社会网络因素与医学新技术临床应用的关联性分析*

——魏　艳　明　坚　柯　雄　何露洋　李　达　周　萍　王弓茹　陈英耀*

社会网络(Social Network)是指社会行动者(Social Actor)以及他们之间的关系集合。一个社会网络是由多个点(社会行动者)和各个点之间的连线(行动者之间的关系)组成的集合，这是社会网络的形式化界定。Wellman于1988年提出“社会网络是由某些个体间的社会关系构成的相对稳定的系统”，即把“网络”视为是连接行动者(Actor)的一系列社会联系(Social Ties)或社会关系(Social Relations)，它们相对稳定的模式构成社会结构(Social Structure) 。社会网络分析法最早可以追溯到20世纪30年代的心理学和人类学研究。近年来，这一方法有了广泛的应用和发展，已超越人际关系范畴，网络行动者(Actor)既可以是个人，也可以是集合单位，如家庭、部门、组织等。社会网络研究属于社会学分析方式，基于一个直觉性观念，目的是探究在某些领域人与人或组织与组织之间的关联，而这些非理性因素的关联一定程度上在某些领域具有非常重要的作用，如政治学研究及企业研究等领域。目前，对于社会网络的研究不仅认识到社会网络会影响知识传播与转化[1]，还将研究内容扩散到具体的公共卫生和临床医学问题，如环境政策[2]、控烟、新疫苗使用、医师临床决策等。但大部分研究主要对象是个人，对组织层面的研究相对较少，对医院的研究则更少。本研究通过CNKI主题词检索，发现仅有405篇社会网络研究属于医药卫生领域，且一方面集中在社会网络分析方法学探讨，另一方面集中在社会网络在艾滋病、社会支持及老年人健康方面的研究。对于社会网络在新技术扩散方面的作用，无论是从个人层面还是从组织层面，均缺乏研究。本研究将医生对医学新技术使用行为作为观察窗口，立足于技术扩散视角，从组织及个人层面探究了影响医生新技术使用行为的非理性因素。

1　研究方法

1.1　社会网络调查

此调查表用于调查医院和其他相关组织在医学新技术转化与临床应用过程中存在的一些相互交互行为情况。调查表设计基于Ronald Burt于1984年提出的社会网络调查工具，并借鉴了罗家德的本土化改良。医院组织社会网络调查内容主要包括：由医务科主任回忆医院在新技术引入过程中对其影响最大、交流最多的5个其他组织，并填写其与被调查医院的相关关系类型与互动方向及在新技术转化应用过程中与医院的交互行为的关系水平。医生个人中心网络调查内容包括：由样本医生回忆其在新技术使用过程中对其影响最大、交流最多的5个人，并填写关系类型、社会背景、认识时间、互动频率、亲密行为、亲密话题，及其与被调查样本医生共6个人之间的相互关系。

1.2　分析方法

1.2.1社会网络分析 研究采用UCINET软件对医院组织、医生个人中心社会网络进行分析，从三方面对医院的组织社会网络进行分析。首先，是样本医生在每一个小的组织社会网络中的网络基本情况、中心性分析、网络密度分析，探究不同级别医院、不同人口学特征的样本医生在社会网络中受其他人员的影响。其次，以每家医院、每名医生中心网作为研究对象，分析每一个网络中其他人员的社会网络基本信息(网络基本情况、中心性分析、网络密度)，并进行不同关系类型、社会背景、认识时间、互动频率、亲密行为、亲密话题的网络基本情况、中心性分析、网络密度指标的差异性分析。第三，以每个样本医生的网络中心性指标、网络密度指标作为自变量，以医生对新技术的使用作为因变量，探究医院的组织社会网络对其新技术引入的影响。

(1)程度中心性(Degree Centrality)。程度中心性经常用来衡量谁会在团体中处于最主要的中心人物，其在组织中最具有权威性。具体到本研究就是在新技术的使用过程中处于主导地位的相关组织，拥有最高程度中心性的人在组织中也处于最重要的位置。

(2)亲近中心性(Closeness Centrality)。亲近中心性是以距离为概念计算一个节点的中心程度，与其他人距离越近中心性越高，距离越远则中心性越低。本研究通过UCINET软件计算得出的亲近中心性值越小，表示与其他人的距离越远、越边缘化，在新技术的使用过程中起到的作用越不明显。

(3)中介中心性 (Betweenness Centrality)。中介中心性是衡量一个组织或个人作为媒介者的能力，值越高表明组织中信息被少数人垄断的可能性越高。

1.2.2多水平统计分析 多水平模型(Multilevel Modeling, MLM)是针对传统回归分析只能分析单一层次数据，在分析多层(嵌套)数据时存在随机误差独立性违反的缺陷而提出的。多水平模型将误差分解为各层次的误差，可以探索不同层面自变量对因变量的影响以及不同层面自变量之间的交互作用。

2　结果

2.1　组织社会网络

2.1.1医院社会网络 本研究对11家医院的相关组织进行了整体社会网络分析。分析发现，11家医院的网络规模大部分均为3个～5个组织，仅有医院4与医院5的网络规模为2；就网络密度而言，最高为1，最低为0；就中心性的3个评价指标而言，医院1、2、3、6、8、9、10的程度中心性均为1，表明上述医院在所在的组织社会网络中处于非常重要的地位，对于新技术的使用起到非常重要的作用；而亲近中心性较高的医院为医院5与医院11，均大于等于10，表明其在所在网络中在新技术的转化应用中起到非常重要的作用；中介中心性方面，医院10的中介中心性为100，表明其在所在组织中处于关键地位，在新技术的传播扩散中起到非常重要的作用。

2.1.2其他组织社会网络 通过对医院的组织社会网络分析，本研究发现，医院层面的8个与新技术相关的组织，主要涉及以下部门：行政主管部门、行业协会/学会、医药企业、卫生监督部门、人力资源与社会保障部门、食品与药品监督管理部门、财政部门及物价部门。通过对应答的11家医院的分析发现，行政主管部门与行业协会/学会被提到的频率最高，有9家提到上述两个组织。除此之外，7家医院在新技术引进过程中与医药企业及人力资源与社会保障部门相关联，6家医院与卫生监督部门相关联，4家医院分别与食品与药品监督管理部门、财政部门相关联，3家医院与物价部门相关联。

表1不同类型组织在医院新技术引入过程的差异性分析[均分(标准差)]

组织类型建立合作关系时间组织间互动频率新技术临床应用重要性新技术应用成效行政主管部门2．44(1．42)2．89(1．36)3．11(1．05)2．67(0．87)食品与药品监督管理部门3．25(0．96)3．00(1．41)2．25(1．26)2．25(1．26)人力资源与社会保障部门3．43(1．13)3．29(1．11)2．14(1．21)2．43(1．27)行业协会/学会3．67(0．71)3．22(0．97)3．33(0．87)3．44(1．01)医药企业3．43(0．79)2．71(0．95)3．00(1．15)3．29(0．49)卫生监督部门3．00(1．26)2．83(1．47)2．83(1．17)2．33(1．63)财政部门2．75(1．89)1．25(1．26)2．50(1．29)1．00(0．00)物价部门2．67(1．53)1．33(0．58)3．00(1．00)1．67(2．08)F0．9571．9860．9732．666P0．4750．0810．4630．023

表2社会网络对医生使用行为影响的多层模型

类别参数估计值标准误P组织社会网络医院程度中心性1．780．720．01医院中介中心性1．060．510．04协会程度中心性0．460．780．56企业程度中心性1．750．40<0．01医生社会网络医生网络程度中心性0．0527．630．99

研究发现，在新技术转化及临床应用过程中，新技术相关的组织也主要涉及以上部门，本研究对不同类型组织对医院新技术引入的影响进行了差异性分析，见表1。在建立合作关系时间及新技术临床应用重要性方面，不同类型组织之间差异无统计学意义(P>0.05)；在组织间互动频率方面，不同类型组织之间具有临界差异性(P=0.081)；在新技术应用成效方面，不同类型组织之间具有差异性(P=0.023)，对医院影响最大的是行业协会/学会(均分3.44)与医药企业(均分3.29)。

2.2　医生个人社会网络

本研究共调查139位临床医生，其中，34位心内科医生接受了对于药物涂层支架技术使用过程中的医师社会网络，105位其他科室医生接受了对于新技术使用过程中的医师社会网络。就心内科医生而言，在其支架使用过程中对其产生影响的相关人员中，89人(84.80%)为男性，平均年龄41岁；54.60%为同事，其次为师生(10.20%)；58.30%为研究生学历；高级职称占38.90%；71.30%为医生， 58.30%没有行政职务。就其他科室医生而言，在其新技术使用过程中对其产生影响的相关人员中，275人(54.90%)为男性，平均年龄36岁；42.80%为同事，其次为朋友(16.40%)；73.00%为本科及以上学历；高级职称占21.10%；62.30%为医生，63.50%没有行政职务。

在新技术使用过程中，心内科医生的平均网络规模为1.67，其他科室医生为3.45；心内科医生的平均网络密度为49.76，其他科室医生为54.33；中心性评价的3个指标方面，心内科医生的程度中心性、亲近中心性及中介中心性分别为49.22、82.93及3.33，其他科室医生分别为72.87、78.40及19.42。

2.3　组织及个人社会网络对医生使用行为的影响

本研究对社会网络的内容进行多水平分析，通过定性访谈分析发现，影响新技术转化应用的因素除医院及医生外，企业及行业协会/学会的推动力非常重要，因此将组织网络(医院程度中心性、医院中介中心性、协会程度中心性、企业程度中心性)作为组织社会网络指标纳入模型，将医生网络程度中心性作为个人层面指标纳入模型，见表2。LR检验显示，本研究的模型拟合效果较好(P<0.05)。研究发现，医院程度中心性、医院中介中心性、企业程度中心性与医生的新技术使用行为呈正向关系(P<0.05)，而协会程度中心性、医生网络程度中心性对其使用行为没有影响(P>0.05)。

3　讨论

3.1　社会网络研究视角下技术扩散的影响因素

医学新技术临床应用受多方面因素影响，其中，社会网络在新技术应用中的作用仍待厘清。因此，明确医学新技术应用的社会网络及其影响力是实现研究目标的关键环节，也具有重要的理论与现实意义。社会网络特征的数据获取必须依赖于科学化的工具，但我国人群间的社会网络具有差序格局特点，因此即便是对国外工具实施跨文化调适也很难直接移植于我国人群的社会网络数据调查中。本研究将社会网络研究与医学新技术转化应用模式相结合，探究医学新技术转化应用过程中组织和个人社会网络的影响及其作用机制。考虑到组织社会网络及个人社会网络对个人行为的影响，本研究运用了多水平的社会网络分析。尽管国外有文献提及可将社会网络分析与医生技术使用行为相结合，但具体如何结合未见系统化研究，本研究在此方向上试行了创新。

3.2　其他组织社会网络对新技术引入的影响

大部分被调查医院对社会网络的定量调查有一定抵触心理，保守汇报了与其他组织的互动水平，因此本研究结果一定程度上低估了社会网络在新技术使用过程中的影响。研究发现，不同类型组织在医院对新技术应用成效的影响之间存在差异性，对新技术的应用成效影响最大的分别是行业协会/学会及医药企业，该组织的网络规模与网络密度对医院新技术应用的重要性之间呈正向关系，表明其在与医院相关联的组织所处网络中处于中心位置。这与社会网络在卫生相关领域的研究结果基本一致[3-12]。

3.3　医院对医生新技术使用行为的影响

对组织社会网络与个人中心网络的多水平分析发现，在影响医生对新技术使用行为的指标中，组织社会网络的医院程度中心性对于医生使用新技术具有正向影响，表明这些医院在组织中属于占据决定地位的医院，而这些医院一般属于规模较大、在行业或某些领域内引领创新的医院，其医生一般更倾向于使用新技术。医院在网络中的中介中心性越高，表明其在所在组织中具有非常重要的中介地位，离开该组织作用则该网络崩塌，同理这些医院引领着该领域的发展，其医生更想使用新技术。企业程度中心性对医生技术使用行为具有正向影响，表明企业在所在网络中所占地位越高，越会影响该组织医院内的医生使用新技术。该研究结果佐证了本研究对于医药企业在新技术扩散过程中的作用的研究假设。医生个人在社会网络中的程度中心性对其行为没有影响，这一研究结果与大部分研究结论相反，可能是由于本研究样本量的限制。

4　小结

由于对于卫生技术扩散过程中社会网络作用的研究相对较少，本研究首次将社会网络分析方法纳入医学新技术转化应用研究中，一定程度上弥补了我国在该领域的空白。同时，本研究探究了影响医学新技术转化应用的非理性因素，有助于决策者在卫生政策制定过程中明晰影响新技术转化应用的不可控制因素的作用水平及对医生新技术使用的影响，在新技术的监管领域有着广泛的应用价值和前景。对于该研究结论能否进一步推广有待继续研究。

[1]Anne E Sales C A E T. The impact of social networks on knowledge transfer in long-term care facilities: Protocol for a study[J].Implement Sci, 2010,5(23):1-10.

[2]Lienert J S F I K. Stakeholder analysis combined with social network analysis provides fine-grained insights into water infrastructure planning processes[J].J Environ Manage, 2013,125(15):134-148.

[3]Wonodi C B, Privor-Dumm L, Aina M, et al. Using social network analysis to examine the decision-making process on new vaccine introduction in Nigeria[J].Health Policy and Planning, 2012,27(12):27-38.

[4]Wang G. A network approach for researching political feasibility of healthcare reform: The case of universal healthcare system in Taiwan[J].Social Science & Medicine, 2012,75(12):2337-2344.

[5]Anderson J G. Stress and burnout among nurses: A social network approach[J].Journal of Social Behavior & Personality，1991，7(6)：251-272.

[6]Anderson J G J S. Computers and clinical judgment: The role of physician networks[J].Social Science & Medicine, 1985,10(20):969-979.

[7]Anderson J G J S. The diffusion of medical technology: Social network analysis and policy research[J].The Sociological Quarterly, 1985,1(26):49-64.

[8]Barnett M L C N. Physician patient-sharing networks and the cost and intensity of care in US hospitals[J].Medical Care, 2012,2(50):152-160.

[9]Boyer L B R M. A social network analysis of healthcare professional relationships in a French hospital[J].Journal of Health Care Quality Assurance, 2010,5(23):460-469.

[10]Creswick N W J I. Understanding communication networks in the emergency department[J].BMC Health Services Research, 2009,247(9).

[11]Effken J A G S. Using ORA, a network analysis tool, to assess the relationship of handoffs to quality and safety outcomes[J].Computational Informatics Nursing, 2013,1(31):36-44.

[12]Fattore G F F S. Social network analysis in primary care: The impact of interactions on prescribing behaviour[J].Health Policy, 2009,92(2-3):141-148.