件涉及的隐私和安全问题较少。其次,本文的分析没有考虑动态因素,因此只预测了接触追踪应用程序的潜在使用量,而没有预测实现预期使用量所需的时间。后者可能取决于应用程序的吸引力,但也取决于外部因素,包括地方卫生当局和政府利用公共卫生活动推广接触追踪应用程序的努力程度。第三,联系人追踪应用的采用率可能取决于它发布的时间。如果人们仍然像我们在研究中所做的那样(基于2020年4月中旬的数据收集)认识到COVID-19大流行的严重性和接触追踪应用程序的必要性,他们可能会比认为危机已经被击败更愿意合作和分享个人数据。随着COVID-19限制目前放宽,似乎可以想象,受访者的偏好可能会相应改变。结论
根据所提出的结果,预计应用程序的采用率在59%至66%之间,我们得出的结论是,安全和尊重隐私的COVID-19接触追踪应用程序有可能达到较高的采用率。考虑到应用程序的首选规范将有助于更广泛的采用。主要的挑战将是提高老年人(≥75岁)的采用率,因为即使是具有最受欢迎特征的应用程序,与35岁及以下的受访者相比,采用率也低36%。
利益冲突
没有宣布。
樱桃清单。
PDF档案(adobepdf档案),223 KB参考文献
- 2019冠状病毒病背景下的接触者追踪:临时指南,2020年5月10日。世界卫生组织,2020年5月10日。URL:https://apps.who.int/iris/handle/10665/332049
- 何乐伟,李志强,李志强,等。通过隔离病例和接触者控制COVID-19疫情的可行性《柳叶刀》全球卫生2020年4月;8(4):e488-e496。[CrossRef]
- Ngonghala CN, Iboi E, Eikenberry S, Scotch M, MacIntyre CR, Bonds MH,等。非药物干预措施对遏制2019年新型冠状病毒影响的数学评估。数学生物科学2020年7月;325:108364 [免费全文] [CrossRef] [Medline]
- 程宏,建生,刘东,吴涛,黄伟,林宏,台湾新冠肺炎疫情调查组。台湾地区COVID-19传播动态及发病前后不同暴露期风险的接触追踪评估JAMA实习生2020年05月01日[免费全文] [CrossRef] [Medline]
- Ferretti L, Wymant C, Kendall M, Zhao L, Nurtay A, Abeler-Dörner L,等。量化SARS-CoV-2传播建议采用数字接触追踪来控制疫情。科学2020年5月08日;368(6491)[免费全文] [CrossRef] [Medline]
- De Jonge H. Handelingen。花呢卡默,2020年4月8日。URL:https://www.tweedekamer.nl/
- TraceTogether。2020.URL:https://www.tracetogether.gov.sg/
- 凯兰-琼斯R.冠状病毒:怀特岛接触追踪应用程序审判-到目前为止,判决不一。BBC新闻,2020年5月18日。URL:https://www.bbc.com/news/technology-52709568
- Hensher DA, Rose JM, Greene WH。应用选择分析入门。纽约:剑桥大学出版社;2005.
- 医疗保健中的离散选择实验。英国医学杂志2004 Feb 14;328(7436):360-361 [免费全文] [CrossRef] [Medline]
- 定性选择行为的条件logit分析。加州大学伯克利分校1973年。
- Abeler J, Bäcker M, Buermeyer U, Zillessen H. COVID-19接触者追踪和数据保护可以结合起来。JMIR mHealth uHealth 2020 april r 20;8(4):e19359 [免费全文] [CrossRef] [Medline]
- 杨杰,李志刚。离散选择实验数据的内部有效性:定量评估的测试工具。价值健康2019年2月;22(2):157-160 [免费全文] [CrossRef] [Medline]
- Tervonen T, Schmidt-Ott T, Marsh K, Bridges JF, Quaife M, Janssen E.评估健康离散选择实验的合理性:对优势测试使用的调查。价值健康2018年10月;21(10):1192-1197。[CrossRef] [Medline]
- Jonker MF, Donkers B, de Bekker-Grob E, Stolk EA.属性级重叠(和颜色编码)可以降低任务复杂性,提高选择一致性,并降低离散选择实验中的退出率。卫生经济2019年3月;28(3):350-363 [免费全文] [CrossRef] [Medline]
- de Bekker-Grob EW, Donkers B, Jonker MF, Stolk EA.医疗保健中离散选择实验的样本量要求:实用指南。患者2015年10月8日(5):373-384 [免费全文] [CrossRef] [Medline]
- 健康信念模型与个人健康行为。健康教育专刊1974;2:324-473。
- Janz NK, Becker MH.健康信念模型:十年后。健康教育Q 1984;11(1):1-47。[CrossRef] [Medline]
- 训练K.离散选择方法与模拟。纽约:剑桥大学出版社;2009.
- Yasaka TM, Lehrich BM, Sahyouni R.点对点接触追踪:保护隐私的智能手机应用程序的开发。JMIR mHealth uHealth 2020 Apr 07;8(4):e18936 [免费全文] [CrossRef] [Medline]
- O'Neill P, Ryan-Mosley T, Johnson B.大量冠状病毒应用程序正在跟踪我们。现在是时候跟踪它们了。《麻省理工科技评论》,2020年5月07日。URL:https://www.technologyreview.com/2020/05/07/1000961/launching-mittr-covid-tracing-tracker/
- Wiertz C, Banerjee A, Acar OA, Ghosh A.联系人追踪应用程序配置的预测采用率——来自一项基于选择的联合研究,对英国人口的代表性样本进行了研究。SSRN J 2020 4月30日[免费全文] [CrossRef]
- 李志强,李志强,李志强,等。基于应用程序的COVID-19接触追踪的可接受性:跨国调查证据。SSRN j 2020。[CrossRef]
- Bol N, Helberger N, Weert JCM。移动医疗应用程序使用的差异:新的数字不平等的来源?Inf Soc 2018年4月26日;34(3):183-193。[CrossRef]
- de Bekker-Grob EW, Swait JD, Kassahun HT, Bliemer MC, Jonker MF, Veldwijk J,等。医疗保健选择是可预测的吗?离散选择实验设计和模型的影响。价值运行状况2019年9月;22(9):1050-1062 [免费全文] [CrossRef] [Medline]
- de Bekker-Grob E, Donkers B, Bliemer M, Veldwijk J, Swait J.医疗保健选择能否使用指定偏好数据进行预测?社会科学医学2020年2月;246:112736 [免费全文] [CrossRef] [Medline]
缩写
DCE:离散选择实验 |
MIXL:组合logit |
G·艾森巴赫(G Eysenbach)编辑;提交27.05.20;同行评议:T Yasaka, J Li;对作者20.06.20的评论;修订版本收到30.06.20;接受11.08.20;发表09.10.20
版权©Marcel Jonker, Esther de Bekker-Grob, Jorien Veldwijk, Lucas Goossens, Sterre Bour, Maureen Rutten-Van Mölken。最初发表于JMIR mHealth和uHealth (http://mhealth.www.mybigtv.com), 2020年10月9日。
这是一篇开放获取的文章,根据创作共用署名许可协议(https://creativecommons.org/licenses/by/4.0/)的条款发布,允许在任何媒介上不受限制地使用、分发和复制,前提是正确引用了首次发表在JMIR mHealth和uHealth上的原创作品。必须包括完整的书目信息,http://mhealth.www.mybigtv.com/上的原始出版物的链接,以及此版权和许可信息。