沙特阿拉伯高血压患者数字健康信息寻求行为与AI医师聊天机器人信任度横断面调查

《Frontiers in Public Health》:Digital health information-seeking behaviors and trust in AI-based physician chatbots among patients with hypertension: a cross-sectional survey in Saudi Arabia

【字体: 大 中 小 】 时间:2026年07月09日 来源:Frontiers in Public Health 4.1

编辑推荐:

  背景:高血压需要在常规临床接触之外进行持续的自管理,然而关于患者如何参与数字健康信息以及哪些因素塑造了他们对AI医师聊天机器人的信任,相关证据仍然有限,特别是在沙特阿拉伯。目的:本研究调查了沙特阿拉伯确诊为高血压的成年人中,数字健康信息寻求行为、信息验证实践以

  
背景:高血压需要在常规临床接触之外进行持续的自管理,然而关于患者如何参与数字健康信息以及哪些因素塑造了他们对AI医师聊天机器人的信任,相关证据仍然有限,特别是在沙特阿拉伯。目的:本研究调查了沙特阿拉伯确诊为高血压的成年人中,数字健康信息寻求行为、信息验证实践以及对AI医师聊天机器人的感知,并测试了一个理论模型,将六个构念与聊天机器人安全性和信任度联系起来。方法:对通过WhatsApp、Telegram和Facebook患者群组招募的322名成年高血压患者进行了横断面在线调查。结构化问卷测量了六个构念:信息验证来源(IVS)、数字自我诊断工具(DSDT)、在线信息寻求行为(OISB)、对卫生部(MOH)数字服务的熟悉度(FMOHDS)、自我评估感知可靠性(PRISA)以及聊天机器人安全性和信任度(CST),这些构念改编自以往研究。进行了内部一致性、描述性统计、验证性因子分析(CFA)、Bootstrapping和Kruskal-Wallis组间比较。结果:所有构念得分均高于量表中点(M = 3.32–3.78)。WhatsApp是健康信息寻求(43.5%)、验证(51.9%)以及与卫生服务沟通(41.9%)的主导平台。测量模型和CFA结果显示量表可靠且有效,因子载荷、α值、平均方差提取量(AVE)、组合信度和方差膨胀因子(VIF)值均达到阈值。还报告了使用Fornell-Larcker准则的判别效度。Bootstrapping结果揭示了OISB对CST有显著的正向影响,而PRISA对CST有显著的负向影响,其余IVS、DSDT和FMOHDS对CST的影响不显著。此外,还研究了预测因子对PRISA的直接效应,结果发现FMOHDS是PRISA最主要的预测因子,而OISB对PRISA有显著的负向预测作用,然而,IVS、DSDT对CST的影响不显著。关于间接中介效应,只有PRISA在FMOHDS和CST之间起到显著的中介作用,而PRISA在IVS、DSDT、OISB和CST之间的中介效应不显著。结论:高血压患者对AI医师聊天机器人的信任度受到对MOH数字服务的制度熟悉度和自我评估感知可靠性的正向塑造,并受到主动独立数字健康参与的负向影响。PRISA在FMOHDS和CST之间的中介效应表明,建立对现有数字基础设施的制度信任是有效采用AI聊天机器人的先决条件。这些发现对沙特阿拉伯“2030愿景”数字健康议程中AI赋能的高血压管理策略的设计具有直接意义。
论文解读:《沙特阿拉伯高血压患者数字健康信息寻求行为与AI医师聊天机器人信任度横断面调查》
研究背景与目的
高血压作为一种高度普遍且常无症状的心血管危险因素,影响着全球约14亿成年人。即使血压小幅降低也能带来显著的临床获益,例如收缩压降低10 mmHg和舒张压降低5 mmHg,可使心血管死亡率降低约20%,并显著减少中风、冠心病和心力衰竭的发生。尽管有效的药物治疗和生活方式指南已经存在,但全球血压控制率仍然不理想,特别是在卫生系统能力和护理连续性受限的环境中。这些差距凸显了对可扩展、以患者为中心的策略的需求,这些策略能够支持传统诊所就诊之外的长期自我管理。移动健康(mHealth)技术的介入成为增强高血压自我管理、支持治疗依从性的重要方法。既往研究表明,通过mHealth干预可使收缩压降低3-4 mmHg,并改善用药、自我护理和标准护理实践。作为mHealth生态系统的一部分,聊天机器人是一种基于计算机的程序,能够与人类交流,是为慢性病患者提供支持的成本效益平台。在沙特阿拉伯,高血压是导致心血管发病率和死亡率的主要因素,并且在不同地区和年龄组之间存在显著差异。沙特“2030愿景”及相关的卫生部门转型计划明确优先考虑预防性护理、非传染性疾病控制以及通过数字赋能的基于价值的医疗保健来延长预期寿命。在此背景下,针对高血压患者的数字健康信息寻求行为以及对AI医师聊天机器人的信任度研究显得尤为迫切。
基于此,研究人员旨在探讨沙特阿拉伯确诊高血压的成年人如何寻求、评估和使用数字健康信息来源,他们依赖何种形式的信息来源来确认信息的有效性,以及他们对充当医生角色的AI数字健康助理安全性的评估。此外,研究还检验了AI智能体信任和信心(安全性、可靠性)的预测因素,这些预测因素是通过参与者对自身使用在线来源和/或自我指导工具准确评估症状和健康状况能力的感知可靠性为中介的。
研究方法
本研究采用定量横断面设计,使用演绎法考察沙特阿拉伯确诊为高血压的成年人。目标人群包括年龄在18岁或以上、自我报告诊断为高血压并能以阿拉伯语或英语完成在线问卷的成年人。排除患有一种或多种慢性病的患者以确保构念同质性。采用非概率目的抽样法从专门的高血压患者在线社区获取数据。通过Google Forms将调查链接发布到五个WhatsApp和Telegram群组以及一个Facebook群组中,并在额外两周内每周发送一次后续提醒邮件以确保所有受访者完成调查。最终样本由322份完成的调查组成。
研究采用结构化自填问卷,评估六个领域:人口统计学特征、社交媒体平台使用/健康消息接收渠道、健康信息验证/质量标准、在线寻求的健康建议类型、数字自我诊断工具的使用,以及对AI医师聊天机器人的安全性/可信度的感知。问卷采用了六个构念:信息验证来源(IVS)、数字自我诊断工具(DSDT)、在线信息寻求行为(OISB)、对卫生部(MOH)数字服务的熟悉度(FMOHDS)、自我评估感知可靠性(PRISA)和聊天机器人安全性与信任度(CST),均采用五点Likert量表(1=非常不同意,5=非常同意)进行测量,并根据沙特阿拉伯的数字健康状况进行了修改。专家评审和11名高血压患者的试点用户测试证实了问卷的内容效度。使用Cronbach's α评估所有六个感知构念的内部一致性。数据分析使用SPSS(版本22)、PLS-SEM(版本4)和R(版本4.5.2)。描述性统计总结了参与者特征和构念水平反应。开发了测量模型,并进行验证性因子分析(CFA)以检查量表的可靠性和有效性。在测量模型中,使用了Cronbach's α、组合信度(CR)、平均方差提取量(AVE)和方差膨胀因子(VIF)。为了检验假设,开发了结构模型。运行Bootstrapping以获得β系数、标准误、t统计量以及置信区间上限和下限。使用Kruskal-Wallis检验检查各群体间构念复合体的差异;在确定统计学显著差异的情况下,应用Dunn's事后比较并结合Bonferroni校正。效应量报告为偏eta平方(η2)。在所有分析中,p < 0.05被用作统计学显著性的指标。
研究结果
参与者与数字健康使用特征
研究共收集了322份有效问卷。大多数受访者为男性(63.4%),年龄在26-35岁之间(43.5%),拥有本科学历(72%)。绝大多数受访者使用智能手机(95.7%),偏好阿拉伯语(78.6%),具备高级IT素养水平(40.7%),每日社交媒体使用时长为3-4小时(35.1%)。在数字健康使用方面,WhatsApp是获取健康信息(43.5%)、验证健康信息(51.9%)和与卫生服务沟通(41.9%)的主导平台。Google是大多数受访者首选的搜索来源(58.4%)。
描述性统计
所有六个构念的得分均高于量表中点(3.0),表明样本中普遍存在中度到中高度认可。信息验证来源(IVS)的平均值最高(M = 3.78,SD = 0.96),其次是OISB(M = 3.71,SD = 0.92),这表明参与者最积极地参与独立的在线健康信息实践。DSDT(M = 3.58,SD = 0.94)和PRISA(M = 3.55,SD = 0.82)处于中等范围,而CST(M = 3.37,SD = 0.65)和对MOH数字服务的熟悉度(FMOHDS)(M = 3.32,SD = 1.02)记录的平均值最低,表明对AI医师聊天机器人和制度性数字服务熟悉度的态度相对保守。
测量模型
测量模型开发后,在PLS-SEM中运行了CFA。由于低项目载荷(小于0.70),DSDT的一个项目、OISB的一个项目、PRISA的一个项目和CST的一个项目被排除在分析之外。所有构念的Cronbach's α均高于0.70,组合信度也高于0.70,AVE高于0.50,VIF小于5,表明量表具有良好的信度和收敛效度。此外,使用Fornell-Larcker准则的判别效度也达到了阈值。模型拟合指数显示,RMSEA = 0.089,SRMR = 0.046,TLI = 0.912,CFI = 0.936,均符合阈值要求。
结构模型
结构模型用于检验假设。Bootstrapping结果显示,OISB对CST有显著的正向影响(β = 0.191,p < 0.05),因此H3成立并被接受。PRISA对CST有显著的负向影响(β = -0.282,p < 0.01),因此H5成立并被接受。然而,IVS对CST的影响不显著(β = 0.086,p > 0.05),H1被拒绝。DSDT对CST的影响也不显著(β = -0.072,p > 0.05),H2被拒绝。FMOHDS对CST的影响同样不显著(β = -0.108,p > 0.05),H4被拒绝。
在预测因子对PRISA的直接效应方面,FMOHDS是PRISA最主要的预测因子(β = 0.764,p < 0.01),H6d成立并被接受。OISB对PRISA也有显著的负向影响(β = -0.096,p < 0.05),H6c成立并被接受。IVS对PRISA的影响不显著(β = 0.112,p > 0.05),H6a被拒绝。DSDT对PRISA的影响也不显著(β = -0.077,p > 0.05),H6b被拒绝。
中介效应检验表明,PRISA在FMOHDS和CST之间起到了显著的中介作用(β = -0.216,p < 0.01),因此H7d成立并被接受。然而,PRISA在IVS和CST之间(β = -0.032,p > 0.05)、DSDT和CST之间(β = 0.022,p > 0.05)以及OISB和CST之间(β = 0.027,p > 0.05)的中介效应均不显著,因此H7a、H7b和H7c被拒绝。
组间差异与调节分析
比较分析显示,年龄类别在数字健康互动和聊天机器人信任度方面无显著差异。在DSDT变量内的两个职业类别(p = 0.026)和两个社交媒体经验类别(p = 0.038)之间发现了统计学上的显著差异,但所有比较的效应量都非常小。性别之间没有交互或调节效应证据。这表明人口统计学变量对研究变量之间的关系没有实质性影响。
讨论与结论
讨论部分指出,本研究的发现表明,参与者代表了一个积极参与的群体,他们通过WhatsApp这一主要数字门户来获取、验证和交流临床相关信息。对AI医师聊天机器人服务的信任度在很大程度上取决于个人对医疗机构的熟悉程度以及系统的可靠性。相反,积极参与其他数字健康服务与对AI医师聊天机器人的较低信任度相关。这种“赋权患者悖论”得到了多项研究的支持,即虽然既往使用聊天机器人的经历和在线健康信息寻求行为高度预测未来的使用意愿,但参与者往往对AI聊天机器人在医疗保健中的使用持怀疑或不确定态度。此外,研究强调了阿拉伯语可用性、可信度和准确性在评估AI健康信息中的重要性,指出了西方主导框架中常被忽视的系统性公平差距。
结论部分强调,高血压患者对AI增强型医师聊天机器人的信任度主要取决于他们的制度熟悉度及其对系统可靠性的信念,而不仅仅是他们的数字参与度。将医师聊天机器人功能嵌入到像Sehhaty这样值得信赖的现有平台中,可以利用现有的制度信任,从而降低采用该技术的感知障碍。相反,数字健康参与对聊天机器人信任度的不利影响表明,需要采取不同的策略来吸引这些患者,即通过这些患者当前的信息实践和医师参与来获取更多信息的患者,应将AI推荐视为其信息获取方法的补充,而不是替代品。这些发现为海湾合作委员会(GCC)地区关于AI医师聊天机器人信任的行为和态度前因提供了原创实证证据,填补了主要以西方患者和医疗系统为主的文献空白,为开发与沙特阿拉伯“2030愿景”数字健康议程相一致的AI高血压管理系统提供了可行的见解。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号