基于Rasch模型的心血管疾病患者移动电子健康素养量表(m-eHEALS)心理测量学特性验证研究

《Scientific Reports》：Rasch analysis of the mobile version of the eHealth literacy scale for cardiovascular disease patients

本研究针对心血管疾病(CVD)患者电子健康素养(eHealth literacy)评估工具缺乏有效验证的问题，研究人员采用Rasch分析方法对移动版电子健康素养量表(m-eHEALS)进行心理测量学特性评估。结果显示该量表具有良好信效度(个人分离指数4.02，信度0.94)，但部分项目存在拟合不佳现象。研究为CVD患者数字化健康管理提供了可靠的评估工具，对推动精准健康干预具有重要意义。

　　

在全球范围内，心血管疾病(CVD)始终是威胁人类健康的主要杀手，其患病率和死亡率持续攀升。据统计，2020年至2021年间，CVD患病病例从6.01亿增至6.21亿，而死亡人数从1990年的1240万上升至2021年的2050万。面对这一严峻挑战，世界卫生组织(WHO)强调改善患者自我管理行为是降低CVD死亡率的关键策略。然而，现实中许多患者由于健康素养不足，难以有效执行生活方式调整、用药依从性和风险因素管理等重要自我护理实践。

随着信息技术的飞速发展，数字健康干预为CVD管理带来了新的希望。在线健康信息和数字化工具能够提供个性化方案、实时监测和教育资源，但许多患者却因电子健康素养(eHealth literacy)有限而无法充分利用这些资源。电子健康素养被定义为从电子资源中寻求、发现、理解、评价和应用健康信息的能力。一项针对中国CVD患者的调查显示，仅有13.91%的患者具备合格的电子健康素养水平，这一现状亟待改善。

在这一背景下，准确评估患者的电子健康素养变得尤为重要。在众多评估工具中，电子健康素养量表(eHEALS)是最广泛使用的通用评估工具，但其在快速发展的数字健康技术背景下需要持续验证和完善。传统经典测验理论(CTT)在评估量表时存在局限性，而项目反应理论(IRT)框架下的Rasch分析能更精确地评估项目难度和区分度等特性。

移动版电子健康素养量表(m-eHEALS)基于电子健康素养理论和赋权理论开发，包含12个项目，涵盖自我认知、信息获取和交互判断三个维度，专为移动环境设计并进行了中国文化适配。虽然m-eHEALS已在年轻人群中得到评估，但其在CVD患者中的应用尚未充分探索。因此，本研究采用Rasch分析方法，系统评估m-eHEALS在CVD患者中的心理测量学特性，重点关注项目拟合情况，以增强我们对该量表在此特定人群中评估效果的理解。

本研究采用横断面设计，于2023年2月20日至5月4日期间，从两家三级综合医院的心内科和神经科连续招募患者。研究采用连续入组方式，纳入诊断为缺血性心脏病(ICD-10代码：I20-I25)、脑血管疾病(I60-I69)或高血压疾病(I10-I15)的患者。所有参与者均完成m-eHEALS量表和基本人口统计学信息收集。数据分析采用SPSS 26.0进行描述性统计，并使用Winsteps 3.72.3软件进行Rasch分析。主要分析内容包括维度性检验、项目拟合、信度分析、项目难度层级、项目特征曲线(ICC)和差异项目功能(DIF)评估。

研究结果

参与者特征

研究共纳入302名CVD患者，平均年龄59.3±11.4岁，男性占65.9%，已婚者占85.8%。大多数患者(66.9%)具有高中及以下学历，30.1%的患者CVD病程不足1年。具体诊断方面，142人(47.0%)患有缺血性心脏病，144人(47.7%)患有脑血管疾病，197人(65.2%)患有高血压疾病（这些类别不互斥）。

维度性分析

主成分分析(PCA)结果显示，m-eHEALS的总解释方差为70.5%，但第一残差成分特征值为3.1，高于2.10的阈值，提示可能存在多维性。各维度单独分析时，单维性略优于总量表，其中交互判断维度的特征值接近2.10，仍在可接受范围内。

项目拟合

项目拟合分析显示，自我认知维度所有项目的Infit和Outfit均方残差(MNSQ)均在理想范围内(0.5-1.5)。信息获取维度中，项目N4的Infit MNSQ值高于1.5，项目N5的Outfit MNSQ值低于0.5，项目N6的Infit和Outfit MNSQ值均低于0.5。交互判断维度中，项目N10的Infit MNSQ值高于1.5，项目N11的Outfit MNSQ值低于0.5。尽管存在这些个体差异，量表的平均Infit和Outfit MNSQ值分别为0.98和0.97，表明m-eHEALS总体与Rasch模型拟合良好。

信度分析

量表表现出优异的信度，个人分离指数为4.02，个人信度指数为0.94，表明能够很好区分不同电子健康素养水平的个体。项目分离指数为8.96，项目信度指数为0.99，表明项目难度在量表中保持一致。各维度的信度分析也支持量表的建构效度：自我认知维度的个人分离指数为2.18，信度指数为0.83；信息获取维度的个人分离指数为2.56，信度指数为0.88；交互判断维度的个人分离指数为2.66，信度指数为0.88。

项目难度层级

人-项目分布图显示，项目难度与个人能力水平基本匹配。较易的项目（如N5和N8）对应较低能力水平，而较难的项目（如N10）对应较高能力水平。但项目主要集中在量表中部，缺乏足够对应能力连续体两端个体的项目，导致个人能力范围超过项目难度跨度。

项目特征曲线

项目特征曲线(ICC)分析显示，项目N2、N3、N6、N7和N9的观察曲线与期望曲线紧密吻合，表明这些项目的难度和区分度校准良好。虽然某些项目与期望ICC存在轻微偏差，但这些变异仍在可接受范围内，证实了量表在测量电子健康素养能力范围内的整体稳健性。

差异项目功能

DIF分析发现项目N12存在显著的性别相关差异，差异为-0.71 logits，表明女性比男性觉得该项目更难。

研究结论与意义

本研究首次应用Rasch分析方法评估m-eHEALS在CVD患者中的心理测量学特性，证实了该量表在捕捉电子健康素养细微差异方面的整体效能，同时也指出了需要改进的关键领域。

研究发现m-eHEALS可能具有多维特性，这与先前强调电子健康素养多维性质的研究一致。大多数项目与Rasch模型拟合良好，表明m-eHEALS项目总体上适用于评估CVD患者的电子健康素养感知。自我认知维度所有项目均与模型期望一致，表明大多数CVD患者认可互联网作为健康信息获取资源的价值。信息获取维度中项目N4的拟合不佳可能反映了个体实际在线资源检索能力与感知能力之间的错配。项目N5和N6的拟合问题提示CVD患者中存在对在线健康资源具有独特感知或行为的亚组，或反映智能手机普及对项目区分度的影响。交互判断维度中项目N10的拟合问题可能表明个体自我报告参与在线健康社区的意图与实际行为之间存在差异，而项目N11的拟合问题可能反映评估在线信息质量方面的挑战或实际行为与自我评估能力之间的不一致。

量表的高信度指标表明其能够有效区分不同电子健康素养水平的个体，项目难度水平的一致性也与此前研究一致。然而，项目难度呈中等挑战性分布，缺乏适合过高和过低评价者的项目，这与先前指出现有量表难以捕捉电子健康素养全范围的研究一致。

ICC曲线显示某些项目的感知难度水平与参与者自我报告的电子健康素养对应良好，但需要注意的是，这些模式代表的是参与者对其能力的感知，而非执行数字健康任务的实际能力，强调了感知与实际电子健康素养之间可能存在的脱节。

DIF分析发现的性别差异虽然幅度处于临床意义边界，但提示项目N12在不同性别间功能可能存在差异，为确保跨性别公平测量提出了需要考虑的问题。

与原有eHEALS及其他电子健康素养量表相比，m-eHEALS显示出相似的评估一般电子健康素养的信效度，同时解决了部分天花板和地板效应问题，增强了捕捉更广电子健康素养范围的能力。其流线型格式便于使用，特别适合移动健康干预和慢性病管理临床环境。

本研究证实了m-eHEALS在CVD患者中具有良好的信度和效度，为这一脆弱人群的电子健康素养评估提供了可靠有效的工具。其移动友好设计和已确认的功效使医疗保健提供者能够常规筛查患者，促进定制化干预措施，以在数字健康领域增强自我管理和改善CVD复杂治疗方案的依从性。未来研究应解决已揭示的心理测量学特性问题，包括项目 misfit 和潜在多维性，开发或修改项目以更全面捕捉细微的电子健康素养连续体。同时需要系统调查人口统计学和临床因素对不同患者亚组电子健康素养的影响，优先考虑将客观评估与自我报告措施相结合，弥合感知与实际数字健康技能之间的差距，并通过纵向研究评估m-eHEALS对电子健康素养变化的敏感性及其追踪干预结果的有效性。