移动医疗(mHealth)的定义是"利用无线移动通信技术协助提供医疗服务" [ 1]。根据最近的一项医疗保健市场研究，31%的美国成年人使用手机获取健康信息[ 2]。此外，19%拥有智能手机的美国成年人手机上至少有一个健康应用程序，其中运动、饮食和体重应用程序最受欢迎。 2]。在最近的一项移动健康意见调查中，大约一半的受访患者认为移动健康可以增加他们对医疗保健的控制，提供更便捷的获取所需健康信息的途径，并最终改善他们的医疗保健成本和质量[ 3.]。这样的结果并不令人惊讶，因为移动健康可以提供许多好处，包括对连续信息流的便携式访问，以及由通常支持广泛健康应用程序的设备驱动的强大交互功能[ 4]。然而，是什么决定了消费者是否会使用和吸收移动健康，以及渠道偏好是否会发挥重要作用，这些问题仍然存在。

移动健康的引入代表了从基于工业时代概念(例如，供应商驱动)的传统医疗信息学到基于无处不在的信息和互联移动计算基础设施的消费者健康信息学的重大转变[ 5]。在实践中，移动健康经常被用于在医护人员和患者之间传输电子病历[ 6]，远程监控病人[ 6， 7]，以电子方式发出疾病控制警报[ 8]，并向健康消费者提供有用的应用程序、信息和功能[ 2]。本文所考虑的移动医疗创新的一般类别通常被消费者用于与获取健康建议相关的活动(例如，WebMD移动应用程序[ 9])，促进遵从和坚持医疗(例如，iPharmacy药丸ID & Rx提醒应用程序[ 10])，与医疗保健提供者保持联系(例如，“梅奥诊所患者”应用程序[ 11]和eClinicalMobile应用程序[ 12])、个人健康管理(例如，“gomez”应用程序[ 13]， Livestrong应用程序[ 14]，以及WellDoc应用[ 15])，以及慢性疾病管理(例如葡萄糖伙伴应用[ 16糖尿病患者)。

移动健康背景下的研究表明，内在动机有助于移动健康的采用，而与做出日后可能后悔的选择相关的感知风险，如感知隐私风险和感知心理风险，可能会抑制移动健康的采用[ 17]。对移动医疗的看法和态度已被证明对个人使用这类服务的意愿有积极影响[ 18]。有人认为，由移动和其他技术带来的数字革命丰富了医患之间的沟通[ 19]。在移动健康中使用游戏化最近已被证明可以增加糖尿病青少年的血糖监测[ 20.]。研究还检查了移动健康趋势和相关风险[ 21， 22]，移动健康干预措施对特定临床领域结果的影响(如戒烟[ 4]、爱滋病[ 23]和糖尿病[ 24])、使用移动医疗的经济影响(例如，[ 25])，以及在发展中国家使用移动医疗来扩大医疗保健的可及性(例如，[ 26， 27])。

尽管人们对移动医疗的变革(和颠覆性)潜力有着巨大的期望，这一领域的研究也在不断扩大，但考虑到传统的实践性提供者-患者直接服务渠道，我们对消费者如何看待这种数字医疗服务渠道知之甚少。鉴于最近呼吁开展更多的消费者健康信息学研究，特别是在消费者信息寻求需求和行为方面[ 28]，移动健康[ 29]，我们目前对消费者的特征和健康认知如何影响消费者的移动健康使用意图、同化和渠道偏好的知识有限，我们的研究是由这一有趣和新兴领域的大量研究机会所驱动的。我们特别关注与消费者移动医疗使用意图、同化和渠道偏好相关的决定因素。

过去关于个人采用信息技术(IT)的研究发现，消费者特征(例如，社会经济特征[ 30.])、个体差异(如个人创新能力[ 31， 32])，以及情境因素(例如获得和利用医疗服务的机会[ 33， 34)显著影响IT采用偏好。最近一项对消费者健康技术接受研究的系统综述指出，许多研究评估了消费者特征(如年龄、收入、教育)对健康技术接受的影响，但在消费者健康技术接受研究中，理论上的动机构形、交互效应(调节因子)和健康状态变量尚未得到充分考虑[ 33]。此外，移动健康研究还没有联合调查消费者特征、健康认知和消费者偏好，将移动健康作为面对面医生就诊的替代品或补充。

利用技术采用[ 33， 35]，技术同化[ 36， 37]、消费者行为[ 38， 39]，以及健康资讯文献(例如[ 33， 40- 42])，我们试图通过关注美国消费者移动医疗使用意愿、同化和渠道偏好的决定因素来填补这一空白。我们的目标是通过评估以下方面，为健康信息学和移动健康文献做出贡献:(1)消费者移动健康使用意愿和同化的预测因素，包括个人对移动服务(PIMS)的创新能力、医疗保健的可用性、医疗保健的利用、社会经济地位和人口统计数据;(2)消费者将移动健康作为面对面提供者-患者互动的替代品或补充的偏好;(3)感知健康状况的直接和互动(调节)效应( 图1)．

基于技术验收方面的文献[ 33， 35]和技术同化[ 36， 37]，我们概念化了与消费者移动健康接受度相关的2个因变量:(1)移动健康使用意愿(即，非采纳者使用移动健康的意愿，采纳者继续使用移动健康的意愿)和(2)移动健康同化(即，从认知程度到使用频率的综合阶段测量)。自我报告使用信息系统的行为意图是技术接受研究中广泛使用的因变量(例如，[ 43])，用以衡量用户最初使用技术或继续使用技术的意图(统称为 使用意图对于本文的其余部分)。技术同化通常被用作多个阶段学习和应用一项技术的过程的指标，范围从非常早期的选项评估阶段(认识)到后来的广泛使用阶段，其中技术已被纳入日常工作(频繁使用)[ 44](统称为 同化对于本文的其余部分)。在我们的分析中使用这两个因变量是为了探索自我报告的mHealth使用意图和自我报告的mHealth同化之间的共性和差异。

借鉴消费者行为文献[ 38， 39]，我们考虑了2个反映消费者移动健康渠道偏好的因变量:(1)替代使用(即愿意使用移动健康来替代亲自看病)和(2)补充使用移动健康(即愿意使用移动健康来增加亲自看病)。消费者行为文献表明，为服务消费提供替代渠道(如自助服务技术)为消费者提供了许多便利和好处[ 45， 46]。然而，这些便利和好处可能是以花时间学习如何使用新渠道为代价的，在面对面交流时可能不需要花费额外的个人努力，以及考虑到新的生产和消费媒介，对整体服务性能的担忧[ 47]。鉴于医疗保健传统上是通过亲身实践的互动来进行的，一个重要的考虑因素是消费者是否会接受技术中介。因此，我们评估消费者是否愿意使用移动健康作为亲自看医生的替代品或补充，无论他们是否是移动健康的用户。

我们利用市场营销和信息系统研究来确定个人对移动服务(PIMS)的创新作为评估消费者采用技术创新的关键个体差异。根据先前的工作[ 31， 48- 50]，我们将PIMS定义为个人愿意尝试任何新的移动技术服务的程度。我们认为PIMS是个人对信息技术(PIIT)创新能力的代表[ 31]在移动服务的背景下。先前关于PIIT的研究表明，对技术体验更开放的个体通常具有更强的技术自我效能感(与技术任务相关的积极信念和能力，如使用计算机)[ 51， 52]。PIIT越高的人通常对科技的使用程度越高，例如互联网和电子商务的使用[ 53- 55]。最近的研究发现，在评估移动服务接受度的模型中，个人创新能力也是一个积极的预测因素[ 56， 57]。鉴于在移动平台上提供医疗服务目前处于传播的非常早期阶段，有倾向于寻求最新创新的个人可能更有可能最初采用和使用移动医疗。因此，我们使用PIMS构造将PIIT的检查扩展到移动医疗的上下文中。

健康促进和预防研究已广泛承认，个人对健康状况的信念(例如，感觉健康状况和感觉易患慢性疾病)可以预测个人的健康行为(见[ 40， 42])。我们预计，感觉更健康的消费者可能会更愿意尝试健康创新。我们的这一预期是基于以下证据，即那些感知健康状况较差的人可能已经与服务提供者(在我们的案例中是医生和临床医生)建立了牢固的原有关系，并建立了可能导致对替代服务提供和消费选项产生抵触的治疗程序[ 46]。我们还预计，那些更容易患上慢性疾病(如糖尿病、心脏病、癌症、高血压和中风)的人将有更强烈的需求和动机来使用健康创新。这一预期的依据是，有证据表明，目前报告使用移动健康的人通常是为了减轻与健康风险因素(如高血压、肥胖、缺乏活动和高血糖水平)相关的长期负面健康后果[ 2]。

先前关于技术接受的研究表明，PIIT和工作风格兼容性(CMP)通常对技术使用意图具有积极的交互(PIIT*CMP)效应，这表明较高的PIIT结合较高的CMP对技术使用意图具有更大的积极影响，而不是单独的PIIT(例如，[ 48])。兼容性通常被视为创新与采用者的偏好、需求、过去的经验和/或价值观之间的一致程度(例如，[ 58， 59])。根据这些文献，我们建议将个体的感知健康状况作为CMP的代理，因为感知健康状况通常反映了医疗保健需求(例如，[ 60])。我们预计PIMS和健康状况具有直接和间接(调节)作用。具体而言，我们提出PIMS和感知健康(PIMS*HLTH)以及PIMS和感知慢性疾病脆弱性(PIMS*VULN)将对移动健康的使用意图、同化和渠道偏好产生显著的交互影响。

消费者的情境特征已被发现会影响他们的技术采用偏好[ 33]和产品吸引与回避[ 61]。具体而言，在以往的研究中，医疗保健的获得和医疗保健的利用被认为是消费者健康背景下技术采用的重要预测因素和控制因素(例如，[ 41])。然而，这些情境因素对消费者对医疗保健技术和技术服务渠道(如移动健康)倾向的影响方向尚不明确。经常使用面对面保健服务可能意味着已与保健提供者建立了牢固的关系，只有在患者对其提供者不满意时才考虑采用技术中介(例如，[ 62])。然而，最近的一项研究表明，情况恰恰相反，那些与医疗服务提供者关系密切的人更有可能使用个人健康记录。 63]。因此，我们考虑以下特定于医疗保健可用性和利用率的消费者水平情景特征的变化:(1)到医疗设施(初级保健和专业设施)的距离作为医疗保健可及性的代理，(2)最近一次健康检查是否为最近的健康检查，作为最近常规医疗保健利用率的代理。

虽然关于社会经济地位(SES)和人口变量对创新采纳的影响的研究结果有时喜忧参半(例如，[ 33])，一般而言，年轻人[ 64]、受教育程度较高的人士[ 65， 66]，以及收入水平较高的人士[ 65通常在技术(包括移动服务)方面更具创新性。然而，移动健康也有潜力吸引那些家里没有电脑和互联网连接，但仍然是方便移动服务用户的人(例如，[ 67， 68])。因此，我们在研究模型中考虑了年龄、性别、收入和教育程度，从而考虑了SES和人口统计学特征对移动健康使用意图、同化和渠道偏好的影响。

基于我们的研究模型，我们设计了一个横断面调查，以衡量消费者的移动健康使用意图、移动健康同化，以及使用移动健康作为补充或替代亲自就医的偏好。此外，还收集了有关PIMS、医疗保健可用性、医疗保健利用、健康认知、SES和人口统计数据。尽可能使用现有的文书。所有问题都适用于移动医疗环境。在调查的最终管理之前进行了广泛的预测试。我们共邀请了20名审稿人，包括在移动医疗行业工作或非常熟悉移动医疗行业的医生、技术人员、研究人员和管理人员，在试点测试调查之前详细检查调查仪器。虽然大部分专家反馈认为问题清晰易懂，但还是根据专家的建议进行了必要的修改。在初步调查完善后，我们对134名美国消费者进行了在线试点研究，以进一步评估这些措施的心理测量特性。在初步研究结果的基础上，对调查措辞进行了进一步的细化。最后的调查项目和措施概要见 多媒体附件1．

为了便于数据收集和管理，我们聘请了一家市场研究公司。我们与这家公司密切合作，确保样本在年龄、性别、教育程度和收入(在美国人口普查之后)方面分层，以代表美国人口，并最大限度地减少无反应偏见。使用市场研究公司的在线面板，在两周的数据收集期内，连续5波发送了8673封邀请邮件。为了获得具有全国代表性的最终样本，我们系统地监测了5个浪潮中每个浪潮的传入响应的人口统计数据，并将总体人口统计数据的平均值与美国人口普查分布进行了比较。在随后的浪潮中，对代表性不足的阶层(包括年轻和受教育程度较低的阶层)进行了过度抽样，以产生合理代表美国人口普查的最终样本。

每位参与者都获得了访问在线问卷的唯一密码。这种设计保护了个人信息免受未经授权的访问，也防止了同一个人的重复响应。我们向参加者发出提醒电邮，鼓励他们在实地调查期间完成调查。通过强调获得具有全国代表性的样本，跟踪无应答者并要求参与，并在最终模型中包括关键的人口统计学(年龄和性别)和社会经济(教育和收入)变量，缓解了无应答偏差的可能性。调查管理前获得机构审查委员会(IRB)的批准。所有参与者在调查前均确认知情同意。每位参与者花了大约20分钟的时间在在线调查的17个屏幕上完成所有34个问题。

通过验证性因子分析(CFA)和结构信度、效度的详细评估，对多项目测量的测量质量进行评估。测量质量分析的细节可在下一节中获得，进一步的细节可在 多媒体附件2．主要模型的最终估计使用带有鲁棒标准误差估计的分层普通最小二乘(OLS)回归完成。为了检验OLS结果的稳健性，还评估了其他几个模型和检验(例如，2阶段最小二乘分析，人口统计学变量通过PIMS或直接影响因变量的中介模型，具有其他相互作用的模型)。结果经得起稳健性检验。OLS估计被报道为主要结果，因为它们的解释很简单。其次，我们使用方差分析(ANOVA)来评估受访者在移动健康使用意愿和移动健康同化方面的差异，前者更喜欢移动健康的替代使用，而后者更喜欢移动健康的补充使用，而非替代使用。

收集了1132名受访者的完整数据。我们仔细检查了样本中受访者的分布，发现与2012年美国人口普查报告的分布相比，它具有全国代表性[ 69) ( 表1)．我们获得的最终回应率为13.05%，与在类似情况下进行的其他网上调查所得的回应率相似(例如，[ 41， 63])。早期和晚期的受访者只在年龄和教育程度上有所不同。这些差异是预期的，因为后期对代表性不足的地层进行了有目的的过采样。因此，早期和晚期应答分析没有揭示任何无应答偏倚的证据。我们进行了标记变量分析[ 70并没有发现普遍的方法偏见的证据。

样本的性别相对均衡(513名男性和619名女性)。平均年龄45岁(范围18-86岁，标准差16.20岁);年龄大于60岁的227人(20.05%)。大多数受访者居住在距离普通和专业医疗机构6英里以上的地方。受访者的教育程度和个人收入水平各不相同，反映了社会经济地位的合理差异。此外，1132名受访者中有611人(53.98%)认为自己健康或非常健康，受访者对易患慢性疾病的关注程度存在很大差异。在1132名受访者中，430人(37.99%)报告他们已经开始使用移动健康，215人(18.99%)报告他们定期使用移动健康。此外，在1132名受访者中，532名(47.00%)表示他们会使用移动健康作为亲自看医生的替代品，而758名(66.96%)表示他们会使用移动健康作为补充。

在对响应数据进行分层多元OLS回归分析之前，我们进行了一系列检查，以确保调查措施的质量。 多媒体附件2提供所有变量的均值、标准差和相关性的摘要，以及多项目结构的信度和效度测量(例如，提取的复合信度和平均方差)。使用AMOS 7.0进行CFA测试，以评估4个多项目结构(行为使用意图、替代使用、补充使用、PIMS)在模型和项目水平上的测量属性[ 71]。四因素模型产生了充分的模型拟合(比较拟合指数=0.98，拟合优度指数=0.96，标准化均方根残差=0.03)[ 72]。每个指标在其相应结构上的因子负荷均大于0.70，在 P<。05，从而支持收敛效度。对于每个构造，提取的平均方差(AVE)大于0.5，表明解释方差大于解释方差[ 73]。此外，每个构念AVE的平方根大于其所有构念间相关性，从而建立了判别效度[ 74]。信度方面，Cronbach alpha和composite reliability均大于推荐的0.70水平[ 75]。这些结果表明，测量量表具有良好的心理测量特性。

使用多元OLS回归分析移动健康使用意图、同化和渠道偏好的决定因素。我们以分层方式评估了每个因变量的4个模型:(1)人口统计学和SES变量，(2)模型1加上健康变量(即到初级和专门医疗机构的距离、感知健康程度、感知脆弱性和健康检查的最近时间)，(3)模型2加上PIMS，以及(4)模型3加上相互作用效应。我们还控制了受访者当前是否使用mHealth(采用者或非采用者虚拟变量)，以在采用者和非采用者的汇总样本中获得可归纳的结果。

表2(模型A1-A4)报告行为使用意图回归结果和 表3(模型B1-B4)报告同化回归结果。

在模型A1和B1(仅限人口统计学和SES变量)中，分别解释了40.31%和23.04%的行为使用意图和同化的变异。年龄较大的受访者行为使用意图水平较低(beta= -0.02， P<.001)和较低的同化水平(beta= -0.04， P<措施)。此外，个人收入与行为使用意愿均有显著正相关(beta=0.12， P=.009)和同化(beta=0.71， P<措施)。此外，受教育程度与同化程度呈负相关(beta= -0.11， P=.02)，但与行为使用意图无显著相关性(beta=0.00， P= .97点)。当在行为使用意图模型(A1-A4)中使用虚拟变量(使用者=1，非使用者=0)控制mHealth采用者和非采用者之间的差异时，我们发现与非采用者开始使用mHealth的意图相比，采用者组继续使用mHealth的意图显著增加。

在模型A2和B2中，医疗保健获取、医疗保健利用和感知健康状况变量被添加到模型中，结果分别解释了44.06%和44.86%的方差。感觉更健康的受访者与行为使用意图呈正相关(beta=0.30， P<.001)和同化(beta=0.71， P<措施)。感觉更容易患慢性病的受访者行为使用意图更强(beta=0.36， P<.001)和更强的同化(beta=0.90， P<措施)。此外，近期体检显著提高了同化水平(beta=0.17， P=.001)，但与行为使用意图无显著相关性(beta=0.04， P= .90)。到主要设施和专门设施的距离都不是行为使用意图的显著预测因素(主要设施:beta= -0.05， P=点;专业:β= 0.09, P=.08)或同化(主:β =0.09， P= .14点;专业:β= 0.01, P= .82)。

在模型A3和模型B3中，加入PIMS，增加了解释方差(∆ R ²行为使用意图为15.55%，同化为8.47%。显著的正系数表明，PIMS与行为使用意图(beta=1.11， P<.001)和同化(beta=0.84， P<措施)。

在模型A4和模型B4中，加入了PIMS与感知健康之间的相互作用(即PIMS*HLTH)和PIMS与感知脆弱性之间的相互作用(即PIMS*VULN)，增加了解释方差(∆ R ²行为使用意图为0.09%，同化为7.08%。虽然行为使用意图和同化的主要影响是显著的(HLTH, VULN和PIMS)预测因素，但相互作用不是行为使用意图的显著预测因素(PIMS*HLTH: beta=0.03， P= .41点;* VULN: pimβ= 0.06, P=.10)，但是同化的显著预测因子(PIMS*HLTH: beta=0.50， P<措施;* VULN: pimβ= 0.43, P<措施)。这些结果表明，PIMS、HLTH和VULN的主效应是预测移动健康行为使用意图的重要因素。此外，这些因素不仅单独影响同化，也共同影响同化。

为了更细致地了解移动健康同化模型(B4)中的显著交互作用，我们绘制了PIMS与感知健康(PIMS*HLTH)之间的交互作用以及PIMS与感知慢性疾病易感(PIMS*VULN)之间的交互作用。我们按照Aiken和West的建议，在不同水平的慢化剂(即PIMS)下，对HLTH和VULN对同化的影响进行了简单的斜率测试[ 76]。我们观察到(1)高PIMS的受访者在报告更高的健康感知或更高的感知健康脆弱性时报告更高的同化水平，而(2)低PIMS的受访者报告的同化水平低于高PIMS的受访者，如果受访者认为自己更健康或更容易患慢性病，报告的同化水平甚至更低( 图2而且 3.)．

表4(模型C1-C4)报告替代使用偏好回归结果，和 表5(模型D1-D4)报告互补的使用偏好回归结果。在模型C1和D1中，分别有27.48%和18.43%的方差被解释。年龄与替代品使用偏好呈负相关(beta= -0.03， P<.001)和互补使用偏好(beta= -0.02， P<措施)。此外，收入水平较高的个体具有更高的替代使用偏好(beta=0.13， P=.003)，而不是互补的使用偏好(beta=0.05， P= 23)。此外，女性更倾向于使用移动健康作为亲自看医生的补充(beta=0.24， P= 0.009)高于男性，但使用mHealth替代亲临医生就诊的性别差异不显著(beta=0.15， P=厚)。在所有替代模型(C1-C4)和所有互补模型(D1-D3)中，采用者组(采用者=1，非采用者=0)比非采用者具有更高的替代使用偏好，交互效应模型(D4)除外。

在模型C2和D2中，添加了医疗保健获取、医疗保健利用和感知健康状况变量，增加了解释方差(∆ R ²)，替代使用偏好上升6.91%，互补使用偏好上升4.52%。感知健康和感知脆弱性与替代品使用偏好均呈正相关(感知健康:beta=0.30， P<措施;感知脆弱性:beta=0.46， P<.001)和补充性使用偏好(感知健康:beta=0.20， P<措施;感知脆弱性:beta=0.34， P<措施)。虽然最近的健康检查与补充使用偏好没有显著相关性(beta=0.03， P=.56)，与替代使用偏好呈显著负相关(beta= -0.16， P<措施)。

在模型C3和D3中，PIMS被纳入，增加了解释方差(∆ R ²)，替代使用偏好上升9.56%，互补使用偏好上升10.79%。正的和显著的PIMS系数表明，PIMS是两个替代使用偏好的预测因子(beta=0.76， P<.001)和互补使用偏好(beta=0.75， P<措施)。

在模型C4和D4中，PIMS与感知健康之间的相互作用(即，PIMS*HLTH)和PIMS与感知脆弱性之间的相互作用(即，PIMS*VULN)被添加到模型中，导致解释方差(∆ R ²)，替代使用偏好上升1.35%，互补使用偏好上升0.55%。这两个交互项都是互补性使用偏好的显著预测因子(PIMS*HLTH: beta=0.19， P<措施;* VULN: pimβ= 0.14, P<.001)，而只有PIMS*HLTH是替代使用偏好的显著预测因子(PIMS*HLTH: beta=0.12， P= .02点* VULN: pimβ= 0.07, P=厚)。总的来说，这些结果表明，PIMS和感知的健康状况共同影响了消费者在亲自看医生和移动健康之间的偏好。

我们再次绘制了相互作用效应，并进行了简单的坡度测试。对于高PIMS的受访者，我们观察到，当他们感觉更健康或更容易患慢性病时，他们更倾向于使用移动医疗，而不是亲自去看医生( 图4而且 5)．相比之下，对于PIMS较低的受访者来说，那些感觉自己更健康的人不太可能使用移动健康作为亲自看医生的替代品，但那些感觉自己更脆弱的人更倾向于使用移动健康作为替代品。

至于与互补性使用偏好相关的互动效应( 图6)，感觉更健康的PIMS高的受访者相比那些感觉不太健康的人，更倾向于将移动医疗作为亲自看医生的补充。对于PIMS较低的受访者，那些感觉更健康的人表示，相对于那些感觉不太健康的人，他们对使用移动医疗作为补充的偏好略弱。模型D4中PIMS与VULN (PIMS*VULN)相互作用不显著;因此，这里不以图表的形式表示。

考虑到互补性使用和替代性使用的相关性为0.73，对移动健康的互补性使用和替代性使用的偏好可以解释为相互加强。为了进一步探索那些对mHealth的补充使用偏好强于替代使用偏好的人群之间的差异，我们对以下两组之间的行为使用意图和同化差异进行了方差分析:(1)对补充使用的偏好强于替代使用(互补>替代)，以及(2)对替代使用的偏好强于补充使用(替代>补充)。我们发现，>替代组的行为使用意图(行为使用意图平均4.69,SD 1.68)明显高于>替代组(行为使用意图平均3.92,SD 1.79; F_1702年= 20.14, P<措施)。同样，替代>替代组的同化水平(同化均值3.78,SD 2.21)明显高于补充>替代组(同化均值2.66,SD 1.66; F_1702年= 41.866, P<措施)。两组人对健康的感知和对慢性疾病的感知没有显著差异。这些结果表明，尽管我们样本中更多的受访者愿意使用移动健康作为补充，而不是作为面对面医生访问的替代品，替代>补充组比补充>替代组表现出更强的行为使用意愿和同化。此外，与>替代组相比，>替代组的受访者更年轻(平均年龄39.00岁，SD 14.20岁vs 46.35岁，SD 16.81岁; F_1702年= 21.284, P<.001)，具有较高的PIMS (PIMS平均值4.72,SD 1.68 vs 3.96, SD 1.76; F_1702年= 19.699, P<.001)，女性较少(46%，SD 0.50 vs 55%， SD 0.50; F_1702年= 4.033, P= .045)。

移动医疗市场正在迅速增长，但在这一新兴领域的研究一直很有限。在这项研究之前，对于与移动健康使用意愿、移动健康同化程度相关的决定因素以及为什么在传统上与实际操作、面对面互动相关的背景下，移动健康可能被首选为补充或替代服务消费渠道，人们的理解有限。这项研究通过研究消费者使用意愿和移动医疗的同化，以及消费者渠道对医疗服务的偏好是如何受到PIMS、感知健康状况、医疗保健可用性、医疗保健利用、人口统计数据和社会经济状况的影响，提供了新的见解。

我们的主要发现如下:(1)更多的消费者倾向于使用mHealth作为个人医生就诊的补充，而不是作为替代品，但那些倾向于使用mHealth作为替代品的消费者比那些倾向于使用mHealth作为补充的消费者报告了更强的使用意愿和更高的同化程度，尽管在健康认知上没有显著差异。(2)PIMS和感知健康状况对使用意愿、同化程度有直接影响。渠道偏好以及相互强化的同化和渠道偏好效应。特别有趣的是，发现较高的PIMS与增加的健康感知的结合，以及较高的PIMS与增加的慢性疾病脆弱性的感知的结合，与更高的移动健康同化和移动健康的替代使用显著相关。更高的PIMS和增加的健康感知的组合也与移动健康的补充使用显著正相关。这些有趣的发现表明，当前的健康状况并不是移动健康使用的唯一预测因素，也许与直觉相反，那些认为自己最不健康的人并不一定最有可能采用和使用移动健康。

我们还证明，PIMS和感知的慢性疾病易感性是重要的积极预测因素。鉴于这些结果，担心饮食、体重、血压、运动和其他健康问题的人可能会考虑主动使用MyFitnessPal等应用程序。 77， InstantHeartRate [ 78]、金刚鹦鹉[ 79]和Livestrong [ 14]。这种积极主动的健康管理，可大大减少慢性疾病的发病率，并减轻这些疾病对医疗系统的负担[ 80]。

此外，我们的研究结果表明，超过三分之一的受访者表示目前正在使用移动健康，而近五分之一的受访者表示目前定期使用移动健康。此外，大约三分之二的受访者表示，他们会使用移动健康作为亲自看医生的补充。这些发现详细说明了先前的研究表明，个人创新能力[ 50]、个别特质[ 32]，以及健康自我认知[ 81]与使用意图有关。我们的研究结果通过考虑这些结构的影响，包括感知健康状况的交互作用，对消费者使用移动健康的意图、同化和渠道偏好的影响，扩展了之前的研究。然而，正如支持it的自助服务文献所建议的那样，将技术注入到服务接触中可能会遇到那些更喜欢亲力亲为的关系(相对于高科技关系)的人的阻力[ 46]。我们的结果支持在移动医疗环境下的这些发现，因为医疗保健利用(即最近的健康检查)对移动医疗同化有积极的影响，但对使用移动医疗代替亲自看医生有消极的影响。这些结果可能表明，医疗保健环境中的个人关系将很难为某些消费者群体增加(或取代)技术。虽然远程医疗等其他技术提供了将保健服务扩展到机会有限的人的机制(例如，[ 82])，移动医疗如何在不影响患者-提供者关系的情况下改善医疗服务的可及性将是一个重要的考虑因素。

最后，我们发现在我们的许多模型中，年龄的增加与使用意愿的降低和对移动健康的同化有关，而在一些模型中，收入的增加与使用意愿的增加和对移动健康的使用有关。在其他技术接受研究中也报告了类似的结果[ 33， 64， 65]。此外，与之前的研究相反的是，较高的教育水平通常与技术采用呈正相关[ 65， 66]，我们发现在我们的模型中，教育的显著和不显著的影响混合在一起。我们确实发现，在我们的许多模型中，教育是一个积极而重要的预测因素，这些模型与使用移动健康作为面对面医生就诊的补充有关。这可能是一个有待进一步研究的领域。

我们研究的优势包括:(1)基于技术接受、技术同化、消费者行为和健康信息学文献的理论驱动模型，关于消费者移动健康使用意图、同化和渠道偏好的决定因素，(2)将PIMS和感知健康状况(脆弱性和健康状况)的直接和交互(调节)作用作为决定因素，以及(3)稳健的调查、抽样和分析方法。我们的研究受限于我们调查的横断面性质。我们注意到我们的稳健性检验包括两阶段估计模型和中介模型。我们的所有发现都经得起这些检验，但未来的研究可以考虑纵向研究设计，以阐明我们对移动健康使用意图和同化发展机制的理解。我们还受到在线调查的限制，这可能会偏向那些在线完成调查的人或技术更成熟的受访者。未来的研究可以考虑其他的调查和抽样策略。尽管我们的模型具有简约的特征，但它们可能会排除其他情境、人口统计学或个体特征。未来的研究可以通过包括这些额外的特征来扩展我们的发现。最后，由于所选择的抽样策略和统计控制的使用，我们的结果可推广到一般人群。然而，未来的研究可以更深入地研究亚组差异(采用者vs非采用者，健康的受访者vs不健康的受访者，资源丰富的受访者vs资源贫乏的受访者，等等)，并提供关于群体之间和群体内部异质性的更微妙的发现。

这项研究提供了与移动健康相关的使用意图、同化和渠道偏好的见解。这些发现有助于卫生信息学文献和卫生政策倡议，证明移动健康将面临接受和抵制。瞄准最容易接受的消费者群体可能是鼓励广泛传播的最佳策略。多个预测因素已被证明对移动健康偏好有重大影响，并观察到直接和互动效应。我们建议，未来促进移动健康的举措应该将消费者的目标从粗略的人口统计转向个人倾向，转向移动服务创新、补充或替代渠道使用偏好和感知的健康状况。