论文部分内容阅读
医疗资源分配不均衡与医患信息不对称的存在使得医患纠纷事件和医患矛盾居高不下,对公众的幸福感和健康获得感造成一定不良影响。随着“健康中国2030”与“互联网+健康医疗”战略的提出与实施,创新互联网健康医疗服务模式,提升医疗服务水平和服务质量,构建和谐医患关系,逐步成为改善医患资源不匹配现状,破解医患纠纷困境的重要抓手。互联网医疗在为患者带来便利的同时,也促使部分医患矛盾从线下转移到线上,演化为对医生服务不满意等医疗服务现实问题。在互联网医疗环境下,如何有效解决医患纠纷与医患服务满意度问题对提升健康保健服务功能,缓和医患矛盾,构建和谐医患关系具有重要的理论与现实意义。在互联网医疗中,医生和患者作为医疗服务过程中的两大主体,其交互行为对医疗服务过程与结果具有重要影响。因此,本文从医患交互行为视角出发,通过对互联网医疗背景下的医患交互行为进行探究,试图为明晰医患交互行为驱动与演化机制,提升医疗服务水平,破解医患纠纷困境,提出新思路与新见解。回顾国内外文献,可以发现现有研究存在一定不足:一、现有研究对互联网医疗社区中医患交互机理关注不足,没有从交互特征影响视角对医患交互的驱动机理进行研究。二、现有研究忽视了计算机媒介沟通中,沟通媒介对患者就诊意愿的影响。三、现有研究较少从医患交互演化视角出发,综合考虑医患信息不对称、医患信任、医患诊疗代价以及政府奖惩措施对医患交互行为的影响。四、现有研究较少对医患交互数据进行挖掘,基于医患交互特征,从智慧医疗视角对医患交互数据进行价值增值。基于此,在理论层面,利用实证研究和模型设计方法,分别从医患交互特征影响、医患交互信息有效性对患者就诊意愿影响及医患交互行为演化出发,探究了互联网医疗背景下的医患交互行为的驱动与演化机制;在实践层面,基于医患交互数据,利用自然语言处理与机器学习方法,在融合医患交互特征的基础上,构建了基于医患交互数据驱动的智能医疗导诊模型,为缓解医患资源不匹配和医患信息不对称,破解患者“知病不知科”,“知科不知医”就医窘境提供了解决路径。本文具体研究内容和研究结论如下:1.基于医患交互信息量,利用沟通适应理论,信号理论,媒介丰富性理论研究医患交互特征影响及驱动过程。基于沟通适应理论,本研究以好大夫在线医疗平台中的医患交互内容为研究对象,通过构建实证模型,探究了医患交互信息的影响机理。此外,基于信号理论和媒体丰富性理论,本研究还探讨了患者的动机信号(希望得到帮助)、信息信号(电子健康病例)和高隐私疾病对医生反馈信息的调节作用。研究结果显示,患者披露的信息对医生的反馈信息有正向影响;作为一种动机信号和信息信号,患者希望得到的帮助和电子健康病历的上传对医生的文本信息反馈具有负向调节作用,而对医生的语音信息反馈具有正向调节作用;高隐私性疾病对医生的语音信息反馈具有正向调节作用。此外,异质性分析结果表明,患者在问诊疾病时,若患者尽可能的将自己的病情描述清楚,医生会给予更多的文本和语音信息反馈;在语音信息反馈上,具有高经验的医生利用语音媒介反馈的信息量,比低经验的医生利用语音媒介反馈的信息量多。2.基于医患沟通信息有效性,利用媒介丰富性理论和社会临场感理论探究了医患交互信息有效性对患者就诊意愿影响及作用过程。基于媒介丰富性理论,本研究同样以好大夫中的医患交互内容为研究对象,利用实证研究模型,探究了医患交互信息(文本和语音)有效性对患者就诊意愿的影响机理。此外,基于社会临场感知理论,探究了高隐私疾病在信息有效性与患者就诊意愿之间的调节作用。研究结果表明,在医患沟通过程中,文本和语音信息有效性对患者就诊意愿具有正向影响。同时,语音信息有效性对患者的就诊意愿影响显著比文本信息大。当患者咨询高隐私疾病时,高隐私疾病显著加强了语音信息有效性对患者就诊意愿的影响,然而高隐私对文本信息有效性却未表现出调节作用。此外,异质性结果表明,高社会经验医生在文本和语音信息有效性方面,对患者就诊意愿的影响显著大于低社会经验医生,高声誉组医生的文本信息有效性将显著大于低声誉组文本信息有效性对患者就诊意愿的影响。3.基于医患交互行为,利用演化博弈理论和数值仿真方法探究医患交互行为的动态演化与作用过程。从医患信任程度,信息不对称程度,医患人文关怀程度,医患诊疗代价及政府的奖惩措施等方面出发,基于中国近5年典型医患纠纷案例,通过归纳医患交互行为博弈框架,在主被动合作博弈框架下,利用演化博弈理论、模型推导、数值仿真方法,对医患交交互行为的动态演化进行了探究以及对影响医患交互行为的相关因素进行了分析。研究发现:(1)在医患交互行为博弈过程中,系统的演化路径可能会稳定于主动合作,也可能稳定于被动合作。(2)增大医患信任程度,降低信息不对称程度,减小就诊和诊疗代价系数,增大仲裁机构对医患双方的奖励和惩罚都将会促进医患关系由被动合作朝着主动合作方向进行演化。4.基于医患交互数据,利用自然语言处理和机器学习算法,通过在推荐评价指标中引入医患交互特征,构建了一种医患交互数据驱动的医疗智能导诊推荐模型,该模型可以实现为患者推荐科室和好医生的目标。基于白内障,近视,鼻炎等9种疾病16935条患者主诉数据,利用word2vec、长短期记忆神经网络及其他机器学习算法构建了一种基于医患交互数据驱动的智能科室导诊推荐模型。同时,以眼科为例,利用word2vec,tf-idf和余弦相似性算法,构建了一种基于医患交互数据驱动的智能医生推荐模型。在该推荐模型中,为了给患者推荐服务质量较好的医生,本文进一步将医患交互特征引入推荐结果评价体系中,实现了为患者推荐好医生的目标。研究表明,利用长短期记忆神经网络构造的科室导诊推荐模型效果最好,在验证集上的准确率达到82.84%,F1值达到81.79%。该模型相比于TextCNN、Random Forest、KNN等算法均有一定提升。在基于医患交互数据驱动的智能医生推荐模型中,在一定参数设置下,基于相似患者和相似医生的混合推荐模型推荐效果较基于相似患者推荐和相似医生推荐具有一定优势。本研究围绕患者的交互特征如何影响医生信息反馈特征、医患交互过程中医生沟通信息有效性如何影响患者就诊意愿、医患交互行为如何演化、以及基于医患交互数据,如何在融合医患交互特征的基础上,构建智能导诊推荐模型等四个方面对互联网医疗环境下医患交互行为的驱动与演化机制、及医患信息不对称造成的医患资源不匹配问题进行了探究。研究以期从行为视角和智慧医疗视角出发为明晰医患交互机制,提升医疗服务水平,构建和谐医患关系提供一定经验支持。