摘 要： ［目的／ 意義］ 聚焦電子病歷數(shù)據(jù)驅(qū)動臨床決策， 在過程理論和變量理論組合的視角下構(gòu)建驅(qū)動過程模型和影響因素模型， 為臨床決策支持提供理論指導(dǎo)， 促進電子病歷數(shù)據(jù)在臨床場景下的價值實現(xiàn)。［方法／過程］ 剖析電子病歷數(shù)據(jù)驅(qū)動臨床決策的要素， 構(gòu)建驅(qū)動過程模型， 在此基礎(chǔ)上， 采用問卷調(diào)查和結(jié)構(gòu)方程模型構(gòu)建影響因素模型。［結(jié)果／ 結(jié)論］ 電子病歷數(shù)據(jù)驅(qū)動臨床決策的構(gòu)成要素為人、數(shù)據(jù)、臨床決策情報、技術(shù)和組織環(huán)境， 其驅(qū)動過程按照電子病歷數(shù)據(jù)生成與采集、數(shù)據(jù)預(yù)處理與存儲、建模與分析、可視化與解釋４ 個步驟展開， 組織環(huán)境、績效預(yù)期和數(shù)據(jù)質(zhì)量顯著正向影響使用行為意愿， 技術(shù)質(zhì)量和數(shù)據(jù)質(zhì)量顯著正向影響績效預(yù)期。驅(qū)動過程模型和影響因素模型為如何驅(qū)動的探索提供了不同但互補的組合視角。

關(guān)鍵詞： 數(shù)據(jù)驅(qū)動決策； 臨床決策； 電子病歷； 過程模型； 影響因素模型

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２５．０２．０１４

〔中圖分類號〕Ｇ２０３； Ｒ－０５８ 〔文獻標(biāo)識碼〕Ａ 〔文章編號〕１００８－０８２１ （２０２５） ０２－０１６０－１８

近年來， 數(shù)字中國建設(shè)已進入整體布局階段，數(shù)據(jù)價值的創(chuàng)造與實現(xiàn)受到廣泛關(guān)注［１］ 。醫(yī)療健康大數(shù)據(jù)正在成為支持醫(yī)療決策的關(guān)鍵驅(qū)動力。隨著循證醫(yī)學(xué)、精準(zhǔn)醫(yī)學(xué)、價值醫(yī)學(xué)的逐步深入， 數(shù)據(jù)驅(qū)動臨床決策在提高臨床診療工作效率、降低醫(yī)療風(fēng)險、優(yōu)化醫(yī)療成本效益、改善臨床決策質(zhì)量和患者結(jié)局等方面的價值日益突顯［２－４］ 。作為醫(yī)療健康大數(shù)據(jù)的核心來源和真實世界數(shù)據(jù)的重要組成部分，電子病歷數(shù)據(jù)是智慧醫(yī)療的核心。推動電子病歷數(shù)據(jù)驅(qū)動臨床決策， 發(fā)揮電子病歷的臨床決策支持功能， 對實現(xiàn)電子病歷數(shù)據(jù)的情報價值、優(yōu)化臨床決策支持服務(wù)具有重要作用。然而， 對于電子病歷數(shù)據(jù)如何驅(qū)動臨床決策， 尚未形成系統(tǒng)的理論體系，亟需深入探索。從過程理論和變量理論的組合視角來看， 其關(guān)鍵問題有兩個： ①電子病歷驅(qū)動臨床決策的過程是怎樣的， 由哪些階段組成？ ②影響電子病歷數(shù)據(jù)驅(qū)動臨床決策的因素有哪些， 如何影響？

１ 相關(guān)研究

電子病歷數(shù)據(jù)驅(qū)動臨床決策是在臨床場景下由電子病歷數(shù)據(jù)作為主要驅(qū)動力的數(shù)據(jù)驅(qū)動決策模式，從過程理論與變量理論的組合視角、數(shù)據(jù)驅(qū)動決策的過程以及數(shù)據(jù)驅(qū)動決策的相關(guān)影響因素三大方面進行研究現(xiàn)狀梳理。

１. １ 過程理論與變量理論的組合

社會科學(xué)中的理論一般可以分為兩種類型： 過程理論（Ｐｒｏｃｅｓｓ Ｔｈｅｏｒｙ）和變量理論（Ｖａｒｉａｎｃｅ Ｔｈｅｏ?ｒｙ）［１０］ 。最初主流的觀點是將兩者區(qū)分開， 視為二分法［１１］ 。過程理論描述的是實體產(chǎn)生、發(fā)展、消退的演化序列和變化機制。變量理論描述的是各因素和概念間的相互關(guān)系［１０］ 。后來發(fā)現(xiàn)二分法與現(xiàn)實世界的復(fù)雜性和多樣性難以匹配， 超越二分法的“系統(tǒng)視角” 和“組合視角” 更有價值［１１］ 。事實上，過程理論和變量理論存在許多互補的特點［１２］ 。過程理論能夠發(fā)現(xiàn)需要通過變量理論進一步解決的新問題和新結(jié)構(gòu)， 兩者組合將為研究者提供互補的視角， 更有利于探索個人、技術(shù)與更大的社會結(jié)構(gòu)之間動態(tài)的相互作用， 提高理論的可靠性。變量理論和過程理論的組合形式主要有兩種， 一種是將過程模型和變量模型分開構(gòu)建， 形成“雙模型” 再組合在一起， 如表１ 中的示例３ 和４ 所示； 另一種是混合在一起構(gòu)建， 形成完全融合的“單模型”， 如示例５ 所示。“雙模型” 形式能夠在保持模型綜合性和系統(tǒng)性的基礎(chǔ)上， 減少模型闡釋中可能存在的復(fù)雜與困惑［１３］ 。

１. ２ 數(shù)據(jù)驅(qū)動決策的相關(guān)過程和流程

以數(shù)據(jù)為中心， 旨在從數(shù)據(jù)中獲得決策見解，數(shù)據(jù)驅(qū)動決策的相關(guān)過程和流程包括面向決策的數(shù)據(jù)驅(qū)動通用流程、數(shù)據(jù)鏈、大數(shù)據(jù)驅(qū)動決策的步驟、（大）數(shù)據(jù)分析過程、（大）數(shù)據(jù)價值鏈、密集型（大）數(shù)據(jù)處理流程等， 主要分為數(shù)據(jù)管理和數(shù)據(jù)分析兩大階段［１４］ 。后來經(jīng)過整理、補充， 并聯(lián)系決策和價值實現(xiàn)， 形成步驟更詳細的流程和過程， 具體如表２所示。一般來說， ４ 個步驟的居多。結(jié)合醫(yī)院管理、智慧農(nóng)業(yè)等應(yīng)用場景， 驅(qū)動過程更具針對性和適用性。

１. ３ 數(shù)據(jù)驅(qū)動決策的相關(guān)影響因素

數(shù)據(jù)驅(qū)動決策過程復(fù)雜， 受個人屬性、政策屬性、社會文化屬性等眾多因素影響。教學(xué)管理、信息管理、安全管理等不同領(lǐng)域按照不同維度對其進行了分類。主要的研究方法包括案例分析、文獻歸納、問卷調(diào)查、訪談法、扎根理論和結(jié)構(gòu)方程等，如表３ 所示。一般使用理論模型來確定研究假設(shè)，代表有Ｄ＆Ｍ 信息系統(tǒng)成功模型（Ｔｈｅ ＤｅＬｏｎｅ ａｎｄＭｃＬｅａｎ Ｍｏｄｅｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ Ｓｕｃｃｅｓｓ， ＩＳＳ）和整合型技術(shù)接受與使用模型（Ｕｎｉｆｉｅｄ Ｔｈｅｏｒｙ ｏｆ Ａｃ?ｃｅｐｔａｎｃｅ ａｎｄ Ｕｓｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ， ＵＴＡＵＴ）等。

綜上， 許多研究者已經(jīng)嘗試從過程理論或變量理論的視角分別對數(shù)據(jù)驅(qū)動決策的過程和影響因素進行探索， 但兩者的組合研究還需加強。影響因素的研究主要以定性歸納為主， 定量分析不足， 驅(qū)動過程更關(guān)注通用的數(shù)據(jù)處理步驟， 對重要的數(shù)據(jù)類型和決策場景針對性不足， 電子病歷數(shù)據(jù)在臨床場景下的驅(qū)動過程及其影響機制亟需明確?；诖耍狙芯棵嫦蚺R床場景， 聚焦電子病歷數(shù)據(jù)， 分析驅(qū)動的構(gòu)成要素， 以“雙模型” 的形式分別構(gòu)建驅(qū)動過程模型和影響因素模型， 從系統(tǒng)視角為臨床決策支持提供理論指導(dǎo)， 促進電子病歷數(shù)據(jù)在臨床場景下的價值實現(xiàn)。

２ 電子病歷數(shù)據(jù)驅(qū)動臨床決策的構(gòu)成要素

明確構(gòu)成要素是構(gòu)建電子病歷數(shù)據(jù)驅(qū)動臨床決策的過程和影響因素模型的前提。對人、電子病歷數(shù)據(jù)、技術(shù)、臨床決策情報和組織環(huán)境５ 個核心要素分別進行分析。

２. １ 人要素

臨床決策輔助與支持需要以人為本［３０］ 。人是電子病歷數(shù)據(jù)驅(qū)動臨床決策的關(guān)鍵， 對驅(qū)動過程進行必要的支持、監(jiān)管和評估， 并負責(zé)最終采納和決策執(zhí)行， 保證價值實現(xiàn)。驅(qū)動的人要素指從事電子病歷數(shù)據(jù)生成、收集、分析、評估與利用， 以及臨床決策方案制定、選擇、實施的相關(guān)人員。數(shù)據(jù)驅(qū)動決策人不僅包括領(lǐng)域?qū)I(yè)人員， 還包括數(shù)據(jù)專業(yè)人員［２２］ 。從角色和承擔(dān)的任務(wù)來看， 可以將其分為支持人和使用人。支持人能夠?qū)︱?qū)動過程起到支撐作用， 包括病案室編碼員、數(shù)據(jù)分析師、算法工程師、情報分析師、技術(shù)開發(fā)者、系統(tǒng)及相關(guān)產(chǎn)品服務(wù)供應(yīng)商、法律專家、統(tǒng)計學(xué)家等。使用人決定是否要采納驅(qū)動結(jié)果并進行決策實施， 如臨床醫(yī)生，但臨床醫(yī)生既承擔(dān)了支持人的角色， 也承擔(dān)了使用人的角色。承擔(dān)支持人和使用人任務(wù)的人員需要協(xié)同合作。兩者間的界限已經(jīng)越來越模糊， 集兩者于一身的復(fù)合型人員也會越來越多。

２. ２ 數(shù)據(jù)要素

收集和管理高質(zhì)量的電子病歷數(shù)據(jù)是支持臨床決策的重要內(nèi)容［２２］ 。數(shù)據(jù)要素是驅(qū)動的基礎(chǔ)和資源， 是驅(qū)動過程的邏輯起點。電子病歷數(shù)據(jù)要素包括病歷摘要數(shù)據(jù)、檢查檢驗數(shù)據(jù)、門（急）診處方數(shù)據(jù)、住院醫(yī)囑數(shù)據(jù)、門（急）診病歷數(shù)據(jù)等。它既具備大數(shù)據(jù)“５Ｖ” 的典型特征， 又具備時間依賴、多源異構(gòu)、海量高速等獨有特征［３１］ 。相比于用戶均可創(chuàng)建和訪問的在線健康社區(qū)、社交媒體中的網(wǎng)絡(luò)健康數(shù)據(jù)， 電子病歷數(shù)據(jù)具有較高的專業(yè)性、真實性、準(zhǔn)確性， 甚至具有一定的法律效力， 是醫(yī)生等臨床決策者最容易接觸、訪問、理解且適用于臨床決策支持的真實世界數(shù)據(jù)資源。目前， 大型醫(yī)療機構(gòu)可以存有超過１ ０００萬患者十年的病歷數(shù)據(jù)，個人單次住院通常就會產(chǎn)生１５ 萬條數(shù)據(jù)［３２］ 。這個規(guī)模相當(dāng)于２０ 萬年的醫(yī)生智慧和１ 億年的患者結(jié)局?jǐn)?shù)據(jù)， 涵蓋了大量的常見或罕見疾病的信息［３２］ 。作為真實世界數(shù)據(jù)的關(guān)鍵組成部分， 電子病歷數(shù)據(jù)記錄了患者群體在真實世界環(huán)境下不受研究者控制和干預(yù)的“自然實驗” 結(jié)果， 數(shù)據(jù)屬性和變量更加高維， 先驗限制較少， 數(shù)據(jù)分析結(jié)果更具普適性和靈活性。

２. ３ 臨床決策情報要素

電子病歷數(shù)據(jù)驅(qū)動臨床決策旨在為醫(yī)生等臨床決策者提供臨床決策情報和支持， 而不是取代臨床醫(yī)生［３３］ ?！秱€人信息保護法》指出， 患者有權(quán)利拒絕臨床工作人員僅通過自動化決策方式作出的決定［３４］ 。在臨床場景中， 驅(qū)動的產(chǎn)物和結(jié)果并非可以直接在患者身上實施的決策， 而是臨床決策情報。該要素是為了臨床決策規(guī)劃與行動， 在合適的時間傳遞給醫(yī)生等臨床決策者的特定的關(guān)鍵信息， 包括對臨床決策有價值的數(shù)據(jù)、信息、知識與智能［３５］ 。它能夠服務(wù)于臨床決策者的決策制定， 對接特定醫(yī)生的特定需求， 在合適的時間減少醫(yī)生對情境的不確定性， 增加對決策風(fēng)險的預(yù)見性。它具有以下特征：①特定性， 臨床決策情報將特定的信息傳遞給特定的醫(yī)生， 用以解決臨床中特定的問題； ②及時性，臨床決策情報需要在合適的時間提供， 如果延遲提供， 則可能無效； ③隱含性， 臨床決策情報一般來說， 需要通過對海量的原始數(shù)據(jù)進行一定的處理和分析才能獲??； ④價值性， 臨床決策情報是為了解決臨床實踐中的決策問題而產(chǎn)生的， 對臨床決策具有效用性。

２. ４ 技術(shù)要素

技術(shù)要素是驅(qū)動的手段， 為電子病歷數(shù)據(jù)生產(chǎn)、處理、分析及臨床決策情報的挖掘等過程提供支持，包括統(tǒng)計、機器學(xué)習(xí)、深度學(xué)習(xí)、自然語言處理等。機器學(xué)習(xí)中的有監(jiān)督學(xué)習(xí)方法關(guān)注對新數(shù)據(jù)結(jié)果的預(yù)測， 可能發(fā)現(xiàn)人類醫(yī)生不容易發(fā)現(xiàn)的新關(guān)系［３６］ 。無監(jiān)督學(xué)習(xí)關(guān)注數(shù)據(jù)內(nèi)部的相關(guān)性和集群結(jié)構(gòu)， 能夠通過計算患者和疾病屬性間的距離確定整體上的相似性， 識別不同數(shù)據(jù)屬性之間的依賴關(guān)系， 分析特定屬性導(dǎo)致或影響其他屬性的原因， 輔助診療［３６］ 。強化學(xué)習(xí)與人類學(xué)習(xí)模式類似， 對研究精神功能障礙的思維方式、推薦膿毒血癥等急重癥治療方案、調(diào)整血管加壓藥等藥物劑量是較為有效的［３６］ 。深度學(xué)習(xí)可以對包括自由文本、放射圖像在內(nèi)的整個電子病歷數(shù)據(jù)進行整合， 以最少的預(yù)處理步驟克服傳統(tǒng)建模特征數(shù)量有限而造成預(yù)測結(jié)果不準(zhǔn)確和可擴展性差的問題［３７］ ， 還能有效地挖掘電子病歷數(shù)據(jù)流中的時間模式。自然語言處理（Ｎａｔｕｒａｌ ＬａｎｇｕａｇｅＰｒｏｃｅｓｓｉｎｇ， ＮＬＰ）通過從電子病歷數(shù)據(jù)中自動提取概念、實體、事件及相關(guān)的關(guān)系和屬性， 將自由文本轉(zhuǎn)換為結(jié)構(gòu)化的數(shù)據(jù)元素， 能夠幫助分類和識別目標(biāo)患者， 分析臨床表型， 快速獲得決策關(guān)鍵信息，并能通過比對醫(yī)生筆記和指南， 校驗診療方案的合規(guī)性。

２. ５ 組織環(huán)境要素

組織環(huán)境要素是驅(qū)動的保障， 促進電子病歷數(shù)據(jù)驅(qū)動臨床決策良性運轉(zhuǎn)和可持續(xù)發(fā)展。忽視組織環(huán)境要素可能導(dǎo)致數(shù)據(jù)驅(qū)動決策缺乏有效性或?qū)嵤┦。郏玻玻?。它是指組織內(nèi)部和外部所有能直接或間接影響電子病歷數(shù)據(jù)驅(qū)動臨床決策的自然和社會環(huán)境， 包括政策環(huán)境、經(jīng)濟環(huán)境、文化環(huán)境等。政策環(huán)境主要對電子病歷數(shù)據(jù)生成與使用、人工智能等技術(shù)的安全使用和有效管理、與利益相關(guān)者的協(xié)同、具體診療場景下的應(yīng)用保障等方面進行規(guī)范和指導(dǎo)。經(jīng)濟環(huán)境主要通過普通資金、項目經(jīng)費、捐款等進行驅(qū)動支持。文化環(huán)境主要通過營造利于數(shù)據(jù)賦能和臨床決策創(chuàng)新的氛圍推動驅(qū)動實現(xiàn)。

３ 電子病歷數(shù)據(jù)驅(qū)動臨床決策的過程模型構(gòu)建

在技術(shù)要素、人員要素和組織環(huán)境要素的支持下， 以電子病歷數(shù)據(jù)要素為驅(qū)動起點， 以臨床決策情報為驅(qū)動產(chǎn)物， 結(jié)合臨床場景， 參考數(shù)據(jù)驅(qū)動決策相關(guān)過程， 按照電子病歷數(shù)據(jù)生成與采集、數(shù)據(jù)預(yù)處理與存儲、建模與分析、可視化與解釋４ 個步驟以及發(fā)生在每個步驟的評價反饋進行驅(qū)動過程分析， 如圖１ 所示。

３. １ 電子病歷數(shù)據(jù)生成與采集

電子病歷數(shù)據(jù)由臨床專業(yè)人員在醫(yī)院信息管理系統(tǒng)、實驗室信息系統(tǒng)、電子病歷系統(tǒng)、重癥監(jiān)護系統(tǒng)等多個生產(chǎn)系統(tǒng)中創(chuàng)建生成。其收集范圍可以分為單中心和多中心， 準(zhǔn)確的多中心數(shù)據(jù)和跨機構(gòu)的外部驗證很重要。從個人視角來說， 隨著專病專治、分級診療等的逐步落實和患者流動性的提高，跨機構(gòu)就醫(yī)十分普遍， 單中心的電子病歷往往不能涵蓋患者的診療全流程。從群體視角來說， 單中心的組織環(huán)境要素、技術(shù)要素、人要素、數(shù)據(jù)要素，包括人口覆蓋范圍、地理位置、數(shù)據(jù)生成與管理方法等均會存在特殊性和局限性， 導(dǎo)致數(shù)據(jù)形成的決策見解可能存在偏倚， 難以外推。電子病歷數(shù)據(jù)的采集步驟包括識別電子病歷數(shù)據(jù)， 遵循初步的數(shù)據(jù)結(jié)構(gòu)， 將原始數(shù)據(jù)傳輸?shù)綌?shù)據(jù)存儲設(shè)施上。數(shù)據(jù)采集模式分為批處理模式、流模式或微批處理模式，保證數(shù)據(jù)按照臨床決策情報獲取的需要非實時或近似實時獲得［２３］ 。

３. ２ 數(shù)據(jù)預(yù)處理與存儲

電子病歷數(shù)據(jù)具有多源異構(gòu)、海量高速、不完全、高維稀疏等特征， 會影響提取決策見解的準(zhǔn)確性和可靠性［３１］ 。數(shù)據(jù)預(yù)處理是保障后續(xù)高效分析的關(guān)鍵步驟， 主要包括： ①過濾與清洗， 從數(shù)據(jù)倉庫等存儲設(shè)施中選擇電子病歷數(shù)據(jù)集， 按照定義數(shù)據(jù)清洗操作的輸入和約束條件檢查數(shù)據(jù)集中的單元是否合規(guī)， 刪除不能滿足條件的部分， 重復(fù)操作，輸出清洗后的電子病歷數(shù)據(jù)［２１］ ； ②抽取與轉(zhuǎn)換，對不兼容的數(shù)據(jù)進行處理， 將原始數(shù)據(jù)轉(zhuǎn)換為合適的形式， 必要時對數(shù)據(jù)進行歸一化， 對連續(xù)變量進行離散化處理； ③數(shù)據(jù)規(guī)約與擴充， 在不過分損害原始數(shù)據(jù)完整性的基礎(chǔ)上進行數(shù)據(jù)壓縮和降維， 必要時可根據(jù)臨床專業(yè)知識向電子病歷數(shù)據(jù)集中添加派生概念［３８］ ； ④校驗與驗證， 建立規(guī)則與要求， 管理數(shù)據(jù)的句法和語義結(jié)構(gòu)， 確保數(shù)據(jù)完整、準(zhǔn)確、有效； ⑤數(shù)據(jù)標(biāo)準(zhǔn)化與關(guān)聯(lián)映射： 使用國際和國內(nèi)的數(shù)據(jù)標(biāo)準(zhǔn)、語義網(wǎng)等技術(shù)對數(shù)據(jù)元素進行修改，分詞匹配標(biāo)準(zhǔn)術(shù)語與鏈接； ⑥集成與融合， 將多模態(tài)電子病歷數(shù)據(jù)合并處理， 通過組合相似和相關(guān)的數(shù)據(jù)消除冗余， 形成完整數(shù)據(jù)集； ⑦深度脫敏， 結(jié)合相關(guān)法律法規(guī)對數(shù)據(jù)進行動態(tài)或靜態(tài)脫敏［３９］ 。

典型的電子病歷數(shù)據(jù)存儲管理方案經(jīng)歷了數(shù)據(jù)庫、數(shù)據(jù)倉庫、數(shù)據(jù)平臺階段， 現(xiàn)在已逐步向數(shù)據(jù)湖、倉湖一體、云存儲發(fā)展， 未來可能會向面向數(shù)據(jù)全生命周期、解決數(shù)據(jù)全局方案、引領(lǐng)數(shù)字化業(yè)務(wù)的數(shù)據(jù)中臺演變［４１］ 。目前， 常見的存儲方案如表４ 所示。此外， 為了存儲非結(jié)構(gòu)化的電子病歷數(shù)據(jù)， 臨床數(shù)據(jù)平臺能在預(yù)先忽視業(yè)務(wù)需求的基礎(chǔ)上完成大型電子病歷數(shù)據(jù)集的集成。倉湖一體將數(shù)據(jù)庫高度結(jié)構(gòu)化、適合生成數(shù)據(jù)報表與數(shù)據(jù)湖易于深入分析、傾向數(shù)據(jù)服務(wù)的優(yōu)勢集成［４０］ 。數(shù)據(jù)湖存儲的一個重要發(fā)展趨勢是云存儲， 區(qū)塊鏈技術(shù)的發(fā)展提高了云存儲中電子病歷的安全性［４２］ 。需要注意的是， 根據(jù)存儲和后續(xù)分析需要選擇合適的預(yù)處理操作即可， 不是每個預(yù)處理步驟都必須進行， 預(yù)處理與存儲也無必然的前后順序關(guān)系。

３. ３ 建模與分析

數(shù)據(jù)建模與分析是在驅(qū)動過程中獲取臨床決策情報最重要的步驟。對于不同的臨床決策任務(wù)， 該步驟需要提供不同的功能， 包括描述性（Ｄｅｓｃｒｉｐ?ｔｉｖｅ）、診斷性（Ｄｉａｇｎｏｓｔｉｃ）、預(yù)測性（Ｐｒｅｄｉｃｔｉｖｅ）和規(guī)范性（Ｐｒｅｓｃｒｉｐｔｉｖｅ）。描述性分析使用平均數(shù)等描述性統(tǒng)計指標(biāo)將電子病歷數(shù)據(jù)以有意義的形式綜合和整理， 揭示電子病歷數(shù)據(jù)概況及臨床表現(xiàn)模式與關(guān)系， 側(cè)重于體現(xiàn)過去和現(xiàn)在。診斷性分析試圖在電子病歷數(shù)據(jù)中挖掘因果關(guān)系， 分析臨床疾病和表型等發(fā)生的原因， 解決“為什么” 問題。預(yù)測性分析使用以往的病歷數(shù)據(jù)進行建模訓(xùn)練， 預(yù)測疾病未來的發(fā)展與轉(zhuǎn)歸趨勢、診療方案的效果與不良事件發(fā)生風(fēng)險。復(fù)雜環(huán)境下制定的治療計劃通常沒有金標(biāo)準(zhǔn)和唯一的“正確答案”， 甚至專家之間也會存在分歧［３３］ 。規(guī)范性功能根據(jù)預(yù)定義的目標(biāo)和約束，提出實現(xiàn)預(yù)期結(jié)果的診療最佳方案， 包括后續(xù)診療步驟和建議。

３. ４ 可視化與解釋

可視化與解釋步驟使用直觀、易于理解和比較的視覺形式來說明數(shù)據(jù)關(guān)系， 傳達數(shù)據(jù)分析的結(jié)果，并將分析結(jié)果與現(xiàn)有知識體系、臨床實踐聯(lián)系， 以供醫(yī)生決策?？梢暬梢蕴峁└叨汝P(guān)聯(lián)的診療細節(jié)，實現(xiàn)對患者臨床狀態(tài)的快速識別、預(yù)測和解釋， 能有效緩解醫(yī)生的信息過載， 減少醫(yī)生的認(rèn)知工作量［４３］ 。直方圖、餅圖、折線圖等是傳統(tǒng)通用的可視化形式， 在此基礎(chǔ)上， 衍生了以數(shù)據(jù)源、時間、概念或人物為導(dǎo)向的視圖， 如表５ 所示。面向時間的視圖能形成患者的全局概覽和重要信息標(biāo)記， 支持臨床患者全程管理、針對性查詢和信息過濾。相比面向數(shù)據(jù)源和時間的視圖， 面向概念的視圖更能減少信息過載， 提高醫(yī)生信息查找的準(zhǔn)確性［４４］ 。在概念視圖中需要額外說明的是知識圖譜， 它以本體來表示知識和數(shù)據(jù)實體， 保證醫(yī)學(xué)概念明確， 通過語義關(guān)系進行實體連接， 保證知識和數(shù)據(jù)推薦可溯源［４５］ 。除了可視化功能外， 它們還能作為醫(yī)療人工智能系統(tǒng)的基本組成部分用于知識推理和預(yù)測， 提升分析結(jié)果的可解釋性［４５－４６］ 。相比于科研文獻， 基于電子病歷數(shù)據(jù)的知識圖譜更方便、可行、易于使用［４６］ 。面向個人的視圖主要借鑒了圖書情報和電子商務(wù)等領(lǐng)域“用戶畫像” 的概念和成功經(jīng)驗， 從電子病歷中抽取患者的基本信息、疾病特征、用藥特征、治療方式、檢查檢驗特征標(biāo)簽來進行患者畫像，抽取醫(yī)生門（急）診的出診特征、主管患者的平均住院日、手術(shù)臺數(shù)和時長等標(biāo)簽刻畫醫(yī)生全貌［４７－４９］ 。除此之外， 還有相似患者類群圖、共病網(wǎng)絡(luò)等。

３. ５ 評價反饋

電子病歷數(shù)據(jù)驅(qū)動臨床決策存在一定的風(fēng)險，需要對驅(qū)動產(chǎn)生的結(jié)果進行持續(xù)地安全性和有效性評價， 并為后續(xù)步驟的實施提供有價值的信息， 反饋優(yōu)化整個流程。承擔(dān)支持人和使用人任務(wù)的人員應(yīng)當(dāng)積極地參與到評價反饋過程中。此外， 數(shù)據(jù)分析已經(jīng)可以近似實時， 數(shù)據(jù)到達的瞬間即可獲得評價結(jié)果， 評價反饋不應(yīng)該局限在決策執(zhí)行之后， 而應(yīng)持續(xù)地進行［６］ 。面向結(jié)果的終結(jié)性評價需要與面向過程的、具備診斷、反饋和導(dǎo)向作用的形成性評價相結(jié)合［５２］ 。相比于在決策執(zhí)行之后發(fā)現(xiàn)失誤再重新執(zhí)行整個驅(qū)動過程的終結(jié)性評價， 形成性評價能在驅(qū)動過程中， 及時有效地發(fā)聵和調(diào)整某些錯誤步驟， 減少資源消耗， 并因為驅(qū)動過程中決策結(jié)果對利益相關(guān)者不透明而能在一定程度上減少有意識的人為干擾。

４ 電子病歷數(shù)據(jù)驅(qū)動臨床決策的影響因素模型構(gòu)建

在厘清驅(qū)動過程的基礎(chǔ)上， 以驅(qū)動的構(gòu)成要素為基礎(chǔ)， 結(jié)合ＵＴＡＵＴ 模型、ＩＳＳ 模型和感知風(fēng)險理論及相關(guān)文獻分析， 確定電子病歷數(shù)據(jù)驅(qū)動臨床決策的影響因素， 提出影響機制假設(shè)， 構(gòu)建電子病歷數(shù)據(jù)驅(qū)動臨床決策的影響因素概念模型， 并通過問卷調(diào)查， 結(jié)合結(jié)構(gòu)方程模型進行驗證。

４. １ 研究假設(shè)與概念模型

４. １. １ 理論基礎(chǔ)及其適用性

ＩＳＳ 模型由Ｄｅｌｏｎｅ Ｗ Ｈ 等［１３］ 于１９９２ 年首次提出， 在理解信息系統(tǒng)成功過程的基礎(chǔ)上， 使用相互依存的變量（信息質(zhì)量、系統(tǒng)質(zhì)量、用戶滿意、用戶使用）來評估信息系統(tǒng)的有效性［５３］ 。該模型具有綜合性且相對簡練的優(yōu)點， 是信息系統(tǒng)采納、使用與評估領(lǐng)域使用最多的模型之一， 也是信息系統(tǒng)使用與成功影響因素研究中具有里程碑意義的理論模型［５４］ ， 已經(jīng)在電子商務(wù)、電子政務(wù)、數(shù)字圖書館、醫(yī)療信息系統(tǒng)等主題中經(jīng)過了廣泛的驗證， 對醫(yī)療健康領(lǐng)域也非常有價值［５５－５６］ 。

Ｖｅｎｋａｔｅｓｈ Ｖ 等［５７］ 在２００３ 年提出了ＵＴＡＵＴ 模型， 定義了４ 個關(guān)鍵變量， 分別為績效預(yù)期、努力期望、社會影響和促進條件［５７］ 。ＵＴＡＵＴ 模型被認(rèn)為是技術(shù)創(chuàng)新與使用影響因素研究中最敏感的模型［５８－５９］ ， 在學(xué)校、醫(yī)院、政府等不同組織， 互聯(lián)網(wǎng)、電子銀行、電子政務(wù)服務(wù)等不同技術(shù)， 初次使用、持續(xù)使用等不同時間， 印度、中國等不同國家和地區(qū)， 醫(yī)療健康、教育、食品等不同領(lǐng)域都進行了廣泛的驗證、整合與擴展［５８］ 。

感知風(fēng)險理論（Ｒｉｓｋ Ｐｅｒｃｅｉｖｅ Ｔｈｅｏｒｙ， ＰＲＴ）原指個體在消費時隱含著對購買決策結(jié)果的不確定性，這種不確定性會直接或間接影響消費決策［６０］ 。后來， 該模型被擴展到在線社區(qū)的使用［６１］ 、共享單車的持續(xù)使用［６２］ 、數(shù)據(jù)和信息共享［６０］ 等多個主題中， 廣泛應(yīng)用在管理學(xué)、信息學(xué)、醫(yī)學(xué)等多個領(lǐng)域。在醫(yī)療健康領(lǐng)域， 研究者基于感知風(fēng)險理論分析了感知風(fēng)險對移動健康設(shè)備采納、疫苗接種意愿、患者參與癌癥篩查決策、數(shù)字醫(yī)療中的人工智能等的影響［６３－６６］ 。

ＵＴＡＵＴ 模型注重反映用戶行為特征下的技術(shù)信念， ＩＳＳ 模型偏向系統(tǒng)或技術(shù)方面。將ＵＴＡＵＴ 模型與ＩＳＳ 模型、感知風(fēng)險理論集成， 能擴展單一模型的理論邊界， 有助于更廣泛地理解電子病歷數(shù)據(jù)驅(qū)動臨床決策的使用行為［６７］ 。

４. １. ２ 研究假設(shè)

１） 績效預(yù)期（Ｐｅｒｆｏｒｍａｎｃｅ Ｅｘｐｅｃｔａｎｃｙ， ＰＥ）

績效預(yù)期是ＵＴＡＵＴ 模型的核心元素。從驅(qū)動的構(gòu)成要素來看， 績效預(yù)期是數(shù)據(jù)驅(qū)動決策人對驅(qū)動能夠產(chǎn)生效用的期待。相關(guān)研究顯示， 績效預(yù)期對移動健康的采納和持續(xù)使用［６８］ 、醫(yī)療電子物流信息系統(tǒng)的采納行為意愿［６９］ 、人工智能輔助放療勾畫技術(shù)的采納意愿［７０］ 、麻醉和重癥監(jiān)護的決策支持系統(tǒng)的使用［７１］ 等具有顯著正向影響?？冃ьA(yù)期反映了醫(yī)生感知到使用電子病歷數(shù)據(jù)驅(qū)動臨床決策的好處， 具體表現(xiàn)在提升了臨床決策效率、提高個人臨床決策水平等， 這會增強他們的使用意愿。因此， 提出如下假設(shè)：

Ｈ１： 績效預(yù)期對電子病歷數(shù)據(jù)驅(qū)動臨床決策的使用行為意愿（Ｂｅｈａｖｉｏｒ ａｎｄ Ｉｎｔｅｎｔｉｏｎ ｔｏ Ｕｓｅ， ＢＩ）有顯著的正向影響

２） 數(shù)據(jù)質(zhì)量（Ｄａｔａ Ｑｕａｌｉｔｙ， ＤＱ）

根據(jù)數(shù)據(jù)要素、臨床決策情報要素和ＩＳＳ 模型中信息質(zhì)量， 將概念中的“信息” 上溯至“數(shù)據(jù)”層面， 提出數(shù)據(jù)質(zhì)量影響因素。ＩＳＳ 模型認(rèn)為系統(tǒng)輸出的內(nèi)容質(zhì)量會對信息系統(tǒng)的使用意愿有影響［７２］ 。驅(qū)動過程的第一步是電子病歷數(shù)據(jù)生成與采集， 原始數(shù)據(jù)的質(zhì)量也會對驅(qū)動產(chǎn)生影響。即數(shù)據(jù)質(zhì)量應(yīng)當(dāng)包含輸入、輸出及中間產(chǎn)生的情報質(zhì)量。ＡｌｓｈａｈｅｒＡ［７３］ 發(fā)現(xiàn)， 數(shù)據(jù)質(zhì)量正向影響電子政務(wù)的績效預(yù)期。數(shù)據(jù)質(zhì)量是影響數(shù)據(jù)驅(qū)動決策的最重要的因素之一［７４－７５］ 。對于教學(xué)來說， 為教師提供有效和高質(zhì)量的數(shù)據(jù)， 對促進數(shù)據(jù)驅(qū)動決策實踐至關(guān)重要［７６］ 。醫(yī)療健康領(lǐng)域， 完整和準(zhǔn)確的電子病歷數(shù)據(jù)可以保證更高效的業(yè)務(wù)流程、更好的溝通和治療、更少的用藥錯誤［７７］ 。數(shù)據(jù)質(zhì)量提高會增加個人或團體對數(shù)據(jù)的信任， 可能取得更高的預(yù)期效益。因此， 提出以下假設(shè)：

Ｈ２： 數(shù)據(jù)質(zhì)量對電子病歷數(shù)據(jù)驅(qū)動臨床決策的績效期望有顯著的正向影響

Ｈ３： 數(shù)據(jù)質(zhì)量對使用電子病歷數(shù)據(jù)驅(qū)動臨床決策的行為意愿有顯著的正向影響

３） 技術(shù)質(zhì)量（Ｔｅｃｈｎｏｌｏｇｙ Ｑｕａｌｉｔｙ， ＴＱ）

根據(jù)技術(shù)要素、ＩＳＳ 模型中的系統(tǒng)質(zhì)量和ＵＴＡ?ＵＴ 模型中努力期望， 提出技術(shù)質(zhì)量因素。ＩＳＳ 模型中的系統(tǒng)質(zhì)量與ＵＴＡＵＴ 模型中的努力期望在技術(shù)的易用性等方面有明顯重疊， 它們都是強調(diào)技術(shù)本身特征的影響因素［７８］ ， 將兩者合并為技術(shù)質(zhì)量。Ｗａｎｇ Ｔ 等［６８］ 的薈萃分析結(jié)果顯示， 努力期望（技術(shù)質(zhì)量）是移動健康持續(xù)使用意愿中被探索次數(shù)最多的影響因素之一， 對使用意愿有顯著影響。ＡｌｓｈａｈｅｒＡ［７３］ 研究認(rèn)為， 技術(shù)質(zhì)量正向影響電子政務(wù)的使用意愿和績效預(yù)期。技術(shù)質(zhì)量影響醫(yī)務(wù)人員對醫(yī)療信息技術(shù)效用的感知［７９］ ， 是績效預(yù)期的決定因素［８０］ 。因此， 提出假設(shè)：

Ｈ４： 技術(shù)質(zhì)量對電子病歷數(shù)據(jù)驅(qū)動臨床決策的績效期望有顯著的正向影響

Ｈ５： 技術(shù)質(zhì)量對使用電子病歷數(shù)據(jù)驅(qū)動臨床決策的行為意愿有顯著的正向影響

４） 組織環(huán)境（Ｏｒｇａｎｉｚａｔｉｏｎ Ｅｎｖｉｒｏｎｍｅｎｔ， ＯＥ）

根據(jù)組織環(huán)境要素、ＵＴＡＵＴ 模型中的促進條件和社會環(huán)境提出組織環(huán)境影響因素。促進條件描述了組織內(nèi)部資源的情況， 社會環(huán)境描述了組織外部的情況。相關(guān)研究顯示， 促進條件和社會環(huán)境正向影響區(qū)塊鏈的使用行為意愿［８１］ 、電子政務(wù)系統(tǒng)的使用意愿［８２］ 、電子病歷使用意愿和行為［５］ 、人工智能輔助放療勾畫技術(shù)的采納意愿［７０］ 。如果相關(guān)部門和領(lǐng)導(dǎo)重視， 醫(yī)院等組織提供良好的支持資源， 醫(yī)生可能更愿意使用電子病歷數(shù)據(jù)驅(qū)動臨床決策， 因此， 提出假設(shè)：

Ｈ６： 組織環(huán)境對使用電子病歷數(shù)據(jù)驅(qū)動臨床決策的行為意愿有顯著的正向影響

５） 感知風(fēng)險（Ｐｅｒｃｅｉｖｅｄ Ｒｉｓｋ， ＰＲ）

感知風(fēng)險是構(gòu)成要素中的人員感知到的結(jié)果的不確定性和嚴(yán)重性的組合［７０］ ， 是醫(yī)療信息技術(shù)或系統(tǒng)的使用采納研究中關(guān)鍵負面因素之一［７０］ 。相關(guān)研究顯示， 感知風(fēng)險對電子病歷交換的采納意愿呈現(xiàn)顯著負向影響［８３］ ， 對擁有個人電子健康記錄的態(tài)度有顯著的負向影響， 而且影響較為強烈［８４］ 。如果感知風(fēng)險大， 醫(yī)生可能傾向于不采用。因此， 提出假設(shè)：

Ｈ７： 感知風(fēng)險對使用電子病歷數(shù)據(jù)驅(qū)動臨床決策的行為意愿有顯著的負向影響

６） 變化抵制（Ｒｅｓｉｓｔａｎｃｅ ｔｏ Ｃｈａｎｇｅ， ＲＣ）

變化抵制是阻礙技術(shù)采納的重要因素之一， 也是導(dǎo)致一些創(chuàng)新和技術(shù)實施失敗的重要原因［８５］ 。相關(guān)研究顯示， 變化抵制對中國中老年用戶采納移動醫(yī)療服務(wù)［８６］ 、公眾對眼科人工智能設(shè)備的使用意愿［８７］ 均呈顯著負向影響。醫(yī)療專業(yè)人員拒絕改變工作方式是醫(yī)療信息技術(shù)進展緩慢最重要的原因之一［７８］ 。因此， 提出假設(shè)：

Ｈ８： 變化抵制對使用電子病歷數(shù)據(jù)驅(qū)動臨床決策的行為意愿有顯著的負向影響

４. １."３ 概念模型構(gòu)建

用戶愿意采納和使用對電子病歷數(shù)據(jù)驅(qū)動臨床決策能否產(chǎn)生實際價值是非常重要的。Ｄｅｌｏｎｅ Ｗ Ｈ等［１３］ 認(rèn)為， 在大多數(shù)情況下， 信息技術(shù)創(chuàng)新的采納與使用情況是其成功的重要衡量標(biāo)準(zhǔn)， 使用的強度和質(zhì)量可能對實際效益產(chǎn)生重大影響。使用的意愿和行為可以是價值的替代測度［１３］ 。因此， 本研究選擇使用的行為和意愿為模型的核心因變量， 基于上述概念分析與研究假設(shè)， 構(gòu)建電子病歷數(shù)據(jù)驅(qū)動臨床決策的影響因素概念模型。如圖２ 所示， 該模型包括７ 個變量， ８ 條假設(shè)路徑。

４. ２ 數(shù)據(jù)收集

４. ２. １ 量表開發(fā)

收集前期相關(guān)研究結(jié)果與既往已經(jīng)過驗證的成熟量表， 擬定問題， 將其按順序排列， 形成初始問卷。對問卷進行組內(nèi)的測試和討論， 邀請醫(yī)學(xué)信息學(xué)、社會醫(yī)學(xué)、信息資源管理等相關(guān)領(lǐng)域?qū)＜疫M行前測性訪談［８８］ ， 并修訂問卷。對３０ 名研究對象進行了預(yù)實驗， 通過在線訪談、面對面訪談以及在問卷后設(shè)置留言框等形式收集建議， 再次修訂并確定最終版本。最終問卷由基本信息（１０ 題）和影響因素（３７ 題）兩部分調(diào)查組成。影響因素變量采用李克特５ 級量表進行測量， 包括非常不同意、不同意、中立、同意和非常同意５ 個選項。

４. ２. ２ 研究對象與樣本分布

調(diào)查對象是臨床或者面向患者的綜合性科室中具有臨床決策任務(wù)的醫(yī)生。在２０２３ 年４ 月—６ 月采用滾雪球的方式招募研究對象， 通過問卷星平臺收回問卷３２６ 份。刪除答題時間過短、重復(fù)作答和提交、調(diào)查對象不符合實驗要求等的無效問卷， 獲得有效問卷３０９ 份， 回收有效率為９４. ７８５％。樣本數(shù)量與測量項目比例約為８ ∶１， 符合使用結(jié)構(gòu)方程方法的樣本數(shù)量基本要求。研究對象來自北京、福建、廣東等２４ 個省市自治區(qū)， 范圍覆蓋了華北、華東、東北、華中、華南、西南、西北七大地區(qū)。采用ＳＰＳＳ ２４. ０ 軟件對樣本的人口特征信息進行了統(tǒng)計， 結(jié)果如表６ 所示。

對影響因素調(diào)查的原始數(shù)據(jù)進行描述性統(tǒng)計分析， 得到各題項的均值范圍為３. ２７～４. １１， 標(biāo)準(zhǔn)差值均小于１. ０８０， 說明數(shù)據(jù)分布較為集中， 離散程度較?。郏福梗?， 數(shù)據(jù)質(zhì)量較為穩(wěn)定。正態(tài)性方面， 所有題項的偏度值介于－１. ３１９～－０. ２６７之間， 峰度值介于－０. ６１１～２. ００７ 之間， 數(shù)據(jù)可被認(rèn)為符合正態(tài)分布［９０］ 。

４. ３ 信效度檢驗

４. ３. １ 信度分析

采用克隆巴赫系數(shù)（Ｃｒｏｎｂａｃｈ α）測量問卷內(nèi)部各項目之間的一致性， 通過ＳＰＳＳ ２４. ０ 軟件對總量表和各變量分別進行Ｃｒｏｎｂａｃｈ α 系數(shù)檢驗， 結(jié)果如表７ 所示。問卷總體的Ｃｒｏｎｂａｃｈ α 系數(shù)為０. ９６２，所有變量的Ｃｒｏｎｂａｃｈ α 系數(shù)均在０. ８９０ ～０. ９５８ 之間， 問卷的信度較好。

４. ３. ２ 效度分析

采用ＳＰＳＳ ２４. ０ 軟件進行ＫＭＯ（Ｋａｉｓｅｒ－Ｍｅｙｅｒ－Ｏｌｋｉｎ）度量和Ｂａｒｔｌｅｔｔ'ｓ 球形檢驗， 得到ＫＭＯ 值為０. ９４５， Ｂａｒｔｌｅｔｔ 球形檢驗的χ２ 值為１１ ６３４. ０７７， 自由度（Ｆｒｅｅ Ｄｅｇｒｅｅ， ｄｆ）為６６６， Ｐ＜０.3"００１， 達到顯著水平， 說明數(shù)據(jù)適合進行因子分析。采用主成分分析的方法， 提取特征值大于１ 的因子， 使用最大方差旋轉(zhuǎn)法， 在７ 次迭代后收斂， 得到因子數(shù)目共計７ 個， 分別對應(yīng)７ 個變量， 如表８ 所示。７ 個因子累積解釋了方差變異的７９. １２％。題項ＴＱ７ 橫跨兩個因子， 將其判定為失效問題。除此之外， 所有測量題項在對應(yīng)的因子下具有最大載荷系數(shù)且系數(shù)值大于０. ５。說明問卷構(gòu)建效度較為理想。

通過ＳＰＳＳ ＡＭＯＳ ２４. ０ 軟件對樣本數(shù)據(jù)進行驗證性因子分析， 結(jié)果如表９ 所示。所有觀測變量的因子載荷值均在０. ７４６～０. ９７２ 范圍內(nèi)， 潛在變量的組合信度（Ｃｏｍｐｏｓｉｔｅ Ｒｅｌｉａｂｉｌｉｔｙ， ＣＲ）均不小于０.８９１，平均方差抽取量（Ａｖｅｒａｇｅ Ｖａｒｉａｎｃｅ Ｅｘｔｒａｃｔｅｄ， ＡＶＥ）值均不小于０. ６２３。３ 個指標(biāo)值均達到理想標(biāo)準(zhǔn)，問卷數(shù)據(jù)的收斂效度較好。計算潛在變量的根號下ＡＶＥ的平方根和變量間的相關(guān)系數(shù)， 結(jié)果如表１０ 所示，表格對角線上的加粗字體表示ＡＶＥ， 其余數(shù)值為所在行列的潛在變量間的相關(guān)系數(shù)。所有變量的相關(guān)系數(shù)均小于其所對應(yīng)的根號下ＡＶＥ值， 表明所有潛變量的內(nèi)部相關(guān)性均大于外部相關(guān)性， 變量間有區(qū)別， 問卷數(shù)據(jù)的區(qū)別效度較為理想。

４. ４ 基于結(jié)構(gòu)方程的路徑模型構(gòu)建

采用極大似然估計方法， 利用ＳＰＳＳ ＡＭＯＳ ２４.０軟件執(zhí)行結(jié)構(gòu)方程分析， 分析結(jié)果如圖３ 所示。檢驗?zāi)Ｐ徒忉屃诵袨橐庠福叮罚サ淖儺惲俊＜僭O(shè)驗證結(jié)果如表１１ 所示。

模型卡方（χ２）值為１ ５４３.９５， 自由度（ｄｆ）為５７７，顯著水平為雙側(cè)檢驗Ｐ＜０. ０５。采用卡方自由度比（χ２ ／ ｄｆ）、均方根殘差（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅ Ｒｅｓｉｄｕａｌ，ＲＭＲ）、比較適配指數(shù)（Ｃｏｍｐａｒａｔｉｖｅ Ｆｉｔ Ｉｎｄｅｘ， ＣＦＩ）、Ｔｕｃｋｅｒ－Ｌｅｗｉｓ 指數(shù)（ＴＬＩ）、增值擬合指數(shù)（Ｉｎｃｒｅｍｅｎ?ｔａｌ Ｆｉｔ Ｉｎｄｅｘ， ＩＦＩ）、漸進殘差均方（Ｒｏｏｔ Ｍｅａｎ ＳｑｕａｒｅＥｒｒｏｒ ｏｆ Ａｐｐｒｏｘｉｍａｔｉｏｎ， ＲＭＳＥＡ）指標(biāo)進行擬合度評估， 得到結(jié)果如表１２ 所示， 模型擬合度較好。

４. ５ 影響因素及其影響機制討論

實證驗證了電子病歷數(shù)據(jù)驅(qū)動臨床決策的影響因素和影響路徑。５ 個假設(shè)通過驗證， ３ 個假設(shè)未能通過驗證。

４. ５. １ 績效預(yù)期、數(shù)據(jù)質(zhì)量和組織環(huán)境的影響分析

實證結(jié)果顯示， 績效預(yù)期、數(shù)據(jù)質(zhì)量和組織環(huán)境對電子病歷數(shù)據(jù)驅(qū)動臨床決策的使用行為和意愿有顯著正向影響。相比于數(shù)據(jù)質(zhì)量， 組織環(huán)境和績效預(yù)期的影響更大。績效預(yù)期向來是最重要的影響因素之一［９１－９２］ 。而與一般研究結(jié)果不同的是， 組織環(huán)境在本研究中的影響更為重要。這可能是由于電子病歷數(shù)據(jù)驅(qū)動臨床決策相關(guān)的技術(shù)和工具較為新穎， 還未完全普及， 醫(yī)生的認(rèn)知程度有限， 需要較為充足的資源支持和社會關(guān)注。Ａｒｆｉ Ｗ Ｂ 等［９３］對電子醫(yī)療物聯(lián)網(wǎng)的使用意向調(diào)查中， 也發(fā)現(xiàn)了相同的現(xiàn)象。這提示醫(yī)療健康背景下的技術(shù)創(chuàng)新使用研究有必要關(guān)注組織環(huán)境及其包含的社會環(huán)境和促進條件的影響。

４. ５. ２ 技術(shù)質(zhì)量的影響分析

實證結(jié)果顯示， 技術(shù)質(zhì)量對績效預(yù)期有顯著正向影響。即技術(shù)質(zhì)量高， 醫(yī)生感知到的可靠性和易用性強， 醫(yī)生會覺得它更有用， 績效預(yù)期會更高。但是， 技術(shù)質(zhì)量對行為意愿的影響假設(shè)沒有通過檢驗。這與大多數(shù)創(chuàng)新采納的研究結(jié)果不符， 卻與許多醫(yī)療領(lǐng)域的研究結(jié)果一致［７０，７８，８７，９４－９６］ 。究其原因，可能主要有４ 個方面： ①相比于其他類型的用戶，醫(yī)生具有更高的學(xué)習(xí)和使用能力， 他們可能對技術(shù)是否容易使用的感知不會那么強烈； ②對于臨床領(lǐng)域來說， 醫(yī)生對于新技術(shù)和新方法的使用不是完全自愿的， 這與商業(yè)環(huán)境下公眾的自主性使用不同［７８］ ；③醫(yī)生可能認(rèn)為技術(shù)質(zhì)量本身不會影響使用， 無論技術(shù)質(zhì)量高低， 它都需要對臨床工作有用， 再高的易用性也無法彌補它的低有用性［７８］ ， 而如果效用足夠明顯， 他們不介意花更多精力和時間學(xué)習(xí)； ④組織環(huán)境對使用的行為和意愿具有顯著正向影響， 當(dāng)組織環(huán)境有利時， 醫(yī)生能接觸到足夠多的培訓(xùn)和技術(shù)服務(wù)資源， 技術(shù)質(zhì)量的影響就不會很大。

４. ５. ３ 變化抵制與感知風(fēng)險的影響分析

變化抵制和感知風(fēng)險對電子病歷數(shù)據(jù)驅(qū)動臨床決策的使用影響不顯著， 假設(shè)沒有通過檢驗。雖然以往很多研究認(rèn)為變化抵制和感知風(fēng)險都是技術(shù)創(chuàng)新采納的阻礙因素， 但本研究中兩者的影響假設(shè)均未能通過驗證， 部分相關(guān)研究也曾出現(xiàn)了類似情況［７０，９７］ 。這可能是由于醫(yī)生總體對電子病歷數(shù)據(jù)驅(qū)動臨床決策呈現(xiàn)較為積極的態(tài)度［９８］ ， 醫(yī)生感知到了電子病歷數(shù)據(jù)驅(qū)動臨床決策的效用， 甚至已經(jīng)在臨床工作中感受到了直接益處， 因此對風(fēng)險的恐懼和變化的抵制不強烈。另外， 也可能是很多醫(yī)生相信如果電子病歷數(shù)據(jù)驅(qū)動臨床決策的相關(guān)工具能夠進入臨床， 那么它一定通過了風(fēng)險評估和嚴(yán)格審核。因此， 針對風(fēng)險和變化的憂慮不會對使用造成很大影響。

５ 結(jié) 語

聚焦電子病歷數(shù)據(jù)驅(qū)動臨床決策， 梳理了驅(qū)動的構(gòu)成要素為人、數(shù)據(jù)、技術(shù)、臨床決策情報和組織環(huán)境。以人員要素為關(guān)鍵， 以技術(shù)要素為手段，以組織環(huán)境要素為保障， 以電子病歷數(shù)據(jù)要素為起點， 以臨床決策情報為產(chǎn)物， 驅(qū)動過程模型分為數(shù)據(jù)生成與采集、數(shù)據(jù)預(yù)處理與存儲、建模與分析、可視化與解釋４ 個關(guān)鍵步驟以及發(fā)生在每個步驟中的評價與反饋。在此基礎(chǔ)上， 結(jié)合ＵＴＡＵＴ 等模型構(gòu)建了驅(qū)動的影響因素模型， 發(fā)現(xiàn)組織環(huán)境、績效預(yù)期和數(shù)據(jù)質(zhì)量顯著正向影響使用的行為和意愿，其中組織環(huán)境的影響最重要。技術(shù)質(zhì)量和數(shù)據(jù)質(zhì)量顯著正向影響績效預(yù)期。

驅(qū)動過程模型和影響因素模型為解決如何驅(qū)動的問題提供了不同但互補的視角， 具體而言： ①在研究問題方面， 驅(qū)動過程模型解決的是電子病歷數(shù)據(jù)如何隨時間推移轉(zhuǎn)變?yōu)榕R床決策情報。影響因素模型則是分析影響電子病歷數(shù)據(jù)驅(qū)動臨床決策的因素是什么以及如何影響； ②在理論模型構(gòu)建方面，驅(qū)動過程模型是對驅(qū)動過程中的實體一系列活動的陳述， 而影響因素模型則是對實體的屬性進行分析，明確屬性因素間依存關(guān)系， 影響因素模型的構(gòu)建需要充分理解驅(qū)動過程并厘清因素如何影響驅(qū)動過程；③在實踐應(yīng)用方面， 驅(qū)動過程可以由不同臨床場景下的臨床醫(yī)生或者臨床決策小組為了解決不同的臨床問題得到所需的決策情報而反復(fù)地執(zhí)行。影響因素模型則揭示了影響因素對于全部過程的影響， 即假設(shè)在驅(qū)動過程已經(jīng)可以良好執(zhí)行的情況下， 比較使用程度與變量值的因果關(guān)系； ④在解釋性方面，影響因素模型強調(diào)量化的直接因果， 驅(qū)動過程模型綜合兼顧， 更具靈活性。驅(qū)動過程模型刻畫了電子病歷數(shù)據(jù)對于臨床決策支持的價值實現(xiàn)路徑， 影響因素模型進一步分析了臨床場景下影響電子病歷數(shù)據(jù)驅(qū)動臨床決策的使用效用機制。

參考文獻

［１］ 新華社． 中共中央 國務(wù)院印發(fā)《數(shù)字中國建設(shè)整體布局規(guī)劃》［ＥＢ／ ＯＬ］． ｈｔｔｐｓ：／ ／ ｗｗｗ．ｇｏｖ．ｃｎ／ ｘｉｎｗｅｎ／２０２３－２００２／２０２７／ ｃｏｎｔｅｎｔ＿５７４３４８４．ｈｔｍ， ２０２３－０１－０２．

［２］ Ｇｏｍｅｓ Ｂ， Ａｓｈｌｅｙ Ｅ Ａ． Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ ｉｎ Ｍｏｌｅｃｕｌａｒ Ｍｅｄｉ?ｃｉｎｅ ［Ｊ］． Ｎｅｗ Ｅｎｇｌａｎｄ Ｊｏｕｒｎａｌ ｏｆ Ｍｅｄｉｃｉｎｅ， ２０２３， ３８８ （２６）：２４５６－２４６５．

［３］ Ｇｕｒｏｖｉｃｈ Ｙ， Ｈａｎａｎｉ Ｙ， Ｂａｒ Ｏ， ｅｔ ａｌ． Ｉｄｅｎｔｉｆｙｉｎｇ Ｆａｃｉａｌ Ｐｈｅｎｏ?ｔｙｐｅｓ ｏｆ Ｇｅｎｅｔｉｃ Ｄｉｓｏｒｄｅｒｓ Ｕｓｉｎｇ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ ［Ｊ］． Ｎａｔｕｒｅ Ｍｅｄｉ?ｃｉｎｅ， ２０１９， ２５ （１）： ６０－６４．

［４］ Ｈａｎｎｕｎ Ａ Ｙ， Ｒａｊｐｕｒｋａｒ Ｐ， Ｈａｇｈｐａｎａｈｉ Ｍ， ｅｔ ａｌ． Ｃａｒｄｉｏｌｏｇｉｓｔ－Ｌｅｖｅｌ Ａｒｒｈｙｔｈｍｉａ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｉｎ Ａｍｂｕｌａｔｏｒｙ Ｅｌｅｃｔｒｏ?ｃａｒｄｉｏｇｒａｍｓ Ｕｓｉｎｇ ａ Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ［ Ｊ］． Ｎａｔｕｒｅ Ｍｅｄｉｃｉｎｅ，２０１９， ２５ （１）： ６５－６９．

［５］ Ｈｏｓｓａｉｎ Ａ， Ｑｕａｒｅｓｍａ Ｒ， Ｒａｈｍａｎ Ｈ． Ｉｎｖｅｓｔｉｇａｔｉｎｇ Ｆａｃｔｏｒｓ Ｉｎｆｌｕｅｎ?ｃｉｎｇ ｔｈｅ Ｐｈｙｓｉｃｉａｎｓ Ａｄｏｐｔｉｏｎ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ Ｈｅａｌｔｈ Ｒｅｃｏｒｄ（ＥＨＲ） ｉｎＨｅａｌｔｈｃａｒｅ Ｓｙｓｔｅｍ ｏｆ Ｂａｎｇｌａｄｅｓｈ： Ａｎ Ｅｍｐｉｒｉｃａｌ Ｓｔｕｄｙ ［ Ｊ］． Ｉｎｔｅｒ?ｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｍａｎａｇｅｍｅｎｔ， ２０１９， ４４： ７６－８７．

［６］ Ｈ?ｃｈｔｌ Ｊ， Ｐａｒｙｃｅｋ Ｐ， Ｓｃｈ?ｌｌｈａｍｍｅｒ Ｒ． Ｂｉｇ Ｄａｔａ ｉｎ ｔｈｅ Ｐｏｌｉｃｙ Ｃｙｃｌｅ：Ｐｏｌｉｃｙ Ｄｅｃｉｓｉｏｎ Ｍａｋｉｎｇ ｉｎ ｔｈｅ Ｄｉｇｉｔａｌ Ｅｒａ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｏｒｇａｎｉ?ｚａｔｉｏｎａｌ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃ Ｃｏｍｍｅｒｃｅ， ２０１６， ２６ （１－２）：１４７－１６９．

［７］ Ｓｅｄｄｏｎ Ｐ Ｂ， Ｃｏｎｓｔａｎｔｉｎｉｄｉｓ Ｄ， Ｔａｍｍ Ｔ， ｅｔ ａｌ． Ｈｏｗ Ｄｏｅｓ Ｂｕｓｉ?ｎｅｓｓ Ａｎａｌｙｔｉｃｓ Ｃｏｎｔｒｉｂｕｔｅ ｔｏ Ｂｕｓｉｎｅｓｓ Ｖａｌｕｅ？ ［Ｊ］． Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓ?ｔｅｍｓ Ｊｏｕｒｎａｌ， ２０１７， ２７ （３）： ２３７－２６９．

［８］ 李茵． 面向醫(yī)院管理的數(shù)據(jù)驅(qū)動決策研究［ Ｄ］． 長春： 吉林大學(xué)， ２０２１．

［９］ 馬曉悅， 樊旭， 龐善民， 等． 社交媒體環(huán)境中的用戶信息再現(xiàn)行為過程及影響因素研究［Ｊ］． 情報理論與實踐， ２０２２， ４５ （２）：９４－１０２， ５４．

［１０］ 王志紅， 曹樹金， 劉奕群． 面向過程的信息交互模型比較及啟示［Ｊ］． 情報學(xué)報， ２０２２， ４１ （９）： ９１５－９２９．

［１１］ Ｂｕｒｔｏｎ－Ｊｏｎｅｓ Ａ， ＭｃＬｅａｎ Ｅ Ｒ， Ｍｏｎｏｄ Ｅ． Ｔｈｅｏｒｅｔｉｃａｌ Ｐｅｒｓｐｅｃ?ｔｉｖｅｓ ｉｎ ＩＳ Ｒｅｓｅａｒｃｈ： Ｆｒｏｍ Ｖａｒｉａｎｃｅ ａｎｄ Ｐｒｏｃｅｓｓ ｔｏ ＣｏｎｃｅｐｔｕａｌＬａｔｉｔｕｄｅ ａｎｄ Ｃｏｎｃｅｐｔｕａｌ Ｆｉｔ ［ Ｊ］． Ｅｕｒｏｐｅａｎ Ｊｏｕｒｎａｌ ｏｆ ＩｎｆｏｒｍａｔｉｏｎＳｙｓｔｅｍｓ， ２０１５， ２４ （６）： ６６４－６７９．

［１２］ Ｐａｒé Ｇ， Ｂｏｕｒｄｅａｕ Ｓ， Ｍａｒｓａｎ Ｊ， ｅｔ ａｌ． Ｒｅ－Ｅｘａｍｉｎｉｎｇ ｔｈｅ ＣａｕｓａｌＳｔｒｕｃｔｕｒｅ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ Ｉｍｐａｃｔ Ｒｅｓｅａｒｃｈ ［Ｊ］． Ｅｕｒｏｐｅ?"ａｎ Ｊｏｕｒｎａｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ， ２００８， １７ （４）： ４０３－４１６．

［１３］ Ｄｅｌｏｎｅ Ｗ Ｈ， ＭｃＬｅａｎ Ｅ Ｒ． Ｔｈｅ ＤｅＬｏｎｅ ａｎｄ ＭｃＬｅａｎ Ｍｏｄｅｌ ｏｆＩｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ Ｓｕｃｃｅｓｓ： Ａ Ｔｅｎ－Ｙｅａｒ Ｕｐｄａｔｅ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆＭａｎａｇｅｍｅｎｔ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ， ２００３， １９ （４）： ９－３０．

［１４］ Ｇａｎｄｏｍｉ Ａ， Ｈａｉｄｅｒ Ｍ． Ｂｅｙｏｎｄ ｔｈｅ Ｈｙｐｅ： Ｂｉｇ Ｄａｔａ Ｃｏｎｃｅｐｔｓ，Ｍｅｔｈｏｄｓ， ａｎｄ Ａｎａｌｙｔｉｃｓ ［ Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ ＩｎｆｏｒｍａｔｉｏｎＭａｎａｇｅｍｅｎｔ， ２０１５， ３５ （２）： １３７－１４４．

［１５］ Ｊａｎｓｓｅｎ Ｍ， Ｖｏｏｒｔ Ｈ， Ｗａｈｙｕｄｉ Ａ． Ｆａｃｔｏｒｓ Ｉｎｆｌｕｅｎｃｉｎｇ Ｂｉｇ ＤａｔａＤｅｃｉｓｉｏｎ－Ｍａｋｉｎｇ Ｑｕａｌｉｔｙ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｂｕｓｉｎｅｓｓ Ｒｅｓｅａｒｃｈ， ２０１７，７０： ３３８－３４５．

［１６］ Ｅｌｒａｇａｌ Ａ， Ｋｌｉｓｃｈｅｗｓｋｉ Ｒ． Ｔｈｅｏｒｙ－Ｄｒｉｖｅｎ ｏｒ Ｐｒｏｃｅｓｓ－Ｄｒｉｖｅｎ Ｐｒｅｄｉｃ?ｔｉｏｎ？ Ｅｐｉｓｔｅｍｏｌｏｇｉｃａｌ Ｃｈａｌｌｅｎｇｅｓ ｏｆ Ｂｉｇ Ｄａｔａ Ａｎａｌｙｔｉｃｓ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆＢｉｇ Ｄａｔａ， ２０１７， ４ （１）： １９．

［１７］ 陸泉， 張良韜． 處理流程視角下的大數(shù)據(jù)技術(shù)發(fā)展現(xiàn)狀與趨勢［Ｊ］． 信息資源管理學(xué)報， ２０１７， ７ （４）： １７－２８．

［１８］ 莫祖英． 大數(shù)據(jù)處理流程中的數(shù)據(jù)質(zhì)量影響分析［ Ｊ］． 現(xiàn)代情報， ２０１７， ３７ （３）： ６９－７２， １１５．

［１９］ Ｗｏｌｆｅｒｔ Ｓ， Ｇｅ Ｌ， Ｖｅｒｄｏｕｗ Ｃ， ｅｔ ａｌ． Ｂｉｇ Ｄａｔａ ｉｎ Ｓｍａｒｔ Ｆａｒｍｉｎｇ－Ａ Ｒｅｖｉｅｗ ［Ｊ］． Ａｇｒｉｃｕｌｔｕｒａｌ Ｓｙｓｔｅｍｓ， ２０１７， １５３： ６９－８０．

［２０］ Ｖｉｓｃｏｎｔｉ Ｒ Ｍ， Ｌａｒｏｃｃａ Ａ， Ｍａｒｃｏｎｉ Ｍ． Ｂｉｇ Ｄａｔａ－Ｄｒｉｖｅｎ ＶａｌｕｅＣｈａｉｎｓ ａｎｄ Ｄｉｇｉｔａｌ Ｐｌａｔｆｏｒｍｓ： Ｆｒｏｍ Ｖａｌｕｅ Ｃｏ－Ｃｒｅａｔｉｏｎ ｔｏ Ｍｏｎｅ?ｔｉｚａｔｉｏｎ ［Ｍ］． Ｂｉｇ Ｄａｔａ Ａｎａｌｙｔｉｃｓ． Ｎｅｗ Ｙｏｒｋ； Ｃｈａｐｍａｎ ａｎｄ Ｈａｌｌ／ＣＲＣ， ２０１７： ３５５－３７２．

［２１］ Ｈｕａｎｇ Ｌ， Ｗｕ Ｃ， Ｗａｎｇ Ｂ， ｅｔ ａｌ． Ｂｉｇ－ｄａｔａ－ｄｒｉｖｅｎ Ｓａｆｅｔｙ Ｄｅｃｉ?ｓｉｏｎ－Ｍａｋｉｎｇ： Ａ Ｃｏｎｃｅｐｔｕａｌ Ｆｒａｍｅｗｏｒｋ ａｎｄ Ｉｔｓ Ｉｎｆｌｕｅｎｃｉｎｇ Ｆａｃｔｏｒｓ［Ｊ］． Ｓａｆｅｔｙ Ｓｃｉｅｎｃｅ， ２０１８， １０９： ４６－５６．

［２２］ Ｗａｎｇ Ｂ， Ｗｕ Ｃ， Ｈｕａｎｇ Ｌ， ｅｔ ａｌ． Ｕｓｉｎｇ Ｄａｔａ－Ｄｒｉｖｅｎ Ｓａｆｅｔｙ Ｄｅ?ｃｉｓｉｏｎ－Ｍａｋｉｎｇ ｔｏ Ｒｅａｌｉｚｅ Ｓｍａｒｔ Ｓａｆｅｔｙ Ｍａｎａｇｅｍｅｎｔ ｉｎ ｔｈｅ Ｅｒａ ｏｆ ＢｉｇＤａｔａ： Ａ Ｔｈｅｏｒｅｔｉｃａｌ Ｐｅｒｓｐｅｃｔｉｖｅ ｏｎ Ｂａｓｉｃ Ｑｕｅｓｔｉｏｎｓ ａｎｄ Ｔｈｅｉｒ Ａｎｓｗｅｒｓ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｌｅａｎｅｒ Ｐｒｏｄｕｃｔｉｏｎ， ２０１９， ２１０： １５９５－１６０４．

［２３］ Ｆａｒｏｕｋｈｉ Ａ Ｚ， Ｅｌ Ａｌａｏｕｉ Ｉ， Ｇａｈｉ Ｙ， ｅｔ ａｌ． Ｂｉｇ Ｄａｔａ Ｍｏｎｅｔｉｚａ?ｔｉｏｎ Ｔｈｒｏｕｇｈｏｕｔ Ｂｉｇ Ｄａｔａ Ｖａｌｕｅ Ｃｈａｉｎ： Ａ Ｃｏｍｐｒｅｈｅｎｓｉｖｅ Ｒｅｖｉｅｗ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｂｉｇ Ｄａｔａ， ２０２０， ７ （１）： ３．

［２４］ 牟冬梅， 楊鑫禹， 李茵， 等． 面向醫(yī)院管理的數(shù)據(jù)驅(qū)動決策過程模型研究［Ｊ］． 情報科學(xué)， ２０２２， ４０ （４）： ２６－３２．

［２５］ Ｓｈｅｎ Ｃ Ｃ， Ｃｈａｎｇ Ｒ Ｅ， Ｈｓｕ Ｃ Ｊ， ｅｔ ａｌ． Ｈｏｗ Ｂｕｓｉｎｅｓｓ Ｉｎｔｅｌｌｉ?ｇｅｎｃｅ Ｍａｔｕｒｉｔｙ Ｅｎａｂｌｉｎｇ Ｈｏｓｐｉｔａｌ Ａｇｉｌｉｔｙ ［Ｊ］． Ｔｅｌｅｍａｔｉｃｓ ａｎｄ Ｉｎｆｏｒ?ｍａｔｉｃｓ， ２０１７， ３４ （１）： ４５０－４５６．

［２６］ Ｗｉｍｍｅｒ Ｈ， Ａａｓｈｅｉｍ Ｃ． Ｅｘａｍｉｎｉｎｇ Ｆａｃｔｏｒｓ Ｔｈａｔ Ｉｎｆｌｕｅｎｃｅ Ｉｎｔｅｎｔｔｏ Ａｄｏｐｔ Ｄａｔａ Ｓｃｉｅｎｃｅ ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓ?ｔｅｍｓ， ２０１９， ５９ （１）： ４３－５１．

［２７］ 牟冬梅， 楊鑫禹， 李茵， 等． 數(shù)據(jù)驅(qū)動醫(yī)院管理決策的影響因素研究———基于扎根理論分析［Ｊ］． 現(xiàn)代情報， ２０２０， ４０ （８）：８９－９７．

［２８］ 李茵， 牟冬梅， 楊鑫禹， 等． 數(shù)據(jù)驅(qū)動醫(yī)院管理決策的影響因素研究［Ｊ］． 醫(yī)學(xué)與社會， ２０２１， ３４ （２）： １－７．

［２９］ 劉晉， 張學(xué)波， 林書兵． 數(shù)據(jù)驅(qū)動的教學(xué)決策效果總覽與視野突破———基于十項元分析的傘型評價［ Ｊ］． 電化教育研究，２０２２， ４３ （９）： ５３－６２．

［３０］ Ｗｏｒｌｄ Ｈｅａｌｔｈ Ｏｒｇａｎｉｚａｔｉｏｎ （ ＷＨＯ）． Ｇｌｏｂａｌ Ｓｔｒａｔｅｇｙ ｏｎ ＤｉｇｉｔａｌＨｅａｌｔｈ ２０２０—２０２５ ［ＥＢ／ ＯＬ］． ｈｔｔｐｓ：／ ／ ｗｗｗ．ｗｈｏ．ｉｎｔ／ ｐｕｂｌｉｃａｔｉｏｎｓ／ｉ／ ｉｔｅｍ／９７８９２４００２０９２４， ２０２３－０１－１６．

［３１］ 楊鑫禹， 牟冬梅， 彭浩， 等． 基于數(shù)據(jù)特征的電子病歷數(shù)據(jù)驅(qū)動臨床決策模型研究［Ｊ］． 情報理論與實踐， ２０２２， ４５ （５）：１８１－１８８．

［３２］ Ｅｓｔｅｖａ Ａ， Ｒｏｂｉｃｑｕｅｔ Ａ， Ｒａｍｓｕｎｄａｒ Ｂ， ｅｔ ａｌ． Ａ Ｇｕｉｄｅ ｔｏ ＤｅｅｐＬｅａｒｎｉｎｇ ｉｎ Ｈｅａｌｔｈｃａｒｅ ［Ｊ］． Ｎａｔｕｒｅ Ｍｅｄｉｃｉｎｅ， ２０１９， ２５ （１）： ２４－２９．

［３３］ Ｓｈｏｒｔｌｉｆｆｅ Ｅ Ｈ， Ｓｅｐúｌｖｅｄａ Ｍ Ｊ． Ｃｌｉｎｉｃａｌ Ｄｅｃｉｓｉｏｎ Ｓｕｐｐｏｒｔ ｉｎ ｔｈｅＥｒａ ｏｆ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ａｍｅｒｉｃａｎ ＭｅｄｉｃａｌＡｓｓｏｃｉａｔｉｏｎ， ２０１８， ３２０ （２１）： ２１９９－２２００．

［３４］ 中國人大網(wǎng)． 中華人民共和國個人信息保護法［ＥＢ／ ＯＬ］． ｈｔ?ｔｐ：／ ／ ｗｗｗ．ｎｐｃ． ｇｏｖ． ｃｎ／ ｎｐｃ／ ｃ２／ ｃ３０８３４／２０２１０８／ ｔ２０２１０８２０＿２０３１３０８８．ｈｔｍｌ， ２０２４－０４－２０．

［３５］ 葉繼元， 成穎． 情報的概念及其與信息鏈、ＤＩＫＷ 鏈的關(guān)系探討［Ｊ］． 中國圖書館學(xué)報， ２０２２， ４８ （４）： ３９－５１．

［３６］ Ｂｉｓｈａｒａ Ａ， Ｍａｚｅ Ｅ Ｈ， Ｍａｚｅ Ｍ． Ｃｏｎｓｉｄｅｒａｔｉｏｎｓ ｆｏｒ ｔｈｅ Ｉｍｐｌｅｍｅｎｔａ?ｔｉｏｎ ｏｆ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ ｉｎｔｏ Ａｃｕｔｅ Ｃａｒｅ Ｓｅｔｔｉｎｇｓ ［Ｊ］． Ｂｒｉｔｉｓｈ Ｍｅｄｉ?ｃａｌ Ｂｕｌｌｅｔｉｎ， ２０２２， １４１ （１）： １５－３２．

［３７］ Ｒａｊｋｏｍａｒ Ａ， Ｏｒｅｎ Ｅ， Ｃｈｅｎ Ｋ， ｅｔ ａｌ． Ｓｃａｌａｂｌｅ ａｎｄ Ａｃｃｕｒａｔｅ ＤｅｅｐＬｅａｒｎｉｎｇ ｗｉｔｈ Ｅｌｅｃｔｒｏｎｉｃ Ｈｅａｌｔｈ Ｒｅｃｏｒｄｓ ［Ｊ］． ＮＰＪ Ｄｉｇｉｔａｌ Ｍｅｄｉｃｉｎｅ，２０１８， １： １８．

［３８］ Ｆｌｅｕｒｅｎ Ｌ Ｍ， Ｄａｍ Ｔ Ａ， Ｔｏｎｕｔｔｉ Ｍ， ｅｔ ａｌ． Ｔｈｅ Ｄｕｔｃｈ Ｄａｔａ Ｗａｒｅ?ｈｏｕｓｅ， ａ Ｍｕｌｔｉｃｅｎｔｅｒ ａｎｄ Ｆｕｌｌ－Ａｄｍｉｓｓｉｏｎ Ｅｌｅｃｔｒｏｎｉｃ Ｈｅａｌｔｈ ＲｅｃｏｒｄｓＤａｔａｂａｓｅ ｆｏｒ Ｃｒｉｔｉｃａｌｌｙ Ｉｌｌ ＣＯＶＩＤ－１９ Ｐａｔｉｅｎｔｓ ［ Ｊ］． Ｃｒｉｔｉｃａｌ Ｃａｒｅ，２０２１， ２５ （１）： ３０４．

［３９］ 陳聯(lián)忠， 計虹， 胡可云， 等． 基于人工智能技術(shù)的臨床數(shù)據(jù)資源中心建設(shè)實踐［Ｊ］． 中國數(shù)字醫(yī)學(xué)， ２０２３， １８ （１）： ２８－３２．

［４０］ 吳龍， 嚴(yán)曉明， 陳秀娟， 等． 醫(yī)療數(shù)據(jù)湖建設(shè)及醫(yī)療數(shù)據(jù)治理探索［Ｊ］． 醫(yī)學(xué)信息學(xué)雜志， ２０２２， ４３ （６）： ８－１３．

［４１］ 蔡珉官， 王朋． 數(shù)據(jù)湖技術(shù)研究綜述［Ｊ］． 計算機應(yīng)用研究，２０２３， ４０ （１２）： ３５２９－３５３８．

［４２］ Ｄｕｂｏｖｉｔｓｋａｙａ Ａ， Ｂａｉｇ Ｆ， Ｘｕ Ｚ， ｅｔ ａｌ． ＡＣＴＩＯＮ－ＥＨＲ： Ｐａｔｉｅｎｔ－Ｃｅｎｔｒｉｃ Ｂｌｏｃｋｃｈａｉｎ－Ｂａｓｅｄ Ｅｌｅｃｔｒｏｎｉｃ Ｈｅａｌｔｈ Ｒｅｃｏｒｄ Ｄａｔａ Ｍａｎａｇｅ?ｍｅｎｔ ｆｏｒ Ｃａｎｃｅｒ Ｃａｒｅ ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｍｅｄｉｃａｌ Ｉｎｔｅｒｎｅｔ Ｒｅｓｅａｒｃｈ，２０２０， ２２ （８）： ｅ１３５９８．

［４３］ Ｐｏｌｌａｃｋ Ａ Ｈ， Ｐｒａｔｔ Ｗ． Ａｓｓｏｃｉａｔｉｏｎ ｏｆ Ｈｅａｌｔｈ Ｒｅｃｏｒｄ Ｖｉｓｕａｌｉｚａ?ｔｉｏｎｓ ｗｉｔｈ Ｐｈｙｓｉｃｉａｎｓ Ｃｏｇｎｉｔｉｖｅ Ｌｏａｄ Ｗｈｅｎ Ｐｒｉｏｒｉｔｉｚｉｎｇ ＨｏｓｐｉｔａｌｉｚｅｄＰａｔｉｅｎｔｓ ［Ｊ］． ＪＡＭＡ Ｎｅｔｗｏｒｋ Ｏｐｅｎ， ２０２０， ３ （１）： ｅ１９１９３０１．

［４４］ Ｚｅｎｇ Ｑ， Ｃｉｍｉｎｏ Ｊ Ｊ． Ａ Ｋｎｏｗｌｅｄｇｅ－Ｂａｓｅｄ， Ｃｏｎｃｅｐｔ－ＯｒｉｅｎｔｅｄＶｉｅｗ Ｇｅｎｅｒａｔｉｏｎ Ｓｙｓｔｅｍ ｆｏｒ Ｃｌｉｎｉｃａｌ Ｄａｔａ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｂｉｏｍｅｄ?ｉｃａｌ Ｉｎｆｏｒｍａｔｉｃｓ， ２００１， ３４ （２）： １１２－１２８．

［４５］ Ｓｈａｎｇ Ｙ， Ｔｉａｎ Ｙ， Ｚｈｏｕ Ｍ， ｅｔ ａｌ． ＥＨＲ－Ｏｒｉｅｎｔｅｄ ＫｎｏｗｌｅｄｇｅＧｒａｐｈ Ｓｙｓｔｅｍ： Ｔｏｗａｒｄ Ｅｆｆｉｃｉｅｎｔ Ｕｔｉｌｉｚａｔｉｏｎ ｏｆ Ｎｏｎ－Ｕｓｅｄ Ｉｎｆｏｒｍａ?ｔｉｏｎ Ｂｕｒｉｅｄ ｉｎ Ｒｏｕｔｉｎｅ Ｃｌｉｎｉｃａｌ Ｐｒａｃｔｉｃｅ ［Ｊ］． ＩＥＥＥ Ｊｏｕｒｎａｌ ｏｆ Ｂｉｏ?ｍｅｄｉｃａｌ ａｎｄ Ｈｅａｌｔｈ Ｉｎｆｏｒｍａｔｉｃｓ， ２０２１， ２５ （７）： ２４６３－２４７５．

［４６］ Ｌｉ Ｌ， Ｗａｎｇ Ｐ， Ｙａｎ Ｊ， ｅｔ ａｌ． Ｒｅａｌ－Ｗｏｒｌｄ Ｄａｔａ Ｍｅｄｉｃａｌ Ｋｎｏｗｌ?ｅｄｇｅ Ｇｒａｐｈ： Ｃｏｎｓｔｒｕｃｔｉｏｎ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ ［Ｊ］． Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉ?ｇｅｎｃｅ ｉｎ Ｍｅｄｉｃｉｎｅ， ２０２０， １０３： １０１８１７．

［４７］ 汪洋． 基于電子病歷的共病患者健康畫像研究［ Ｄ］． 長春：吉林大學(xué)， ２０２２．

［４８］ 鄭濤， 王覓也， 宋雪， 等． 醫(yī)療大數(shù)據(jù)生態(tài)下基于標(biāo)注引擎的醫(yī)生畫像研究［Ｊ］． 中國數(shù)字醫(yī)學(xué)， ２０２１， １６ （７）： ３９－４３．

［４９］ 邱均平， 付裕添， 徐中陽， 等． 面向社會公眾的高等教育評價智能信息服務(wù)模型框架研究［Ｊ］． 現(xiàn)代情報， ２０２３， ４３ （１２）：１２２－１３２．

［５０］ Ｗｅｓｔ Ｖ Ｌ， Ｂｏｒｌａｎｄ Ｄ， Ｈａｍｍｏｎｄ Ｗ Ｅ． Ｉｎｎｏｖａｔｉｖｅ ＩｎｆｏｒｍａｔｉｏｎＶｉｓｕａｌｉｚａｔｉｏｎ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ Ｈｅａｌｔｈ Ｒｅｃｏｒｄ Ｄａｔａ： Ａ Ｓｙｓｔｅｍａｔｉｃ Ｒｅｖｉｅｗ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ａｍｅｒｉｃａｎ Ｍｅｄｉｃａｌ Ｉｎｆｏｒｍａｔｉｃｓ Ａｓｓｏｃｉａｔｉｏｎ， ２０１４，２２ （２）： ３３０－３３９．

［５１］ 張宇， 王覓也， 師慶科， 等． 促進醫(yī)聯(lián)體協(xié)同的患者全息視圖應(yīng)用研究［Ｊ］． 中國衛(wèi)生信息管理雜志， ２０２１， １８ （４）： ４５０－４５４， ４７０．

［５２］ Ｍａ Ｔ Ｊ， Ｙｕａｎ Ｈ， Ｙａｎｇ Ｘ Ｙ， ｅｔ ａｌ． Ｄｅｓｉｇｎ ｏｆ Ｏｎｌｉｎｅ ＦｏｒｍａｔｉｖｅＡｓｓｅｓｓｍｅｎｔ ｏｆ Ｎｕｒｓｉｎｇ Ｈｕｍａｎｉｔｉｅｓ Ｃｕｒｒｉｃｕｌｕｍ Ｄｕｒｉｎｇ ｔｈｅ ＣＯＶＩＤ－１９Ｐａｎｄｅｍｉｃ： Ａ Ｔｅａｃｈｉｎｇ Ｐｒａｃｔｉｃｅ Ｒｅｓｅａｒｃｈ ［Ｊ］． Ｎｕｒｓｅ Ｅｄｕｃａｔｉｏｎ Ｔｏ?ｄａｙ， ２０２３， １２８： １０５８７４．

［５３］ Ｓａｌａｈｓｈｏｕｒ Ｒａｄ Ｍ， Ｎｉｌａｓｈｉ Ｍ， Ｍｏｈａｍｅｄ Ｄａｈｌａｎ Ｈ． ＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ Ａｄｏｐｔｉｏｎ： Ａ Ｒｅｖｉｅｗ ｏｆ ｔｈｅ Ｌｉｔｅｒａｔｕｒｅ ａｎｄ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］． Ｕｎｉｖｅｒｓａｌ Ａｃｃｅｓｓ ｉｎ ｔｈｅ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｏｃｉｅｔｙ， ２０１８， １７ （２）：３６１－３９０．

［５４］ 周煒． ＥＲＰ 系統(tǒng)使用者個人效益影響因素研究［ Ｄ］． 杭州：浙江大學(xué)， ２００７．

［５５］ Ｂｏｓｓｅｎ Ｃ， Ｊｅｎｓｅｎ Ｌ Ｇ， Ｕｄｓｅｎ Ｆ Ｗ． Ｅｖａｌｕａｔｉｏｎ ｏｆ ａ Ｃｏｍｐｒｅｈｅｎ?ｓｉｖｅ ＥＨＲ Ｂａｓｅｄ ｏｎ ｔｈｅ ＤｅＬｏｎｅ ａｎｄ ＭｃＬｅａｎ Ｍｏｄｅｌ ｆｏｒ ＩＳ Ｓｕｃｃｅｓｓ：Ａｐｐｒｏａｃｈ， Ｒｅｓｕｌｔｓ， ａｎｄ Ｓｕｃｃｅｓｓ Ｆａｃｔｏｒｓ ［ Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒ?ｎａｌ ｏｆ Ｍｅｄｉｃａｌ Ｉｎｆｏｒｍａｔｉｃｓ， ２０１３， ８２ （１０）： ９４０－９５３．

［５６］ 程慧平， 金玲． 國內(nèi)Ｄ＆Ｍ 信息系統(tǒng)成功模型研究現(xiàn)狀述評［Ｊ］． 圖書館， ２０１８， （５）： ９３－１００．

［５７］ Ｖｅｎｋａｔｅｓｈ Ｖ， Ｍｏｒｒｉｓ Ｍ Ｇ， Ｄａｖｉｓ Ｇ Ｂ， ｅｔ ａｌ． Ｕｓｅｒ Ａｃｃｅｐｔａｎｃｅ ｏｆＩｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ： Ｔｏｗａｒｄ ａ Ｕｎｉｆｉｅｄ Ｖｉｅｗ ［Ｊ］． ＭＩＳ Ｑｕａｒｔｅｒ?ｌｙ， ２００３， ２７ （３）： ４２５－４７８．

［５８］ Ｖｅｎｋａｔｅｓｈ Ｖ， Ｔｈｏｎｇ Ｊ Ｙ Ｌ， Ｘｕ Ｘ． Ｕｎｉｆｉｅｄ Ｔｈｅｏｒｙ ｏｆ Ａｃｃｅｐｔａｎｃｅａｎｄ Ｕｓｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ： Ａ Ｓｙｎｔｈｅｓｉｓ ａｎｄ ｔｈｅ Ｒｏａｄ Ａｈｅａｄ ［Ｊ］． Ｊｏｕｒ?ｎａｌ ｏｆ ｔｈｅ Ａｓｓｏｃｉａｔｉｏｎ ｆｏｒ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ， ２０１６， １７ （５）： ３２８－３７６．

［５９］ Ｅｎｇｌｉｓｈ Ｄ， Ａｎｋｅｍ Ｋ， Ｅｎｇｌｉｓｈ Ｋ． Ａｃｃｅｐｔａｎｃｅ ｏｆ Ｃｌｉｎｉｃａｌ Ｄｅｃｉ?ｓｉｏｎ Ｓｕｐｐｏｒｔ Ｓｕｒｖｅｉｌｌａｎｃｅ Ｔｅｃｈｎｏｌｏｇｙ ｉｎ ｔｈｅ Ｃｌｉｎｉｃａｌ Ｐｈａｒｍａｃｙ ［Ｊ］．Ｉｎｆｏｒｍａｔｉｃｓ ｆｏｒ Ｈｅａｌｔｈ ＆ Ｓｏｃｉａｌ Ｃａｒｅ， ２０１７， ４２ （２）： １３５－１５２．

［６０］ 張一涵， 袁勤儉， 沈洪洲． 感知風(fēng)險理論及其在信息系統(tǒng)研究領(lǐng)域的應(yīng)用與展望［Ｊ］． 現(xiàn)代情報， ２０２２， ４２ （５）： １４９－１５９．

［６１］ Ｊａｎｇ Ｊ， Ｋｉｍ Ｂ． Ｔｈｅ Ｉｍｐａｃｔ ｏｆ Ｐｏｔｅｎｔｉａｌ Ｒｉｓｋｓ ｏｎ ｔｈｅ Ｕｓｅ ｏｆ Ｅｘ?ｐｌｏｉｔａｂｌｅ Ｏｎｌｉｎｅ Ｃｏｍｍｕｎｉｔｉｅｓ： Ｔｈｅ Ｃａｓｅ ｏｆ Ｓｏｕｔｈ Ｋｏｒｅａｎ Ｃｙｂｅｒ－Ｓｅ?ｃｕｒｉｔｙ Ｃｏｍｍｕｎｉｔｉｅｓ ［Ｊ］． Ｓｕｓｔａｉｎａｂｉｌｉｔｙ， ２０２２， １４ （８）： ４８２８．

［６２］ Ｐｅｎｇ Ｃ， Ｚｈｅ Ｏ Ｙ， Ｙａｎｇ Ｌ． Ｕｎｄｅｒｓｔａｎｄｉｎｇ Ｂｉｋｅ Ｓｈａｒｉｎｇ Ｕｓｅ Ｏ?ｖｅｒ Ｔｉｍｅ ｂｙ Ｅｍｐｌｏｙｉｎｇ Ｅｘｔｅｎｄｅｄ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏｎｔｉｎｕａｎｃｅ Ｔｈｅｏｒｙ［Ｊ］． Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｒｅｓｅａｒｃｈ Ｐａｒｔ Ａ： Ｐｏｌｉｃｙ ａｎｄ Ｐｒａｃｔｉｃｅ， ２０１９，１２４： ４３３－４４３．

［６３］ Ｓｅｒｖｉｄｉｏ Ｒ， Ｍａｌｖａｓｏ Ａ， Ｖｉｚｚａ Ｄ， ｅｔ ａｌ． Ｔｈｅ Ｉｎｔｅｎｔｉｏｎ ｔｏ ＧｅｔＣＯＶＩＤ－１９ Ｖａｃｃｉｎｅ ａｎｄ Ｖａｃｃｉｎｅ Ｕｐｔａｋｅ Ａｍｏｎｇ Ｃａｎｃｅｒ Ｐａｔｉｅｎｔｓ：Ａｎ Ｅｘｔｅｎｓｉｏｎ ｏｆ ｔｈｅ Ｔｈｅｏｒｙ ｏｆ Ｐｌａｎｎｅｄ Ｂｅｈａｖｉｏｕｒ（ＴＰＢ） ［Ｊ］． Ｓｕｐ?ｐｏｒｔｉｖｅ Ｃａｒｅ ｉｎ Ｃａｎｃｅｒ， ２０２２， ３０ （１０）： ７９７３－７９８２．

［６４］ Ｄｉｌｌａｒｄ Ａ Ｊ， Ｃｏｕｐｅｒ Ｍ Ｐ， Ｚｉｋｍｕｎｄ－Ｆｉｓｈｅｒ Ｂ Ｊ． Ｐｅｒｃｅｉｖｅｄ Ｒｉｓｋｏｆ Ｃａｎｃｅｒ ａｎｄ Ｐａｔｉｅｎｔ Ｒｅｐｏｒｔｓ ｏｆ Ｐａｒｔｉｃｉｐａｔｉｏｎ ｉｎ Ｄｅｃｉｓｉｏｎｓ ＡｂｏｕｔＳｃｒｅｅｎｉｎｇ： Ｔｈｅ Ｄｅｃｉｓｉｏｎｓ Ｓｔｕｄｙ ［ Ｊ］． Ｍｅｄｉｃａｌ Ｄｅｃｉｓｉｏｎ Ｍａｋｉｎｇ，２０１０， ３０ （５＿ｓｕｐｐｌ）： ９６－１０５．

［６５］ Ｗａｎｇ Ｘ， Ｌｅｅ Ｃ Ｆ， Ｊｉａｎｇ Ｊ Ｂ， ｅｔ ａｌ． Ｆａｃｔｏｒｓ Ｉｎｆｌｕｅｎｃｉｎｇ ｔｈｅＡｇｅｄ ｉｎ ｔｈｅ Ｕｓｅ ｏｆ Ｍｏｂｉｌｅ Ｈｅａｌｔｈｃａｒｅ Ａｐｐｌｉｃａｔｉｏｎｓ： Ａｎ ＥｍｐｉｒｉｃａｌＳｔｕｄｙ ｉｎ Ｃｈｉｎａ ［Ｊ］． Ｈｅａｌｔｈｃａｒｅ， ２０２３， １１ （３）： ３９６．

［６６］ Ｇｕｐｔａ Ｓ， Ｋａｍｂｏｊ Ｓ， Ｂａｇ Ｓ． Ｒｏｌｅ ｏｆ Ｒｉｓｋｓ ｉｎ ｔｈｅ Ｄｅｖｅｌｏｐｍｅｎｔ ｏｆＲｅｓｐｏｎｓｉｂｌｅ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ ｉｎ ｔｈｅ Ｄｉｇｉｔａｌ Ｈｅａｌｔｈｃａｒｅ Ｄｏｍａｉｎ［Ｊ］． Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ Ｆｒｏｎｔｉｅｒｓ， ２０２３， ２５ （６）： ２２５７－２２７４．

［６７］ Ｖｅｎｋａｔｅｓｈ Ｖ， Ｔｈｏｎｇ Ｊ Ｙ Ｌ， Ｘｕ Ｘ． Ｃｏｎｓｕｍｅｒ Ａｃｃｅｐｔａｎｃｅ ａｎｄ Ｕｓｅｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ： Ｅｘｔｅｎｄｉｎｇ ｔｈｅ Ｕｎｉｆｉｅｄ Ｔｈｅｏｒｙ ｏｆ Ａｃｃｅｐｔ?ａｎｃｅ ａｎｄ Ｕｓｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ ［Ｊ］． ＭＩＳ Ｑｕａｒｔｅｒｌｙ， ２０１２， ３６ （１）：１５７－１７８．

［ ６８］ Ｗａｎｇ Ｔ， Ｗａｎｇ Ｗ， Ｌｉａｎｇ Ｊ， ｅｔ ａｌ． Ｉｄｅｎｔｉｆｙｉｎｇ Ｍａｊｏｒ ＩｍｐａｃｔＦａｃｔｏｒｓ Ａｆｆｅｃｔｉｎｇ ｔｈｅ Ｃｏｎｔｉｎｕａｎｃｅ Ｉｎｔｅｎｔｉｏｎ ｏｆ ｍＨｅａｌｔｈ： Ａ Ｓｙｓｔｅｍ?ａｔｉｃ Ｒｅｖｉｅｗ ａｎｄ Ｍｕｌｔｉ－Ｓｕｂｇｒｏｕｐ Ｍｅｔａ－Ａｎａｌｙｓｉｓ ［ Ｊ］． ＮＰＪ ＤｉｇｉｔａｌＭｅｄｉｃｉｎｅ， ２０２２， ５ （１）： １４５．

［６９］ Ｔｕｎｇ Ｆ Ｃ， Ｃｈａｎｇ Ｓ Ｃ， Ｃｈｏｕ Ｃ Ｍ． Ａｎ Ｅｘｔｅｎｓｉｏｎ ｏｆ Ｔｒｕｓｔ ａｎｄＴＡＭ Ｍｏｄｅｌ ｗｉｔｈ ＩＤＴ ｉｎ ｔｈｅ Ａｄｏｐｔｉｏｎ ｏｆ ｔｈｅ Ｅｌｅｃｔｒｏｎｉｃ Ｌｏｇｉｓｔｉｃｓ Ｉｎ?ｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍ ｉｎ ＨＩＳ ｉｎ ｔｈｅ Ｍｅｄｉｃａｌ Ｉｎｄｕｓｔｒｙ ［Ｊ］． ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌ ｏｆ Ｍｅｄｉｃａｌ Ｉｎｆｏｒｍａｔｉｃｓ， ２００８， ７７ （５）： ３２４－３３５．

［７０］ Ｚｈａｉ Ｈ， Ｙａｎｇ Ｘ， Ｘｕｅ Ｊ， ｅｔ ａｌ． Ｒａｄｉａｔｉｏｎ Ｏｎｃｏｌｏｇｉｓｔｓ Ｐｅｒｃｅｐ?ｔｉｏｎｓ ｏｆ Ａｄｏｐｔｉｎｇ ａｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ－Ａｓｓｉｓｔｅｄ Ｃｏｎｔｏｕｒｉｎｇ Ｔｅｃｈ?ｎｏｌｏｇｙ： Ｍｏｄｅｌ Ｄｅｖｅｌｏｐｍｅｎｔ ａｎｄ Ｑｕｅｓｔｉｏｎｎａｉｒｅ Ｓｔｕｄｙ ［ Ｊ］． Ｊｏｕｒｎａｌｏｆ Ｍｅｄｉｃａｌ Ｉｎｔｅｒｎｅｔ Ｒｅｓｅａｒｃｈ， ２０２１， ２３ （９）： ｅ２７１２２．

［７１］ Ｂｅｒｇｅ Ｇ Ｔ， Ｇｒａｎｍｏ Ｏ Ｃ， Ｔｖｅｉｔ Ｔ Ｏ， ｅｔ ａｌ． Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ－Ｄｒｉｖｅｎ Ｃｌｉｎｉｃａｌ Ｄｅｃｉｓｉｏｎ Ｓｕｐｐｏｒｔ Ｓｙｓｔｅｍ ｆｏｒ Ｃｏｎｃｅｐｔ－Ｂａｓｅｄ Ｓｅａｒｃｈ?ｉｎｇ： Ａ Ｆｉｅｌｄ Ｔｒｉａｌ ｉｎ ａ Ｎｏｒｗｅｇｉａｎ Ｈｏｓｐｉｔａｌ ［Ｊ］． ＢＭＣ Ｍｅｄｉｃａｌ Ｉｎ?ｆｏｒｍａｔｉｃｓ ａｎｄ Ｄｅｃｉｓｉｏｎ Ｍａｋｉｎｇ， ２０２３， ２３ （１）： ５．

［７２］ Ｗａｎｇ Ｒ Ｙ， Ｓｔｒｏｎｇ Ｄ Ｍ． Ｂｅｙｏｎｄ Ａｃｃｕｒａｃｙ： Ｗｈａｔ Ｄａｔａ ＱｕａｌｉｔｙＭｅａｎｓ ｔｏ Ｄａｔａ Ｃｏｎｓｕｍｅｒｓ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｍａｎａｇｅｍｅｎｔ ＩｎｆｏｒｍａｔｉｏｎＳｙｓｔｅｍｓ， １９９６， １２ （４）： ５－３３．

［７３］ Ａｌｓｈａｈｅｒ Ａ． ＩＴ Ｃａｐａｂｉｌｉｔｉｅｓ ａｓ ａ Ｆｕｎｄａｍｅｎｔａｌ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ Ｇｏｖｅｒｎ?ｍｅｎｔ Ｓｙｓｔｅｍ Ｓｕｃｃｅｓｓ ｉｎ Ｄｅｖｅｌｏｐｉｎｇ Ｃｏｕｎｔｒｉｅｓ ｆｒｏｍ Ｕｓｅｒｓ Ｐｅｒｓｐｅｃｔｉｖｅｓ［Ｊ］． Ｔｒａｎｓｆｏｒｍｉｎｇ Ｇｏｖｅｒｎｍｅｎｔ： Ｐｅｏｐｌｅ， Ｐｒｏｃｅｓｓ ａｎｄ Ｐｏｌｉｃｙ， ２０２１，１５ （１）： １２９－１４９．

［７４］ Ｃａｉ Ｌ， Ｚｈｕ Ｙ． Ｔｈｅ Ｃｈａｌｌｅｎｇｅｓ ｏｆ Ｄａｔａ Ｑｕａｌｉｔｙ ａｎｄ Ｄａｔａ ＱｕａｌｉｔｙＡｓｓｅｓｓｍｅｎｔ ｉｎ ｔｈｅ Ｂｉｇ Ｄａｔａ Ｅｒａ ［Ｊ］． Ｄａｔａ Ｓｃｉｅｎｃｅ Ｊｏｕｒｎａｌ， ２０１５，１４： ２．

［７５］ Ｇｈａｓｅｍａｇｈａｅｉ Ｍ， Ｃａｌｉｃ Ｇ． Ｃａｎ Ｂｉｇ Ｄａｔａ Ｉｍｐｒｏｖｅ Ｆｉｒｍ ＤｅｃｉｓｉｏｎＱｕａｌｉｔｙ？ Ｔｈｅ Ｒｏｌｅ ｏｆ Ｄａｔａ Ｑｕａｌｉｔｙ ａｎｄ Ｄａｔａ Ｄｉａｇｎｏｓｔｉｃｉｔｙ ［Ｊ］． Ｄｅ?ｃｉｓｉｏｎ Ｓｕｐｐｏｒｔ Ｓｙｓｔｅｍｓ， ２０１９， １２０： ３８－４９．

［７６］ Ｓｅｂｅｓｔｙéｎ Ｅ． Ａ Ｌｉｔｅｒａｔｕｒｅ Ｒｅｖｉｅｗ ｏｎ ｔｈｅ Ａｆｆｅｃｔｉｖｅ Ｆａｃｔｏｒｓ ｔｈａｔ Ｉｎ?ｆｌｕｅｎｃｅ Ｄａｔａ－Ｄｒｉｖｅｎ Ｄｅｃｉｓｉｏｎ－Ｍａｋｉｎｇ ［Ｊ］． Ｈｕｎｇａｒｉａｎ Ｅｄｕｃａｔｉｏｎ?ａｌ Ｒｅｓｅａｒｃｈ Ｊｏｕｒｎａｌ， ２０２１， １１ （１）： ２３－３０．

［７７］ Ｚｈａｎｇ Ｙ， Ｙｕ Ｐ， Ｓｈｅｎ Ｊ． Ｔｈｅ Ｂｅｎｅｆｉｔｓ ｏｆ Ｉｎｔｒｏｄｕｃｉｎｇ ＥｌｅｃｔｒｏｎｉｃＨｅａｌｔｈ Ｒｅｃｏｒｄｓ ｉｎ Ｒｅｓｉｄｅｎｔｉａｌ Ａｇｅｄ Ｃａｒｅ Ｆａｃｉｌｉｔｉｅｓ： Ａ Ｍｕｌｔｉｐｌｅ ＣａｓｅＳｔｕｄｙ ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｍｅｄｉｃａｌ Ｉｎｆｏｒｍａｔｉｃｓ， ２０１２， ８１（１０）： ６９０－７０４．

［７８］ Ｋｉｍ Ｅ Ｄ， Ｋｕａｎ Ｋ Ｋ Ｙ， Ｖａｇｈａｓｉｙａ Ｍ Ｒ， ｅｔ ａｌ． Ｐａｓｓｉｖｅ Ｒｅｓｉｓｔ?ａｎｃｅ ｔｏ Ｈｅａｌｔｈ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ Ｉｍｐｌｅｍｅｎｔａｔｉｏｎ： Ｔｈｅ Ｃａｓｅ ｏｆＥｌｅｃｔｒｏｎｉｃ Ｍｅｄｉｃａｔｉｏｎ Ｍａｎａｇｅｍｅｎｔ Ｓｙｓｔｅｍ ［Ｊ］． Ｂｅｈａｖｉｏｕｒ ＆ Ｉｎｆｏｒ?ｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ， ２０２３， ４２ （１３）： ２３０８－２３２９．

［７９］ Ｄａｂｌｉｚ Ｒ， Ｐｏｏｎ Ｓ Ｋ， Ｒｉｔｃｈｉｅ Ａ， ｅｔ ａｌ． Ｕｓａｂｉｌｉｔｙ Ｅｖａｌｕａｔｉｏｎ ｏｆａｎ Ｉｎｔｅｇｒａｔｅｄ Ｅｌｅｃｔｒｏｎｉｃ Ｍｅｄｉｃａｔｉｏｎ Ｍａｎａｇｅｍｅｎｔ Ｓｙｓｔｅｍ Ｉｍｐｌｅｍｅｎ?ｔｅｄ ｉｎ ａｎ Ｏｎｃｏｌｏｇｙ Ｓｅｔｔｉｎｇ Ｕｓｉｎｇ ｔｈｅ Ｕｎｉｆｉｅｄ Ｔｈｅｏｒｙ ｏｆ ｔｈｅ Ａｃｃｅｐｔ?ａｎｃｅ ａｎｄ Ｕｓｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ ［ Ｊ］． ＢＭＣ Ｍｅｄｉｃａｌ Ｉｎｆｏｒｍａｔｉｃｓ ａｎｄＤｅｃｉｓｉｏｎ Ｍａｋｉｎｇ， ２０２１， ２１ （１）： ４．

［８０］ Ｂｙｒｄ Ｔ Ｆ Ｔ， Ｋｉｍ Ｊ Ｓ， Ｙｅｈ Ｃ， ｅｔ ａｌ． Ｔｅｃｈｎｏｌｏｇｙ Ａｃｃｅｐｔａｎｃｅ ａｎｄＣｒｉｔｉｃａｌ Ｍａｓｓ： Ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ａ Ｃｏｎｓｏｌｉｄａｔｅｄ Ｍｏｄｅｌ ｔｏ Ｅｘｐｌａｉｎ ｔｈｅＡｃｔｕａｌ Ｕｓｅ ｏｆ Ｍｏｂｉｌｅ Ｈｅａｌｔｈ Ｃａｒｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｔｏｏｌｓ ［Ｊ］． Ｊｏｕｒ?ｎａｌ ｏｆ Ｂｉｏｍｅｄｉｃａｌ Ｉｎｆｏｒｍａｔｉｃｓ， ２０２１， １１７： １０３７４９．

［８１］ Ｑｕｅｉｒｏｚ Ｍ Ｍ， Ｆｏｓｓｏ Ｗａｍｂａ Ｓ． Ｂｌｏｃｋｃｈａｉｎ Ａｄｏｐｔｉｏｎ Ｃｈａｌｌｅｎｇｅｓｉｎ Ｓｕｐｐｌｙ Ｃｈａｉｎ： Ａｎ Ｅｍｐｉｒｉｃａｌ Ｉｎｖｅｓｔｉｇａｔｉｏｎ ｏｆ ｔｈｅ Ｍａｉｎ Ｄｒｉｖｅｒｓ ｉｎＩｎｄｉａ ａｎｄ ｔｈｅ ＵＳＡ ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｍａｎ?ａｇｅｍｅｎｔ， ２０１９， ４６： ７０－８２．

［８２］ Ｈｏｏｄａ Ａ， Ｇｕｐｔａ Ｐ， Ｊｅｙａｒａｊ Ａ， ｅｔ ａｌ． Ｔｈｅ Ｅｆｆｅｃｔｓ ｏｆ Ｔｒｕｓｔ ｏｎ Ｂｅ?ｈａｖｉｏｒａｌ Ｉｎｔｅｎｔｉｏｎ ａｎｄ Ｕｓｅ Ｂｅｈａｖｉｏｒ Ｗｉｔｈｉｎ Ｅ－Ｇｏｖｅｒｎｍｅｎｔ Ｃｏｎｔｅｘｔｓ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｍａｎａｇｅｍｅｎｔ， ２０２２， ６７：１０２５５３．

［８３］ Ｈｓｉｅｈ Ｐ Ｊ． Ｐｈｙｓｉｃｉａｎｓ Ａｃｃｅｐｔａｎｃｅ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ Ｍｅｄｉｃａｌ ＲｅｃｏｒｄｓＥｘｃｈａｎｇｅ： Ａｎ Ｅｘｔｅｎｓｉｏｎ ｏｆ ｔｈｅ Ｄｅｃｏｍｐｏｓｅｄ ＴＰＢ Ｍｏｄｅｌ ｗｉｔｈ Ｉｎｓｔｉｔｕ?ｔｉｏｎａｌ Ｔｒｕｓｔ ａｎｄ Ｐｅｒｃｅｉｖｅｄ Ｒｉｓｋ ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｍｅｄｉ?ｃａｌ Ｉｎｆｏｒｍａｔｉｃｓ， ２０１５， ８４ （１）： １－１４．

［８４］ Ａｎｄｒｅｗｓ Ｌ， Ｇａｊａｎａｙａｋｅ Ｒ， Ｓａｈａｍａ Ｔ． Ｔｈｅ Ａｕｓｔｒａｌｉａｎ ＧｅｎｅｒａｌＰｕｂｌｉｃｓ Ｐｅｒｃｅｐｔｉｏｎｓ ｏｆ Ｈａｖｉｎｇ ａ Ｐｅｒｓｏｎａｌｌｙ Ｃｏｎｔｒｏｌｌｅｄ ＥｌｅｃｔｒｏｎｉｃＨｅａｌｔｈ Ｒｅｃｏｒｄ（ＰＣＥＨＲ） ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｍｅｄｉｃａｌ Ｉｎ?ｆｏｒｍａｔｉｃｓ， ２０１４， ８３ （１２）： ８８９－９００．

［８５］ Ｔａｌｕｋｄｅｒ Ｍ Ｓ， Ｃｈｉｏｎｇ Ｒ， Ｃｏｒｂｉｔｔ Ｂ， ｅｔ ａｌ． Ｃｒｉｔｉｃａｌ Ｆａｃｔｏｒｓ Ｉｎ?ｆｌｕｅｎｃｉｎｇ ｔｈｅ Ｉｎｔｅｎｔｉｏｎ ｔｏ Ａｄｏｐｔ Ｍ－Ｇｏｖｅｒｎｍｅｎｔ Ｓｅｒｖｉｃｅｓ ｂｙ ｔｈｅ Ｅｌｄ?ｅｒｌｙ ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｇｌｏｂａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｍａｎａｇｅｍｅｎｔ， ２０２０， ２８（４）： ７４－９４．

［８６］ Ｄｅｎｇ Ｚ， Ｍｏ Ｘ， Ｌｉｕ Ｓ． Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｔｈｅ Ｍｉｄｄｌｅ－Ａｇｅｄ ａｎｄ ＯｌｄｅｒＵｓｅｒｓ Ａｄｏｐｔｉｏｎ ｏｆ Ｍｏｂｉｌｅ Ｈｅａｌｔｈ Ｓｅｒｖｉｃｅｓ ｉｎ Ｃｈｉｎａ ［ Ｊ］． Ｉｎｔｅｒｎａ?ｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｍｅｄｉｃａｌ Ｉｎｆｏｒｍａｔｉｃｓ， ２０１４， ８３ （３）： ２１０－２２４．

［８７］ Ｙｅ Ｔ， Ｘｕｅ Ｊ， Ｈｅ Ｍ， ｅｔ ａｌ． Ｐｓｙｃｈｏｓｏｃｉａｌ Ｆａｃｔｏｒｓ Ａｆｆｅｃｔｉｎｇ Ａｒｔｉ?ｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ Ａｄｏｐｔｉｏｎ ｉｎ Ｈｅａｌｔｈ Ｃａｒｅ ｉｎ Ｃｈｉｎａ： Ｃｒｏｓｓ－Ｓｅｃ?ｔｉｏｎａｌ Ｓｔｕｄｙ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｍｅｄｉｃａｌ Ｉｎｔｅｒｎｅｔ Ｒｅｓｅａｒｃｈ， ２０１９， ２１（１０）： ｅ１４３１６．

［８８］ 諾曼·布拉德伯恩， 希摩·薩德曼， 布萊恩·萬辛克． 問卷設(shè)計手冊［Ｍ］． 重慶： 重慶大學(xué)出版社， ２０１７．

［８９］ 魏銀珍． 科研人員數(shù)據(jù)重用意愿影響因素研究［ Ｄ］． 武漢：武漢大學(xué)， ２０１９．

［９０］ Ｋｌｉｎｅ Ｒ Ｂ． Ｐｒｉｎｃｉｐｌｅｓ ａｎｄ Ｐｒａｃｔｉｃｅ ｏｆ Ｓｔｒｕｃｔｕｒａｌ Ｅｑｕａｔｉｏｎ Ｍｏｄｅｌ?ｉｎｇ， ４ｔｈ ｅｄ ［Ｍ］． Ｎｅｗ Ｙｏｒｋ， ＮＹ， ＵＳ： Ｇｕｉｌｆｏｒｄ Ｐｒｅｓｓ， ２０１６．

［９１］ Ｓａｄｏｕｇｈｉ Ｆ， Ｋｈｏｄａｖｅｉｓｉ Ｔ， Ａｈｍａｄｉ Ｈ． Ｔｈｅ Ｕｓｅｄ Ｔｈｅｏｒｉｅｓ ｆｏｒ ｔｈｅＡｄｏｐｔｉｏｎ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ Ｈｅａｌｔｈ Ｒｅｃｏｒｄ： Ａ Ｓｙｓｔｅｍａｔｉｃ Ｌｉｔｅｒａｔｕｒｅ Ｒｅ?ｖｉｅｗ ［Ｊ］． Ｈｅａｌｔｈ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， ２０１９， ９ （４）： ３８３－４００．

［９２］ Ｒｅｙｅｓ－Ｍｅｒｃａｄｏ Ｐ． Ａｄｏｐｔｉｏｎ ｏｆ Ｆｉｔｎｅｓｓ Ｗｅａｒａｂｌｅｓ ［ Ｊ］． Ｊｏｕｒｎａｌｏｆ Ｓｙｓｔｅｍｓ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ， ２０１８， ２０ （ １）： １０３ －１２７．

［９３］ Ａｒｆｉ Ｗ Ｂ， Ｎａｓｒ Ｉ Ｂ， Ｋｏｎｄｒａｔｅｖａ Ｇ， ｅｔ ａｌ． Ｔｈｅ Ｒｏｌｅ ｏｆ Ｔｒｕｓｔ ｉｎＩｎｔｅｎｔｉｏｎ ｔｏ Ｕｓｅ ｔｈｅ ＩｏＴ ｉｎ ｅＨｅａｌｔｈ： Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｔｈｅ ＭｏｄｉｆｉｅｄＵＴＡＵＴ ｉｎ ａ Ｃｏｎｓｕｍｅｒ Ｃｏｎｔｅｘｔ ［Ｊ］． Ｔｅｃｈｎｏｌｏｇｉｃａｌ Ｆｏｒｅｃａｓｔｉｎｇ ａｎｄＳｏｃｉａｌ Ｃｈａｎｇｅ， ２０２１， １６７： １２０６８８．

［９４］ Ａｌｄｏｓａｒｉ Ｂ． Ｕｓｅｒ Ａｃｃｅｐｔａｎｃｅ ｏｆ ａ Ｐｉｃｔｕｒｅ Ａｒｃｈｉｖｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉ?ｃａｔｉｏｎ Ｓｙｓｔｅｍ（ ＰＡＣＳ） ｉｎ ａ Ｓａｕｄｉ Ａｒａｂｉａｎ Ｈｏｓｐｉｔａｌ Ｒａｄｉｏｌｏｇｙ Ｄｅ?ｐａｒｔｍｅｎｔ ［ Ｊ］． ＢＭＣ Ｍｅｄｉｃａｌ Ｉｎｆｏｒｍａｔｉｃｓ ａｎｄ Ｄｅｃｉｓｉｏｎ Ｍａｋｉｎｇ，２０１２， １２ （１）： ４４．

［９５］ Ｂａｒｋｅｒ Ｄ Ｊ， Ｓｃｈａｉｋ Ｐ， Ｓｉｍｐｓｏｎ Ｄ Ｓ， ｅｔ ａｌ． Ｅｖａｌｕａｔｉｎｇ ａ ＳｐｏｋｅｎＤｉａｌｏｇｕｅ Ｓｙｓｔｅｍ ｆｏｒ Ｒｅｃｏｒｄｉｎｇ Ｃｌｉｎｉｃａｌ Ｏｂｓｅｒｖａｔｉｏｎｓ Ｄｕｒｉｎｇ ａｎ Ｅｎ?ｄｏｓｃｏｐｉｃ Ｅｘａｍｉｎａｔｉｏｎ ［Ｊ］． Ｍｅｄｉｃａｌ Ｉｎｆｏｒｍａｔｉｃｓ ａｎｄ ｔｈｅ Ｉｎｔｅｒｎｅｔ ｉｎＭｅｄｉｃｉｎｅ， ２００３， ２８ （２）： ８５－９７．

［９６］ Ｙｉ Ｍ Ｙ， Ｊａｃｋｓｏｎ Ｊ Ｄ， Ｐａｒｋ Ｊ Ｓ， ｅｔ ａｌ． Ｕｎｄｅｒｓｔａｎｄｉｎｇ ＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ Ａｃｃｅｐｔａｎｃｅ ｂｙ Ｉｎｄｉｖｉｄｕａｌ Ｐｒｏｆｅｓｓｉｏｎａｌｓ： Ｔｏｗａｒｄ ａｎ Ｉｎｔｅ?ｇｒａｔｉｖｅ Ｖｉｅｗ ［ Ｊ］． Ｉｎｆｏｒｍａｔｉｏｎ ＆ Ｍａｎａｇｅｍｅｎｔ， ２００６， ４３ （ ３）：３５０－３６３．

［９７］ Ａｌ－Ｓａｅｄｉ Ｋ， Ａｌ－Ｅｍｒａｎ Ｍ， Ｒａｍａｙａｈ Ｔ， ｅｔ ａｌ． Ｄｅｖｅｌｏｐｉｎｇ ａ Ｇｅｎｅｒ?ａｌ Ｅｘｔｅｎｄｅｄ ＵＴＡＵＴ Ｍｏｄｅｌ ｆｏｒ Ｍ－Ｐａｙｍｅｎｔ Ａｄｏｐｔｉｏｎ ［Ｊ］． Ｔｅｃｈｎｏｌｏｇｙｉｎ Ｓｏｃｉｅｔｙ， ２０２０， ６２： １０１２９３．

［９８］ 楊鑫禹， 牟冬梅， 丁麗芳， 等． 信息鏈視域下電子病歷數(shù)據(jù)驅(qū)動臨床決策的需求模型構(gòu)建［ Ｊ］． 現(xiàn)代情報， ２０２４， ４４ （４）：６６－７６．

（責(zé)任編輯： 郭沫含）

基金項目： 國家自然科學(xué)基金項目“信息鏈視域下電子病歷數(shù)據(jù)驅(qū)動健康服務(wù)供給側(cè)決策的路徑與模式研究” （項目編號： ７１９７４０７４）；國家自然科學(xué)基金項目“‘知識—數(shù)據(jù)’ 雙輪驅(qū)動的多模態(tài)電子病歷數(shù)據(jù)組織模式與應(yīng)用研究” （項目編號： ７２３７４０８１）； 吉林省科技發(fā)展計劃項目“面向智能輔助診療的肺癌知識圖譜構(gòu)建研究” （項目編號： ＹＤＺＪ２０２３０１ＺＹＴＳ００１）。