磁共振成像和计算机断层扫描门诊患者电子健康素养量表的三因素结构:验证性因素分析

简介

消费者电子健康知识对于最大限度地提高电子健康的效益至关重要

鉴于卫生保健系统面临越来越大的资源和时间压力，技术支持的卫生保健在患者和服务层面都很重要[1]、健康相关产业数字化转型[2]，以及改变消费者对护理角色的期望[3.］．电子卫生是指利用互联网和相关技术组织和提供卫生服务和信息[4］．电子卫生具有作为一种可扩展的服务提供形式的潜力，可获得、低成本、促进患者赋权并加强患者与提供者的信息交换[5］．然而，要获得可能的好处，患者必须了解电子健康[6］．电子健康素养是指个人从电子来源寻找、发现、理解和评估健康信息的能力，并将所获得的知识应用于解决或解决健康问题[6］．寻求、查找、理解和评估电子卫生信息的能力有限已被认为是自我报告中阻碍将因特网用于卫生目的的一个关键障碍[7］．确定可能受益于改进的电子卫生素养的个人的第一步是开发有效和可靠的工具来评估这一结构。

电子健康素养量表是一种标准化和广泛使用的测量方法

电子卫生素养量表(eHEALS)是最早的电子卫生素养自我报告量表之一，目前仍是最常用的自我报告量表之一[8，9］．该量表包括8个项目，评估消费者在发现、评估和应用电子健康信息解决健康问题时的综合知识、舒适度和感知技能[8］．与eHealth的当前定义一致[4]，所有eHEALS项目都专门用于通过互联网访问健康信息，而不是其他电子形式的信息提供(例如，光盘只读存储器[cd - only Memory]，电脑游戏)。制定该量表是为了满足对易于自我管理的电子卫生素养测量的需求，该测量可适用于广泛的人群和环境[8］．该量表已被广泛采用，并被翻译成多种语言[10-17]并在不同社会人口统计的参与者中使用[10，15，16，18]，种族的[11，14，19]，以及疾病概况[13，20.，21］．这些项目最初是十多年前在加拿大年轻人中开发和验证的[8]，随后的研究证明了在更年轻的[14]和老年组[10]，不同年龄和种族人群的内部一致性[10，11，14，15，19，22]，以及英语国家的测量不变性[23］．然而，关于量表的收敛效度和预测效度存在不一致的发现[10，11，24]，而有关其因素结构的争论仍在继续[10-17，22，23，25-28］．我们试图通过评估eHEALS的三因素结构的因子有效性和内部一致性来促进这方面的知识。

电子健康素养量表的因子结构不确定

Norman和Skinner最初对eHEALS的阶乘验证发现，该量表评估的是单个维度[8］．许多针对公众的研究都支持这一发现[10，11，14-16，22，25，26]，包括专为儿童而设的[15]、大学生[14，16]，以及年长人士[10，22］．然而，这些结论的强度受到普遍使用的探索性因子分析(EFA)的限制[8，10，11，14，15，22，25，26］．EFA起源于经典测试理论，在量表开发早期因素结构未知、需要识别潜在变量结构时仍有价值[29］．然而，全民教育确实有一些局限性。例如，它通常涉及主观决策过程，并且不考虑可能告知潜在变量结构的理论[30.］．

验证性因素分析(CFA)是另一种分析技术，同样源自经典测试理论，它允许通过理论或经验驱动的假设来测试模型[31］．然而，使用CFA评估一维eHEALS结构的研究通常报告较差的拟合指数[13，23，27，28］．这可能是因为单一因素结构无法说明电子卫生素养概念的多面性，例如其固有的素养类型(即传统、健康、信息、科学、媒体和计算机)或信息检索和使用的多个组成部分(即查找、应用和评估电子卫生信息)[6］．佩奇和同事们[13]完成了对慢性疾病患者使用CFA eHEALS构建有效性的唯一研究之一，并发现了三因素结构的证据。尽管如此，eHEALS的多维度被驳斥的基础上，很大比例的方差只加载在一个因素。作者应用部分信用模型(这是一种单维项目反应理论技术)得出结论，尽管CFA值表明单维拟合较差，但存在单一结构[13］．基于信息寻求和评价概念的双因素模型也得到了测试[12，27，28］．尽管该模型具有强大的理论基础，但测试该结构的3项研究中有2项报告了不适当的拟合指标[12，27］．此外，所有量表都基于翻译版本，这可能导致项目含义和解释不同[32］．

最新文献提出电子健康素养量表具有三因素结构

Sudbury-Riley和同事们[23]使用CFA测试eHEALS英语版本的三因素结构，样本来自英国(n=407)、新西兰(n=276)和美国(n=313)的成年互联网用户。采用假设驱动方法，其中2个eHEALS项目映射到“意识”因素，3个项目映射到“技能”因素，3个项目映射到“评估”因素。这些因素来源于支撑电子健康素养的自我效能感和社会认知理论结构[8，23］．自我效能理论基于自我信念和自信为中介的目标实现的前提，而社会认知理论认为社会环境影响目标实现[33］．Sudbury-Riley和同事们[23因此提出，个体的意识是由他们的环境(例如，接触基于网络的健康信息)所塑造的，他们的技能受到社会因素(例如，建模、指导和社会说服)的影响，他们评估电子健康资源的能力是由他们的信心和坚持所介导的。CFA拟合指数在所有3个国家均支持假设的三因素eHEALS结构[23］．

需要进一步的研究来验证患者群体的标准化电子健康素养量表的三因素结构

萨德伯里-莱利和同事们的[23]的研究有助于我们理解eHEALS的底层结构，然而，它有一些局限性。特别是，根据作者的家人、朋友和同事的反馈，使用了修改版的量表，其中在项目中添加了“和信息”，以解决电子卫生材料日益增加的交互性问题。因此，尚不清楚三因素结构是否也适用于量表的原始版本。该研究还对普通人群中的中年成员进行了研究，限制了研究结果在医疗人群和年龄队列中的普遍性。这增加了慢性疾病患者在eHEALS测量文献中的普遍代表性不足，尽管电子健康对这一人群有潜在的好处[13］．

鉴于关于测量性质的证据是在许多研究中积累起来的，适当的下一步是确定Sudbury-Riley和同事们的[23研究结果可以在不同的人群中复制。为了满足这一需求，并克服Sudbury-Riley和同事工作的一些局限性[23]，这项析因验证研究是在患者中进行的，使用标准化的eHEALS。磁共振成像(MRI)和计算机断层扫描(CT)医学成像门诊患者代表了大量具有不同人口特征和医学诊断的患者[34，35]，因此，在这些患者中完成的研究可能具有很高的泛化性。此外，MRI和CT医疗成像门诊患者需要大量的准备信息，这些信息可能会在线提供[36］．因此，本研究旨在测试由Sudbury-Riley及其同事确定的eHEALS三因素结构的析因有效性和内部一致性[23在MRI和CT医学影像门诊患者中。

方法

设计及设置

对位于澳大利亚新南威尔士州地区的一家三级转诊医院的医学成像诊所的CT和MRI医学成像门诊患者进行了横断面调查。

参与者

符合条件的参与者在三级转诊医院接受门诊CT或MRI预约，年龄为18岁或以上，并可访问互联网供个人使用。如果参与者有认知或身体障碍，无法提供知情同意或参与研究，或由于英语水平较差而无法完成问卷，则将被排除在研究之外。这些标准意味着在频率、信心和个人使用互联网的原因方面，参与者的多样性有资格参与。与最初的eHEALS验证研究一致[8]，使用互联网促进健康不是资格要求。

过程

潜在符合研究条件的患者由医学影像接待人员在门诊预约时确定。这些患者被告知这项研究，并被邀请与训练有素的研究助理交谈。研究人员向感兴趣的患者提供了一份书面信息表，并将其介绍给研究助理，研究助理对研究进行了概述，并获得了患者的口头同意。记录不感兴趣和不同意的患者的年龄、性别和扫描类型。研究人员向同意接受扫描的参与者提供了一台平板电脑，并要求他们在扫描前完成一份基于网络的问卷调查。向提出要求的参与者提供了问卷的纸质版本。该研究获得了亨特新英格兰人类研究伦理委员会(16/10/19/5.11)和纽卡斯尔大学(H-2016-0386)的伦理批准。

措施

使用eHEALS的8项英文版本评估参与者的电子健康素养[8］．受访者用李克特5分制表示他们对每个陈述的同意程度，从1“非常不同意”到5“非常同意”。

使用标准项目检验社会人口学、扫描和信息偏好特征。这些项目评估了参与者的年龄、性别、婚姻状况、完成的最高教育水平、邮编和扫描类型。邮政编码被映射到澳大利亚Plus 2011分类的可达性/偏远性指数，以检查偏远性[37并被分为大都会(澳大利亚的主要城市)或非大都会(澳大利亚内部地区、外部地区、偏远或非常偏远的地区)。一个项目改编自现有的健康信息需求问卷[38]，评估了参与者愿意了解多少有关自己健康的信息。回答选项是“没有信息”，“一些信息”和“很多信息”。

‎ 查看此图

互联网特征分为2个项目进行评估。通过作者开发的项目评估互联网用于扫描准备的使用情况:你在网上搜索过帮助你准备扫描的信息吗?回答选项是“不”，“是”和“不知道”。使用互联网的频率是用现有信息学文献中使用的一个项目来衡量的[39，参与者根据“一个月不到一次”到“一天几次”的6分制进行回答。

样本大小

CFA的经验法则建议样本量至少为200人[40，41]或每个估计参数10个参与者[42］．Wolf及其同事[43]发现，对于每个因素指标变量少于4个且假设强因素负荷为0.80的三因素模型，至少需要150个样本量。为了适应这些假设的偏差，并考虑到eHEALS CFA估计了19个参数，本研究应用了至少200名参与者的更保守的估计。

统计分析

参与者特征和eHEALS反应被总结为频率和百分比，或均值和标准差。使用卡方检验评估性别、扫描类型和年龄组的同意偏倚。CFA采用SAS软件v9.4的CALIS程序进行(SAS Institute, Cary, NC, USA)。我们选择了CFA，因为它与Sudbury-Riley及其同事使用的理论上可靠的技术相同[23]，因此可以直接比较结果。考虑到高完成率(98.1%[256/261]开始eHEALS的参与者完成了所有项目)，本分析仅限于拥有完整eHEALS数据的参与者。Sudbury-Riley及其同事提出的潜在变量(即意识、技能、评估)和显化变量(eHEALS项目1-8)之间的关系[23]，采用结构方程模型(图1)．所有负荷均标准化，方差固定为1。采用全信息极大似然法对模型进行估计。用95% ci计算标准化因子负荷和协方差。

信度措施包括指标信度以确定项目中各因素解释的变异百分比，综合信度以评估内部一致性(>.;70理想)[29]，方差提取估计值(VEEs)，以确定有关可归因于测量误差的方差的因素捕获的方差量(>。50个理想)[44］．根据Anderson和Girbing提出的方法评估判别效度[45］．

模型拟合优度使用一系列指标进行评估。绝对指标包括卡方统计量、卡方与自由度之比(<2理想)[46]，标准化均方根残差(SRMR;<。055理想)[29］．增量指数报告为比较拟合指数(CFI;>。95good fit) [47］．所使用的简约指数是近似值的均方根误差(RMSEA;<。05接近近似拟合，.05-。08可接受合身，>。10不合脚)[29，47］．通过评估拉格朗日乘数(LM)对不同因素的估计，以确定复杂项目和改进模型的可能方法。

结果

样本

在为期7周的招募期间，共有405名潜在符合条件的患者被邀请与研究助理讨论这项研究。在被邀请的患者中，87.4%(354/405)有兴趣参与研究，其中75.7%(268/354)符合条件。在这些符合资格的参与者中，97.4%(261/268)开始参加eHEALS, 95.5%(256/268)完成所有eHEALS项目。根据性别、扫描类型或年龄组，对参与研究感兴趣和不感兴趣的患者之间没有显著差异。表1提供符合条件的参与者的社会人口学、扫描和互联网特征的摘要。多媒体附件1提供参与者对eHEALS项的响应摘要。

验证性因素分析

隐含和观测方差协方差矩阵之间的收敛在10次迭代中实现。如表2，所有因素负荷均在0.80或以上，具有统计学意义(P<措施)。所有的CRs都超过了0.70，表明信度良好，所有的vee都超过了0.50的临界值，表明收敛效度。模型的判别有效性被证明，具有统计学意义的卡方差异检验(P<.001)。绝对指数SRMR为0.038，表明与假设模型充分拟合。增量指数CFI为.944，因此接近可接受的.95阈值(表3)．然而，卡方统计量(χ²₁₇=124.2)非常显著，表明拟合不佳，卡方统计量与自由度的比值为7.3，超过了可接受临界值2 [46］．节俭指数RMSEA为0.16，表明不适合。

在调查不太理想拟合的可能原因时，LM估计值为第3项“我知道如何在互联网上找到有用的健康资源”与意识因子之间的路径提供了强有力的证据(LM估计值107.66;P<措施)。在第2项“我知道如何在互联网上找到有用的卫生资源”和第3项“我知道如何在互联网上找到有用的卫生资源”之间也有强有力的证据表明存在路径(LM估计91.11;P<措施)。考虑到第2项和第3项之间有明显的重叠，我们检验了剔除第3项的7项模型，模型拟合良好(表3)．看到多媒体附件2为这个改变的模型的因素负荷和残余误差估计。

讨论

主要研究结果

这项研究首次检验了由Sudbury-Riley及其同事提出的eHEALS的理论推导的三因素结构[23在MRI和CT医学成像门诊患者的样本中。这种三因素结构得到了支持，3个拟合优度指数中有2个表明与假设模型足够拟合。尽管这些发现与eHEALS单维结构的累积证据相反[8，10，11，14-16，22，25，26]，与电子健康知识普及的社会认知和自我效能理论相一致[8，23，33］．因此，研究人员通过eHEALS因素检查患者的电子健康素养，为有针对性的电子健康素养改善干预措施提供信息可能是及时的。本研究为eHEALS的结构提供了重要的知识，但还需要对人群进行进一步的因子分析，包括多维项目反应理论分析，以提高这些发现的可靠性。

研究结果广泛支持eHEALS提出的三因素结构

所提出的模型表现出很强的内部一致性和判别效度，表明每个因素中的项目测量了相同的一般结构，并且这些结构彼此之间有足够的差异。同样，3个拟合指标中有2个对所提出的三因素模型拟合良好。因子负荷高且具有统计学意义，与Sudbury-Riley及其同事的报告相似[23］．这一发现与大多数现有文献形成了对比，这些文献认为存在单一因素结构[8，10-16，19，22，25，26］．大多数先前的研究都是基于数据驱动的EFA技术[8，10，11，14，15，22，25，26]，这可能表明，对电子卫生素养理论基础的有限参考导致了过去对电子治疗数据的不准确解释。

并非所有的拟合优度指标都是理想的

吝啬指数的不拟合表明三因素模型中存在复杂性。在其他CFA eHEALS文献中，RMSEA估计也被确定为表现不佳的拟合优度指标[12，13，27]，并且很少被报道为接近拟合，这表明项目之间的关系需要被询问。当我们进一步调查时，我们发现第3项“我知道如何在互联网上找到有用的健康资源”同时加载了“技能”和“意识”域，并且与第2项“我知道在互联网上找到有用的健康资源”显著相关。这一发现支持了Sudbury-Riley和他的同事[23]，他们发现第2项和第3项之间有大量重叠。在先前的文献中，潜在的项目同质性也很明显，因为内部一致性的测量通常被报道接近Cronbach alpha的.95可接受阈值[10，11，15，19]，据报道，其中一些达到了0.97 [22］．第2项和第3项的冗余并不令人惊讶，因为它们的结构和含义相似(例如，关于如何以及在哪里在互联网上找到有用的卫生资源)。也有可能是样本的教育水平较低[48]，以及医院候诊室令人痛苦的环境[49]，导致参与者难以区分项目的含义。然而，患者对eHEALS项目的理解此前曾受到质疑，有必要进一步研究跨人群的项目解释[11］．

在这项研究中，我们没有将样本限制在与健康相关的互联网用户。这与大多数评估eHEALS析因有效性的研究一致，包括诺曼和斯金纳最初的验证研究[8，10-17，19，22，26-28］．此外，Norman和Skinner [8]强调了该量表在不同技术使用水平的人群中的潜在应用。的eHEALS响应选项不同意而且强烈反对为那些不使用互联网的人提供保健服务。尽管如此，这项研究中的一些参与者自愿报告说，他们不确定如何回答每一个问题，因为他们没有使用互联网来获取健康。这种坊间反馈表明，量表内的项目可能无法解释最初计划的广泛人群[8]，需要进一步的研究来调查量表在那些出于健康目的使用互联网和不使用互联网的人之间的表面和内容效度。

当第3项“我知道如何在互联网上找到有用的健康资源”被排除后，模型拟合有所改善，可能适合考虑一个经过调整的7项eHEALS。减少项目数量会导致两个因素包含2个项目，这可能会给模型识别和收敛带来困难[29］．同样地，减少的2项“技能”因素是否能充分测量结构并随时间适当地检测变化是未知的。因此，需要进一步的研究来测试7项eHEALS的心理测量特性(特别是内容效度，测试重测信度，预测效度和响应性)。在此之前，建议使用标准化的8项量表，并考虑到支持三因素结构的初步证据。

eHEALS的三因素结构可能反映了互联网用户的电子健康素养路径

尽管一些适合度指标还不够理想，但按因素考虑电子健康素养可能有助于指导研究和临床实践中基于网络的健康信息提供。此外，根据Diviana及其同事提出的电子健康素养连续统[12]， eHEALS可衡量电子卫生素养途径。在本例中，eHEALS因素是按顺序结构化的，用户逐渐表现出对更复杂任务的熟练程度。也就是说，用户必须首先了解电子健康资源，然后才能使用他们的技能导航和与电子内容交互，并最终评估内容的质量和对其健康状况的适用性。只有当用户完成了所有这3个步骤，他们才能有效地使用电子卫生资源并获得相关收益。Neter和同事的研究结果支持了这一提议的通路结构[24]，世卫组织报告说，老年人执行与健康相关的计算机模拟任务的成功率逐渐下降，因为他们逐步经历了访问、理解、评估、应用和生成新的健康信息的过程。然而，这些发现可能受到模拟任务的顺序效应的影响[50]，需要进一步的研究来验证这种因果关系。

对电子卫生素养提高战略未来发展和评估的重要影响

在这些发现的基础上，研究人员和卫生保健专业人员有机会确定能力较低的领域(即意识、技能或评估)，并相应地针对电子卫生素养改善干预措施。例如，这些干预措施可以包括临床医生对基于网络的材料的建议，以提高认识并减少评估内容的需要[51]、加强电子健康知识普及技能的培训课程[52]，或推广核对表，以协助评估网上资源[53］．此外，用户特征，如社会人口学、健康和互联网使用属性，与eHEALS因素中较低的能力相关，可以确定，以便向最需要帮助的人提供援助。目前还没有研究确定个体在eHEALS意识、技能和评估领域的能力，需要进一步的研究。

限制

CFA之所以被选中，是因为它代表了经典测试理论的一个未被充分研究但严谨的方面，并且在逻辑上扩展了现有的EFA和CFA测量文献。最近出现的eHEALS项目反应理论分析[12，13，16比经典测试理论方法有优势，包括能够建立增加项目水平的心理测量信息(例如，项目难度)。多维项目反应理论技术在三因素eHEALS结构验证中的应用有待进一步探索。此外，本研究评估了一种心理测量特性(即因子效度)，需要更多的研究来调查eHEALS的其他未充分研究的测量特性，例如其预测效度。

有可能，这些发现可能无法超越医学影像的范围。同样，由于大多数参与者报告至少每天使用互联网(75.3%，201/267)，研究结果可能无法推广到那些不太频繁使用互联网的人。由于我们没有询问参与者他们在网上进行的活动，目前尚不清楚结果是否适用于那些使用或不使用互联网进行健康的人。因此，未来的研究需要验证不同人口统计学、医学诊断和互联网使用模式的患者的研究结果。此外，我们的研究是基于eHEALS的标准化版本。正如先前的研究所认识到的[12，23]，此版本可能无法充分体现在健康方面使用Web 2.0(例如，社交网络)的能力。需要进一步研究，以确定是否需要修改量表，以反映电子卫生干预措施的演变性质。

结论

尽管潜在的项目冗余会影响拟合指数，但eHEALS的三因素结构得到了广泛的支持。在这些发现的基础上，eHEALS可用于为制定量身定制的电子卫生素养增强战略提供信息，这反过来可能增加对基于网络的卫生资源的参与。需要进一步的研究来证实其他医疗环境和人群的三因素结构，以支持这些发现的普遍性。