这是一篇开放获取的文章,根据创作共用署名许可(http://creativecommons.org/licenses/by/2.0/)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。
消费者使用移动设备作为医疗服务提供辅助工具(mHealth)正在增长,特别是随着智能手机变得无处不在。然而,消费者特征、健康认知、情境特征和人口统计数据如何影响消费者移动健康的使用意图、同化和渠道偏好仍然存在问题。
我们研究了消费者对移动服务(PIMS)的个人创新性、感知的健康状况、医疗保健可用性、医疗保健利用、人口统计学和社会经济地位如何影响他们(1)移动医疗的使用意图和移动医疗同化程度,以及(2)将移动医疗作为个人医生就诊的补充或替代的偏好。
利用技术接受、技术同化、消费者行为和健康信息学方面的研究构建,我们开发了一项横断面在线调查,以研究消费者移动健康使用意图、同化和渠道偏好的决定因素。数据收集自1132名具有全国代表性的美国消费者,并通过适度多元回归和方差分析进行分析。
结果表明:(1)样本中1132名消费者中有430名(37.99%)已经开始使用mHealth,(2)赞成将mHealth作为亲自就诊的补充(758/1132,66.96%)多于将其作为替代品(532/1132,47.00%),(3)消费者的PIMS和感知健康状况对mHealth的使用意愿、同化和渠道偏好有显著的正向直接影响。对同化和渠道偏好有显著的正向交互影响。经调节回归的自变量共同解释了移动健康使用意愿的59.70%方差,移动健康同化的60.41%方差,偏好补充使用移动健康的34.29%方差,以及偏好替代使用移动健康的45.30%方差。在后续的方差分析检查中,我们发现那些更倾向于使用移动健康作为个人医生访问的替代品而不是补充的人表明更强烈的使用移动健康的意愿(
多个预测因素与移动健康的使用意图、同化和渠道偏好有显著关联。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对移动服务创新、补充或替代渠道使用偏好、感知的健康状况、卫生服务可用性和利用率、人口统计和社会经济特征的个人倾向的细微考虑。
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" [
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[
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[
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[
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[
利用技术采用[
研究模型。
基于技术验收方面的文献[
借鉴消费者行为文献[
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[
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[
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,[
消费者的情境特征已被发现会影响他们的技术采用偏好[
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,[
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
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
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[
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。
样本特征(N=1132)。
变量和类别 | 样本,n (%) | 美国人口普查(%) | ||
|
|
|
||
|
|
|
|
|
|
|
~ 29 | 218 (19.27) | 22.1 |
|
|
- 39 | 269 (23.76) | 17.1 |
|
|
40至49 | 169 (14.93) | 18.6 |
|
|
50-59 | 249 (22.00) | 17.9 |
|
|
60 - 69 | 155 (13.69) | 11.8 |
|
|
≥70 | 72 (6.36) | 12.5 |
|
|
|
|
|
|
|
男性 | 513 (45.31) | 49.2 |
|
|
女 | 619 (54.68) | 50.8 |
|
|
|
||
|
|
|
|
|
|
|
不是高中毕业生 | 18 (1.59) | 12.9 |
|
|
高中毕业生 | 211 (18.64) | 31.2 |
|
|
上过大学,但没有学位 | 344 (30.39) | 16.8 |
|
|
副学士 | 154 (13.60) | 9.1 |
|
|
学士学位 | 286 (25.27) | 19.4 |
|
|
高级学位 | 119 (10.51) | 1.5 |
|
|
|
|
|
|
|
少于24999 | 430 (37.99) | 55.0 |
|
|
25000 - 49999 | 344 (30.39) | 24.0 |
|
|
50000 - 74999 | 214 (18.90) | 22.0 |
|
|
75000 - 99999 | 85 (7.50) | 5.0 |
|
|
≥100000 | 59 (5.21) | 5.0 |
|
|
|
||
|
|
|
|
|
|
|
< 1英里 | 34 (3.00) | - - - - - - |
|
|
1 - 5英里 | 90 (7.95) | - - - - - - |
|
|
6 - 10英里 | 472 (41.70) | - - - - - - |
|
|
≥11英里 | 375 (33.13) | - - - - - - |
|
|
不知道 | 161 (14.22) | - - - - - - |
|
|
|
|
|
|
|
< 1英里 | 86 (7.60) | - - - - - - |
|
|
1 - 5英里 | 57 (5.04) | - - - - - - |
|
|
6 - 10英里 | 341 (30.12) | - - - - - - |
|
|
≥11英里 | 381 (33.66) | - - - - - - |
|
|
不知道 | 267 (23.59) | - - - - - - |
|
|
|
||
|
|
|
|
|
|
|
没有 | 125 (11.04) | - - - - - - |
|
|
是的,在过去的五年里 | 37 (3.27) | - - - - - - |
|
|
是的,在过去三年内 | 128 (11.31) | - - - - - - |
|
|
是的,在过去一年内 | 842 (74.38) | - - - - - - |
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。
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。
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,
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,
在模型A3和模型B3中,加入PIMS,增加了解释方差(∆
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(∆
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[
消费者移动健康行为使用意图的分层普通最小二乘回归
变量 | 移动健康行为使用意图,OLS估计(稳健SE) | ||||
|
模型A1: |
模型A2: |
模型A3: |
模型A4: |
|
|
|
|
|
|
|
|
年龄(连续年) | -0.02 (0.00)c | -0.02 (0.00)c | 0.00 (0.00) | 0.00 (0.00) |
|
性别(女性= 1) | 0.11 (0.10) | 0.06 (0.09) | -0.00 (0.08) | -0.01 (0.08) |
|
|
|
|
|
|
|
学历(5=硕士+) | 0.00 (0.04) | 0.05 (0.04) | 0.03 (0.03) | 0.03 (0.03) |
|
个人收入(5≥10万美元) | 0.12 (0.04)b | 0.03 (0.04) | -0.06 (0.04) | -0.06 (0.04) |
|
|
|
|
|
|
|
采用者(1)/非采用者(0) | 2.33 (0.10)c | 1.97 (0.11)c | 1.17 (0.11)c | 1.14 (0.11)c |
|
|
|
|
|
|
|
到主要设施的距离 | - - - - - - | -0.05 (0.06) | -0.02 (0.05) | -0.03 (0.05) |
|
到专门设施的距离 | - - - - - - | 0.09 (0.05) | 0.08 (0.05) | 0.08 (0.05) |
|
|
|
|
|
|
|
近期健康检查 | - - - - - - | 0.04 (0.05) | -0.01 (0.04) | -0.01 (0.04) |
|
|
|
|
|
|
|
感知健康(HLTH) | - - - - - - | 0.30 (0.05)c | 0.12 (0.05)b | 0.10 (0.05)一个 |
|
感知脆弱性(VULN) | - - - - - - | 0.36 (0.05)c | 0.18 (0.04)c | 0.16 (0.05)b |
|
|
|
|
||
|
pim | - - - - - - | - - - - - - | 1.11 (0.06)c | 1.11 (0.06)c |
|
* pim HLTH | - - - - - - | - - - - - - | - - - - - - | 0.03 (0.04) |
|
* pim VULN | - - - - - - | - - - - - - | - - - - - - | 0.06 (0.04) |
常数 | 3.95 (0.21)c | 4.05 (0.24)c | 3.53 (0.20)c | 3.50 (0.21)c | |
|
0.4031 | 0.4406 | 0.5961 | 0.5970 | |
∆ |
- - - - - - | 0.0375 | 0.1555 | 0.0009 | |
|
- - - - - - | 16.841121c | 358.131120c | 1.742, 1118 |
一个
b
c
消费者移动健康同化的分层普通最小二乘(OLS)回归。
变量 | 移动健康同化,OLS估计(稳健SE) | ||||
|
模型B1: |
模型B2: |
B3模型: |
模型B4: |
|
|
|
|
|
|
|
|
年龄(连续年) | -0.04 (0.00)c | -0.04 (0.00)c | -0.02 (0.00)c | -0.01 (0.00)c |
|
性别(女性= 1) | 0.04 (0.12) | -0.10 (0.10) | -0.15 (0.09) | -0.16 (0.09) |
|
|
|
|
|
|
|
学历(5=硕士+) | -0.11 (0.04)一个 | 0.02 (0.04) | 0.00 (0.04) | 0.03 (0.03) |
|
个人收入(5≥10万美元) | 0.71 (0.06)c | 0.38 (0.05)c | 0.28 (0.05)c | 0.24 (0.04)c |
|
|
|
|
|
|
|
到主要设施的距离 | - - - - - - | 0.09 (0.06) | 0.11 (0.06) | 0.05 (0.05) |
|
到专门设施的距离 | - - - - - - | 0.01 (0.05) | 0.01 (0.05) | 0.01 (0.04) |
|
|
|
|
|
|
|
近期健康检查 | - - - - - - | 0.17 (0.05)b | 0.10 (0.05)一个 | 0.10 (0.04) * |
|
|
|
|
|
|
|
感知健康(HLTH) | - - - - - - | 0.71 (0.06)c | 0.51 (0.06)c | 0.38 (0.06)c |
|
感知脆弱性(VULN) | - - - - - - | 0.90 (0.05)c | 0.69 (0.05)c | 0.43 (0.05)c |
|
|
|
|
||
|
pim | - - - - - - | - - - - - - | 0.84 (0.57)c | 0.85 (0.05)c |
|
* pim HLTH | - - - - - - | - - - - - - | - - - - - - | 0.50 (0.05)c |
|
* pim VULN | - - - - - - | - - - - - - | - - - - - - | 0.43 (0.04)c |
常数 | 4.09 (0.26)c | 4.11 (0.25)c | 3.27 (0.24)c | 2.95 (0.23)c | |
|
0.2304 | 0.4486 | 0.5333 | 0.6041 | |
∆ |
- - - - - - | 0.2182 | 0.0847 | 0.0708 | |
|
- - - - - - | 71.151122c | 219.251121c | 151.242, 1119c |
一个
b
c
个人对移动服务创新(PIMS)对移动健康使用同化感知健康的调节作用:模型B4 PIMS*HLTH
个人对移动服务创新(PIMS)对移动健康使用同化感知脆弱性的调节作用:模型B4 PIMS*VULN
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(∆
在模型C3和D3中,PIMS被纳入,增加了解释方差(∆
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(∆
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(
至于与互补性使用偏好相关的互动效应(
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;
移动医疗替代使用偏好的分层普通最小二乘回归。
变量 | 移动健康替代使用偏好,OLS估计(稳健SE) | ||||
模型C1: |
模型C2: |
模型C3: |
C4模型: |
||
|
|
|
|
|
|
|
年龄(连续年) | -0.03 (0.00)c | -0.03 (0.00)c | -0.01 (0.00)b | -0.01 (0.00)b |
|
性别(女性= 1) | 0.15 (0.09) | 0.14 (0.09) | 0.10 (0.08) | 0.09 (0.08) |
|
|
|
|
|
|
|
学历(5=硕士+) | -0.05 (0.04) | 0.01 (0.03) | -0.00 (0.03) | 0.00 (0.03) |
|
个人收入(5≥10万美元) | 0.13 (0.04)b | 0.06 (0.04) | -0.00 (0.04) | -0.01 (0.04) |
|
|
|
|
|
|
|
采用(1)/ nonadopter (0) | 1.42 (0.11)c | 1.06 (0.11)c | 0.50 (0.11)c | 0.40 (0.11)c |
|
|
|
|
|
|
|
到主要设施的距离 | - - - - - - | 0.01 (0.06) | 0.03 (0.05) | 0.01 (0.05) |
|
到专门设施的距离 | - - - - - - | 0.03 (0.05) | 0.02 (0.04) | 0.02 (0.04) |
|
|
|
|
|
|
|
近期健康检查 | - - - - - - | -0.16 (0.04)c | -0.20 (0.04)c | -0.19 (0.04)c |
|
|
|
|
|
|
|
感知健康(HLTH) | - - - - - - | 0.30 (0.05)c | 0.18 (0.05)c | 0.15 (0.05)b |
|
感知脆弱性(VULN) | - - - - - - | 0.46 (0.05)c | 0.34 (0.05)c | 0.26 (0.05)c |
|
|
|
|
||
|
pim | - - - - - - | - - - - - - | 0.76 (0.06)c | 0.78 (0.06)c |
|
* pim HLTH | - - - - - - | - - - - - - | - - - - - - | 0.19 (0.05)c |
|
* pim VULN | - - - - - - | - - - - - - | - - - - - - | 0.14 (0.04)c |
常数 | 4.72 (0.21)c | 5.15 (0.22)c | 4.79 (0.21)c | 4.71 (0.21)c | |
|
0.2748 | 0.3439 | 0.4395 | 0.4530 | |
∆ |
- - - - - - | 0.0691 | 0.0956 | 0.0135 | |
|
- - - - - - | 24.911121c | 171.531120c | 14.122, 1118b |
一个
b
c
移动健康互补使用偏好的分层普通最小二乘回归。
变量 | 移动健康补充性使用偏好,OLS估计(稳健SE) | ||||
|
模型D1: |
模型D2: |
模型D3: |
模型D4: |
|
|
|
|
|
|
|
|
年龄(连续年) | -0.02 (0.00)c | -0.02 (0.00)c | -0.01 (0.00)一个 | -0.01 (0.00)一个 |
|
性别(女性= 1) | 0.24 (0.09)b | 0.20 (0.09)一个 | 0.16 (0.08) | 0.15 (0.08) |
|
|
|
|
|
|
|
学历(5=硕士+) | 0.03 (0.03) | 0.08 (0.03)一个 | 0.07 (0.03)一个 | 0.07 (0.03)一个 |
|
个人收入(5≥10万美元) | 0.05 (0.04) | -0.02 (0.04) | -0.07 (0.04) | -0.08 (0.04)一个 |
|
|
|
|
|
|
|
采用者(1)/非采用者(0) | 1.07 (0.09)c | 0.76 (0.10)c | 0.21 (0.10)一个 | 0.15 (0.10) |
|
|
|
|
|
|
|
到主要设施的距离 | - - - - - - | 0.03 (0.06) | 0.05 (0.05) | 0.03 (0.05) |
|
到专门设施的距离 | - - - - - - | 0.05 (0.05) | 0.05 (0.04) | 0.05 (0.04)一个 |
|
|
|
|
|
|
|
近期健康检查 | - - - - - - | 0.03 (0.04) | -0.01 (0.04) | -0.01 (0.04) |
|
|
|
|
|
|
|
感知健康(HLTH) | - - - - - - | 0.20 (0.05)c | 0.09 (0.05) | 0.07 (0.05) |
|
感知脆弱性(VULN) | - - - - - - | 0.34 (0.05)c | 0.22 (0.04)c | 0.17 (0.05)b |
|
|
|
|
||
|
pim | - - - - - - | - - - - - - | 0.75 (0.06)c | 0.76 (0.06)c |
|
* pim HLTH | - - - - - - | - - - - - - | - - - - - - | 0.12 (0.05)一个 |
|
* pim VULN | - - - - - - | - - - - - - | - - - - - - | 0.07 (0.05) |
常数 | 5.09 (0.19)c | 5.09 (0.22)c | 4.73 (0.21)c | 4.69 (0.21)c | |
|
0.1843 | 0.2295 | 0.3374 | 0.3429 | |
∆ |
- - - - - - | 0.0452 | 0.1079 | 0.0055 | |
|
- - - - - - | 15.431121c | 140.901120c | 4.002, 1118一个 |
一个
b
c
个人对移动服务创新(PIMS)对偏好移动健康替代就医的健康感知的调节作用:模型C4 PIMS*HLTH
对移动服务的个人创新(PIMS)对偏好移动健康替代医生就诊的感知脆弱性的调节作用:模型C4 PIMS*VULN
对移动服务的个人创新(PIMS)对偏好移动健康作为医生访问的补充的感知健康的调节作用:模型D4 PIMS*HLTH
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。
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[
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[
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。
构造和度量源。
可靠性、平均方差提取和相关性。
平均方差提取
验证性因素分析
兼容性
认为健康
信息技术
普通最小二乘
个人对信息技术的创新能力
个人对移动业务的创新能力
社会经济地位
感知到的漏洞
没有宣布。