原始论文
摘要
背景:互联网上可获得的健康信息越来越多,因此确保人们能够判断这些信息的准确性以防止他们受到伤害比以往任何时候都更加重要。平台有可能根据数字卫生素养水平建立保护机制,从而减少滥用卫生信息造成损害的可能性。
摘要目的:本研究旨在创建一种基于电子健康素养量表(eHEALS)的数字健康素养评估工具(DHLA),按误解健康信息的风险水平将参与者分为高、中、低风险组。
方法:本研究开发了健康资讯系统,并建立了网上健康资讯资料库,其中包括正确答案和错误答案。采用受试者工作特征曲线分析检测DHLA的截断值,从网络健康信息库中随机抽取5个项目,将用户健康信息误判风险分为低、中、高三类。这为数字健康素养风险群体与在线健康信息准确判断之间的关系提供了信息。研究对象为20岁以上的台湾居民。采用滚雪球抽样,参与者匿名填写网络问卷。检验了DHLA的信度和效度。采用Logistic回归分析DHLA中与危险组相关的因素。
结果:本研究共收集有效问卷1588份。网上健康信息库包含310项健康信息,根据判断准确性的难易程度分为简单(147项)、中等(122项)、困难(41项)。DHLA的内部一致性令人满意(α=.87),结构效度的因子分析发现有3个因素,占方差的76.6%。受试者工作特征曲线分析发现106人存在曲解健康信息的高风险,1368人存在中等风险,114人存在低风险。在原分组病例中,经鉴别分析,可正确分类89.6%。Logistic回归分析显示,健康信息误判风险高的参与者受教育程度较低、收入较低、健康状况较差。他们也很少或从不浏览互联网。这些差异有统计学意义。
结论:DHLA评分可以区分那些在互联网上误判健康信息的低、中、高风险。互联网健康信息平台可考虑纳入《健康信息安全法》,建立保护用户不滥用健康信息、避免损害健康的机制。
doi: 10.2196/19767
关键字
简介
国际电信联盟2019年报告称,全球超过一半的人口在使用互联网。总的来说,全球97%的人口生活在移动蜂窝信号范围内,93%的人口生活在提供3G或更好信号的网络范围内[
].2014年,欧盟的一份报告指出,大约60%的公众每天浏览互联网,其中60%的人使用互联网搜索健康信息[ ].2019年,超过70%的美国成年人使用互联网作为他们的主要健康信息来源[ ].在台湾,2016年家庭数码机会调查报告[ ]得出的结论是,66.5%的互联网用户在互联网上搜索健康教育、健康或食品安全信息[ ].Song等人的一项跨国研究[ ]的调查报告显示,51.5%的美国人、76.9%的韩国人和81.4%的香港人使用社交网站获取健康资讯,而66.2%的美国人、94.6%的韩国人和86.1%的香港人使用健康资讯博客的内容。这意味着随着数字信息工具的迅速发展,人们可以随时随地利用互联网传输或检索健康信息。然而,Lee等人[
报道称,科技和医疗网络谣言占到谣言总量的30%。2019年,台湾一项调查发现,12岁及以上的互联网用户中,26.8%的人收到并转发未经核实的信息或新闻,44.9%的人没有核实信息或新闻[ ].人们也倾向于相信亲朋好友转发的健康信息,因为他们相信转发者[ ].如果可以评估人们的数字健康素养,以了解他们对在线健康信息做出准确判断的能力,就可以避免不必要的伤害。希望网站平台可以就未经事实核查的健康信息提供警告,或者干脆不向数字健康素养水平较低的人显示这些信息,这些人误判健康信息准确性的风险很高。电子健康素养量表(eHEALS)是一种主观测量方法,用于测量人们在发现、评估和使用电子健康信息来解决健康问题方面的感知技能[
, ].eHEALS是一种广泛使用的测量工具,已被翻译和验证为不同的语言[ ].以前的研究使用eHEALS来评估与在线健康信息搜索相关的数字健康素养能力。加达尔等[ ]通过一份关于互联网使用模式、在互联网上查看健康信息以及对特定健康信息网站(Medline Plus [ ])。两项研究[ , ]通过电话采访询问参与者是否使用过互联网、使用频率以及他们在哪里访问互联网。Diviani等[ ]进行了定性深入访谈,探讨了在线健康信息查询的经验和在线健康信息可信度的判断。诺布林和卢瑟福[ ,询问参与者是否使用个人健康记录或其他基于互联网的信息系统进行医疗保健,以及如果他们还没有这样做,他们是否愿意使用医疗保健信息技术。因此,这些研究探索了在线健康信息搜索的各个方面。然而,所有的研究都使用了自我报告,这被视为一种主观测量。范德法特等[
]探索了eHEALS结果与持续1.5小时的实际性能测试之间的关系。绩效测试采用客观测量方法,将操作、形式、信息和战略互联网技能结合起来。例如,如何访问健康网站、保存文件或将网站添加到“收藏夹”菜单中都是可操作的互联网技能[ ].Quinn等人的研究[ 通过将软件集成到网络浏览器中客观地监测在线互动,调查了健康素养、电子健康素养和实际在线健康信息搜索行为之间的关系;数据被编码以供分析。研究参与者是从54名大学生和工作人员中招募的,他们在实验室条件下完成了关于糖尿病、肥胖、流感、营养和镇痛药物的6个健康问题的搜索任务。因此,这些研究使用了客观的测量方法,但由于参与者的特点、有限的健康问题或所需的时间,其设计不能与现实世界的情况直接比较。据我们所知,目前还没有研究报告以数字健康素养水平衡量的健康信息误解风险与对在线健康信息做出准确判断的能力之间的关系,特别是使用广泛的健康信息和大量具有现实场景的参与者。因此,本研究旨在开发基于eHEALS的数字健康素养评估工具(DHLA)。它通过评估与现实世界中发现的类似的互联网健康信息判断的准确性,使用DHLA分数区分了数字健康素养的不同风险水平。
方法
我们开发了一种叫做DHLA的仪器,它来自eHEALS。此外,我们还构建了一个在线健康信息库,通过受试者工作特征曲线(ROC)分析,检验DHLA区分健康信息误解风险低、中、高人群的能力。本研究由台湾中部地区评审委员会(批准号CRREC-108-096)审查并批准。
研究参与者
本研究的参与者为台湾居民,年龄在20岁以上。采用雪球抽样法在台湾北部、中部和南部的研究人员的同事、朋友和家庭成员中确定潜在参与者。总共招募了350名参与者,以最大限度地扩大社会经济地位的范围。他们被要求将在线调查问卷发送给他们的朋友和家人。使用电子邮件和在线通信软件向参与者发送快速响应代码或网站链接,使他们能够完成在线问卷。
仪器
eHEALS包括8个问题,采用李克特式5分制,得分从1(非常不同意)到5(非常同意)。这就产生了一个单一因素。总分为8 - 40分。得分越高,数字健康素养越高[
, ].先前的研究[ ]表明eHEALS结构随环境和设置而变化,研究人员还建议量表应考虑环境和文化问题[ , ].在台湾,吴[ 他利用雅虎的数据发现,在搜索过程中获得的健康信息中,有近15%与民俗和习俗有关。一个例子是“吸烟者应该吃猪血来清洁肺部。”因此,本研究增加了2个问题。问题1要求参与者评价他们使用信息技术的能力(“我能够使用电脑/智能手机在互联网上找到我需要的信息”),问题10要求他们对当地民间医学的信仰(“我对基于我在互联网上找到的民间传说和习俗的医疗保健信息有信心”)。对问题的回答直接评估了对问题内容的能力和信念水平,而不是用赞同程度来评估态度。问题1至6涉及数字健康素养的自我评估,回答从1(很差)到5(很好)。问题7到9是关于人们如何从不同来源找到有说服力的互联网健康信息,问题10是关于人们对民间传说和习俗的健康信息的信任程度。回答范围从1(完全没有说服力)到5(非常有说服力)。DHLA的10项内容见 .网上健康信息库建设
这项研究构建了一个场景,在该场景中,互联网用户可以在开始搜索健康信息之前使用DHLA完成对其数字健康素养的评估。这将使网站能够确定他们的数字健康素养水平。数字健康知识水平较低的用户将在未经验证的健康信息旁边看到警告信息,或者根本看不到此类健康信息。因此,这项研究涉及到在现实世界中从互联网上搜索健康信息。台湾卫生部门建立了一个平台,对人们在互联网上发布的健康信息进行事实核查。健康资料项目取自台湾食品药品监督管理局网站[事实核对栏][
]及健康促进署网站的“医疗事实核对”栏[ ].这些网站提供有关食品安全、药品、医疗器械、化妆品、医疗、预防保健、疾病筛查、健康促进和一般医学的信息。任何台湾居民都可以通过互联网搜索来查看这些健康信息。卫生当局邀请专家开会,就信息的正确或错误达成共识,并给出理由。卫生信息项目内容及专家反馈均来自政府公共信息平台[ , ].本研究中的在线健康信息库主要集中在食品安全、药品、医疗、预防保健、疾病筛查、健康促进和普通医学等方面,这与互联网上可用的健康信息范围非常相似。我们对网上健康信息库的构建进行了两阶段内容有效性检验。两个公共部门平台共纳入600项卫生信息,删除重复项目后减少到529项。在第一阶段,我们邀请了四名医学专家,对判断公共平台上每条内容和反馈的准确性的难度进行分类。这些项目被分为容易、中等和难以判断的类别,分别是80%以上、50%和不到30%的公众能够确定可信度的项目。在第二阶段,一名公共卫生专家和三名公众被邀请讨论专家困难分类。小组会议认为,卫生信息项目必须明确说明,高度专业化的卫生信息项目是不适当的。因此,如果专家认为健康信息只是部分正确,或者确定可信度需要了解化学成分及其影响,那么健康信息项目就被排除在外。这就产生了一个包含310个项目的在线健康信息库,其中147个是简单的,122个是中等的,41个是困难的。样本项目和难度级别包括在
.数据收集
问卷是通过在线问卷平台匿名完成的。问卷介绍了DHLA,然后询问了基本信息,如性别、年龄组、教育水平、婚姻状况(已婚与否)、就业、收入、工作是否与健康有关、互联网使用的数量(水平)、自我报告的健康状况、身高、体重、腰围、运动频率和居住地。最后,系统从在线健康信息库中随机抽取5个项目(2个简单,2个中等,1个困难)供参与者考虑。对于每一个项目,参与者被要求确定信息是对还是错,并有一个不确定的选项。问卷平台设置标准答案,回答正确(判断准确)的参与者得分为1分,回答错误或不确定(判断不准确)的参与者得分为0分。项目是随机选择的,因为现实世界的健康信息各不相同,难度也各不相同。因此,这种方法模拟了在互联网上搜索健康信息的真实世界。一旦参与者完成问卷,平台就会向他们展示5个项目的正确答案,作为一个重要的道德问题,供他们未来参考。
分析
采用Cronbach alpha和项目尺度相关对DHLA的信度和内部一致性进行评估。效度采用聚合效度和构效度进行评估。在DHLA总分与年龄、教育水平和互联网使用水平之间使用斯皮尔曼相关性。与之前的研究一致,我们假设与年龄负相关,与教育水平和互联网使用水平正相关,这些被用于研究收敛效度[
, ].采用promax旋转的主成分分析分析结构效度,假设各因素之间存在轻度相关性,并使用大于1的特征值作为保留多少因素的指示。通过检查总分的正态性和检测下限和上限效应来研究DHLA的分布特性。低于−1或高于1的偏度和峰度值被认为是非正态性[ ].如果超过15%的参与者在DHLA中得分最低或最高,则认为存在下限或上限效应[ ].我们使用ROC分析,根据参与者准确判断简单、中等和困难项目的能力,使用不同的DHLA评分分界点来区分高、中、低风险组。从ROC曲线上的点确定DHLA评分的截止值。一般来说,截点是基于曲线下超过50%的面积。我们使用约登指数选择最合适的临界值:(敏感性+特异性- 1)为最大值[
].采用描述性统计方法,用不同风险组DHLA得分的均值和标准差来说明正确答案的比例。采用卡方检验检验健康信息项目难度与风险人群之间的关系。采用方差分析(ANOVA)研究不同风险组各因素DHLA评分的差异。采用后置分析检验各风险组之间的差异在方差分析后是否具有统计学意义。我们对三个风险组进行了鉴别分析,以探索根据DHLA评分对患者进行正确分类的概率。采用Spearman相关分析检验了健康信息项目难度与风险人群在年龄、教育程度和互联网使用水平方面的关系。
在数据分析的最后阶段,采用卡方检验分析数字健康素养与个体属性、自述健康状况、互联网使用水平之间的关系,然后采用logistic回归分析DHLA评分识别的风险群体相关因素。高危组与中危组及中、低危合并组进行比较。SPSS统计软件(版本22.0;IBM公司)进行统计分析。P值<。05were considered statistically significant.
结果
参与者
共收集在线问卷1871份,剔除不完整问卷后有效问卷1588份。调查对象中女性占63.7%(1011/1588),45至63岁占40.6%(645/1588),大学学历占87.7%(1393/1588)(959/1588,60.4%)或以上(434/1588,27.3%),已婚占57.8%(918/1588)。46.7%(742/1588)的受访者为专业人士,36.9%(586/1588)从事服务业;36.1%(573/1588)的月收入为新台币3万至5万美元(1049美元至1748.34美元),91.1%(1447/1588)的人每天浏览几次互联网,46.3%(736/1588)的人认为自己的健康状况良好。最后,15.6%(247/1588)每天运动,20.9%(332/1588)完全不运动。
分布特性
总DHLA评分近似正态分布,偏度为−0.53,平均评分为35.50 (SD 5.56)。没有人获得可能的最差分数(即10),5名(5/1588,0.3%)参与者获得可能的最高分数(即50),因此下限和上限效应是可以接受的。
信度与效度
我们使用主成分因子分析的DHLA得分给出三个因素。这三个因素分别是数字健康素养(问题1至6)、医学信仰(问题7至9)和民间偏方信仰(问题10),它们占方差的76.6%,特征值分别为4.87、1.68和1.11。
显示了10个项目的因素负荷,范围从0.63到0.93。整个量表的标准化Cronbach alpha值为0.87,数字健康素养子量表的标准化Cronbach alpha值为0.92,医学信仰子量表的标准化Cronbach alpha值为0.77。因此,内部一致性总体上是好的。所有项目的总相关性也具有统计学意义,范围为0.27至0.87。如果一个项目被删除,Cronbach alpha的范围从。84到。89。因子载荷 | |||||||||||||
域名一个 | |||||||||||||
DHLA项 | 意思是(SD) | 1 | 2 | 3. | 量表的相关性,P<措施 | Cronbach alpha如果项目已删除 | |||||||
全面 | 35.50 (5.56) | .87点 | |||||||||||
1 | 能够使用电脑或智能手机在互联网上查找我需要的信息 | 4.04 (0.91) | 0.77 | 0.73 |
.85 | ||||||||
2 | 我在互联网上找到健康或疾病相关信息的能力 | 3.89 (0.86) | 0.91 | 0.85 | 点 | ||||||||
3. | 我有在互联网上查找信息了解健康问题或疾病的能力 | 3.82 (0.86) | 0.93 | 0.87 | 点 | ||||||||
4 | 我有能力在互联网上找到信息,回答有关保健或疾病治疗的问题 | 3.67 (0.88) | 0.91 | 0.85 | 点 | ||||||||
5 | 我有能力利用互联网上的信息与卫生保健专业人员讨论 | 3.27 (0.99) | 0.79 | 0.75 | .85 | ||||||||
6 | 我能够判断在网上找到的医疗保健信息是否准确 | 3.45 (0.88) | 0.82 | 0.78 | .85 | ||||||||
7 | 相信我在网上找到的医疗保健信息 | 3.31 (0.64) | 0.63 | 0.53 | .87点 | ||||||||
8 | 我在网上找到的医生提供的医疗保健信息的信念 | 3.60 (0.66) | 0.90 | 0.56 | .86 | ||||||||
9 | 我在网上找到的关于医院提供的医疗保健信息的信念 | 3.82 (0.67) | 0.89 | 0.48 | .87点 | ||||||||
10 | 我在网上找到的基于民间传说和习俗的关于保健信息的信念 | 3.37 (0.79) | 0.90 | 0.27 | .89 |
一个域名如下:1=数字健康素养,2=医学信仰,3=民间偏方信仰。
使用斯皮尔曼相关性显示了总DHLA得分和年龄、教育水平和互联网使用水平变量之间的收敛效度。所有相关分析均具有统计学意义,相关系数与年龄呈轻度相关(<0.3)(ρ= -0.19,P<.001),教育(ρ=0.22,P<.001),互联网使用水平(ρ=0.17,P<措施)。
特征 | DHLA一个(ρ) | DHLA (P值) | 难度分数 | 总分(ρ) | 总分(P值) | 风险群体(ρ) | 风险组别(P值) | ||||||||
容易b | 温和的c | 困难d | |||||||||||||
ρ | P价值 | ρ | P价值 | ρ | P价值 | ||||||||||
年龄(≤34岁至≤65岁) | −0.19 | 措施 | 0.02 | .322 | 0.03 | 他 | 0.02 | .344 | 0.04 | .168 | −0.18 | 措施 | |||
教育水平 (初中及以下至大学及以上) |
0.22 | 措施 | 0.05 | .196 | 0.05 | .031 | 0.10 | 措施 | 0.09 | 措施 | 0.18 | 措施 | |||
互联网使用水平 (不要一天几次) |
0.18 | 措施 | 0.04 | .245 | 0.07 | .007 | 0.07 | .006 | 0.08 | 措施 | 0.21 | 措施 |
一个数字卫生素养评估。
bDHLA与easy水平Pearson相关性=0.04。
cDHLA与中度水平Pearson相关性=0.07,P= .009。
dDHLA与难度的Pearson相关系数=0.17,P措施。
定义风险群体
采用ROC分析对DHLA各因素的得分进行分析,以确定正确答案倾向与错误答案倾向之间的分界点。如
在美国,数字健康素养、医学信仰和民间偏方信仰的良好分界点分别为15.5、8.5和1.5。在民间偏方信仰这一因素的所有难度级别中,曲线下的面积都小于0.50,因此小于临界值(1.5)的分数被定义为正确回答的倾向。然而,对于其他两个因素(数字健康素养和医学信仰),小于临界值(分别为15.5和8.5)被定义为回答错误的倾向。因此,基于ROC截断点,三个DHLA因素的新得分被定义为1(倾向于不正确)或2(倾向于正确)。如果参与者在三个因素中都得到2分,他们被认为是低风险的误判,如果他们在三个因素中有两个得到2分,则被认为是中等风险,如果三个因素中有一个或没有一个得分为2,则被认为是高风险的。因此,高危组共有106人,中危组有1368人,低危组有144人。域名和难度 | 截止 | 灵敏度 | 特异性 | AUC一个 | 95%可信区间 | ||||||
数字健康素养 | |||||||||||
容易 | 15.5 | 0.95 | 0.09 | 0.49 | 0.45 - -0.54 | ||||||
温和的 | 15.5 | 0.95 | 0.09 | 0.54 | 0.50 - -0.57 | ||||||
困难 | 15.5 | 0.96 | 0.08 | 0.56 | 0.53 - -0.59 | ||||||
医学信仰 | |||||||||||
容易 | 8.5 | 0.96 | 0.03 | 0.52 | 0.47 - -0.56 | ||||||
温和的 | 8.5 | 0.97 | 0.05 | 0.50 | 0.47 - -0.54 | ||||||
困难 | 8.5 | 0.97 | 0.04 | 0.53 | 0.50 - -0.56 | ||||||
民间偏方的信仰 | |||||||||||
容易 | 1.5 | 0.91 | 0.07 | 0.48 | 0.44 - -0.52 | ||||||
温和的 | 1.5 | 0.91 | 0.10 | 0.46 | 0.43 - -0.50 | ||||||
困难 | 1.5 | 0.91 | 0.08 | 0.48 | 0.46 - -0.53 |
一个AUC:曲线下面积。
结果显示,86.9%的简单题、78.3%的中等题、54.2%的困难题被正确判断。答对率最高的是低风险组(90.4%、79.8%、57.0%),其次是中风险组(87.0%、78.9%、55.0%),最后是高危组(82.1%、68.9%、41.5%)。正确评估简单项目与风险组之间没有统计学上的显著关系(P= .190)。然而,在中等难度和高难度项目中,与风险组有统计学意义的关系(P= .049;P= 0)。低危组DHLA评分平均值(39.32,SD 4.72)高于中危组(36.84,SD 4.37)和高危组(25.31,SD 5.04),差异有统计学意义。数字健康素养、医学信仰和民间偏方信仰这三个因素显示出非常相似的结果。对于事后测试的配对比较,低风险组的数字健康素养和医学信念的平均分都大于中等风险组,但这种差异没有统计学意义。判别分析显示,89.6%的原分组参与者被正确分类。
难度/ DHLA | 风险评估小组 | |||||||||||
高(n = 106) | 介质(n = 1368) | 低(n = 114) | 总(n = 1588) | χ²/ F (df) | P价值 | Posthoc测试 | ||||||
难度(正确答案,%) | ||||||||||||
容易 | 82.1 | 87.0 | 90.4 | 86.9 | 3.37 (2) | .190 | ||||||
温和的 | 68.9 | 78.9 | 79.8 | 78.3 | 6.05 (2) | .049 | ||||||
困难 | 41.5 | 55.0 | 57.0 | 54.2 | 7.57 (2) | 0。 | ||||||
DHLA得分 | ||||||||||||
的意思是 | 25.31 | 36.84 | 39.32 | 360.12 (2) | 措施 | H一个米b,霍奇金淋巴瘤c毫升;P措施 | ||||||
SD | 5.04 | 4.37 | 4.72 | |||||||||
数字健康素养评分 | 303.77 (2) | 措施 | ||||||||||
的意思是 | 13.14 | 22.75 | 23.29 | 嗯,霍奇金淋巴瘤;P措施 | ||||||||
SD | 4.60 | 3.82 | 4.13 | |||||||||
医学信仰 | 92.36 (2) | 措施 | ||||||||||
的意思是 | 8.78 | 10.86 | 11.04 | 嗯,霍奇金淋巴瘤;P措施 | ||||||||
SD | 2.38 | 1.46 | 1.44 | |||||||||
民间偏方的信仰 | 388.63 (2) | 措施 | ||||||||||
的意思是 | 3.39 | 3.23 | 5.0 | 嗯,P= .02点;霍奇金淋巴瘤,毫升,P措施 | ||||||||
SD | 0.82 | 0.66 | 0.0 | |||||||||
谓词组d | ||||||||||||
高 | 56 | 50 | 0 | 89.6%的原分组病例正确分类 | ||||||||
媒介 | 1 | 1367 | 0 | |||||||||
低 | 0 | 114 | 0 |
一个高危组。
b中等风险。
c低风险组。
d标准化正则判别函数:Wilks lambda=0.688,P措施;特征值= 0.454;典型相关= 0.559。
本研究亦检验了难度等级评分与风险组别评分的收敛效度
.不同难度的斯皮尔曼相关系数与教育水平(ρ= 0.05-0.10)和互联网使用水平(ρ= 0.04-0.07)呈非常轻微的相关性。与中等难度题的相关性有统计学意义。DHLA得分与各难度等级得分之间的Pearson相关系数在0.4 ~ 0.1之间,中等难度和难度项目的Pearson相关系数具有统计学意义。在各风险组中,简单项目的得分没有统计学意义。风险人群与年龄、教育水平和互联网使用水平之间的相关系数显示出轻度但具有统计学意义的相关性(ρ=−0.18至0.21)。与年龄呈负相关,与教育程度和网络使用呈正相关。不同危险人群的描述及相关因素分析
显示性别、年龄、受教育程度、婚姻状况、就业状况、收入状况、网络使用水平、自述健康状况、运动习惯与危险人群有显著相关性。总体而言,45岁及以上患者高危组占70.7%(75/106),低危组占28.9%(33/114)。总体而言,高、中、低风险组的参与者中,分别有55.7%(59/106)、89.5%(1224/1368)和96.5%(110/114)拥有大学及以上学历。这表明,教育水平越高,误解健康信息的风险就越低。从事专业工作和服务行业的参与者大多属于中风险和低风险组(703/742[94.7%]和556/586[94.9%])。在高风险组、中风险组和低风险组中,从事体力劳动的参与者分别占16.0%(17/106)、6.9%(95/1368)和2.6%(3/114)。在高、中、低风险组中,服务业从业人员分别占28.3%(30/106)、37.6%(514/1368)和36.8%(42/114)。月收入在新台币5万元(1748.34美元)或以上的参与者在高风险组中占28.3%(30/106),在中风险组中占37.6%(514/1368),在低风险组中占39.4%(45/114),这表明收入越高,高风险组的参与者比例越低。从不或很少浏览互联网的参与者比例分别占高、中、低风险组的28.3%、2.5%和0%。低风险组健康状况良好的比例较高(70/114,61.4%),高、中、低风险组健康状况不佳的比例分别为17.0%(18/106)、6.6%(90/1368)和3.5%(4/114)。 This suggests that most participants with poor health were in the high-risk group. The proportion of participants who did not exercise was higher in the higher risk groups (27/106 [25.5%], 286/1368 [20.9%], and 19/114 [16.7%] in the high-, medium-, and low-risk groups, respectively).
特征 | 危险组,n (%) | ||||||
高(n = 106) | 介质(n = 1368) | 低(n = 114) | 总计,n (%) | χ²(df) | P价值 | ||
性 | 17.5 (2) | 措施 | |||||
男性 | 46 (43.4) | 471 (34.4) | 60 (52.6) | 577 (36.3) | |||
女 | 60 (56.6) | 897 (65.6) | 54 (47.4) | 1011 (63.7) | |||
年龄(年) | 142.6 (6) | 措施 | |||||
≤34 | 20 (18.9) | 364 (26.6) | 52 (45.6) | 436 (27.5) | |||
35-44 | 11 (10.4) | 398 (29.1) | 29 (25.4) | 438 (27.6) | |||
45 - 64 | 49 (46.2) | 564 (41.2) | 32 (28.1) | 645 (40.6) | |||
≥65 | 26日(24.5) | 42 (3.1) | 1 (0.9) | 69 (4.3) | |||
教育水平 | 234.5 (6) | 措施 | |||||
初中或以下学历 | 21日(19.8) | 9 (0.7) | 0 (0) | 30 (1.9) | |||
高中 | 26日(24.5) | 135 (9.9) | 4 (3.5) | 165 (10.4) | |||
大学或学院 | 45 (42.5) | 841 (61.5) | 73 (64) | 959 (60.4) | |||
研究生院 | 14 (13.2) | 383 (28) | 37 (32.5) | 434 (27.3) | |||
结婚了 | 7 (2) | .029 | |||||
没有 | 40 (37.7) | 569 (41.6) | 61 (53.5) | 670 (42.2) | |||
是的 | 66 (62.3) | 799 (58.4) | 53 (46.5) | 918 (57.8) | |||
就业 | 40.8 (6) | 措施 | |||||
专业 | 39 (36.8) | 653 (47.7) | 50 (43.9) | 742 (46.7) | |||
服务行业 | 30 (28.3) | 514 (37.6) | 42 (36.8) | 586 (36.9) | |||
手工工作 | 17 (16.0) | 95 (6.9) | 3 (2.6) | 115 (7.2) | |||
失业 | 20 (18.9) | 106 (7.7) | 19日(16.7) | 145 (9.1) | |||
收入(新台币)a、b | 90.3 (12) | 措施 | |||||
0 | 22日(20.8) | 86 (6.3) | 15 (13.2) | 123 (7.7) | |||
≤23800美元 | 20 (18.9) | 79 (5.8) | 18 (15.8) | 117 (7.4) | |||
23801 - 30000美元 | 10 (9.4) | 167 (12.2) | 9 (7.9) | 186 (11.7) | |||
30001 - 50000美元 | 24 (22.6) | 522 (38.2) | 27日(23.7) | 573 (36.1) | |||
50001 - 70000美元 | 12 (11.3) | 276 (20.2) | 18 (15.8) | 306 (19.3) | |||
70001 - 100000美元 | 9 (8.5) | 148 (10.8) | 20 (17.5) | 177 (11.1) | |||
≥100001美元 | 9 (8.5) | 90 (6.6) | 7 (6.1) | 106 (6.7) | |||
互联网使用水平 | 177.8 (4) | 措施 | |||||
从不或很少 | 30 (28.3) | 34 (2.5) | 0 (0.0) | 64 (4) | |||
每周/每月几次 | 5 (4.7) | 70 (5.1) | 2 (1.8) | 77 (4.8) | |||
每天几次 | 71 (67.0) | 1264 (92.4) | 112 (98.2) | 1447 (91.1) | |||
健康状况 | 29.4 (4) | 措施 | |||||
可怜的 | 18 (17.0) | 90 (6.6) | 4 (3.5) | 112 (7.1) | |||
正常的 | 51 (48.1) | 649 (47.4) | 40 (35.1) | 740 (46.6) | |||
好 | 37 (34.9) | 629 (46) | 70 (61.4) | 736 (46.3) | |||
锻炼频率 | 11.8 (4) | .019 | |||||
从来没有 | 27日(25.5) | 286 (20.9) | 19日(16.7) | 332 (20.9) | |||
有时 | 54 (50.9) | 883 (64.5) | 72 (63.2) | 1009 (63.5) | |||
每天 | 25 (23.6) | 199 (14.5) | 23日(20.2) | 247 (15.6) |
一个适用的货币汇率为1新台币= 0.035美元。
b所有雇员(包括台湾国籍或外籍的全职或兼职雇员)的平均固定收入为新台币42,495元。2019年台湾贫困水平收入为新台币11,648元至新台币24,293元。
显示健康信息误判风险高的参与者受教育程度较低,收入较低,健康状况较差,他们不浏览或很少浏览互联网。这些差异有统计学意义。中等风险组参与者高中、大学、研究生学历的概率分别是高危组参与者的4.65倍、13.22倍、18.40倍。有收入的参与者比没有收入的参与者更有可能属于中等风险组,优势比(OR)为1.76 (95% CI 0.58-5.36)至4.23 (95% CI 1.56-11.47)。健康状况良好的参与者比健康状况不佳的参与者(OR 2.98, 95% CI 1.30-6.83)更有可能属于中等风险组(OR 1.93, 95% CI 0.90-4.14)。与从不上网或很少上网的人相比,每天上网几次或每周/月上网几次的人更有可能属于中等风险组(or 3.80, 95% CI 1.71-8.46和or 9.19, 95% CI 2.61-32.37)。当高危组与两个低危组进行比较时,也得到了类似的结果。
特征 | 中等风险与高风险一个,或b(95%置信区间) | 中、低风险与高风险c,或(95% ci) | |
教育程度(参考:初中或以下)d | |||
高中 | 4.65 (1.54 - -13.99) | 4.50 (1.50 - -13.52) | |
大学/学院 | 13.22 (4.24 - -41.23) | 13.46 (4.32 - -41.93) | |
研究生院 | 18.40 (5.03 - -67.36) | 19.11 (5.23 - -69.90) | |
收入(新台币)(编号:$0)e | |||
≤23800美元 | 0.90 (0.37 - -2.20) | 0.93 (0.38 - -2.28) | |
23801 - 30000美元 | 4.06 (1.44 - -11.45) | 3.86 (1.37 - -10.87) | |
30001 - 50000美元 | 4.08 (1.72 - -9.69) | 3.78 (1.59 - -8.95) | |
50001 - 70000美元 | 4.23 (1.56 - -11.47) | 3.92 (1.45 - -10.59) | |
70001 - 100000美元 | 2.18 (0.75 - -6.33) | 2.16 (0.75 - -6.23) | |
≥100001美元 | 1.76 (0.58 - -5.36) | 1.62 (0.54 - -4.90) | |
使用互联网的程度(参考:从不/很少) | |||
每周/每月几次 | 9.19 (2.61 - -32.37) | 9.05 (2.57 - -31.84) | |
每天几次 | 3.80 (1.71 - -8.46) | 3.95 (1.77 - -8.79) | |
健康状况(参考:差) | |||
正常的 | 1.93 (0.90 - -4.14) | 2.00 (0.93 - -4.31) | |
好 | 2.98 (1.30 - -6.83) | 3.22 (1.40 - -7.39) |
一个-2 log-likelihood: 564.251;NagelkerkeR2: 0.311。
bOR:优势比。
c-2 log-likelihood: 576.339;NagelkerkeR2: 0.309。
d裁判:参考。
e适用的货币汇率为1新台币= 0.035美元。
讨论
主要结果
本研究以eHEALS为基础,开发DHLA仪器,并进行信度和效度分析。该研究还从公共部门来源构建了一个在线健康信息库,以模拟现实世界用户在搜索在线健康信息时可能找到的信息。该研究使用ROC分析找到DHLA截断值,根据参与者误解健康信息的可能性将他们分为高、中、低风险组。DHLA得分越高,健康信息误判的风险越低。高风险参与者往往教育程度低、收入低、健康状况不佳,从不或很少浏览互联网信息。高危组对中度和困难健康信息项目的准确判断比例(分别为68.9%和41.5%)比中等风险组(分别为78.9%和55.0%)和低风险组(分别为79.8%和57.0%)低约10%至15%。在被认为简单的项目上,风险组之间的差异较小。因此,该工具似乎能更准确地区分高风险和低/中风险组,而不是低风险组和中风险组。
限制
本研究的第一个局限性是样本不能代表台湾的人口。我们尽最大努力从社会经济地位最广泛的人群中招募参与者,包括通过同事、朋友和亲戚从使用社会福利的人群中招募参与者。参与者涵盖了不同年龄段、性别、收入水平和教育水平。然而,参与者往往具有较高的教育水平,这可能会影响他们的数字健康素养。第二个限制是数据收集机制(在线问卷平台),无法接触到不熟悉互联网或移动设备的参与者。然而,之前的一项研究发现,纸质问卷和在线问卷在eHEALS得分上没有显著差异[
].未来,可以考虑通过电话或纸质渠道进行数据收集,以扩大数字卫生素养的得分范围。这可能会增加中风险组和低风险组之间DHLA评分的差异。第三个限制是在线健康信息库,其中包括310个不同难度级别的健康信息(147个简单,122个中等,41个困难)。这比以前的研究中使用的项目要多[ , , ].我们认为大多数人需要能够从网上健康信息库中判断健康信息的准确性,因此我们排除了任何被认为需要专业知识的项目。这可能将困难项目的数量限制在41个,并且可能更难区分中等和低风险群体。与以往工作的比较
eHEALS是一维的,Cronbach alpha值为0.88,而DHLA是三维的,Cronbach alpha值为0.87。使用0.70至0.90的标准作为良好内部一致性的衡量标准[
], DHLA具有足够的内部一致性。DHLA的项目尺度相关性范围为0.27至0.87,这是令人满意的,因为系数大于0.20 [ ]的所有项目。除民间偏方一项(0.27)外,其余均超过0.48。DHLA是由eHEALS开发的,增加了两个项目并改变了响应的格式。这就给出了一个不同的因素结构。Abma等[ ]报道了他们的收敛效度的相对相关大小在0.2到0.4之间,相关性从轻度到中度,尽管相关的预期方向-正或负-也很重要。DHLA得分与年龄呈负相关,与教育程度、网络使用水平呈正相关。弱相关系数在0.20左右有统计学意义,收敛效度可以接受。在一项系统综述中,Diviani等[
]发现38项研究中有10项(26%)考察了卫生素养与评估在线卫生信息能力之间的关系。然而,只有五项研究使用eHEALS作为一种措施来探索与在线健康信息搜索相关的问题。最新生命体征(辉瑞公司)筛查工具已在多项研究中用作性能测试,以评估对在线健康信息做出准确判断的能力[ , , ].此工具基于营养标签,由六个问题组成,需三分钟完成[ ].Quinn等人的研究[ 他设计了6个健康问题作为绩效测试,包括糖尿病、肥胖、流感、营养和镇痛药物等战略领域。一些研究使用性能测试来收集数据,但这些测试需要相当长的时间才能完成,通常在1.5小时左右[ , , ].因此,使用性能测试的研究往往限制了健康信息所涵盖的领域,因此不能反映现实情况。花很长时间收集数据可能会降低研究的有效性,因为参与者会感到疲劳。在这项研究中,大多数参与者花了大约6分钟来评估从在线健康信息库中随机选择的5项健康信息。健康信息库中的项目来自互联网上的真实项目。因此,在线健康信息库被认为是对在线健康信息的合理类比,但它不能被视为与以往研究中使用的性能测试相媲美的性能测试[ , , , , , ].在线健康信息库包含大约300个项目,数量和种类都有,这可能导致难度水平、教育水平和互联网使用之间存在弱正相关系数(
).但除易题外,相关系数均有统计学意义。难度分为80%以上(简单)、50%(中等)、30%以下(困难)的项目。而在本研究中,正确答案的比例为86.9%(简单),78.3%(中等),57.0%(困难),明显高于定义。这可能是因为96.5%的参与者至少受过大学或学院教育。然而,本研究使用了健康信息库和DHLA评分,以数字健康素养水平区分高、中、低风险误读信息的人群。研究结果显示,高危人群在判断健康信息项目时正确回答的比例最低。这意味着互联网上的卫生信息平台可以使用DHLA来识别——并因此保护——有曲解卫生信息高风险的用户。系统综述发现,教育水平与数字卫生素养相关[
].Neter和Brainin [ 他们对18岁及以上的成年人进行了研究,发现数字健康素养与性别或自我报告的健康状况无关,但与年龄、教育水平、疾病和状况以及互联网使用水平有关。Xesfingi和Vozikis [ 发现数字健康素养与年龄、教育水平和锻炼频率有关。Del Giudice等[ 显示数字健康素养与年龄、教育水平、自我报告健康状况和互联网健康信息使用水平相关。我们将高危组与(1)中等风险组和(2)中等和低风险组合组进行了比较,发现区分因素包括教育程度、收入、互联网使用水平和自我报告的健康状况。因此,本研究中发现的因素与之前关于数字健康素养的研究中发现的因素非常相似[ , - ].Del Giudice等[
]发现受教育程度与两者之间存在微弱的正相关(ρ=0.11,P=.001)数字健康素养。他们的样本被分为两组:一组在卫生部门学习或工作,另一组不是。有趣的是,在我们的研究中,从事与健康相关的工作与不同的风险群体没有统计学上的显著相关性。我们发现,高等教育水平(ρ=0.22,P.001)与较低的健康信息误判风险相关,显示出更好的判断可信健康信息的能力。这一发现表明,教育水平低的人可能需要帮助来提高他们的数字健康素养,以避免滥用在线健康信息及其对健康的潜在负面影响。崔和迪尼托[
]表明,与美国整体人口相比,教育水平低的人的数字健康素养较差。一项系统文献综述报告了收入与互联网接入和数字健康素养之间的关系[ ].我们发现,收入在新台币23,800元至70,000元(832.20美元至2447.65美元)的参与者比没有收入的参与者更能判断互联网健康信息的可信度。然而,收入为新台币70,001元(2447.68美元)和新台币100,000元(3496.64美元)或以上的参与者的or值低于收入为新台币23,801元(832.24美元)至70,000元(2447.65美元)的参与者的or值(分别为2.18和1.76); ).这表明基于DHLA得分的收入水平与风险群体之间可能是倒U型关系。收入在新台币70,000元(832.20美元)或以上的人在选择健康信息时可能更谨慎,不想给出错误的答案,因此更可能回答“不确定”,这导致属于中风险和低风险群体的概率较低。研究表明,自我报告的健康状况与数字健康素养显著相关[
, , ].我们发现,健康状况不佳的参与者更有可能属于高风险群体,数字健康素养较低。因此,重要的是通过健康教育帮助健康状况差的人提高健康素养。这将降低他们使用互联网虚假信息的风险。兹鲁卡等[
]表明,许多研究发现数字健康素养与互联网使用水平之间存在关联,尽管一些研究发现相关性很弱[ ].我们发现,每天、每周或每月上网几次的参与者能够更好地识别正确的健康信息,并且与那些很少或从不使用互联网的参与者相比,健康信息误判的风险更低。然而,与从不或很少使用互联网的人相比,每周或每月使用互联网几次的人属于中风险或低风险组的概率最高(or 9.19, 95% CI 2.61-32.37),其次是每天使用互联网几次的人(or 3.80, 95% CI 1.71-8.46)。那些每天上网几次的人可能会对所能获得的信息的质量变得blasé,而那些每周或每月上网几次的人可能会更小心。改善从不或很少使用互联网的人的互联网接入,并鼓励他们更经常地使用互联网,可能会有所帮助。然而,网站可能还需要提供一种机制来保护他们不被误解信息。结论
我们的研究结果表明,DHLA得分可以区分那些在互联网上误判健康信息的低、中、高风险。因此,互联网上的卫生信息平台可以利用《卫生信息安全法》建立机制,保护用户不滥用卫生信息,从而避免损害他们的健康。这意味着将DHLA纳入网站,并使用更大的样本进行验证。同时,这种方法可以减少用户收到可能威胁其生活质量的错误健康信息的可能性。
致谢
我们感谢所有受访者参与这项研究。我们也感谢Melissa Leffler, MBA,来自Edanz集团日本公司,编辑了这篇手稿的草稿。
利益冲突
没有宣布。
数字卫生素养评估。
DOCX文件,23kb
网上健康信息库样本项目。
DOCX文件,21 KB参考文献
- 电联。衡量数字发展:2019年的事实和数据。瑞士日内瓦:国际电信联盟;2019.
- 欧洲委员会。欧洲公民数字健康素养:报告。布鲁塞尔:欧洲委员会;2014.
- 提示回答:最近一次您查找有关健康或医学主题的信息时,您首先查找的是哪里?卫生信息全国趋势调查5(提示5):第三周期网站。国家癌症研究所。URL:https://hints.cancer.gov/view-questions-topics/question-details.aspx?PK_Cycle=12qid=688[2020-06-04]访问
- 国家发展委员会。2016年个人和家庭数字机会调查(AE010014)。台北:国家发展局;2017.
- 宋海松,金金杰,张文杰,林伟,等。信任社交媒体作为健康信息的来源:比较美国、韩国和香港的在线调查J Med Internet Res 2016年3月14日;18(3):e25 [免费全文] [CrossRef] [Medline]
- 李海霞,王昌昌,罗sk,方卫东。网络谣言跨国传播现象探究。《信息社会杂志》2003年7月;5:175-208 [免费全文]
- 国家发展委员会,2019年个人和家庭数字机会调查。台北:国家发展局;2020年3月20日。
- DiFonzo N, Robinson NM, Suls JM, Rini C.关于癌症的谣言:内容,来源,应对,传播和信仰。中华卫生杂志2012;17(9):1099-1115。[CrossRef] [Medline]
- 诺曼CD,斯金纳HA。eHEALS:电子健康素养量表。J Med Internet Res 2006 11月;8(4):e27 [免费全文] [CrossRef] [Medline]
- 古敏,张华,张晓明。中国版电子健康素养量表(eHEALS)在学龄儿童中的心理测量评估。世界健康教育杂志2012年1月1日;15(1):29-36。
- Karnoe A, Kayser L.如何测量电子健康素养,测量告诉我们什么?系统回顾。知识管理电子学习2015年12月15日;7(4):576-600。[CrossRef]
- Ghaddar SF, Valerio MA, Garcia CM, Hansen L.青少年健康素养:在线健康信息可信来源的重要性。中华中学卫生杂志2012 1月;82(1):28-36。[CrossRef] [Medline]
- 医疗在线。URL:https://medlineplus.gov/[2020-11-13]访问
- Knapp C, Madden V, Wang H, Sloyer P, Shenkman E.儿童有特殊医疗需求的低收入父母的互联网使用和eHealth素养。中国医学杂志,2011;13(3):e75 [免费全文] [CrossRef] [Medline]
- Neter E, Brainin E.电子卫生素养:将数字鸿沟扩展到卫生信息领域。J Med Internet Res 2012 Jan;14(1):e19 [免费全文] [CrossRef] [Medline]
- Diviani N, van DPB, Meppelink CS, van WJCM。探索健康素养在在线健康信息评估中的作用:来自混合方法研究的见解。患者教育计数2016年6月;99(6):1017-1025。[CrossRef] [Medline]
- Noblin AM, Rutherford A.健康素养对老年人参与医疗保健IT使用的影响。老年医学2017;3:2333721417706300 [免费全文] [CrossRef] [Medline]
- van der Vaart R, van Deursen AJ, Drossaert CH, Taal E, van Dijk JA, van de Laar MA电子健康素养量表(eHEALS)是否测量了它打算测量的内容?荷兰版本eHEALS在两个成年人群中的验证。J Med Internet Res 2011 11月09;13(4):e86 [免费全文] [CrossRef] [Medline]
- Quinn S, Bond R, Nugent C.使用现有工具和基于浏览器的软件跟踪在线健康信息搜索行为,量化健康素养和电子健康素养。计算机在人类行为2017年4月;69:256-267。[CrossRef]
- 马智,吴敏。中国农村人群电子健康素养量表(C-eHEALS)的心理测量特性:横断面验证研究。J Med Internet Res 2019 10月22日;21(10):e15720 [免费全文] [CrossRef] [Medline]
- 萨德伯里-莱利L,菲茨帕特里克M,舒尔茨PJ。探索婴儿潮一代电子健康素养量表(eHEALS)的测量属性:测量不变性的多国测试。J Med Internet Res 2017 Feb 27;19(2):e53 [免费全文] [CrossRef] [Medline]
- 诺曼C.电子卫生素养2.0:不断发展的概念带来的问题和机遇。J Med Internet Res 2011年12月;13(4):e125 [免费全文] [CrossRef] [Medline]
- 吴昌昌。社会质量保证中的健康相关问题分析。台北:国立台湾师范大学;2014年1月。
- 事实核查栏。台湾食品药品监督管理局网站。URL:https://www.fda.gov.tw/TC/news.aspx?cid=5049[2020-11-13]访问
- 医疗保健事实检查栏。健康促进管理局网站。URL:https://www.hpa.gov.tw/Pages/List.aspx?nodeid=70[2020-11-13]访问
- 医疗保健事实检查列数据集。健康促进局。政府公开资料网站。URL:https://data.gov.tw/dataset/43338[2020-11-13]访问
- 关于食品和药品的事实检查列数据集。政府公开资料网站。台湾食品药品监督管理局。URL:https://data.gov.tw/dataset/17148[2020-11-13]访问
- 毛俊杰,霍特GTM,林克尔CM,萨斯泰特M.偏最小二乘结构方程建模入门(PLS-SEM)。加州千橡市:Sage出版公司;2017.
- Terwee CB, Bot SDM, de BMR, van DWDAWM, Knol DL, Dekker J,等。提出了健康状况问卷测量属性的质量标准。中华临床流行病学杂志2007 1月;60(1):34-42。[CrossRef] [Medline]
- 哈比扎德F,哈比扎德P,亚德拉希M.关于确定最合适的测试截断值:连续测试结果的情况。生物化学医学(萨格勒布)2016年10月15日;26(3):297-307 [免费全文] [CrossRef] [Medline]
- 朱valta S, Kerry MJ, Jaks R, Baumann I, Dratva J.瑞士-德国父母的电子健康素养:单维度电子健康素养量表的横断面研究。J Med Internet Res 2020年3月13日;22(3):e14492 [免费全文] [CrossRef] [Medline]
- 王敏,Batt K, Kessler C, Neff A, Iyer NN, Cooper DL,等。美国成人血友病患者自述结局仪器和血友病关节健康评分v2.1的内部一致性和项目-总相关性:来自疼痛、功能损伤和生活质量(P-FiQ)研究的结果。患者偏好坚持2017;11:1831-1839 [免费全文] [CrossRef] [Medline]
- Abma IL, Rovers M, van der威斯PJ。评价系统评价中患者报告的结果测量的收敛有效性:构建假设和解释结果。BMC Res Notes 2016年4月19日;9:226 [免费全文] [CrossRef] [Medline]
- Diviani N, van DPB, Giani S, van WJC。低健康素养和在线健康信息的评估:文献的系统回顾。中国医学杂志,2015;17(5):e112 [免费全文] [CrossRef] [Medline]
- Monkman H, Kushniruk AW, Barnett J, Borycki EM, Greiner LE, Sheets D.健康素养和电子健康素养是相同还是不同?种马健康技术通报2017;245:178-182。[Medline]
- Weiss BD, Mays MZ, Martz W, Castro KM, DeWalt DA, Pignone MP,等。初级保健中读写能力的快速评估:最新的生命体征。神经外科杂志2005;3(6):514-522 [免费全文] [CrossRef] [Medline]
- Feufel MA, Stahl SF。网络使用技能差异对在线健康信息搜索意味着什么?中国医学杂志,2012;14(3):e87 [免费全文] [CrossRef] [Medline]
- van Deursen AJAM, van Dijk JAGM。互联网技能性能测试:人们准备好接受电子医疗了吗?J Med Internet Res 2011年4月29日;13(2):e35 [免费全文] [CrossRef] [Medline]
- Chesser A, Burke A, Reyes J, Rohrberg T.导航数字鸿沟:美国服务不足人群电子健康素养的系统回顾。告知卫生社会护理2016;41(1):1-19。[CrossRef] [Medline]
- Xesfingi S, Vozikis A.电子健康素养:在寻找促成因素。Interact J Med Res 2016年5月25日;5(2):e16 [免费全文] [CrossRef] [Medline]
- Del Giudice P, Bravo G, Poletto M, De Odorico A, Conte A, Brunelli L,等。电子健康素养和健康素养之间的相关性使用电子健康素养量表和卫生部门的现实生活经验作为功能性健康素养的代理衡量标准:基于web的横断面调查J Med Internet Res 2018 10月31日;20(10):e281 [免费全文] [CrossRef] [Medline]
- Choi NG, Dinitto DM.低收入家庭老年人的数字鸿沟:互联网使用模式、电子健康素养和对计算机/互联网使用的态度。J Med Internet Res 2013 5月;15(5):e93 [免费全文] [CrossRef] [Medline]
- Tennant B, Stellefson M, Dodd V, Chaney B, Chaney D, Paige S等婴儿潮一代和老年人的电子健康素养和Web 2.0健康信息搜索行为。中国医学杂志,2015;17(3):e70 [免费全文] [CrossRef] [Medline]
- Zrubka Z, Hajdu O, Rencz F, Baji P, Gulácsi L, Péntek M.匈牙利版电子健康素养量表的心理测量特性。欧洲卫生经济杂志2019年7月;20(增刊1):57-69 [免费全文] [CrossRef] [Medline]
- De Caro W, Corvo E, Marucci AR, Mitello L, Lancia L, Sansoni J.电子健康素养量表:护理分析和意大利验证。Stud Health technology Inform 2016;225:949。[Medline]
- 帕拉米奥Pérez G,阿尔马格罗BJ,埃尔南多Gómez Á,阿瓜德Gómez JI。[西班牙大学生电子健康素养量表(eHEALS)的验证]。2015; 39 (3):329-338 [免费全文] [CrossRef] [Medline]
缩写
方差分析:方差分析 |
DHLA:数字健康素养评估 |
eHEALS:电子健康素养量表 |
NT:新台币 |
或者:优势比 |
中华民国:接收机工作特性 |
G·艾森巴赫(G Eysenbach)编辑;提交30.04.20;同行评议作者Z Ma, Z Zrubka, P Schulz, S Ghaddar;对作者25.05.20的评论;订正版本收到16.07.20;接受26.10.20;发表21.12.20
版权©刘佩琪,叶玲玲,王俊怡,李少提。最初发表于《医疗互联网研究杂志》(//www.mybigtv.com), 2020年12月21日。
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。