基于TMLE的变量重要性分析：揭示初级保健中患者面向技术采纳的关键驱动因素

《Health Services and Outcomes Research Methodology》：Key factors behind the adoption of a patient-facing technology in primary care: a structured approach to variable importance

本研究针对初级保健在线访问途径采纳不均衡问题，采用靶向最小损失估计(TMLE)框架，系统评估32个患者、医护人员及机构特征变量对技术采纳的影响。结果显示患者社会经济剥夺程度（就业与教育剥夺指数）和诊所数字成熟度（在线消息发送量）是核心驱动因素，为制定减少数字鸿沟的干预措施提供了实证依据。

　　

在英格兰国家医疗服务体系(NHS)推动初级保健数字化的背景下，在线咨询平台作为创新服务模式被广泛推广。然而现实数据显示，不同诊所之间在线访问途径的采纳率存在显著差异，这种差异可能加剧医疗服务的"数字鸿沟"现象。传统弱势群体（如老年人、低收入人群）往往因数字技能不足或资源有限而无法平等享受数字化服务，这不仅影响医疗可及性，更可能扩大健康不平等。现有研究虽已识别出部分影响因素，但缺乏对多重变量相对重要性的系统评估，难以指导资源优化配置。

为厘清关键驱动因素，Daniela Rodrigues等研究者收集了伦敦西北部2018-2021年间289家诊所的纵向数据，构建包含患者人口学特征、健康状况、诊所组织特性、医护人员配置及数字基础设施等32个变量的分析框架。研究创新性地采用靶向最小损失估计(TMLE)方法，通过超级学习器(Super Learner)整合30种机器学习算法，在控制混杂偏倚的同时评估各变量的边际效应。该方法通过对比每个变量在产生最高与最低采纳率水平时的期望差异，量化其重要性程度，并采用交叉验证与多重检验校正确保结果稳健性。

主要技术方法概述

研究基于伦敦西北部综合护理系统(WSIC)的诊所级数据，整合了NHS Digital的 workforce 数据、Care Quality Commission(CQC)检查评级、Ofcom网络连接数据等多元数据集。采用TMLE框架进行变量重要性估计，通过数据自适应参数确定各变量的关键作用水平，使用Benjamini-Hochberg方法校正多重检验。

描述性分析结果

数据显示在线请求量在不同诊所间差异巨大（0-1012次/千名注册患者），患者社会经济地位分布广泛（收入剥夺指数decile范围1.9-9.0），医护配置密度悬殊（每全职等效GP服务患者数356-15,655人），提示研究样本具有充分异质性。

预测性分析结果

变量重要性排名显示：

1. 1.
   患者就业剥夺程度（调整后p<0.001）：高剥夺水平诊所（decile 2.27-4.57）比低剥夺诊所（decile 4.58-8.96）的在线采纳率低26%
2. 2.
   教育剥夺程度（调整后p<0.001）：高教育剥夺诊所采纳率降低15%
3. 3.
   诊所数字成熟度（调整后p<0.001）：高在线消息发送量诊所（21.94-466.86条/千患者）比低发送量诊所（0.05-21.91条）采纳率高13%
   4-8位重要变量依次为：CQC关怀维度评级、接待员帮助程度、患者居住区网络下载速度、诊所培训状态及患者共病情况

敏感性分析表明就业剥夺指数与数字成熟度变量在所有时间周期和结局指标中保持稳定重要地位，而其他变量重要性存在情境依赖性。

讨论与启示

本研究通过结构化因果推断框架揭示数字技术采纳的双核心机制：患者端的社会经济壁垒与供给端的组织数字能力。特别值得注意的是，诊所通过在线消息主动触达患者的频率（数字成熟度代理指标）比传统认为的硬件设施（如网络速度）更具预测力，提示组织文化比技术基础设施更能驱动变革。这一发现与Topol综述强调的" workforce 数字能力建设"相呼应，为NHS制定《数字包容实践支持指南》提供了靶点依据。

研究创新点在于将变量重要性问题转化为可解释的数据自适应参数，突破传统回归系数比较的尺度限制。虽然因未测量混杂因素（如医护协作网络）需谨慎解读因果性，但结果为设计阶梯式干预提供优先序依据：首要针对高剥夺区域诊所配置数字支持设备与专员，其次通过激励机制提升诊所数字服务频率，最后优化接待服务与培训体系。未来研究需结合混合方法深入探讨变量间的中介路径，为精准干预提供理论支撑。