引用本文： 曹雪霏, 寧智鵬, 侯艷紅. 患者互聯網診療采納意愿影響因素的Meta分析. 中國循證醫學雜志, 2022, 22(3): 316-323. doi: 10.7507/1672-2531.202110144 復制
物流業的迅速發展與互聯網大數據平臺支持，及居家隔離限制病患出門就診，進一步推動互聯網醫療蓬勃發展。有報告顯示，中國“互聯網+”公立醫院已從疫情前的170家增至2020年5月的1 000余家，國家衛健委屬管醫院互聯網診療比2019年同期增加了17倍[1]。2018年4月，國務院辦公廳印發《關于促進“互聯網+醫療健康”發展的意見》，提出鼓勵醫療機構應用互聯網等信息技術拓展醫療服務空間和內容，構建覆蓋診前、診中、診后的線上線下一體化醫療服務模式，允許依托醫療機構發展互聯網醫院[2]。同年7月，國家衛健委和國家中醫藥管理局聯合下發《互聯網醫院管理辦法（試行）》、《互聯網診療管理辦法（試行）》、《遠程醫療服務管理規范（試行）》等文件[3]，對互聯網醫療的分類、準入和監管等做出了明確規定，為互聯網醫療服務的健康發展提供政策依據。線上診療更注重提升服務質量、降低使用成本，有利于獲得各級醫保基金的認可。然而，互聯網醫療產業發展仍然受屬地化管理、市場進入門檻高、配套政策不完善等限制。互聯網技術的缺陷、法律保護和診療不精確等問題降低了民眾對互聯網醫療的接受程度[4]。另外，相較于線下門診，消費者不傾向為互聯網門診付費。互聯網醫療的普及率和使用率仍較低。研究影響患者互聯網診療采納意愿的不同因素有利于從政府、平臺角度對癥下藥，切實提升互聯網醫療使用效率，促進互聯網醫療發展。
患者互聯網診療采納意愿相關研究一般基于單一理論模型如技術接受模型（technology acceptance model，TAM）、整合性技術接受與使用模型理論（unified theory of acceptance and use of technology，UTAUT）等，或添加疾病健康相關變量進行補充，通過問卷調查等方式獲取數據并進行模型驗證。由于研究間樣本量、調研地區、研究對象、理論模型的不同，不同影響因素對采納意愿分析結果存在較大差異，如能采用Meta分析方法進行結果整合，可能會獲得更穩健的采納意愿模型。因此，本研究系統評價患者互聯網診療采納意愿的影響因素，建立影響因素理論模型，通過相關系數驗證各影響因素與采納意愿相關性是否顯著，及通過合并效應量判定影響效果高低，最終形成優化整合的患者互聯網診療采納意愿模型，以期為運營平臺、政府等主體提出推廣普及互聯網診療的有效性建議。
1 資料與方法
1.1 理論模型與變量
對新信息技術的采納及使用行為的研究，主要以理性行為理論（theory of reasoned action，TRA）、計劃行為理論（theory of planned behavior，TPB）、TAM及UTAUT等為基礎，每個模型都由不同的變量構成。TRA主要包括態度、主觀規范、行為意向、實際行為4個變量[5]。TPB在此基礎上增加感知行為控制（perceived behavioral control，PBC）變量[6]，并進一步引申為可控性和自我效能[7]。TAM在TRA理論的基礎上提出，主要包括5個變量：感知有用性、感知易用性、態度、行為意向和實際使用[8]。健康信息TAM（health information technology acceptance model，HITAM）集成TAM模型及與健康相關的變量結構包括健康狀態、健康信念和關注、行為信念和感知健康威脅等[9]。UTAUT綜合整合理性行動理論、TAM、動機模型、TPB、TAM和TPB的結合模型、PC利用模型、創新擴散理論和社會認知理論8個模型建立，包括外因變量：績效期望、努力期望、社會影響、促進條件；內因變量：行為意向和使用行為；調節變量：性別、年齡、經驗、使用自愿性[10]。增加享樂動機、價格價值、習慣，形成UTAUT拓展模型—UTAUT2模型[11]。價值態度行為模型（value attitude behavior model，VAB）是研究消費者行為的常用框架，包括感知價值、態度和行為[12]。此外，基于相關理論文獻的梳理，研究中常用的其他補充變量包括自我效能、態度、感知風險、個體創新性和焦慮等[13]。
用戶采納意愿是指用戶接受和使用某種產品或服務的主觀概率或可能性。本研究參考Fishbein和Ajze的定義[14]，將患者對互聯網診療服務的采納意愿定義為患者使用或向他人推薦互聯網診療服務的可能性。采納意愿在一定程度上是對用戶購買決策的重要反映指標。用戶采納意愿越強，其產生使用行為的可能性越大，或向他人推薦該產品或服務的可能性越大。
本研究梳理已有新信息技術采納使用相關模型及互聯網診療特性，提取包括績效期望、努力期望等17個變量，同時構建患者互聯網醫療采納意愿影響因素整合模型，提出假設H1～H16（表1）。
表1
患者互聯網醫療采納意愿模型假設及變量定義
1.2 納入與排除標準
1.2.1 研究類型
橫斷面研究。
1.2.2 研究對象
接受有關互聯網診療采納意愿問卷調查的患者。
1.2.3 結局指標
構建互聯網診療采納意愿影響因素模型（自建模型或既有模型），提出并驗證研究假設，且給出Meta分析所需的效應值與樣本量。
1.2.4 排除標準
① 非中、英文文獻；② 重復發表的文獻；③ 不能獲取全文、數據信息不全或數據無法分析的文獻。
1.3 文獻檢索策略
計算機檢索CNKI、VIP、WanFang Data、Web of Science、PubMed和EMbase數據庫，搜集有關患者互聯網診療采納意愿影響因素的橫斷面研究，檢索時限均為建庫至2021年8月。檢索采用主題詞與自由詞相結合的方式進行，并根據各數據庫特點進行調整。同時檢索納入研究的參考文獻，以補充獲取相關資料。中文檢索詞包括：互聯網醫療、在線醫療、移動醫療、患者、影響因素、意愿、選擇等；英文檢索詞包括：internet medical platform、internet medical app、mobile health、surveys、questionnaires、patient等。以PubMed為例，具體檢索策略見框1。
圖
1.4 文獻篩選、資料提取與偏倚風險評價
由2名研究者獨立篩選文獻、提取資料并交叉核對。如有分歧，則通過討論或與第三方協商解決。文獻篩選時首先閱讀文題，在排除明顯不相關的文獻后，進一步閱讀摘要和全文以確定是否納入。如有需要，通過郵件、電話聯系原始研究作者獲取未確定但對本研究非常重要的信息。資料提取內容包括：① 基本信息：文章名稱、作者、發表年份、國家、患者類型、模型等；② 分析數據：相關系數r及可轉化參數、樣本量等。由2名研究者獨立評價納入研究的偏倚風險，并交叉核對結果。偏倚風險評價采用澳大利亞喬安娜布里格斯研究所（Joanna Briggs institute，JBI）研制的橫斷面研究偏倚風險評價標準。
1.5 統計分析
采用Stata 16.0軟件進行Meta分析，使用公式Fisher’s 
、
換算得到Fisher’s Z值和標準誤，再利用公式
換算得summary r值。利用公式將回歸系數β轉化為相關系數r：r=β+0.05λ（當β≥０時，λ＝１；當β<０時，λ＝０）[15]，從而納入更多研究數據增加效應量，提高了分析效力。F值、T值、P值等利用工具Effect Size Calculator轉換為相關系數r[16]。依據Cohen（1988）提出判斷相關系數效應值大小的標準[17]，合并效應量r取值0～0.2為低度相關因子，0.20～0.40為中度相關因子，0.40～1為高度相關因子，r>0為正相關，r<0為負相關。納入研究結果間的異質性采用χ2檢驗進行分析（檢驗水準為α=0.1），同時結合I2定量判斷異質性大小。若各研究結果間無統計學異質性，則采用固定效應模型進行Meta分析；若各研究結果間存在統計學異質性，則進一步分析異質性來源，在排除明顯臨床異質性的影響后，采用隨機效應模型進行Meta分析。Meta分析的水準設為α=0.05。明顯的臨床異質性采用亞組分析或敏感性分析等方法進行處理，或只行描述性分析。利用Begg’s秩相關法及Egger’s線性回歸法識別納入研究是否存在發表偏倚。
2 結果
2.1 文獻篩選流程及結果
初檢共獲得相關文獻2 570篇，經逐層篩選，最終納入28個橫斷面研究[18-45]，包括10 200例患者。文獻篩選流程及結果見圖1。
圖1
文獻篩選流程及結果
*所檢索的數據庫及檢出文獻數具體如下：PubMed（
2.2 納入研究的基本特征和偏倚風險評價結果
表2
納入研究的基本特征
表3
納入研究的偏倚風險評價結果（分）
2.3 Meta分析結果
2.3.1 影響因素相關性
績效期望、社會影響、感知有用性、感知風險、努力期望對采納意愿的影響獲得較多研究者關注。Meta分析結果顯示，習慣的相關系數合并效應量不顯著（P=0.743），故習慣對采納意愿的影響不大。其他影響因素均被證明對采納意愿具有正向或負向影響。① 感知有用性（r=0.540，P<0.000 1）、感知易用性（r=0.437，P<0.000 1）、PBC（r=0.413，P=0.043）、自我效能（r=0.403，P=0.002）、績效期望（r=0.402，P<0.000 1）為采納意愿的高度正相關因子；② 努力期望（r=0.373，P<0.000 1）、社會影響（r=0.334，P<0.000 1）、便利條件（r=0.334，P<0.000 1）、感知價值（r=0.300，P<0.000 1）、感知健康威脅（r=0.287，P=0.008）、個體創新性（r=0.265，P<0.000 1）為采納意愿的中度正相關因子；③ 抵制變化（r=?0.353，P=0.03）、技術焦慮（r=?0.307，P=0.034）、感知風險（r=?0.238，P<0.000 1）為采納意愿的中度負相關因子。7個研究[23,33,35,38,40,44-45]提供了采納意愿與使用行為的相關系數，提示二者存在高度正相關（r=0.526，P<0.000 1）。Meta分析結果見表4。
表4
患者互聯網診療采納意愿影響因素的Meta分析結果
2.3.2 亞組分析
根據研究對象類型和樣本量大小等因素進行亞組分析。結果顯示，慢性病患者亞組的努力期望、社會影響、便利條件因素異質性降低，普通患者亞組感知健康威脅、PBC因素異質性降低。<300組績效期望、努力期望、便利條件、感知價值、自我效能、感知健康威脅、PBC因素降為低異質性，提示患者類型和樣本量可能是異質性的來源之一。各亞組相關系數r與總體結果差距較小，提示結果較為穩健。
2.3.3 敏感性分析
通過逐一剔除文獻進行敏感性分析，發現剔除周騰[45]的研究后，自我效能降為中度正相關因子（r=0.300，P<0.000 1）；剔除王堯[41]的研究后，技術焦慮降為低度負相關因子（r=?0.168，P<0.000 1）；剔除Li[24]的研究后，感知健康威脅降為低度正相關因子（r=0.178，P<0.000 1），PBC降為中度正相關因子（r=0.240，P<0.000 1）。其余結果未發生明顯變化。
2.4 發表偏倚檢驗
針對本研究各影響因素分別利用Begg’s秩相關法及Egger’s線性回歸法進行發表偏倚檢驗。結果顯示，大部分影響因素存在發表偏倚的可能性均較小（P>0.05）。
3 討論
本研究對患者互聯網診療采納意愿影響因素進行Meta分析，剔除無明顯影響的變量后，共提取出感知有用性、感知易用性、感知價值等14個對采納意愿具有顯著影響的變量。亞組分析結果表明，患者類型與樣本量大小是研究間異質性的主要來源，提示慢性病患者與普通患者對互聯網診療的采納意愿存在差異。此外，Meta分析結果表明采納意愿與使用行為存在高度正相關關系，這說明針對各影響因素采取相關措施提升互聯網診療采納意愿能夠有效轉化為提升患者實際使用互聯網診療行為。
針對顯著影響患者采納意愿的變量，本研究提出以下優化建議：患者感知有用性、績效期望與可感知利益相關，包括減少時間成本、獲取專家咨詢服務、慢病監測管理、改善健康狀況等。互聯網診療服務供給方應對患者需求進行調研，充分拓展平臺功能如健康知識科普、個性化健康數據管理等，提高實用性，滿足用戶需求，提升用戶黏性。此外，感知到的移動醫療易用性是患者采納意愿的決定因素[25,41]。用戶在使用移動醫療APP操作過程中出現失誤無法解決，就會放棄繼續使用APP[44]。互聯網診療服務供給方在提供服務時應考慮用戶的使用難易程度，提升用戶體驗。在應用程序的設計中應避免復雜性，應與患者的互聯網技能、偏好相兼容，并針對不同年齡群體進行調整。
PBC是影響采納意愿的主要決定因素。互聯網診療供給方需要讓患者在使用時遇到困難能夠得到技術幫助解決問題或進行自我解決，通過充足技術、資源等擴大便利條件，同時通過培訓提升患者自我效能，逐步提升患者使用過程的PBC。平臺方可從社會影響角度出發，包括親友、政策、媒體宣傳等方面，采取措施促進患者交流與鼓勵共享傳播，同時通過廣告媒體宣傳提升平臺形象和口碑，進而提升影響力，吸引潛在用戶。
感知價值是患者對使用互聯網診療的成本及獲得價值的權衡比較，其正向作用在病情較重的患者群體中更強[38]。互聯網診療具有明顯的突破時間、空間限制的優勢，能夠減少患者線下就醫頻率，提升醫療資源使用效率。建議國家醫保局等相關部門制定收費指導標準，同時開放醫保準入，將符合條件的互聯網醫療服務納入醫保報銷范圍，最大程度地減輕患者負擔。
感知健康威脅對互聯網診療采納意愿具有正向影響，對疾病后果的健康風險感知越高，就越有動力采取以健康為導向的行為，以獲取衛生服務[46]。有學者指出，患者可能會認為互聯網醫院提供的在線咨詢服務對其疾病診斷具有不確定性，因此他們更傾向于在傳統的大醫院尋求高質量的健康服務，而不是在互聯網醫院[24]。互聯網診療平臺應引進更多高質量的醫學專家，提供專家就職醫院、職稱、執醫經驗等基本信息，增強患者對診療醫生的信任度。
感知風險、抵制變化和技術焦慮對采納意愿產生負面影響。由于擔心安全和隱私問題，患者和醫療服務提供者在一定程度上對使用互聯網診療缺乏興趣[47]。如果患者在使用互聯網診療的過程中認為自我轉換成本與收益相比較大，就會產生抵制行為[48]，這一現象在老年患者中尤為突出[21,23]。政府應進一步制定和完善線上診療相關質量控制標準和信息安全管理規范。平臺方應使患者充分了解信息的收集方及將如何使用這些信息，并提升網絡安全性，規避潛在的隱私風險，同時采取措施緩解老年人群的技術焦慮和心理抵制。
本研究的局限性：① 納入研究在理論模型、地區、樣本量等方面存在差異，經亞組分析和敏感性分析不能完全解釋異質性產生原因，可能影響結果的準確性；② 納入研究大多來自中國，可能降低研究結論的普適性；③ 部分納入研究未區分研究對象，線上線下不同渠道患者采納意愿可能存在差異；④ 僅研究影響因素對采納意愿的影響程度，未研究變量之間的中介效應和調節效應。
綜上所述，當前證據顯示，采納意愿與使用行為存在高度正相關關系，顯著影響患者互聯網診療采納意愿的因素包括感知有用性、感知易用性、感知價值等。
物流業的迅速發展與互聯網大數據平臺支持，及居家隔離限制病患出門就診，進一步推動互聯網醫療蓬勃發展。有報告顯示，中國“互聯網+”公立醫院已從疫情前的170家增至2020年5月的1 000余家，國家衛健委屬管醫院互聯網診療比2019年同期增加了17倍[1]。2018年4月，國務院辦公廳印發《關于促進“互聯網+醫療健康”發展的意見》，提出鼓勵醫療機構應用互聯網等信息技術拓展醫療服務空間和內容，構建覆蓋診前、診中、診后的線上線下一體化醫療服務模式，允許依托醫療機構發展互聯網醫院[2]。同年7月，國家衛健委和國家中醫藥管理局聯合下發《互聯網醫院管理辦法（試行）》、《互聯網診療管理辦法（試行）》、《遠程醫療服務管理規范（試行）》等文件[3]，對互聯網醫療的分類、準入和監管等做出了明確規定，為互聯網醫療服務的健康發展提供政策依據。線上診療更注重提升服務質量、降低使用成本，有利于獲得各級醫保基金的認可。然而，互聯網醫療產業發展仍然受屬地化管理、市場進入門檻高、配套政策不完善等限制。互聯網技術的缺陷、法律保護和診療不精確等問題降低了民眾對互聯網醫療的接受程度[4]。另外，相較于線下門診，消費者不傾向為互聯網門診付費。互聯網醫療的普及率和使用率仍較低。研究影響患者互聯網診療采納意愿的不同因素有利于從政府、平臺角度對癥下藥，切實提升互聯網醫療使用效率，促進互聯網醫療發展。
患者互聯網診療采納意愿相關研究一般基于單一理論模型如技術接受模型（technology acceptance model，TAM）、整合性技術接受與使用模型理論（unified theory of acceptance and use of technology，UTAUT）等，或添加疾病健康相關變量進行補充，通過問卷調查等方式獲取數據并進行模型驗證。由于研究間樣本量、調研地區、研究對象、理論模型的不同，不同影響因素對采納意愿分析結果存在較大差異，如能采用Meta分析方法進行結果整合，可能會獲得更穩健的采納意愿模型。因此，本研究系統評價患者互聯網診療采納意愿的影響因素，建立影響因素理論模型，通過相關系數驗證各影響因素與采納意愿相關性是否顯著，及通過合并效應量判定影響效果高低，最終形成優化整合的患者互聯網診療采納意愿模型，以期為運營平臺、政府等主體提出推廣普及互聯網診療的有效性建議。
1 資料與方法
1.1 理論模型與變量
對新信息技術的采納及使用行為的研究，主要以理性行為理論（theory of reasoned action，TRA）、計劃行為理論（theory of planned behavior，TPB）、TAM及UTAUT等為基礎，每個模型都由不同的變量構成。TRA主要包括態度、主觀規范、行為意向、實際行為4個變量[5]。TPB在此基礎上增加感知行為控制（perceived behavioral control，PBC）變量[6]，并進一步引申為可控性和自我效能[7]。TAM在TRA理論的基礎上提出，主要包括5個變量：感知有用性、感知易用性、態度、行為意向和實際使用[8]。健康信息TAM（health information technology acceptance model，HITAM）集成TAM模型及與健康相關的變量結構包括健康狀態、健康信念和關注、行為信念和感知健康威脅等[9]。UTAUT綜合整合理性行動理論、TAM、動機模型、TPB、TAM和TPB的結合模型、PC利用模型、創新擴散理論和社會認知理論8個模型建立，包括外因變量：績效期望、努力期望、社會影響、促進條件；內因變量：行為意向和使用行為；調節變量：性別、年齡、經驗、使用自愿性[10]。增加享樂動機、價格價值、習慣，形成UTAUT拓展模型—UTAUT2模型[11]。價值態度行為模型（value attitude behavior model，VAB）是研究消費者行為的常用框架，包括感知價值、態度和行為[12]。此外，基于相關理論文獻的梳理，研究中常用的其他補充變量包括自我效能、態度、感知風險、個體創新性和焦慮等[13]。
用戶采納意愿是指用戶接受和使用某種產品或服務的主觀概率或可能性。本研究參考Fishbein和Ajze的定義[14]，將患者對互聯網診療服務的采納意愿定義為患者使用或向他人推薦互聯網診療服務的可能性。采納意愿在一定程度上是對用戶購買決策的重要反映指標。用戶采納意愿越強，其產生使用行為的可能性越大，或向他人推薦該產品或服務的可能性越大。
本研究梳理已有新信息技術采納使用相關模型及互聯網診療特性，提取包括績效期望、努力期望等17個變量，同時構建患者互聯網醫療采納意愿影響因素整合模型，提出假設H1～H16（表1）。
表1
患者互聯網醫療采納意愿模型假設及變量定義
1.2 納入與排除標準
1.2.1 研究類型
橫斷面研究。
1.2.2 研究對象
接受有關互聯網診療采納意愿問卷調查的患者。
1.2.3 結局指標
構建互聯網診療采納意愿影響因素模型（自建模型或既有模型），提出并驗證研究假設，且給出Meta分析所需的效應值與樣本量。
1.2.4 排除標準
① 非中、英文文獻；② 重復發表的文獻；③ 不能獲取全文、數據信息不全或數據無法分析的文獻。
1.3 文獻檢索策略
計算機檢索CNKI、VIP、WanFang Data、Web of Science、PubMed和EMbase數據庫，搜集有關患者互聯網診療采納意愿影響因素的橫斷面研究，檢索時限均為建庫至2021年8月。檢索采用主題詞與自由詞相結合的方式進行，并根據各數據庫特點進行調整。同時檢索納入研究的參考文獻，以補充獲取相關資料。中文檢索詞包括：互聯網醫療、在線醫療、移動醫療、患者、影響因素、意愿、選擇等；英文檢索詞包括：internet medical platform、internet medical app、mobile health、surveys、questionnaires、patient等。以PubMed為例，具體檢索策略見框1。
圖
1.4 文獻篩選、資料提取與偏倚風險評價
由2名研究者獨立篩選文獻、提取資料并交叉核對。如有分歧，則通過討論或與第三方協商解決。文獻篩選時首先閱讀文題，在排除明顯不相關的文獻后，進一步閱讀摘要和全文以確定是否納入。如有需要，通過郵件、電話聯系原始研究作者獲取未確定但對本研究非常重要的信息。資料提取內容包括：① 基本信息：文章名稱、作者、發表年份、國家、患者類型、模型等；② 分析數據：相關系數r及可轉化參數、樣本量等。由2名研究者獨立評價納入研究的偏倚風險，并交叉核對結果。偏倚風險評價采用澳大利亞喬安娜布里格斯研究所（Joanna Briggs institute，JBI）研制的橫斷面研究偏倚風險評價標準。
1.5 統計分析
采用Stata 16.0軟件進行Meta分析，使用公式Fisher’s 、換算得到Fisher’s Z值和標準誤，再利用公式換算得summary r值。利用公式將回歸系數β轉化為相關系數r：r=β+0.05λ（當β≥０時，λ＝１；當β<０時，λ＝０）[15]，從而納入更多研究數據增加效應量，提高了分析效力。F值、T值、P值等利用工具Effect Size Calculator轉換為相關系數r[16]。依據Cohen（1988）提出判斷相關系數效應值大小的標準[17]，合并效應量r取值0～0.2為低度相關因子，0.20～0.40為中度相關因子，0.40～1為高度相關因子，r>0為正相關，r<0為負相關。納入研究結果間的異質性采用χ2檢驗進行分析（檢驗水準為α=0.1），同時結合I2定量判斷異質性大小。若各研究結果間無統計學異質性，則采用固定效應模型進行Meta分析；若各研究結果間存在統計學異質性，則進一步分析異質性來源，在排除明顯臨床異質性的影響后，采用隨機效應模型進行Meta分析。Meta分析的水準設為α=0.05。明顯的臨床異質性采用亞組分析或敏感性分析等方法進行處理，或只行描述性分析。利用Begg’s秩相關法及Egger’s線性回歸法識別納入研究是否存在發表偏倚。
2 結果
2.1 文獻篩選流程及結果
初檢共獲得相關文獻2 570篇，經逐層篩選，最終納入28個橫斷面研究[18-45]，包括10 200例患者。文獻篩選流程及結果見圖1。
圖1
文獻篩選流程及結果
*所檢索的數據庫及檢出文獻數具體如下：PubMed（
2.2 納入研究的基本特征和偏倚風險評價結果
表2
納入研究的基本特征
表3
納入研究的偏倚風險評價結果（分）
2.3 Meta分析結果
2.3.1 影響因素相關性
績效期望、社會影響、感知有用性、感知風險、努力期望對采納意愿的影響獲得較多研究者關注。Meta分析結果顯示，習慣的相關系數合并效應量不顯著（P=0.743），故習慣對采納意愿的影響不大。其他影響因素均被證明對采納意愿具有正向或負向影響。① 感知有用性（r=0.540，P<0.000 1）、感知易用性（r=0.437，P<0.000 1）、PBC（r=0.413，P=0.043）、自我效能（r=0.403，P=0.002）、績效期望（r=0.402，P<0.000 1）為采納意愿的高度正相關因子；② 努力期望（r=0.373，P<0.000 1）、社會影響（r=0.334，P<0.000 1）、便利條件（r=0.334，P<0.000 1）、感知價值（r=0.300，P<0.000 1）、感知健康威脅（r=0.287，P=0.008）、個體創新性（r=0.265，P<0.000 1）為采納意愿的中度正相關因子；③ 抵制變化（r=?0.353，P=0.03）、技術焦慮（r=?0.307，P=0.034）、感知風險（r=?0.238，P<0.000 1）為采納意愿的中度負相關因子。7個研究[23,33,35,38,40,44-45]提供了采納意愿與使用行為的相關系數，提示二者存在高度正相關（r=0.526，P<0.000 1）。Meta分析結果見表4。
表4
患者互聯網診療采納意愿影響因素的Meta分析結果
2.3.2 亞組分析
根據研究對象類型和樣本量大小等因素進行亞組分析。結果顯示，慢性病患者亞組的努力期望、社會影響、便利條件因素異質性降低，普通患者亞組感知健康威脅、PBC因素異質性降低。<300組績效期望、努力期望、便利條件、感知價值、自我效能、感知健康威脅、PBC因素降為低異質性，提示患者類型和樣本量可能是異質性的來源之一。各亞組相關系數r與總體結果差距較小，提示結果較為穩健。
2.3.3 敏感性分析
通過逐一剔除文獻進行敏感性分析，發現剔除周騰[45]的研究后，自我效能降為中度正相關因子（r=0.300，P<0.000 1）；剔除王堯[41]的研究后，技術焦慮降為低度負相關因子（r=?0.168，P<0.000 1）；剔除Li[24]的研究后，感知健康威脅降為低度正相關因子（r=0.178，P<0.000 1），PBC降為中度正相關因子（r=0.240，P<0.000 1）。其余結果未發生明顯變化。
2.4 發表偏倚檢驗
針對本研究各影響因素分別利用Begg’s秩相關法及Egger’s線性回歸法進行發表偏倚檢驗。結果顯示，大部分影響因素存在發表偏倚的可能性均較小（P>0.05）。
3 討論
本研究對患者互聯網診療采納意愿影響因素進行Meta分析，剔除無明顯影響的變量后，共提取出感知有用性、感知易用性、感知價值等14個對采納意愿具有顯著影響的變量。亞組分析結果表明，患者類型與樣本量大小是研究間異質性的主要來源，提示慢性病患者與普通患者對互聯網診療的采納意愿存在差異。此外，Meta分析結果表明采納意愿與使用行為存在高度正相關關系，這說明針對各影響因素采取相關措施提升互聯網診療采納意愿能夠有效轉化為提升患者實際使用互聯網診療行為。
針對顯著影響患者采納意愿的變量，本研究提出以下優化建議：患者感知有用性、績效期望與可感知利益相關，包括減少時間成本、獲取專家咨詢服務、慢病監測管理、改善健康狀況等。互聯網診療服務供給方應對患者需求進行調研，充分拓展平臺功能如健康知識科普、個性化健康數據管理等，提高實用性，滿足用戶需求，提升用戶黏性。此外，感知到的移動醫療易用性是患者采納意愿的決定因素[25,41]。用戶在使用移動醫療APP操作過程中出現失誤無法解決，就會放棄繼續使用APP[44]。互聯網診療服務供給方在提供服務時應考慮用戶的使用難易程度，提升用戶體驗。在應用程序的設計中應避免復雜性，應與患者的互聯網技能、偏好相兼容，并針對不同年齡群體進行調整。
PBC是影響采納意愿的主要決定因素。互聯網診療供給方需要讓患者在使用時遇到困難能夠得到技術幫助解決問題或進行自我解決，通過充足技術、資源等擴大便利條件，同時通過培訓提升患者自我效能，逐步提升患者使用過程的PBC。平臺方可從社會影響角度出發，包括親友、政策、媒體宣傳等方面，采取措施促進患者交流與鼓勵共享傳播，同時通過廣告媒體宣傳提升平臺形象和口碑，進而提升影響力，吸引潛在用戶。
感知價值是患者對使用互聯網診療的成本及獲得價值的權衡比較，其正向作用在病情較重的患者群體中更強[38]。互聯網診療具有明顯的突破時間、空間限制的優勢，能夠減少患者線下就醫頻率，提升醫療資源使用效率。建議國家醫保局等相關部門制定收費指導標準，同時開放醫保準入，將符合條件的互聯網醫療服務納入醫保報銷范圍，最大程度地減輕患者負擔。
感知健康威脅對互聯網診療采納意愿具有正向影響，對疾病后果的健康風險感知越高，就越有動力采取以健康為導向的行為，以獲取衛生服務[46]。有學者指出，患者可能會認為互聯網醫院提供的在線咨詢服務對其疾病診斷具有不確定性，因此他們更傾向于在傳統的大醫院尋求高質量的健康服務，而不是在互聯網醫院[24]。互聯網診療平臺應引進更多高質量的醫學專家，提供專家就職醫院、職稱、執醫經驗等基本信息，增強患者對診療醫生的信任度。
感知風險、抵制變化和技術焦慮對采納意愿產生負面影響。由于擔心安全和隱私問題，患者和醫療服務提供者在一定程度上對使用互聯網診療缺乏興趣[47]。如果患者在使用互聯網診療的過程中認為自我轉換成本與收益相比較大，就會產生抵制行為[48]，這一現象在老年患者中尤為突出[21,23]。政府應進一步制定和完善線上診療相關質量控制標準和信息安全管理規范。平臺方應使患者充分了解信息的收集方及將如何使用這些信息，并提升網絡安全性，規避潛在的隱私風險，同時采取措施緩解老年人群的技術焦慮和心理抵制。
本研究的局限性：① 納入研究在理論模型、地區、樣本量等方面存在差異，經亞組分析和敏感性分析不能完全解釋異質性產生原因，可能影響結果的準確性；② 納入研究大多來自中國，可能降低研究結論的普適性；③ 部分納入研究未區分研究對象，線上線下不同渠道患者采納意愿可能存在差異；④ 僅研究影響因素對采納意愿的影響程度，未研究變量之間的中介效應和調節效應。
綜上所述，當前證據顯示，采納意愿與使用行為存在高度正相關關系，顯著影響患者互聯網診療采納意愿的因素包括感知有用性、感知易用性、感知價值等。
