基于元分析的患者在线择医行为影响因素研究

张利江 夏晶晶 田 梅 任文杰

“加快推动数字健康服务，实现医疗服务模式智能化，提高互联网+医疗服务水平”已经成为我国卫生健康发展战略中的重要内容[1]。“互联网+医疗”作为新型医疗服务模式，以移动互联网为载体，利用信息技术提供在线医疗服务，以期更好地实现“健康中国”战略目标[2]。

互联网与医疗行业的深度融合，促进服务模式的创新，整合医疗资源配置，满足人民差异化的就医需求[3]。作为传统医疗优化的新模式，它改变了居民的就医方式，人们不必在家里、医院、药店间来回奔波，仅通过互联网医疗平台与专家在线沟通，就可轻松实现寻医问药。研究表明，在线医疗服务模式在降低患者就医成本的同时提高了就医效率，亦通过优化医疗资源配置在一定程度上缓解了患者“看病难”的问题[4]。但是，互联网没有改变医疗健康服务信任商品的属性，互联网医疗信息溢出引发了个体就诊选择的“自我诊疗”和“趋高就诊”两极化[5]。其次，面对互联网记录的海量医生信息和医学专业知识，患者易迷失在数据海洋里，患者就诊决策噪音增多。同时，因患者个体感知和文化差异，诊后对医生进行的在线评价欠缺客观与专业，对其他患者的择医决策参考作用有限[6]。因此，在这种新型医疗服务模式下，“患者是如何选择医生的呢？影响患者择医行为的关键影响因素有哪些呢？”成为学术界和实践界关注的重要问题。虽然已有学者从不同角度对该问题进行了研究，但是系统性和全面性探索还不足。鉴于此，本研究从现有研究成果入手，采用基于元分析（meta-analysis，MA）的文献定量分析方法，系统梳理患者在线择医行为的影响因素，帮助患者进行择医决策，优化互联网医疗平台运营策略，促进互联网医疗服务的高质量发展。

1 相关概念及研究

1.1 相关概念

1.1.1 互联网医疗平台。互联网医疗平台是提供医疗健康服务的网络平台，主要表现形式有在线医疗社区（online health community，OHC)和互联网医院[7-8]。

1.1.2 患者择医。患者择医是指患者在就诊过程中选择医生的决策行为，是医疗服务管理领域中的重要研究问题[9]。了解患者择医意愿和行为，对提高医疗机构的竞争力、优化互联网医疗平台运营策略具有重要作用。同时，让患者充分行使对医疗服务的选择权，也可有效提高医生工作效率和医疗质量。与传统的线下择医行为相比，线上患者择医行为发生了较大改变，传统的医院地理位置、出行时间、医患距离和转诊模式等已经不是患者择医的主要影响因素，信任、品牌、评分、口碑等医疗质量的信号标志发挥了越来越大的作用[10]。

1.2 研究现状

相关学者已经对患者择医行为的影响因素进行了大量的研究[11-17]，出现了多种研究结论，取得了丰硕的研究成果。然而，由于研究方法、调研地区、样本量以及研究视角的选择存在一定的差异性，在碎片化的研究中，缺乏对研究结果的系统性整合。因此，本研究在前人研究的基础上，基于元分析方法，通过CMA 3.0元分析软件，对文献中提到的影响因素数据进行提炼与分析，从而更全面、更系统地探索影响患者择医行为的因素，进一步推动该问题的深入研究。

2 研究设计

2.1 研究方法

元分析又名荟萃分析、Meta分析等，是通过对广泛的文献进行检索，对已有的结果进行再一次的统计和分析，即对分析结果的分析[18-19]，其基本步骤包括确定研究问题、全面检索文献、根据预设标准筛选合格文献并进行编码、效应量的提取与计算、统计分析与结果报告。

2.2 文献检索与筛选

为了确保研究结果的普适性和可信性，本研究从不同数据库中进行相关文献的检索、筛选。以万方、维普、中国知网（CNKI）、Pubmed等中外文数据库为来源，通过阅读用户择医相关文献，采用检索词：择医行为、患者择医、用户择医、择医意愿分别与在线医疗社区、互联网诊疗等进行组配检索。在检索结束后，通过浏览文献进行筛选，选取适用于元分析的文献。通过以下相关标准进行筛选和剔除：（1）选取实证研究文献，剔除综述、定性等非实证的文献；（2）文献必须要研究以“用户（患者）在线择医”为主题的影响因素；（3）为确保文献样本的独立性，对同一研究的重复发表或者是与学位论文和期刊论文的重复研究，只选其一；对同一篇文章出现多个样本的不同效应值，进行多次独立编码；（4）文献需报告相关系数r、样本量或者相关系数r与标准误SE，或者是相关系数r与P值，或者是t检验与样本量等能够计算出相关系数的数据。

根据上述标准严格筛选，最终筛选出18篇独立的实证文献纳入元分析，其中英文文献4篇、中文文献14篇。18篇文献中的相关系数独立效应值大于3个，且相关系数值稳定[20]，符合开展元分析基础要求。

2.3 文献编码与影响因素的确定

2.3.1 文献编码。元分析文献编码包括文献信息统计量和效应统计量的确定。其中，文献信息统计量包括作者、出版年份、文献来源等；效应统计量主要包括样本量、相关系数r值或可以转化为相关系数的统计量等。

本文根据前人的研究选择了文献信息、文献来源、变量个数、样本量和相关系数r作为纳入元分析的原始文献基本特征编码，由同一编码者在不同时间段进行两次独立编码，以避免人为误差，保证编码数据的准确性。

2.3.2 影响因素的确定。通过对已纳入的18篇文献进行筛选，选择出现频次大于4次的影响因素纳入元分析，最终选定医院等级、医学职称、个人信息披露、评论数量、服务满意度、虚拟礼物数量、医生发表文章数和服务价格等8个因素。筛选的8个影响因素具体解释与来源参见相关文献[21-28]。影响因素样本量和相关系数信息如表1所示。

表1 影响因素效应统计量

2.4 元分析内容

2.4.1 异质性检验。在元分析中，异质性检验是为了判断文献是否能够合并，并根据分析结果选择合适的统计模型。本文采用Q检验和I2检验进行异质性检验[29]。若Q检验的结果显著，即P≤0.05，表明多个研究间存在异质性，选用随机效应模型分析；反之，则说明研究间无异质性，需选用固定效应模型。I2检验反映异质性部分在总的变异中所占比重。I2值越大，表明异质性越大。当0%＜I2＜50%时存在低度的异质性问题，50%＜I2＜75%说明存在较大的异质性，75%＜I2＜100%时存在很大异质性。当I2检验结果存在显著的异质性，采用随机效应模型，反之，则采用固定效应模型。

2.4.2 主效应检验。对于效应值的评估，有不同的临界参考值，目前存在多种评估的相关系数临界值的度量准则。通过变量的效应值大小来判断其与用户在线择医行为的相关度时，不能以固定数值来判断相关性强弱，要结合具体的实际应用。依据相关系数提出的划分标准[30]，当0＜r＜0.1时，代表弱相关；当0.1＜r＜0.4时，代表中度相关；当0.4＜r＜1，代表强相关。本研究按此判定标准，对患者在线择医与提取的8个影响因素之间的相关强度进行度量。

2.4.3 发表偏倚检验[31]。为避免发表偏差，本文采用Egger检验法和Fail-safe n效应值相结合检验发表偏倚，Egger检验法基本原则是判定Coef回归的截距值和0有无显著性差别，从而分析出文章发表的偏倚，当检验值P＞0.05，表明截距项与0没有显著差异。

3 结果分析

3.1 异质性检验

影响因素异质性检验结果显示，所有变量关系的Q值均达到显著性水平，I2最小值98.30%，均超过75%，表明各变量研究结果存在高度的异质性。鉴于此，本文纳入的多个研究之间存在较强的异质性，因此均采用随机效应模型进行分析。

3.2 主效应检验

主效应检验采用随机效应模型，检验各影响因素平均效应值的显著性水平。检验数据结果显示，除服务满意度这一影响因素，相关系数为0.202，效应值的95%置信区间为［-0.237，0.572］，包含0；所有自变量和用户在线择医行为之间的相关关系均达到显著性水平。其中，医院等级的相关系数为0.066，效应值的95%置信区间为［0.031，0.101］，不包含0；医学职称的相关系数为0.071，效应值的95%置信区间为［0.012，0.129］，不包含0；医院等级、医学职称与用户在线择医意愿间相关性依次递增，均为弱相关性。个人信息披露的相关系数为0.141，效应值的95%置信区间为［0.026，0.252］，不包含0；服务价格的相关系数为0.212，效应值的95%置信区间为［0.041，0.371］，不包含0；医生发表文章数的相关系数为0.362，效应值的95%置信区间为［0.248，0.466］，不包含0；评价数量的相关系数为0.398，效应值的95%置信区间为［0.210，0.558］，不包含0。由此表明，个人信息披露、服务价格、医生发表的文章数和评价数量与用户在线择医意愿间均为中度相关，评价数量和医生发表文章数与用户在线择医意愿的相关强度大于个人信息披露、服务价格与用户在线择医意愿的相关强度。虚拟礼物数量的相关系数为0.614，效应值的95%置信区间为［0.293，0.811］，不包含0；虚拟礼物数量与用户在线择医意愿的相关强度为强相关关系。

3.3 发表偏倚

分析结果显示，医学职称、评价数量回归结果显著（P＜0.05)，表明与用户线上择医行为之间存在发表偏差问题。失效安全数（Fail-safe n）表明使分析结果不具有统计学意义所需要的最少研究数量[32]。当失效安全系数Fail-safe n＞5K+10(K为纳入独立研究的个数)，则研究不存在发表偏倚。由研究结果可知，医学职称、评价数量与失效安全系数远大于判别标准，发表偏倚对元分析结果具有较低的影响程度。

4 结论与启示

4.1 结论

从分析结果可知，本文所研究的影响因素均对用户在线择医行为产生显著性影响，但作用强弱存在差异（图1）。

图1 患者在线择医与各影响因素间的关系强度

4.1.1 虚拟礼物数量与患者在线择医行为具有强相关关系。互联网医疗平台推出的赠送礼物功能，为患者提供了一种向医生表达感激之情的途径与渠道。患者接受在线医疗咨询服务后，通过对医生的服务质量和自身就医体验进行衡量，以在线赠送虚拟礼物的方式表示对医生正面评价和能力的肯定。由于大多数互联网医疗平台的虚拟礼物需要货币花费，因此也代表患者对医生的肯定力度较大，是其他患者在进行择医决策时的有力参考。

4.1.2 服务价格、个人信息披露、评价数量和医生发表文章数与患者在线择医行为中度相关。由于互联网医疗还没有出台统一的定价标准，不同服务平台服务收费差异较大。不同经济层次的患者可以依据自己的经济情况来决定适配的医生，特别是对于高风险疾病的患者来说，往往愿意花高价格获取更高质量的医疗资源。医生主页中的个人信息展示，是互联网医疗平台消除医患信息不对称的重要手段。患者通过浏览医生主页了解更多信息，熟悉医生的擅长领域，选择和自己疾病适配的医生。医生在线服务评价的数量则是对医生的关注度进行了间接的反映。医患在线医疗社区中的互动形式有多种，除了在线问诊，还可通过由医生撰写的文章进行隐形的交流。医生通过撰写有关于疾病知识和健康管理等方面的文章，从侧面体现出自身的专业知识宽度和科研能力，也更易得到患者的青睐。

4.1.3 医院等级和医学职称与患者在线择医行为弱相关。医生所属医院等级对其自身的关注度有直接的影响，同时医院等级在一定程度上象征着医院的综合实力和服务质量，不同等级医院的医技设备、资深专家医师等还存在明显差异。医疗人员的医学职称标志着其技术水平和专业能力，在同等级医院中，高职称的医师更具医疗服务专业性，并且能缓解患者紧张情绪，有效提升患者满意度[33]。因此，病人会更愿意选择那些所处医院等级较高、受到关注较多的医生来进行在线咨询，并参考医生的专业医学职称来进行择医决策。

4.2 启示

4.2.1 患者应多角度评估信息，进行科学决策。从患者视角看，医生获得的虚拟礼物数量是影响患者在线择医行为产生的最关键因素的主要构成，发表的文章数和评价数量也正向影响着患者在线择医行为。在线医疗社区中，礼物是患者向医生表达感激之情的形式之一；发表文章数量能体现出医生个人的努力，从而赢得患者的认可度；患者诊断后的评价数量越多和越好，医生的可信度越高。因此，患者在选择医生时，需要从全方位评估适合自己需求的医生。患者可根据诊断后医生所获得的礼品数量、评价数量和发文量来评估医生的综合能力，选择具有影响力的医生。

4.2.2 提升医生品牌管理，提供优质服务。从医生视角看，医院等级、医学职称、个人信息披露、服务价格会对患者在线择医行为产生正向影响。此外，个人信息披露和服务价格比医院等级和医学职称更重要，它们都对患者择医意愿产生了积极的影响。一般一些特色重点专科领域，低级医学职称的医生也可能具有较高的医学水平。例如，省级临床重点专科副主任医师的医疗技能可能超过同级其他医院主任医师。同时，这也说明医生需要采取一些行动进行个人主页信息展示，尽可能多的披露个人属性信息。如主动生成客观数据，增加更多的专业知识和医疗技能等，来维护自己的主页，以便于患者了解自己的疾病状态，判断医生的专业性和收费情况。例如，患者可以从健康订阅上发表的文章中更深入地了解医生对某种疾病的了解等。

4.2.3 优化在线医疗社区服务，提升患者使用体验感。从平台视角看，在线医疗社区应根据医院等级或医生职称的不同进行差异化定价，并使其服务价格和收费标准透明化[34]。此外，要加大技术的投入，吸取更多优质医生的入驻，并对患者关注的医院属性和医生页面信息进行调整，缓解信息不对称问题。例如，在线医疗网站医生主页上显示的信息更有助于患者判断医生的专业能力，则以患者择医的偏好为依据，主动为患者推荐医生，有利于患者更优地选择符合自己需求的医生，从而提高患者对平台的满意度。

5 结语

本研究通过元分析方法对患者在线择医行为影响因素的多项研究进行了综合分析，对现有普遍以采用回归分析法进行的患者在线择医行为研究进行了有益补充[35]，丰富了患者择医行为的实证研究。该研究探讨了患者线上择医行为的8个主要影响因素：医院等级、医学职称、个人信息披露、评价数量、服务满意度、虚拟礼物数量、医生发表文章数及服价格。根据研究结果发现，在患者线上择医决策时，更青睐于礼物数量多的医生，虚拟礼物数量与线上择医意愿相关性最强，同时也明确了其他因素与用户线上择医行为与意愿间的关系强度，得到了各变量与用户线上择医意愿间的关键因素，消除了独立研究中的相异结论，为患者择医行为提供了理论支撑，对用户择医决策的实践和后续的实证研究提供了参考价值。

本研究仍然存在一定的局限性。首先，受检索条件和语言的限制，文献选取了中文、英文文献，根据筛选标准剔除了部分有研究价值的文献，后续研究可扩大研究样本范围将获得更稳健的结果。其次，在对影响因素分析中，本研究中剔除了研究数量小于4的影响因素，在分析时该部分变量未被纳入分析，在后续研究中可以进一步分析这些因素的影响。最后，由于线上择医相关实证文献较少，所以本研究纳入研究文献数量稍有欠缺，导致对线上择医其他影响因素的探索还不够。但随着用户线上择医的不断发展，相关实证研究文献会日益增多。未来结合当下的研究背景，进一步挖掘文本实证研究，更好地完善相关影响因素的分析，获得更加科学客观的研究结果，进行更进一步的探索。