《Frontiers in Public Health》：eHealth literacy in older patients with cardiovascular disease: latent profile analysis and associated factors
编辑推荐：
摘要翻译：目的：本研究旨在探索老年心血管疾病患者电子健康（eHealth）素养的潜在类别，并分析其与电子健康素养剖面相关的因素。方法：从2025年11月1日至2026年4月15日，研究人员采用便利抽样法，在中国某三级甲等医院对共459名患者进行了调查。采用人口
摘要翻译：目的：本研究旨在探索老年心血管疾病患者电子健康（eHealth）素养的潜在类别，并分析其与电子健康素养剖面相关的因素。方法：从2025年11月1日至2026年4月15日，研究人员采用便利抽样法，在中国某三级甲等医院对共459名患者进行了调查。采用人口学信息问卷和电子健康素养量表（eHEALS）收集社会人口学信息和电子健康素养。利用潜在剖面分析（LPA）识别老年心血管疾病患者电子健康素养的潜在类别。采用单因素分析和多因素逻辑回归分析探讨与这些患者电子健康素养潜在剖面相关的因素。结果：eHEALS总均分为（25.16±5.59），应用能力、判断能力和决策能力维度均分分别为（15.59±3.75）、（6.41±1.52）和（3.16±0.96）。潜在剖面分析识别出三个不同类别：低（28.3%）、中（50.3%）和高（21.4%）电子健康素养，显示出显著的异质性。多因素逻辑回归显示，较高的教育水平、更频繁的互联网使用、更频繁的健康信息查询、规律体力活动以及更高的感知社会支持与中高素养类别正相关，而高龄和较高的合并症负担则与之负相关。结论：老年心血管疾病患者表现出异质性且总体处于中低水平的电子健康素养。个体行为和社会支持因素与不同的电子健康素养剖面相关，强调需要量身定制的多维干预措施以及开发疾病特异性评估工具，以改善该人群的数字健康参与和自我管理。
论文解读文章
**研究背景与问题**
心血管疾病（CVD）是全球老年人群发病和死亡的主要原因之一。随着人口老龄化加剧，老年CVD患者的健康管理面临严峻挑战。在数字化医疗快速发展的背景下，电子健康（eHealth）素养——即从电子资源中搜索、理解、评估和应用健康信息的能力——已成为患者进行自我管理和参与医疗决策的关键技能。然而，老年患者普遍存在技术熟练度低、认知功能下降、数字工具可及性有限等问题，导致其eHealth素养水平参差不齐。既往研究多采用总分或维度均分描述eHealth素养，未能揭示其潜在异质性。潜在剖面分析（LPA）作为一种以人为中心的统计方法，能够识别不同亚组，为针对性干预提供依据。本研究旨在探索老年CVD患者eHealth素养的潜在类别，分析相关因素，并识别优先干预人群，为基于剖面的精准干预提供实证基础。
**研究方法概述**
本研究采用横断面描述性探索设计，遵循STROBE指南。研究人员于2025年11月至2026年4月在中国某三级甲等医院心内科，通过便利抽样招募459名老年CVD患者（年龄60-87岁，平均67.62±5.78岁）。采用自制人口学问卷、电子健康素养量表（eHEALS）和领悟社会支持量表（PSSS）收集数据。eHEALS包含8个条目，分属应用能力、判断能力和决策能力三个维度，总分8-40分，32分及以上视为合格。PSSS包含12个条目，评估家庭、朋友和其他支持。主要分析方法包括：在Mplus 8.0中进行LPA（依次拟合1-5类别模型，依据AIC、BIC、aBIC、Entropy、LMRT和BLRT选择最优模型）；单因素分析（ANOVA、Kruskal-Wallis、χ2或Fisher精确检验，采用Benjamini-Hochberg法校正多重检验）；多因素多项逻辑回归分析（以低素养组为参照）。
**研究结果**
**3.1 老年CVD患者的特征与eHealth素养水平**
459名患者中，男性占66.7%。eHEALS总均分（25.16±5.59），低于合格标准（32分）。三个维度得分分别为：应用能力（15.59±3.75）、判断能力（6.41±1.52）、决策能力（3.16±0.96），显示总体处于中低水平。
**3.2 eHealth素养的潜在剖面**
LPA结果显示，三类别模型最优（Entropy=0.936，LMRT和BLRT均P<0.001）。三个剖面分别为：低素养组（28.32%）、中素养组（50.33%）、高素养组（21.35%）。低素养组各条目得分均低于其他组；高素养组各维度得分均最高；中素养组介于两者之间，且部分条目（如决策能力）接近高素养组。
**3.3 单因素分析**
经Benjamini-Hochberg校正后，教育水平、合并症数量、互联网使用频率、规律体力活动、年龄和感知社会支持在三个剖面间存在显著差异（均校正P<0.05）。性别、婚姻状况、医保类型、居住状况等无显著差异。
**3.4 多项逻辑回归分析**
以低素养组为参照，结果显示：年龄每增加1岁，归属于高素养组的几率降低（OR=0.861，95%CI 0.808-0.917）；感知社会支持每增加1分，归属中、高素养组的几率分别增加（OR=1.043，1.072）；与本科及以上学历相比，小学及以下学历归属高素养组的几率显著降低（OR=0.101）；无合并症者归属高素养组的几率高于有合并症者（OR=7.238）；互联网使用频率"经常"者归属高素养组的几率最高（OR=6.401）；健康信息查询"总是"者归属高素养组的几率最高（OR=9.480）；规律体力活动者归属高素养组的几率增加（OR=2.784）。
**讨论与结论**
讨论部分指出，老年CVD患者eHealth素养存在显著异质性，三类别结构与既往慢性病研究一致。年龄、教育、合并症、体力活动、互联网使用、信息查询及社会支持均与不同剖面相关。这些发现支持从统一健康教育转向基于剖面的分层干预：低素养组需基础数字技能培训和简化材料；中素养组应加强信息评估和实际应用训练；高素养组可提供更高级的数字自我管理和远程监测资源。研究局限性包括横断面设计无法推断因果、单中心样本限制外推性、自我报告工具可能存在偏差。结论强调，应开发疾病特异性评估工具，实施多维度的个体化干预，以提升老年CVD患者的数字健康参与和自我管理能力。
**研究意义**
本研究首次将LPA应用于老年CVD患者的eHealth素养研究，揭示了三类异质性亚组，并明确了可干预的相关因素。研究结果发表于《Frontiers in Public Health》，为临床实践中识别高危人群、设计分层干预方案提供了实证依据，有助于推动数字健康公平和慢性病管理的精准化。
