数字健康素养的社会人口学决定因素：系统评价和荟萃分析
A R T I C L E I N F O
关键字：
数字健康素养
系统评价
数字健康
Meta 分析
社会人口统计学
社会不平等
系统评价
数字健康
Meta 分析
社会人口统计学
社会不平等
抽象
简介：数字健康素养水平的差异与缺乏获得数字工具、使用模式和有效使用数字技术的能力有关。尽管一些研究调查了社会人口因素对数字健康素养的影响，但尚未对这些因素进行全面评估。因此，本研究试图通过对现有文献进行系统回顾来检查数字健康素养的社会人口学决定因素。方法： 对 4 个数据库进行了检索。数据提取包括有关研究特征、社会人口学因素和所使用的数字健康素养量表的信息。使用带有隐喻包的 RStudio 软件进行年龄和性别的荟萃分析。结果： 共检索到 3922 篇文章，其中 36 篇被纳入本系统评价。年龄对数字健康素养有负面影响 （
1. 引言
电子健康记录和远程医疗的发展导致数字健康工具的使用越来越多，在 2000 年代随着互联网的广泛普及而获得了显着的发展势头 [1]。如今，数字健康工具的使用已经扩展到包括与健康相关的应用程序、可穿戴设备和在线医疗资源，以帮助人们管理自己的健康并做出有关医疗保健的明智决策。这
在现代世界，数字工具的日益广泛使用需要快速适应，而获得新技术和充分使用这些技术所需的技能最终会阻碍或促进这种适应[2,3]。由于正确使用数字健康工具（也称为电子健康或电子健康工具）需要大量技能，包括计算能力、科学素养、技术使用、健康素养以及批判性地评估健康信息的能力 [4]，因此探索数字健康素养背景构成了一项复杂的挑战。
数字健康素养被定义为从数字来源 [5]（如互联网和移动设备）查找、理解和使用健康信息的能力，并且与人们使用不同健康和数字资源的频率密切相关。这些资源包括在线视频咨询、数字健康记录、社交网络和其他旨在促进和改善患者健康的健康相关应用程序 [6]。数字健康文盲的负担是巨大的，因为那些难以浏览健康信息的人可能更容易受到错误信息的影响 [7]。个体之间的数字健康素养水平以及他们的在线技能和互联网知识水平存在显著差异，这最终与社会经济地位和使用这些工具的自主性有关 [8,9]，从而导致社会健康不平等和更差的健康结果[10]。
目前，有几种方法可以解决数字不平等问题。van Deursen 和 Helsper [3]提出了一个三级数字鸿沟模型，第一级数字鸿沟与缺乏数字工具和访问互联网的方式有关，第二级与使用模式有关，最后一级与有效和高效地使用数字技术以实现改善结果的能力有关。然而，数字鸿沟——以及三级模型中存在的每一个水平——都受到社会经济地位、世代、性别、地区和健康状况等因素的影响，其中第一个因素是互联网访问和相关技能的主要预测因素之一，直接影响互联网的有效使用[3,11,12]。此外，数字健康素养还可能受到其他因素的影响，例如技术准备情况、对技术的态度和互联网使用模式 [13-16]。尽管一些研究报告了社会人口学因素对数字健康素养的影响，但缺乏对这些因素的系统评估。因此，本研究旨在通过对有关该主题的现有研究进行系统评价和荟萃分析，分析数字健康素养的社会人口学决定因素。
2. 方法
2.1. 筛选和研究选择
于 2021 年 11 月 24 日在 MedLINEPubMed、Scopus、Web of Knowledge 和 EMBASE 数据库中进行了检索。为了更新获得的结果，我们于 2022 年 4 月 12 日使用相同的数据库进行了新的检索。获得的文章由两名独立研究人员 （ME 和 GS） 按标题和摘要进行筛选，检索策略主要旨在确定分析数字健康素养影响因素的相关研究，并确定这些研究中使用了哪些量表来衡量数字健康素养。用于搜索上述数据库的关键字如下：
（数字健康 OR 电子健康 OR 电子健康）和识字率 AND （决定因素 OR 因素 OR 社会人口统计学 OR 人口统计学 OR 量表）
该系统评价已在 PROSPERO 数据库 （CRD42022325207） 中注册 [17]。
2.2. 选择标准
纳入标准接受了分析社会人口学因素影响的研究，例如性别、年龄、收入、地理区域和社会地位。没有时间限制，纳入研究的语言是英语、葡萄牙语或西班牙语。会议摘要、系统评价、综述、荟萃分析、社论、研究方案、量表设计和验证研究、函授论文以及不属于我们研究范围的研究被排除在外。
从检索中获得的所有标题和摘要均由两名研究人员独立审查。纳入和排除标准
由 ME 和 GS 应用，并在未达成一致时由第三位研究人员 （TH） 验证。评分者间一致性是使用 Cohen 的 kappa 系数计算的。使用相同的方法选择全文文章。
2.3. 质量评估
使用 Joanna Briggs Institute 横断面研究清单 [18] 评估纳入研究的质量。对于每项研究，偏倚风险由两名研究人员 （ME 和 GS） 分别评估。与筛选过程类似，第三位审稿人 （TH） 作为推荐人，在出现分歧时达成共识。
2.4. 数据分析
数据提取检索了有关作者、年份、国家、研究设计、研究人群、回复率、平均数字健康素养分数的信息，以及主要数字健康素养决定因素的简要描述，即社会人口学特征。主要结局是上述社会人口学特征对数字健康素养水平的影响，次要结局是用于分析数字健康素养的量表。对结果进行了定性和定量总结。本系统评价和荟萃分析遵循 PRISMA [19] 和 MOOSE [20] 指南。Mueller 的一项研究进一步推荐了对观察性研究进行 meta 分析[21]。
2.5. 统计分析
所有统计分析均使用 RStudio 软件 （v. 4.2.2） 以及软件包 metafor [22]、dplyr 和 readxl 进行。使用带有 Hedges 和 Olkin 估计器的随机效应模型 [23,24] 估计回归系数和
3. 结果
3.1. 筛选
从 Pubmed、Scopus、WoS 和 EMBASE 数据库中共检索到 3922 篇文章，其中 1886 篇是重复的（图 1）。按标题和摘要进行筛选，排除了 1926 条记录，因为它们不符合纳入标准，达到了 0.623 的 Cohen κ，对应于基本一致性 [28];对 110 份报告进行了全文分析以检查资格。其中，36 例被纳入本系统评价。获得了 0.861 的 Cohen κ，对应于研究人员之间几乎完美的一致性 [28]。
3.2. 质量分析
质量分析由两名独立研究人员进行。在全文筛选后纳入的 37 项研究中，1 项研究因结果报告不充分而被删除。尽管其余研究总体质量良好，但一些研究的一些标准被归类为 “不清楚”，特别是在样本的纳入标准、暴露测量和混杂因素识别/管理方面。质量分析的结果显示在补充材料 - 表 S2 中。
图 1.带有筛查结果的 PRISMA 流程图。
3.3. 研究特征
所有研究都使用了电子健康素养量表 （eHEALS），除了 Zakar 的研究 [29] 使用了数字健康素养工具。研究中的加权平均 eHEALS 评分为
表 2 总结了每项研究中分析的特性。几乎所有的研究都分析了年龄和性别。每个变量对数字健康素养分数的影响结果包含在补充材料中。
3.4. 研究设计和设置
所有研究均采用横断面设计。17 项研究是通过访谈或分发问卷进行现场进行的[13,16,30-44];9 项研究通过在线进行[29,45-52]，5 项研究通过电话（CATI）进行[53-57]。其余 5 项研究采用混合方法[58-62]，使用了上述两种数据收集策略。
3.5. 位置
纳入的研究分布于全球：几乎一半的研究
3.6. 种群特征
7项研究在高中生或大学生中进行[29,30,32,35,41,42,47]。6项研究的目标人群为老年人[16,31,36,39,49,55]，1项研究纳入了年轻人和老年人[59]。在其余 22 项研究中，8 项研究针对患有特定疾病的人群 [36,43,44,50,51,54,60,61]，1 项针对医护人员 [46]，其余研究以一般患者或一般人群为目标人群。
3.6.1. 数字健康素养水平
从显示受访者平均 eHEALS 分数的研究中观察到，医护人员 [46] 和在线健康消费者 [52] 表现出更高水平的数字健康素养。
通讯作者：医学科学系，生物医学研究所 - iBiMED- 阿威罗大学，圣地亚哥大学校园 阿格拉杜克拉斯托 - edifício 30 3810-193 Aveiro， Aveiro， Portugal.
电子邮件地址：mestrela@ua.pt （M. Estrela）。