数字健康素养特征：数字健康应用用户的聚类分析

《Systems》：Digital Health Literacy Profiles: A Cluster Analysis of Digital Health Application Users

　　

医疗系统的数字化转型日益依赖于医疗用户对数字健康技术（DHTs）的成功采纳与使用。在此背景下，数字健康素养（DHL）已成为影响数字健康应用有效使用的关键因素。尽管对DHL的兴趣日益增长，但聚焦于识别数字健康应用情境下不同用户特征的研究仍然有限。本研究旨在识别斯洛文尼亚医疗系统中数字健康应用用户的DHL特征。研究人员使用电子健康素养与使用量表（eHLUS）收集了247名受访者的数据，该量表涵盖三个维度：自主使用与技术接入、数字健康参与以及数字健康素养（DHL）。采用层次聚类分析（Ward方法，欧氏距离）来识别用户群体。分析揭示了四种不同的DHL特征：数字赋能型用户、数字脆弱型用户、被动数字型用户以及动机发展型用户。研究结果表明，用户在数字健康应用的使用中，在DHL各维度上存在显著异质性。本研究是eHLUS工具在其原始情境之外的首批应用之一，有助于更好地理解数字医疗系统内的用户多样性。研究结果为制定有针对性的教育干预措施、减少数字不平等以及设计以用户为中心的数字健康应用提供了基础，从而支持医疗系统的持续数字化转型。

**论文解读：数字健康素养特征——基于数字健康应用用户的聚类分析**

**研究背景与问题**

随着医疗系统的数字化转型加速，数字健康技术（DHTs）的普及成为当代社会发展的重要议题。然而，DHTs的成功实施不仅依赖于技术成熟度和医疗专业人员的采纳，更取决于患者及其他用户有效利用这些技术的能力。在此背景下，数字健康素养（Digital Health Literacy, DHL）成为关键因素，它使个体能够搜索、访问、理解、批判性评估并应用数字健康信息与服务，从而做出明智的健康决策。尽管DHL的重要性日益凸显，现有研究大多关注总体素养水平，而较少探讨用户在数字健康应用使用中的异质性特征。此外，不同医疗系统在治理、融资和组织形式上的差异，进一步影响了DHTs的采纳与整合。斯洛文尼亚的医疗支出接近欧盟平均水平，为研究DHL差异提供了相关情境。因此，研究人员旨在识别数字健康应用用户的DHL特征，以填补这一研究空白，并为制定有针对性的干预措施提供依据。

**研究内容与结论**

本研究采用定量横断面设计，在斯洛文尼亚医疗系统中识别数字健康应用用户的DHL特征。研究人员使用电子健康素养与使用量表（eHealth Literacy and Use Scale, eHLUS）收集了247名受访者的数据，该量表涵盖三个维度：自主使用与技术接入（Autonomous Use and Technical Access）、数字健康参与（Digital Health Engagement）以及数字健康素养（DHL）。通过层次聚类分析（Ward方法，欧氏距离），研究人员识别出四种不同的用户特征：数字赋能型用户（Digitally Empowered Users, 53.4%）、数字脆弱型用户（Digitally Vulnerable Users, 8.5%）、被动数字型用户（Passive Digital Users, 23.1%）以及动机发展型用户（Motivated Developing Users, 15%）。研究结果表明，用户群体在DHL各维度上存在显著异质性，且高水平的数字健康素养并不必然转化为积极的数字健康参与。这一发现挑战了将DHL视为单一同质化构念的传统观点，强调了在数字健康转型中需考虑用户多样性。研究意义在于：首先，这是eHLUS工具在原始验证情境之外的首批应用之一，拓展了其适用性；其次，为制定针对不同用户特征的教育干预和用户中心设计提供了实证基础，有助于减少数字不平等并促进DHTs的包容性采纳。该论文发表在《Systems》期刊。

**关键技术方法**

研究人员采用层次聚类分析（Hierarchical Cluster Analysis, Ward.D2方法，欧氏距离）对受访者在eHLUS三个维度上的均值得分进行聚类，以确定最优聚类数（通过树状图与组内平方和WCSS判定）。数据收集通过在线问卷平台（1KA）进行，样本来源为斯洛文尼亚医疗系统用户，通过研究人员社交媒体网络招募，最终纳入247份完整问卷。量表内部一致性通过Cronbach's α评估（整体α=0.887，各维度α在0.789-0.863之间）。

**研究结果**

**3.1. 层次聚类分析**
通过层次聚类分析（Ward方法，欧氏距离），研究人员基于受访者在三个DHL维度上的得分识别出四种用户特征。树状图分析显示，聚类C3（23.1%）与C4（15%）在最低距离处合并，C2（8.5%）在较高距离处加入，而C1（53.4%）最为独特，在最后阶段才与其余组群合并。各特征均值如下：
- **数字赋能型用户（C1）**：在自主使用与技术接入（4.55）、数字健康参与（4.01）和DHL（4.48）上均获得最高均值，代表高DHL水平用户。
- **数字脆弱型用户（C2）**：在所有维度上得分最低（自主使用与技术接入=2.33，数字健康参与=2.15，DHL=2.32），面临数字排斥风险。
- **被动数字型用户（C3）**：自主使用与技术接入（4.04）和DHL（4.18）较高，但数字健康参与显著较低（2.00），表明高素养但低参与。
- **动机发展型用户（C4）**：三个维度得分中等偏高（自主使用与技术接入=3.71，数字健康参与=3.24，DHL=3.36），具有进一步发展潜力。

**3.2. 基于数字健康应用使用DHL的用户特征人口学分布**
按性别分析：数字赋能型用户（C1）在男性和女性中均占最大比例（女性56%，男性50%）；被动数字型用户（C3）在男性中略多（27% vs 20%）；动机发展型用户（C4）在女性中略多（17% vs 12%）；数字脆弱型用户（C2）在两组中均最少（女性7%，男性11%）。年龄分布显示：30-39岁年龄组中数字赋能型用户比例最高（83%）；60岁以上用户全部归类为数字脆弱型用户；18-29岁年轻用户中，被动数字型用户（30%）和动机发展型用户（18%）比例较高，表明年轻群体DHL异质性更大。按服务年限分析：数字赋能型用户在0-9年（49%）、10-19年（81%）、20-29年（67%）和30-39年（62%）服务年限组中占比最大；服务年限40年及以上用户中，数字脆弱型用户占主导（80%）；服务年限越长，属于低DHL特征的可能性越大。

**总结与讨论**

研究结论部分指出，本研究识别了数字健康应用用户的四种不同DHL特征：数字赋能型用户、数字脆弱型用户、被动数字型用户和动机发展型用户。研究结果表明，访问权限和数字健康素养并不必然导致对数字健康服务的积极参与。认识到用户在访问、素养和参与方面的差异，为制定有针对性的教育干预措施和以用户为中心的数字健康解决方案提供了宝贵基础。通过满足不同用户特征的具体需求，医疗专业人员及系统能够促进数字健康应用更具包容性和有效性的使用，并支持医疗系统的持续数字化转型。讨论部分强调，数字健康素养是一个复杂的、多维度的构念，受测量工具、人群特征和更广泛的社会技术环境影响。被动数字型用户的发现尤其重要，它表明高素养水平并不等同于高参与度，这提示干预措施需同时关注参与维度。此外，不同年龄组和服务年限的分布模式表明，数字健康素养在职业生涯中期达到顶峰，而后随年龄增长而下降。研究局限包括便利抽样带来的样本代表性不足（年轻用户过多）、自我报告数据、横断面设计无法推断因果关系，以及部分聚类规模较小。未来研究需在更具代表性的样本及不同国家文化背景下验证这些特征，并探讨其与实际使用行为、信任度及新兴技术采纳意愿的关系。