混合医疗保健教育偏好画像：基于数字实践的多国聚类分析

《DIGITAL HEALTH》：Educational preference profiles for hybrid healthcare: A multinational cluster analysis of digital practice

　　

背景
数字支持和混合医疗保健的扩展揭示了劳动力准备程度的显著差异。大多数研究采用了以变量为中心的方法，很少识别与可观察数字实践相一致的教育偏好画像。

目的
识别多个欧洲背景下混合医疗保健相关的不同教育偏好画像，并考察其与数字工具使用、工作环境和感知能力的关系。

方法
研究人员以四种语言（捷克语、波兰语、罗马尼亚语、德语）对406名从事医疗保健、健康专业教育或医疗管理工作的受访者进行了横断面调查。教育偏好（Q18）被重新编码为二分类指标，并采用k均值聚类分析（k-means cluster analysis）进行分析。随后，研究人员使用单变量χ²检验和多变量CHAID决策树（CHAID decision tree）考察聚类成员资格，为避免循环性，聚类变量被排除在外。

结果
出现了三种教育偏好画像：选择性教育偏好画像，偏好集中在有限的几个领域（59.1%）；电子健康记录（EHR）聚焦型教育偏好画像，以高级电子健康记录使用为中心（27.6%）；以及广泛教育偏好画像，偏好涵盖治理、伦理、网络安全、人工智能和混合服务实施（13.3%）。聚类成员资格几乎完全可由所选领域数量和高级EHR选择重现（98.5%一致）。在未调整的单变量分析中，聚类成员资格与数字实践变量相关，但在多重检验校正后均不显著。性别、年龄和专业实践年限未达到预定的单变量筛选标准，因此未纳入CHAID模型。在进入CHAID的候选预测变量中，保留的分裂基于数字工具使用，具体为在线患者教育平台、数字通信工具和电子健康记录。

结论
与混合医疗保健相关的教育偏好可归纳为三种探索性画像，其主要区别在于偏好的广度以及对EHR相关教育的特定偏好。更广泛教育偏好与在线患者教育平台使用之间的初步关联基于一个小型亚组，需要在独立样本中加以确认。

数字技术正在重塑医疗保健，催生了将面对面与数字元素相结合的混合医疗（hybrid healthcare）模式。然而，国际分析显示，数字健康、远程医疗、虚拟护理、远程护理和混合护理等术语经常互换使用，尽管存在概念差异；世界卫生组织也指出数字健康词汇“碎片化、重叠且应用不一致”。更关键的是，劳动力准备程度存在显著差异：研究发现医学生和从业者对数字技术使用、信息管理、在线沟通和数据处理信心不足。现有教育项目常将数字健康视为补充或选修主题，培训多集中于特定工具的操作，忽视了数字沟通、虚拟协作、伦理法律等更广泛能力。大多数已有研究采用以变量为中心的方法衡量技能水平，很少评估教育偏好与可观数字实践的关系。因此，本研究以系统层面的混合医疗概念化为框架，旨在识别多个欧洲国家中混合医疗相关的教育偏好画像，并探索其与数字工具使用、工作环境和感知能力的关联。

研究人员于2025年8月29日至11月29日通过Erasmus+混合医疗项目（Project No. 2024-1-CZ01-KA220-HED-000251650）合作机构网络，以捷克、德国、波兰、罗马尼亚四种语言版本，对406名来自医疗、健康专业教育或医疗管理的从业者进行横断面在线调查，采用便利抽样和雪球抽样。研究人员使用新开发的结构化问卷，将教育偏好项目（Q18）重新编码为九个二分类指标，进行k均值（k-means）聚类分析。通过轮廓系数、Calinski–Harabasz和Davies–Bouldin指数及重复运行稳定性比较候选解。随后使用单变量χ²检验和CHAID决策树（卡方自动交互检测）分析聚类成员与数字工具使用、工作背景等变量的关联，CHAID中排除聚类变量以避免循环性。

3.1 数据准备（Data Preparation）
最终分析样本406人，14份英语问卷被排除。语言组在性别、年龄、工龄、教育、工作地点上差异显著，但聚类成员与语言组无关（χ²=8.46，p=0.21）。

3.2 聚类分析（Cluster Analysis）
k均值聚类识别出三个可解释的画像。内部效度指数未给出唯一最优簇数，三簇解因稳定性（中位ARI=0.76）、简约性和可解释性被保留。主成分分析显示三簇在降维空间中有部分分离，但重叠较大，前两个主成分仅解释31.6%方差。潜在类别分析未复现该划分，提示该划分应视为探索性分段而非潜在结构。聚类成员几乎完全可由所选领域数量（≥5）和高级EHR选择重现（98.5%一致）。

3.2.1 选择性教育偏好画像（Cluster 1 – Selective Educational Preference Profile）
占59.1%，平均选择2.05个领域。AI与数据分析（42%）和混合服务实施（31%）相对较高，高级EHR选择为0%。

3.2.2 EHR聚焦型教育偏好画像（Cluster 2 – EHR-Focused Educational Preference Profile）
占27.6%，平均选择2.67个领域。所有受访者选择高级EHR（100%），其他领域偏好较低（11–34%）。

3.2.3 广泛教育偏好画像（Cluster 3 – Broad Educational Preference Profile）
占13.3%，平均选择6.02个领域。偏好涵盖伦理与法律（78%）、网络安全（76%）、混合服务实施（74%）、患者教育与参与（74%）等。

3.3 与聚类成员资格的单变量关联（Univariable Associations With Cluster Membership）
单变量χ²检验显示在线患者教育平台、数字通信工具、电子健康记录等与聚类成员相关联，但经Benjamini–Hochberg校正后均不显著。性别、年龄和专业实践年限未达到预筛选标准，未进入CHAID模型。

3.4 CHAID分析（CHAID Analysis）
CHAID模型保留的分裂变量均为数字工具使用（Q10）：根节点为在线患者教育平台（Bonferroni校正p=0.011），后续分裂为数字通信工具和电子健康记录。使用在线患者教育平台的节点中，广泛画像占25.0%（16/64），但该关联基于小亚组。

3.5 单变量与多变量分析的收敛（Convergence of Univariable and Multivariate Analyses）
单变量显著的预测变量中，仅在线患者教育平台、数字通信工具、电子健康记录被保留在CHAID模型中；远程患者监护和儿科护理等因最小节点数要求未保留。

讨论部分总结：三种画像在偏好广度及特定EHR偏好上不同，且几乎可由两个特征近似。与先前研究相比，本研究将教育偏好与可观察数字工具使用组合联系起来，而非仅测量技能。结合欧洲数字能力框架（DigComp 3.0和DigCompEdu），三种画像可能提示基础、任务聚焦和系统导向的不同教育方向，但相关亚组小，需独立样本确认。局限包括横断面设计、自我报告、便利抽样、k-means用于二分类数据、CHAID筛选步骤可能使p值乐观、问卷未进行心理测量学验证、语言组结构不均等。

研究结论翻译：总之，这三个聚类为理解医疗和健康专业教育领域受访者中混合医疗相关教育偏好的差异提供了经验依据。结合公认的数字能力框架，这些画像可能帮助教育者和政策制定者探索更具针对性且情境敏感的学习路径，涵盖数字实践中基础、操作和更广泛的系统导向领域。由于Q18测量的是偏好而非客观评估的需求，这些画像应作为进一步需求评估的基础，而非能力缺口的直接证据。