这是一篇开放获取的文章,根据创作共用署名许可(https://creativecommons.org/licenses/by/4.0/)的条款发布,允许在任何媒介上无限制地使用、分发和复制,前提是正确引用最初发表在《医学互联网研究杂志》上的原创作品。必须包括完整的书目信息,//www.mybigtv.com/上的原始出版物的链接,以及此版权和许可信息。
COVID-19大流行增加了数字工具在医疗保健中的使用(例如,患者门户网站、远程医疗和基于web的调度)。研究表明,老年人、种族/少数民族群体或受教育程度或收入较低的人群使用数字健康工具的比例较低。卫生保健数字化可能会加剧这些人群已经存在的获取障碍。
这项研究评估了如何使用数字工具与临床医生进行异步沟通、安排预约以及查看大流行开始时更改的医疗记录。
使用2020年健康信息全国趋势调查(HINTS)数据,我们检查了互联网使用和7种数字健康技术的使用结果(与提供者的电子通信、电子预约安排、电子检查结果查看、患者门户访问、下载健康记录的门户使用、患者-提供者通信的门户使用以及查看检测结果的门户使用)。调查人员指定2020年3月11日之后收到的调查作为大流行后的应对措施。在调整了社会人口特征(年龄、种族/民族、收入、教育程度和性别)、数字获取(是否使用过互联网和智能手机/平板电脑的所有权)和健康相关因素(保险覆盖范围、护理人员状况、是否有固定提供者和慢性病)后,我们使用加权logistic回归研究了大流行的影响。为了探索主要社会人口统计学群体之间结果变化的差异,我们测试了大流行变量与种族/民族、年龄、收入和教育程度之间的显著相互作用项。
共有3865名受访者(大流行前1437人,大流行后2428人)。在调查的8项结果中,大流行仅与与提供者使用电子通信的较高几率(调整后的优势比1.99,95% CI 1.18-3.35)显著相关。大流行变量与2个关键的社会人口特征之间存在显著的相互作用。相对于最低收入群体(< 2万美元),最高收入群体(≥7.5万美元)在大流行后应对中使用互联网的几率有所增加。与受教育程度最高的群体(获得学士学位后)相比,受教育程度较低的群体(高中毕业生和学士学位)在大流行后应对中与提供者使用电子通信的几率增长较低。然而,高中以下学历的人在与服务提供商使用电子通信方面的增长与拥有学士学位的人相似。
我们的研究没有显示在COVID-19大流行的最初几个月,弱势人群中数字卫生工具的使用普遍增加或使用这些工具的差距扩大。尽管一些弱势群体报告称,使用互联网或与医疗服务提供者进行电子通信的人数大幅增加,但有迹象表明,一些弱势群体也适应了日益数字化的医疗保健生态系统。需要进行未来的研究,以确定这些差异在大流行的最初几个月之后是否仍然存在。
为了应对COVID-19公共卫生紧急情况,许多美国医疗中心几乎在一夜之间过渡到远程医疗,大多数问诊是通过电话或视频进行的,只有有限数量的问诊是亲自进行的[
数字卫生工具使用方面的许多差异源于结构性因素,包括互联网接入成本、宽带基础设施和数字扫盲技能[
尽管自COVID-19大流行开始以来,对数字卫生公平的关注主要集中在基于网络的访问(或远程医疗)和越来越多的远程患者监测工具上,但数字工具支持各种其他与健康相关的任务。数字健康技术的定义包括"移动健康(移动健康)、健康信息技术、可穿戴设备、远程健康和远程医疗以及个性化医疗" [
健康信息全国趋势调查(hint)是国家癌症研究所开展的一项全国性年度调查,收集有关健康沟通的信息,包括患者在网络访问之外使用技术进行医疗相关任务的情况[
利用hint数据,我们调查了在COVID-19突发公共卫生事件开始后,使用数字工具执行卫生保健相关任务的差异是否有所增加。(在本文中,我们将使用术语“差异”来描述群体之间的差异。)
我们关注了之前记录的与使用数字健康工具的差异相关的4个社会人口因素:年龄、种族/民族、教育和收入[
有关HINTS管理和设计的详细资料已公开。[
我们从曾经使用互联网和使用数字工具进行健康相关任务的问题中选择了8个二分类(是/否)结果变量
为了指导我们的分析,我们概念化了可能影响这些结果的预测因素。除了将大流行作为所有模型中的关键预测变量外,我们还从先前的文献中确定了3组预测因素(社会人口特征、数字获取和健康相关因素),并在下面进行了描述[
大流行是一个关键的预测变量,它表明调查回应是发生在COVID-19大流行之后(2020年3月11日之后收到的调查)还是之前。这个名称是由暗示测量员做出的。
模型中包括的社会人口学特征包括年龄(18-34岁、35-49岁、50-64岁、65-74岁和≥75岁)、种族/民族(亚洲人、黑人、任何种族的西班牙裔、非西班牙裔白人和其他)、教育程度(低于高中学历、高中毕业生、一些大学、学士学位和学士学位后学历)、收入(< 20,000美元、20,000美元- 34,999美元、35,000美元- 49,999美元、50,000美元- 74,999美元和>美元75,000美元)和性别(男性和女性)。所有预测因子均为分类变量。收入数据中的缺失值由hint数据集估算并提供。对于逻辑回归模型,年龄、种族/民族、教育程度、收入和性别的参考组分别为:18-34岁、非西班牙裔白人、学士学位后教育程度、收入< 2万美元和男性。
这一组中包含两个二元变量:拥有平板电脑或智能手机以及曾经使用过互联网。曾经使用过互联网是一个模型的结果,但在其他模型中被作为协变量包含。
有3个与医疗保健相关的二元变量:作为另一个人的照顾者,能够获得常规提供者的服务,以及有保险。我们还纳入了1个分类变量:基于抑郁症、高血压、糖尿病、心脏病或肺部疾病的自我报告诊断的慢性疾病数量(0、1、2或≥3),以0种慢性疾病作为参考值。
我们报告预测变量、协变量和未加权结果的描述性统计。为了推断人口水平的统计数据,我们使用hint数据集提供的权重报告加权比例。使用权重调整的调查数据,我们为8个结果分别构建了双变量和多变量逻辑回归模型。所有结果的模型使用了上面列出的所有预测变量和协变量;我们没有进行变量选择,因为在文献中所有变量都已被证明会影响这些结果。
为了确定大流行的影响,我们重点研究了大流行变量以及大流行变量与感兴趣的4个社会人口特征(种族/民族、年龄、教育和收入)之间的相互作用项。瓦尔德检验用于评估大流行状况与这4个社会人口学特征之间的相互作用。相互作用在
所有分析均使用R统计软件(4.1.0版;R统计计算基础)。为了调整复杂的调查设计,我们使用了通过
我们使用
在3865名调查回答者中,1437人在大流行指标出现前作出回应,2428人在大流行指标出现后作出回应。
入选受试者的特征(N=3865)。
特征,变量一个 | 2020年,大流行前(n=1437), n(加权%b) | 2020年,大流行后(n=2428), n(加权%b) | 2020年,总数,n(加权%b) | ||
|
|||||
|
|
||||
|
|
女 | 804 (47.71) | 1400 (51.59) | 2204 (50.22) |
|
|
||||
|
|
- 34 | 151 (19.21) | 333 (28.89) | 484 (25.47) |
|
|
35-49 | 212 (21.93) | 491 (26.37) | 703 (24.80) |
|
|
50 - 64 | 433 (31.88) | 709 (24.25) | 1142 (26.95) |
|
|
65 - 74 | 361 (13.81) | 508 (10.42) | 869 (11.62) |
|
|
≥75 | 237 (9.74) | 303 (7.61) | 540 (8.36) |
|
|
||||
|
|
亚洲 | 51 (3.84) | 110 (5.37) | 161 (4.83) |
|
|
黑色的 | 135 (7.70) | 346 (11.75) | 481 (10.32) |
|
|
拉美裔 | 170 (11.86) | 426 (17.84) | 596 (15.73) |
|
|
白色 | 904 (7.37) | 1229 (7.31) | 2133 (7.34) |
|
|
其他 | 49 (4.25) | 70 (2.45) | 119 (3.09) |
|
|
||||
|
|
< 20000 | 258 (15.13) | 506 (17.38) | 764 (16.58) |
|
|
20000 - 34999 | 189 (11.02) | 302 (11.73) | 491 (11.48) |
|
|
35000 - 49999 | 180 (11.74) | 336 (12.74) | 516 (12.39) |
|
|
50000 - 74999 | 257 (17.44) | 392 (17.98) | 649 (17.79) |
|
|
≥75000 | 547 (43.66) | 880 (39.67) | 1427 (41.08) |
|
|
||||
|
|
还不到高中学历 | 90 (7.01) | 183 (8.25) | 273 (7.81) |
|
|
高中毕业生 | 251 (19.69) | 454 (23.09) | 705 (21.89) |
|
|
一些大学 | 415 (38.61) | 666 (37.82) | 1081 (38.10) |
|
|
学士学位 | 358 (19.97) | 621 (17.32) | 979 (18.26) |
|
|
Postbaccalaureate | 285 (12.05) | 399 (10.70) | 684 (11.18) |
|
|||||
|
曾经使用过互联网 | 1187 (87.09) | 1961 (85.09) | 3148 (85.80) | |
|
拥有平板电脑或智能手机 | 1210 (87.63) | 2029 (88.58) | 3239 (88.25) | |
|
|||||
|
有保险 | 1352 (90.43) | 2252 (89.42) | 3604 (89.78) | |
|
有一个固定的提供者 | 1046 (69.60) | 1582 (56.91) | 2628 (61.39) | |
|
是一个照顾者 | 198 (14.53) | 378 (16.66) | 576 (15.91) | |
|
|
||||
|
|
0 | 506 (42.58) | 922 (45.45) | 1428 (44.44) |
|
|
1 | 356 (20.76) | 550 (18.98) | 906 (19.61) |
|
|
2 | 335 (20.58) | 560 (21.88) | 895 (21.42) |
|
|
≥3 | 229 (15.71) | 362 (12.79) | 591 (13.82) |
|
|||||
|
与提供者的电子通信 | 659 (48.22) | 1141 (45.61) | 1800 (46.53) | |
|
以电子方式预约 | 680 (48.78) | 1211 (48.73) | 1891 (48.75) | |
|
电子方式查看测试结果 | 634 (45.67) | 995 (39.42) | 1629 (41.63) | |
|
曾经访问过他们的病人传送门 | 605 (41.18) | 948 (38.57) | 1553 (39.49) | |
|
患者门户向提供者发送消息c | 350 (57.85) | 570 (60.13) | 920 (59.24) | |
|
患者门户查看测试结果c | 530 (87.60) | 819 (86.39) | 1349 (86.53) | |
|
患者门户下载健康记录c | 171 (28.26) | 284 (29.95) | 455 (29.30) |
一个每个变量的缺失数据小于10%。
b百分比是用加权数据来计算的,以代表美国人口。
c只向访问过患者门户的人询问患者门户任务。因此,报告的比例仅来自那些报告曾经访问过患者门户的人。
所有双变量模型和多变量分析显示在
在考虑其他变量后,大流行变量仅对使用电子手段与提供者通信有意义。大流行后受访者的比值较高(调整后比值比[aOR] 1.99, 95% CI 1.18-3.35;
大流行变量与4个社会人口统计学变量(年龄、种族/民族、教育程度和收入)之间的相互作用仅对2个结果显著:是否使用互联网和与提供者进行电子通信(见
关于与互联网使用相关的结果,大流行变量与收入之间存在显著的相互作用(见
在教育程度最高的群体(学士学位后)中,与提供者进行电子通信的使用明显增加。如在
收入群体在大流行之前(前)和之后(后)使用过互联网的比例(以美元计)。
在大流行之前(前)和之后(后),不同教育群体与提供者使用电子通信的几率。Bacc:学士学位;HS:高中;Postbacc: postbaccalaureate。
总体而言,我们发现大流行如何影响互联网使用、使用数字工具与临床医生沟通或安排预约,以及患者门户网站的使用,结果不一。就大多数结果而言,在大流行的前几个月,大流行前后没有显著差异,在采用数字卫生工具方面的差异也没有显著变化。
与先前的文献一致,我们确实发现,有数字排斥史的人群(年龄较大、收入较低、受教育程度较低和种族/少数民族群体)使用互联网和各种数字健康工具的几率仍然较低。自大流行开始以来,这些差异,特别是在远程医疗使用方面,已多次被记录在案[
考虑到这一重点,我们确实发现,在大流行之后,在调整其他因素后,与提供者使用电子通信的总体几率增加了。这一发现的原因之一可能是医疗保险和医疗补助服务中心制定的鼓励使用远程医疗的政策[
关于这些数字工具的使用差异如何立即受到公共卫生紧急情况的影响,我们的研究有不同的发现。大流行开始后,最高收入群体(≥7.5万美元)使用过互联网的人数增长率高于最低收入群体(< 2万美元),这表明收入群体之间的差距在扩大。这一发现可能反映出高收入者比低收入者更有可能从事可以通过互联网远程完成的工作[
与收入群体的调查结果相反,不同教育水平的群体之间的差距正在缩小。受教育程度最低的受访者(低于高中)和受教育程度最高的受访者(毕业后)与医生使用电子通信工具(如智能手机、互联网和电子邮件)的增长率相似。然而,学士学位持有者和高中毕业生在大流行后与医生使用电子通信的几率有所下降,这与受教育程度最高的群体存在显著差异。总之,这些发现表明,尽管在与临床医生使用电子通信方面的一些差距正在缩小,但其他差距正在扩大。值得强调的是,从教育程度的角度来看(低于高中教育),相对于大多数其他受访者,最脆弱的群体在与临床医生使用电子通信工具方面有更大的增长,这违背了创新传播最缓慢到最弱势群体的常见模式。
鉴于医疗保健迅速转向远程医疗环境[
我们认为有必要特别强调的是,我们发现任何患者门户任务都没有变化,尽管患者门户是卫生系统采用的主要数字健康工具,以提高患者参与度和护理可及性。许多卫生保健系统已经建立了患者门户,并试图在大流行期间使用其患者门户来满足卫生保健需求;然而,研究一再表明使用患者门户存在重大障碍,包括缺乏技术技能、可用性、隐私问题以及缺乏医生鼓励[
这项研究有几个局限性。由于2020年hint答复是在2020年2月至6月的5个月期间收集的,因此结果仅反映了大流行的早期影响。此外,大多数结果问题询问了过去12个月的电子通信,因此结果可能对大流行导致的即时行为变化不太敏感。对于患者门户相关结果,样本量仅限于访问患者门户的受访者;因此,可能没有足够的能力来检测患者门静脉使用的统计学显著变化。虽然调查权重的设计是为了将这些数据外推到美国人口,但由于一些亚组的样本量有限,可能没有足够的可变性来准确评估结果。例如,大流行后组中的所有亚洲个体都报告使用患者门户网站查看检测结果(
我们的研究发现,在大流行早期,数字卫生工具的使用没有普遍增加,数字卫生工具的使用也没有出现差距。虽然这些数据仅来自大流行的前3个月,但我们确实发现大流行后与提供者使用电子通信的几率有所增加,并且关于群体之间在使用数字卫生方面预先存在的不平等是否有所增加,我们得到了一些混合结果。尽管卫生保健系统依赖患者门户网站来增加患者访问和参与,但在大流行的早期阶段,我们没有看到患者门户网站的使用发生变化。这些大流行的早期数据表明,有必要明确研究广泛的数字卫生保健相关任务。使用1个数字任务的变化可能不会转化为其他与医疗保健相关的数字任务。
调查问题和结果变量。
未调整的双变量模型。
多变量模型。
调整优势比
卫生信息全国趋势调查
我们感谢Charles McCulloch对这项研究的建议。本出版物中报道的研究得到了美国国立卫生研究院(NIH)国家心肺和血液研究所的支持,奖励为K12HL138046和K23HL157750 (ECK);美国国立卫生研究院国家转化科学推进中心,获得KL2TR001870 (ECK);以及美国国立卫生研究院国家癌症研究所K24CA212294(美国)。内容仅为作者的责任,并不代表NIH的官方观点。
BZ对研究的概念和设计、数据分析和起草工作做出了贡献。NAR对研究的设计、数据的解释和批判性的修订工作做出了贡献。AW对数据分析和工作起草做出了贡献。美国对数据的解释做出了贡献,并对工作进行了批判性的修订。ECK对研究的概念和设计、数据的解释以及对工作的批判性修订做出了贡献。所有作者都同意了手稿的最终版本。
美国获得了来自AppliedVR、InquisitHealth、RecoverX和Somnology(研究合同)的资助。她还获得了医生公司(捐赠)、美国医学协会公平与创新咨询小组(酬金)和Hopelab(赠款)的资助。