整个生命周期的电子健康素养:测量不变性研究

简介

背景

远程医疗和电子卫生(eHealth)超越了地理、社会和政治边界，使其成为利用医疗保健提供和监测的基本工具[1,2］．互联网已深入社会，美国近90%的成年人可以上网[3.］．然而，千禧一代(18-35岁)继续以更快的速度采用互联网，超过X一代(36-51岁)、婴儿潮一代(52-70岁)和沉默一代(71-115岁)[4］．尽管近年来与年龄有关的互联网使用差异有所下降[5]，缩小这一鸿沟并优化电子健康体验的策略将需要更仔细地研究几代人的独特属性。

技术采用上的代际差异可以广泛地归结为一个人在生活中技术渗透到社会中的时间点[6］．X世代的成员创造的技术已经成为千禧一代日常生活的核心。婴儿潮一代和沉默一代的成员不是在技术中熟悉和成长，而是在他们的社会和文化身份确立之后才接触技术。互联网和技术的广泛应用使得婴儿潮一代和沉默一代的成员，这些人传统上被认为是技术等创新的后期接受者。4,6]，让他们变得兴奋，并愿意适应和学习新技术[7］．然而，由于对卫生信息技术的使用、价值和安全性的不熟悉和不确定，在中老年成年人中仍然存在障碍[8-11]，尤其是那些并非热心使用健康服务的人士[12］．证据还表明，55岁及以上的非初级保健医生与年轻的医生相比，不太可能将电子健康记录系统集成到他们的实践中[13］．与创新扩散和技术接受模型的理论基础一致[7,14]，这些技术往往更容易被年轻人接受，因为他们发现这些技术既有用又容易使用。

然而，采用电子保健并不能确保该技术得到适当使用，也不能确保该技术被用于获取高质量和可采取行动的健康信息[15］．由卫生和计算机素养驱动的电子卫生素养被定义为定位、理解、评估和根据技术提供的卫生信息采取行动的能力[16］．电子健康知识水平低的人不太可能发现互联网是一个有用的健康信息工具，不太可能相信来自各种在线来源和渠道的健康信息[17]，并积极在互联网上搜寻健康资讯[18］．电子卫生的读写能力是一项核心技能，它不仅影响健康信息搜索行为[19-21]，以及积极参与与健康相关的结果和体验的可能性[18,22］．与代际价值观类似，研究人员认为社会和文化背景框架会影响电子健康素养[23,24］．因此，了解代际年龄如何作为电子卫生素养的功能，并优化这些群体的测量，在不断发展的技术时代将至关重要。

过去十年的经验证据表明，年龄与电子卫生素养之间存在负相关关系[18,22,25,26］．老年人的健康知识普遍低于年轻人[27,28]，但这部分人口正越来越多地以高度自信的态度采用互联网来获取健康信息和补充他们的医疗保健[4,25］．佩奇和同事们[17研究发现，中老年成年人群体，或婴儿潮一代和沉默一代的成员，比他们的年轻人更有可能拥有较低的电子健康素养。年龄较大的人群也不太可能相信社会支持论坛上的健康信息，但更可能相信Facebook上的健康信息。这些年龄差异归因于老年人与年轻人相比有独特的健康需求[29,30.]，包括与慢性疾病有关的专门健康资料[31-33]，社会孤立的潜在风险[34,35]，以及自然衰老过程导致的身体和认知限制[36］．文献中也强调了非健康环境下信息寻求行为的代际差异，以表明千禧一代和婴儿潮一代咨询不同的信息来源[37］．基于这些原因，假设电子卫生素养在不同年龄群体中被同等地衡量和概念化将是naïve。据我们所知，支持电子卫生素养分数在代际间存在测量不变性的证据并不存在。

如果没有证据表明电子健康素养测量在年轻人和老年人中发挥相同或不变的作用，就无法对电子健康素养和相关患者报告的结果进行有效的年龄组比较[38,39］．测量不变性表明仪器捕捉到的潜在构造在不同的组中具有相似的功能。不符合测量不变性假设的多组比较是模棱两可的，容易产生偏差[38,40]并可能利用误导性或虚假声明来推动研究和实践[41］．如果没有这样的证据，电子健康素养与年龄之间的不同关系是由于实际差异还是系统偏见，目前尚不清楚。因此，老年人对使用电子健康的信心可能较低。然而，正常的与年龄相关的认知能力下降也有可能[42]和卫生知识普及程度低[28，导致注意力和工作记忆的消耗，无法回忆起准确的反应。因此，特定的项目可能在一个年龄组中比另一个年龄组更突出。建立电子卫生扫盲量表的测量不变性将对公平和公平的测试标准产生重大影响。此外，它将减少使用这些仪器来识别可能受益于在线项目的患者的偏见。

自2006年电子卫生素养概念化以来，已经开发了几种工具来捕捉不断发展的电子卫生时代的这一结构。重要的工具是电子健康素养量表(eHEALS)，是一个简短的8项测量，具有自我效能的理论基础，或对一个人从事行为以导致预期结果的能力的信心[43］．随着社交媒体等在线社交环境的出现，有人批评该工具的内容有效性有所降低[16]，特别是它在捕捉电子健康的多维和动态特征方面能力不足。对此，进行了形成性研究，以推导出对电子卫生素养及其测量的显著性结构。这些工具所指出的最重要贡献是能够捕捉电子保健的动态特征以及与电子保健使用相关的紧迫问题(如隐私)。这些工具包括评估互联网用户是否可以与他们的离线医疗保健提供者谈论在互联网上找到的健康信息的项目[44]，以及他们在保护隐私和用键盘自创信息方面的技能[45］．另一项与电子健康素养相关的工具评估了互联网用户首选的互动模式和在线体验，以及他们对计算机的焦虑程度和健康信息需求[46］．这些新工具利用了电子卫生扫盲的独特方面，但它们无法深入了解电子健康所缺少的沟通交流过程。相反，据说这些工具使电子卫生扫盲文献停滞不前，因为最近推进概念和测量的尝试并没有建立在以前的文献基础上[47］．鉴于这些信息，不以电子卫生素养的开创性工作为基础的新的操作定义、概念和措施可能会使研究人员偏离核心操作行为(即定位、理解、评估和采取行动)。虽然已经公布了电子卫生素养的衡量标准，但eHEALS仍是文献中使用最广泛和最完善的工具[48-50]。

eHEALS的内部结构和外部有效性作为一个单一的衡量标准存在于不同年龄组。这些人群包括青少年[51]、大学生[52]、一般成年人口[52]、患有慢性疾病的病人[53]，以及网上调查中招募的老年人[54]，婴儿潮一代和老年人通过电话招募[55］．最近，应用复杂的心理测量建模技术的研究发现，eHEALS是一种多维度的测量方法，可捕捉与电子健康素养的开创性操作定义一致的操作行为[16］．eHEALS已被确定为有心血管疾病风险的澳大利亚成年人的电子健康素养的两因素衡量标准[56］．2因素模型在德国的普通成年人群中被复制[57以色列[57,58］．这些因素被定义为测量信息寻求和信息评价。最近，eHEALS 3因子结构已在成人寿命后期被报道。Sudbury-Riley和同事们[49eHEALS评分在婴儿潮一代中产生了一个信息意识、寻求和评估技能的3因素模型。类似地，eHEALS的3因素模型已在婴儿潮一代和老年人中得到证实[55]、慢性疾病患者[53]，以及平均年龄53岁的中年成人，在磁共振成像及计算机断层扫描医学成像门诊[59］．然而，eHEALS评分的3因素结构在年轻群体中尚未报道或证实，如千禧一代或x一代成员。因此，在国际背景下，在中老年成年人和一般人群中捕获的1-、2-和3-因素的差异引发了eHEALS在整个生命周期中是否产生类似的因素结构的问题。

Sudbury-Riley和同事们[49]在美国、英国和新西兰的婴儿潮一代中发现了三因素结构的测量不变性。因此，多维的eHEALS结构在跨国界的婴儿潮一代之间没有变化，无论推动社会和文化框架的各种医疗保健规定和协调。然而，年龄也是形成和影响特定人口的社会和文化框架的一个强有力的决定因素[60］．婴儿潮一代是生命周期中的一代人，衡量他们与健康相关的技术技能是很有道理的。然而，婴儿潮一代是单一的一代人，其社会文化和政治框架对健康结果和卫生服务的吸收有重大影响[61-63］．有证据表明，关于采用电子健康的代际差异的研究开创了一个先例，在评估电子健康素养的措施中也考虑了潜在的代际差异。

虽然不存在电子卫生知识普及的"黄金标准"工具[47]， eHEALS仍然是最接近达到这一地位，由于它的简洁性，受欢迎程度，并在健康行为改变理论的理论基础。研究人员建议改进eHEALS，特别是考虑到eHealth的社会性质[47,64,65］．在开始这项任务之前，有义务了解eHEALS跨年龄组的多维因素结构，以及这些因素结构是否不变。如果没有这样的证据，在电子健康的社会时代，将eHEALS改进为一种可靠的测量方法，在整个生命周期内产生具有高度有效性证据的分数将是具有挑战性的。因此，本研究的目的是检查eHEALS评分的结构和三个世代之间的测量不变性程度:千禧一代，X一代，婴儿潮一代和沉默一代。

方法

样本及程序

来自美国的Qualtrics小组成员于2015年5月完成了一项在线调查，该调查得到了美国大学机构审查委员会(IRB)的批准。样本按种族分层(即，白种人，黑人/非洲裔美国人)。根据Qualtrics Panels，该调查具有选择参与的功能，这意味着符合纳入标准的小组成员有机会同意参与。对于这项特别的调查，纳入标准包括居住在美国境内并且年龄大于18岁。一些受访者(n=11)没有提供年龄，随后从最终样本(n= 829)中删除。在除去未提供年龄值的受访者后，本样本中不存在缺失的eHEALS数据。

措施

在整个样本中测量了以下社会人口因素[66:(1)年龄(以年为单位)，(2)性别(男性，女性)，(3)种族(黑人/非洲裔美国人，白种人)，(4)民族(西班牙裔，非西班牙裔)，(5)教育水平，(6)年收入，以及(7)使用互联网促进健康。使用eHEALS评估eHealth素养(Norman和Skinner， [51)，一个8项5点李克特式评分量表(1=非常不同意，5=非常同意)。

数据分析

样本的年龄分为:(1)千禧一代(18-35岁)，(2)X一代(36-51岁)，(3)婴儿潮一代(52-70岁)和沉默一代(71-115岁)[67］．在这项研究中，婴儿潮一代和沉默一代被归为一个群体，因为样本只包含了45名沉默一代的成员。计算频率和描述性统计来描述样本和电子卫生素养分数。进行了一系列卡方分析，以确定社会人口统计学因素是否因年龄组而有显著差异。

维数

采用Mplus v7.3进行多群探索性结构方程模型(MG-ESEM) [68来告知eHEALS项目背后的因素数量。MG-ESEM不是一种验证性因子分析方法。相反，它是一种结构方程建模(SEM)方法，集成了探索性因子分析的原则。这种统计方法是由有限的，不一致的(例如，1因素，2因素，3因素)，关于跨代eHEALS测量属性的知识证明的。例如，没有隐修理论支持完成eHEALS的几代人之间有一定数量的因素是显著的。此外，有限的理论支持表明eHEALS中的特定物品属于一个因素而不是另一个因素。考虑了一种通过SEM透镜检查测量和结构性质的新框架[69]，在测量研究中使用了类似的统计方法，以检查婴儿潮一代和老年人的eHEALS特性[55］．

在每代中评估4个MG-ESEM因子模型的拟合。每个模型都是独立检查的，从1-，2-，3-开始，最后是4因素模型结构。使用以下标准来评估每个模型的全局模型拟合[70]:(1)统计上不显著的卡方值，(2)近似均方根误差(RMSEA)值小于.08，(3)比较拟合指数(CFI)值大于.95，(4)塔克-刘易斯指数(TLI)值大于.95，(5)标准化均方根残差(SRMR)小于.08，(6)赤池信息准则(AIC)较小。0.30或以上的因子负荷[71]，形成检验测量不变性的基本模型。

测量不变性

Mplus v7.3 [68]用于在验证性因素分析(CFA)框架内进行3个分析不变性测试，以测试该仪器在每个年龄组的功能是否相似[39］．进行了3次测量不变性检验[72］．首先是构形的不变性，其中MG-ESEM中确定的因子模型中的所有参数都是跨组自由估计的，以确认潜在的因子结构是等效的．接下来,模式不变性测试组间非标准化因素负载的等效性，用于检查项目是否以相似的方式在组间与因素相关。最后,独特的不变性测试检验了组间项目测量误差的等价性。采用卡方差分检验进行模型比较，以检验各测度不变性水平，并检验RMSEA、SRMR、CFI、TLI等拟合指标，以评估最终模型的拟合程度。将卡方统计量的变化与与自由度变化相关的临界值进行比较．如果卡方差异检验显著，则认为添加不变性约束使模型拟合恶化，表明缺乏不变性。由于卡方对样本量很敏感[73]， CFI小于0.01的变化被认为是模型拟合的不显著变化，支持不变性[74］．

比较各年龄组电子健康素养量表得分

统计软件SPSS v24 [75]用于检验包含每个eHEALS因子的项目的内部一致性，或Cronbach 's alpha，并计算项目得分的平均值。各年龄组各因素的可靠性由欧米茄系数决定，欧米茄系数更适合于在tau等价条件下不起作用的同族因素分析模型[76,77］．进行了单向方差分析(ANOVA)和Tukey事后分析，以确定每代人之间电子卫生素养得分的平均差异。在P< . 05。

结果

样本特征

如表1，千禧一代、X一代和婴儿潮一代/沉默一代成员的平均年龄分别为26.64 (SD 5.14)、42.97 (SD 5.01)和62.80 (SD 6.66)。受访者多为女性(603/ 829,72.74%)，年收入至少3.5万美元(499/ 829,60.41%)，至少有一些大学经历(623/ 829,75.15% %)。每一代人在性别、收入或教育程度上没有统计学上的显著差异。近半数受访者为黑人/非裔美国人(412/ 829,49.70%)或白种人(417/ 829,50.30%)，大部分为非西班牙裔或拉丁裔(807/ 829,97.2%)。与X一代或婴儿潮一代/沉默一代相比，更多的千禧一代将互联网用于与健康相关的目的(P= .009)。

维数

1-4因子模型的模型拟合估计在表2．超过RMSEA可接受水平的是1因子(值=.14)，2因子(值=.09)模型。3因素模型(RMSEA=。06, 90% ci 0.04-0.08, cfi =。98, TLI=.98)和4因子模型(RMSEA=. 98)。06, 90% ci 0.04-0.08, cfi =。99, TLI=.99)表明模型整体拟合良好。同样，3因子(值=12750)和4因子(值=12737.50)模型的AIC值低于1因子、2因子和4因子模型的值。

虽然四因素模型产生了最佳的拟合模型，但量表中的项目在统计上没有显著地加载到第四因素上。因此，使用3因素模型作为评估青年和老年受访者测量不变性的基础。

表3显示了千禧一代、X一代和婴儿潮一代/沉默一代群体中3因素模型的统计上显著的非标准化因素负荷。因子1包括评估对互联网上可获得的健康信息及其位置的认识的项目，在所有组中包含了项目1-2的显著因子负荷。同样，第5-8项对因子3(包括评估评估和使用健康信息回答健康相关问题的信心)的负荷较高(大于0.40)且显著。第3项和第4项评估了如何在互联网上使用和查找有用的健康资源的知识，在所有世代群体中，与因子2有中度到强的关系。所有3个因素在3组间均有统计学显著相关。有趣的是，因子1与因子2的相关性(r=.98)和3 (r=.80)比其他几代人要强得多。用于指导测量不变性检验的最终3因素模型如图所示图1．

‎ 查看此图

测量不变性

表4显示通过使用CFA进行构型、模式和惟一因素不变性检验的结果。三因素模型在构型不变性方面略差，但可接受的模型拟合。这是由RMSEA (value=。08, 90% CI 0.06-0.09)和CFI/TLI(。分别为98和.97)，证实了3因子模型代表了所有世代eHEALS的因子结构。增加跨代组的因素负荷约束(模式不变性测试)导致RMSEA略有改善，SRMR、CFI和TLI值相对稳定。卡方的变化没有统计学意义，CFI没有偏离0.01。关于唯一因子不变性，卡方(Δχ .)的变化²= 69.51,Δdf=16)的差异有统计学意义。P< . 05。因此，唯一因子不变性被拒绝，因为等同每一项在组间的误差方差显著降低了模型拟合。此外，模式不变性模型的AIC值(值=12,770.60)低于构型不变性模型(值=12,775.72)和唯一因子不变性模型(值=12,808.11)。因此，在千禧一代、X一代和婴儿潮一代/沉默一代中，所提出的3因素结构的测量不变性存在。

按年龄组划分的电子健康素养量表得分

表5显示了每一代3因素eHEALS模型的平均量表得分。内部一致性alpha估计值在每个因素的适当范围内，omega系数显示了等价的值，以支持数据的可靠性。单因素方差分析显示eHEALS评分在因子1 (F(827) = 8.17,P<.001)，因子2 (F(826) = 6.00,P=.003)，因子2 (F(827) = 18.51,P<措施)。Tukey诚实显著差异(HSD)事后分析显示，平均而言，婴儿潮一代和沉默一代群体的成员在所有因素中对其电子健康素养的知识和信心都较低(P<.05)，与千禧一代和X一代相比。

讨论

主要研究结果

本研究检验了美国千禧一代、X一代和婴儿潮一代/沉默一代eHEALS评分的测量不变性程度。eHEALS是一种多维度测量方法，可用于始终如一地评估整个生命周期的电子卫生素养。与X一代和婴儿潮一代/沉默一代相比，千禧一代在在线健康信息意识、信息搜索技能和信息参与能力方面更有知识和信心。此外，这项研究为eHEALS在未来的研究和实践中继续使用和潜在的改进提供了重要的意义。

eHEALS评分最符合正相关的3因素模型，该模型捕捉了以下潜在因素:信息意识,信息寻求,信息的接触．这一发现是在eHEALS的因子结构没有一致证据的时候出现的。我们的研究结果与Nguyen及其同事所描述的结果形成了对比[52，他探索了eHEALS的维度，当它在线管理相当大比例(60%)的千禧一代时。数据来自Nguyen和同事[52]表明eHEALS具有带有主成分分析的单维结构，该分析传统上确定了解释观测变量中大量方差的最少数量的因素[78］．考虑到描述eHealth素养维度的相互冲突的证据，我们的替代多组探索性结构方程建模方法试图验证三个不同年龄组eHEALS项目中隐含的结构。此外，目前的研究努力撒下更广泛的网，不仅探索哪些eHEALS项目最好地解释了保留的因素，而且还探索这些因素如何在理论驱动的方式下发挥作用，与电子健康素养文献一致。与Nguyen及其同事报告的结果相反[52]，本研究中产生的证据支持英文版eHEALS的3因素模型。值得注意的是，我们的网络小组成员样本中，婴儿潮一代和沉默一代的成年人比例更高。这两代人在通过机器学习软件获得的基于互联网的样本进行的分析中代表性不足。

本研究支持的3因素eHEALS模型获得了超越个人知识和行为能力感知的更精确的电子健康素养评估。三因素eHEALS模型包括对与电子卫生素养相关的中心操作技能(即定位、评估、应用)的自我效能感的衡量项目。在电子卫生扫盲的背景下，这些操作技能与自我效能的独特(尽管相关)维度相关[16]，这解释了包含唯一因子的高相关性3因子模型。

在三因素eHEALS模型中，所有代组都保持了构型和模式不变性，这表明无论受访者的年龄组成员如何，三因素模型中的eHEALS得分都可以等效地解释。尽管在目前的研究中，组间的不变性，但组成这些因素的项目与以往文献的结果不一致。斯特尔lefson和同事们[55在电话采访中，研究了婴儿潮一代和沉默一代成员的eHEALS得分的因素结构，发现第3项(即“我有评估在互联网上找到的健康资源所需的技能”)在因素2和因素3上都显著负荷。在这项研究中，因素2包括了了解如何在互联网上使用和查找有用的健康信息以做出明智的健康决定的相关项目。因子3只包括另外一个具有显著因子负荷的项目，该项目涉及评估在线健康信息质量的能力。Stellefson及其同事的研究结果[55]与目前的研究和萨德伯里-莱利及其同事的研究结果相反。49]，世卫组织推测，这一特定的eHEALS项目(项目3)的内容和理论基础是指与自信评估互联网卫生信息并根据其采取行动的能力有关的技能。在仔细研究第3项内容后，这个问题似乎可以评估两个不同的技能:(1)一个人能否评估来自互联网的健康信息?(2)人们能在互联网上找到健康信息吗?Stellefson和同事的数据收集模式55研究是通过电话进行的，而目前研究中收集的数据和萨德伯里-莱利及其同事的研究[49是通过网络调查得出的结论。有可能受访者只在认知上处理了这一项中列出的单一操作行为(即，发现，评估)，或者电话面试官把重点放在一项技能上而不是另一项。未来的研究需要了解数据收集方式(例如，电话，在线)如何直接影响eHEALS项目的解释，并最终影响产生的数据的结构有效性。

最后，测量不变性的最终检验被证明是不够的。在三因素eHEALS模型中，各项目的残差方差在年龄组间有显著差异。唯一因子不变性是测量等价的最严格形式。这在实践中很少实现，专家们最近承认，建立唯一的因素不变性对于主观测量来说可能有些不合理[79］．因此，我们建议eHEALS产生的分数仍可用作比较指数，以检查各年龄组的电子健康素养[72］．

限制

这项研究的样本来自Qualtrics调查小组的普通美国人口。尽管样本来自人口，但受访者主要是收入和教育水平正态分布的女性。此外，样本中有一半是白种人，另一半是黑人/非洲裔美国人。换句话说，这项研究从传统上健康促进研究服务不足的人口亚群体(即中老年成年人，黑人/非洲裔美国人)中招募了400多名受访者。虽然这代表了影响数据对整个美国人口的泛化性的局限性，但样本特征的多样性仍然是这项测量研究的一个重要优势。

这是一项基于网络的自我报告调查，因此，这项研究的结果只能说明在网络上进行eHEALS评分的解释和测量不变性。有足够的信度和效度证据表明，在中老年成年人中通过电话进行ehealing治疗[55]，这一人群对网络调查和电话调查的反应最有可能不同[80］．未来研究可根据调查管理模式探讨三因素eHEALS模型跨代测量不变性程度。此外，这项基于网络的调查的受访者是选择参与的Qualtrics panel的成员。有目的的种族分层样本和正态分布的收入水平损害了调查结果的普遍性。然而，对少数族裔和低收入成年人的过度采样使得这些特别脆弱和难以接触到的人群参与了调查研究。

虽然这项研究没有考虑样本的地理区域(即农村与城市)，但近70%的样本报告称，他们使用社交媒体用于健康相关的目的，这需要足够的宽带水平。农村地区的成年人一般年龄较大[81]及宽带连接有限[82]使人们能够持续获得电子卫生服务。此外，农村居民不使用互联网的可能性是城市居民的近两倍。82,83］．因此，地理位置以外的因素可能会限制农村成年人使用电子卫生服务。基于与农村人口电子卫生素养相关的有限经验证据[84]，未来的研究需要探索电子健康素养及其根据物理空间(即农村-城市通勤区或都市统计区数据)和社会文化农村认同的乡村性在人口中的测量。

实际意义

承认从eHEALS获得的分数的多维性将使从业人员能够更准确地了解消费者为健康目的使用互联网的优点和缺点。与其基于eHEALS背后的单维假设而含糊地解释“低电子健康素养”，考虑eHEALS的三因素模型的从业者可以确定其患者对在线健康信息意识、搜索和参与的信心程度。基于3个潜在的eHEALS维度解释分数可以帮助从业者和研究人员更有效地将患者引导到适合其相对技能集的电子健康资源，无论是简单地提高对现有在线健康信息资源的认识，还是提供到具有可靠健康信息的特定网站的直接链接。精确识别电子卫生素养核心操作行为的局限性将有助于为更有针对性和更有效的电子卫生素养干预措施提供信息，这些干预措施考虑了个人对技术采用和可接受性的看法。

与千禧一代相比，老一辈人在eHEALS捕获的每个因素中都报告了较低的知识和自我效能。具体而言，X一代和婴儿潮一代/沉默一代的成年人对自己(1)对在线健康信息的认识，(2)在线健康信息定位的技能，以及(3)在线健康信息定位后评估和采取行动的能力缺乏信心。这一发现与先前的文献一致，即老年人对电子卫生素养的熟练程度低于年轻人[18,22,25,26］．然而，目前很难衡量不同年龄段的特定电子卫生扫盲技能缺乏的程度。我们的研究有助于阐明如何解释eHEALS评分，以便收集有关哪些特定的电子健康素养技能是有限的以及它们在不同年龄组中受到限制的程度的信息。基于这三个离散因素，eHEALS极有可能被用作协调电子卫生扫盲培训干预措施的标准评估工具。例如，可以在三个模块中提供结构化干预措施，其中的技能建设活动旨在提高对电子卫生保健的认识，以及信息查找和评估。虽然老年人和年轻人对电子卫生扫盲干预的反应不同[85]，这3个因素(即技能组合)是电子卫生素养的核心组成部分，因此在规划、实施和评估旨在通过缩小目前存在于电子卫生普及和持续使用之间的鸿沟来提高老年人电子卫生素养的培训干预措施时应予以考虑。

最后，本研究的结果为改进和更新eHEALS提供了启示。eHEALS的简洁性使其成为研究和临床护理中使用的理想量表。但是，有必要确保有足够数量的项目与每个因素相对应。一些测量指南支持高度相关因素的可靠性，这些因素每个只包含2个项目[86,87］．然而，其他测量标准建议每个因素至少包括3个项目[88］．在本研究中，3个eHEALS因素的相关性具有统计学意义。强的阶乘关系允许模型在因子1和因子2上的项目更少的情况下充分发挥作用。这一发现与Sudbury-Riley及其同事的研究结果相反。49]， who发现2个eHEALS项目最能反映1个潜在因素(即在线健康信息意识)，而与信息寻求和应用相关的因素(如知道如何查找和使用在线健康信息、自我效能评估和使用在线健康信息)各由3个项目组成。需要进一步的研究来开发公正的项目，以充分捕捉电子卫生素养及其多维结构的理论基础。此外，为考虑电子健康服务的动态性和互动性，[2]，未来的研究可以基于我们的发现来创建和测试新的项目，这些项目可以解释第四个潜在因素，捕捉与电子健康素养相关的“社交”技能。

结论

可以在千禧一代、x一代和婴儿潮一代/沉默一代成员中使用eHEALS的3因素结构进行有效的年龄组比较。这项研究的结果增加了文献库，表明与年轻人相比，老年人的电子健康素养得分明显较低。具体而言，与老一代相比，本研究支持年轻一代成员对电子健康资源有更高的认识，并对他们在互联网上的信息搜索和参与技能更有信心。eHEALS的简洁性与其多维结构相结合，可以帮助医疗保健从业人员和研究人员定制旨在提高用户在这些相关结构上的表现的eHealth素养干预措施。此外，这项研究的发现对更精确地测量和提高整个生命周期的电子卫生素养技能具有重要意义。