电子病历数据如何驱动临床决策？

摘 要： ［目的／ 意义］ 聚焦电子病历数据驱动临床决策， 在过程理论和变量理论组合的视角下构建驱动过程模型和影响因素模型， 为临床决策支持提供理论指导， 促进电子病历数据在临床场景下的价值实现。［方法／过程］ 剖析电子病历数据驱动临床决策的要素， 构建驱动过程模型， 在此基础上， 采用问卷调查和结构方程模型构建影响因素模型。［结果／ 结论］ 电子病历数据驱动临床决策的构成要素为人、数据、临床决策情报、技术和组织环境， 其驱动过程按照电子病历数据生成与采集、数据预处理与存储、建模与分析、可视化与解释４ 个步骤展开， 组织环境、绩效预期和数据质量显著正向影响使用行为意愿， 技术质量和数据质量显著正向影响绩效预期。驱动过程模型和影响因素模型为如何驱动的探索提供了不同但互补的组合视角。

关键词： 数据驱动决策； 临床决策； 电子病历； 过程模型； 影响因素模型

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

〔中图分类号〕Ｇ２０３； Ｒ－０５８ 〔文献标识码〕Ａ 〔文章编号〕１００８－０８２１ （２０２５） ０２－０１６０－１８

近年来， 数字中国建设已进入整体布局阶段，数据价值的创造与实现受到广泛关注［１］ 。医疗健康大数据正在成为支持医疗决策的关键驱动力。随着循证医学、精准医学、价值医学的逐步深入， 数据驱动临床决策在提高临床诊疗工作效率、降低医疗风险、优化医疗成本效益、改善临床决策质量和患者结局等方面的价值日益突显［２－４］ 。作为医疗健康大数据的核心来源和真实世界数据的重要组成部分，电子病历数据是智慧医疗的核心。推动电子病历数据驱动临床决策， 发挥电子病历的临床决策支持功能， 对实现电子病历数据的情报价值、优化临床决策支持服务具有重要作用。然而， 对于电子病历数据如何驱动临床决策， 尚未形成系统的理论体系，亟需深入探索。从过程理论和变量理论的组合视角来看， 其关键问题有两个： ①电子病历驱动临床决策的过程是怎样的， 由哪些阶段组成？ ②影响电子病历数据驱动临床决策的因素有哪些， 如何影响？

１ 相关研究

电子病历数据驱动临床决策是在临床场景下由电子病历数据作为主要驱动力的数据驱动决策模式，从过程理论与变量理论的组合视角、数据驱动决策的过程以及数据驱动决策的相关影响因素三大方面进行研究现状梳理。

１. １ 过程理论与变量理论的组合

社会科学中的理论一般可以分为两种类型： 过程理论（Ｐｒｏｃｅｓｓ Ｔｈｅｏｒｙ）和变量理论（Ｖａｒｉａｎｃｅ Ｔｈｅｏ⁃ｒｙ）［１０］ 。最初主流的观点是将两者区分开， 视为二分法［１１］ 。过程理论描述的是实体产生、发展、消退的演化序列和变化机制。变量理论描述的是各因素和概念间的相互关系［１０］ 。后来发现二分法与现实世界的复杂性和多样性难以匹配， 超越二分法的“系统视角” 和“组合视角” 更有价值［１１］ 。事实上，过程理论和变量理论存在许多互补的特点［１２］ 。过程理论能够发现需要通过变量理论进一步解决的新问题和新结构， 两者组合将为研究者提供互补的视角， 更有利于探索个人、技术与更大的社会结构之间动态的相互作用， 提高理论的可靠性。变量理论和过程理论的组合形式主要有两种， 一种是将过程模型和变量模型分开构建， 形成“双模型” 再组合在一起， 如表１ 中的示例３ 和４ 所示； 另一种是混合在一起构建， 形成完全融合的“单模型”， 如示例５ 所示。“双模型” 形式能够在保持模型综合性和系统性的基础上， 减少模型阐释中可能存在的复杂与困惑［１３］ 。

１. ２ 数据驱动决策的相关过程和流程

以数据为中心， 旨在从数据中获得决策见解，数据驱动决策的相关过程和流程包括面向决策的数据驱动通用流程、数据链、大数据驱动决策的步骤、（大）数据分析过程、（大）数据价值链、密集型（大）数据处理流程等， 主要分为数据管理和数据分析两大阶段［１４］ 。后来经过整理、补充， 并联系决策和价值实现， 形成步骤更详细的流程和过程， 具体如表２所示。一般来说， ４ 个步骤的居多。结合医院管理、智慧农业等应用场景， 驱动过程更具针对性和适用性。

１. ３ 数据驱动决策的相关影响因素

数据驱动决策过程复杂， 受个人属性、政策属性、社会文化属性等众多因素影响。教学管理、信息管理、安全管理等不同领域按照不同维度对其进行了分类。主要的研究方法包括案例分析、文献归纳、问卷调查、访谈法、扎根理论和结构方程等，如表３ 所示。一般使用理论模型来确定研究假设，代表有Ｄ＆Ｍ 信息系统成功模型（Ｔｈｅ ＤｅＬｏｎｅ ａｎｄＭｃＬｅａｎ Ｍｏｄｅｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ Ｓｕｃｃｅｓｓ， ＩＳＳ）和整合型技术接受与使用模型（Ｕｎｉｆｉｅｄ Ｔｈｅｏｒｙ ｏｆ Ａｃ⁃ｃｅｐｔａｎｃｅ ａｎｄ Ｕｓｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ， ＵＴＡＵＴ）等。

综上， 许多研究者已经尝试从过程理论或变量理论的视角分别对数据驱动决策的过程和影响因素进行探索， 但两者的组合研究还需加强。影响因素的研究主要以定性归纳为主， 定量分析不足， 驱动过程更关注通用的数据处理步骤， 对重要的数据类型和决策场景针对性不足， 电子病历数据在临床场景下的驱动过程及其影响机制亟需明确。基于此，本研究面向临床场景， 聚焦电子病历数据， 分析驱动的构成要素， 以“双模型” 的形式分别构建驱动过程模型和影响因素模型， 从系统视角为临床决策支持提供理论指导， 促进电子病历数据在临床场景下的价值实现。

２ 电子病历数据驱动临床决策的构成要素

明确构成要素是构建电子病历数据驱动临床决策的过程和影响因素模型的前提。对人、电子病历数据、技术、临床决策情报和组织环境５ 个核心要素分别进行分析。

２. １ 人要素

临床决策辅助与支持需要以人为本［３０］ 。人是电子病历数据驱动临床决策的关键， 对驱动过程进行必要的支持、监管和评估， 并负责最终采纳和决策执行， 保证价值实现。驱动的人要素指从事电子病历数据生成、收集、分析、评估与利用， 以及临床决策方案制定、选择、实施的相关人员。数据驱动决策人不仅包括领域专业人员， 还包括数据专业人员［２２］ 。从角色和承担的任务来看， 可以将其分为支持人和使用人。支持人能够对驱动过程起到支撑作用， 包括病案室编码员、数据分析师、算法工程师、情报分析师、技术开发者、系统及相关产品服务供应商、法律专家、统计学家等。使用人决定是否要采纳驱动结果并进行决策实施， 如临床医生，但临床医生既承担了支持人的角色， 也承担了使用人的角色。承担支持人和使用人任务的人员需要协同合作。两者间的界限已经越来越模糊， 集两者于一身的复合型人员也会越来越多。

２. ２ 数据要素

收集和管理高质量的电子病历数据是支持临床决策的重要内容［２２］ 。数据要素是驱动的基础和资源， 是驱动过程的逻辑起点。电子病历数据要素包括病历摘要数据、检查检验数据、门（急）诊处方数据、住院医嘱数据、门（急）诊病历数据等。它既具备大数据“５Ｖ” 的典型特征， 又具备时间依赖、多源异构、海量高速等独有特征［３１］ 。相比于用户均可创建和访问的在线健康社区、社交媒体中的网络健康数据， 电子病历数据具有较高的专业性、真实性、准确性， 甚至具有一定的法律效力， 是医生等临床决策者最容易接触、访问、理解且适用于临床决策支持的真实世界数据资源。目前， 大型医疗机构可以存有超过１ ０００万患者十年的病历数据，个人单次住院通常就会产生１５ 万条数据［３２］ 。这个规模相当于２０ 万年的医生智慧和１ 亿年的患者结局数据， 涵盖了大量的常见或罕见疾病的信息［３２］ 。作为真实世界数据的关键组成部分， 电子病历数据记录了患者群体在真实世界环境下不受研究者控制和干预的“自然实验” 结果， 数据属性和变量更加高维， 先验限制较少， 数据分析结果更具普适性和灵活性。

２. ３ 临床决策情报要素

电子病历数据驱动临床决策旨在为医生等临床决策者提供临床决策情报和支持， 而不是取代临床医生［３３］ 。《个人信息保护法》指出， 患者有权利拒绝临床工作人员仅通过自动化决策方式作出的决定［３４］ 。在临床场景中， 驱动的产物和结果并非可以直接在患者身上实施的决策， 而是临床决策情报。该要素是为了临床决策规划与行动， 在合适的时间传递给医生等临床决策者的特定的关键信息， 包括对临床决策有价值的数据、信息、知识与智能［３５］ 。它能够服务于临床决策者的决策制定， 对接特定医生的特定需求， 在合适的时间减少医生对情境的不确定性， 增加对决策风险的预见性。它具有以下特征：①特定性， 临床决策情报将特定的信息传递给特定的医生， 用以解决临床中特定的问题； ②及时性，临床决策情报需要在合适的时间提供， 如果延迟提供， 则可能无效； ③隐含性， 临床决策情报一般来说， 需要通过对海量的原始数据进行一定的处理和分析才能获取； ④价值性， 临床决策情报是为了解决临床实践中的决策问题而产生的， 对临床决策具有效用性。

２. ４ 技术要素

技术要素是驱动的手段， 为电子病历数据生产、处理、分析及临床决策情报的挖掘等过程提供支持，包括统计、机器学习、深度学习、自然语言处理等。机器学习中的有监督学习方法关注对新数据结果的预测， 可能发现人类医生不容易发现的新关系［３６］ 。无监督学习关注数据内部的相关性和集群结构， 能够通过计算患者和疾病属性间的距离确定整体上的相似性， 识别不同数据属性之间的依赖关系， 分析特定属性导致或影响其他属性的原因， 辅助诊疗［３６］ 。强化学习与人类学习模式类似， 对研究精神功能障碍的思维方式、推荐脓毒血症等急重症治疗方案、调整血管加压药等药物剂量是较为有效的［３６］ 。深度学习可以对包括自由文本、放射图像在内的整个电子病历数据进行整合， 以最少的预处理步骤克服传统建模特征数量有限而造成预测结果不准确和可扩展性差的问题［３７］ ， 还能有效地挖掘电子病历数据流中的时间模式。自然语言处理（Ｎａｔｕｒａｌ ＬａｎｇｕａｇｅＰｒｏｃｅｓｓｉｎｇ， ＮＬＰ）通过从电子病历数据中自动提取概念、实体、事件及相关的关系和属性， 将自由文本转换为结构化的数据元素， 能够帮助分类和识别目标患者， 分析临床表型， 快速获得决策关键信息，并能通过比对医生笔记和指南， 校验诊疗方案的合规性。

２. ５ 组织环境要素

组织环境要素是驱动的保障， 促进电子病历数据驱动临床决策良性运转和可持续发展。忽视组织环境要素可能导致数据驱动决策缺乏有效性或实施失败［２２］ 。它是指组织内部和外部所有能直接或间接影响电子病历数据驱动临床决策的自然和社会环境， 包括政策环境、经济环境、文化环境等。政策环境主要对电子病历数据生成与使用、人工智能等技术的安全使用和有效管理、与利益相关者的协同、具体诊疗场景下的应用保障等方面进行规范和指导。经济环境主要通过普通资金、项目经费、捐款等进行驱动支持。文化环境主要通过营造利于数据赋能和临床决策创新的氛围推动驱动实现。

３ 电子病历数据驱动临床决策的过程模型构建

在技术要素、人员要素和组织环境要素的支持下， 以电子病历数据要素为驱动起点， 以临床决策情报为驱动产物， 结合临床场景， 参考数据驱动决策相关过程， 按照电子病历数据生成与采集、数据预处理与存储、建模与分析、可视化与解释４ 个步骤以及发生在每个步骤的评价反馈进行驱动过程分析， 如图１ 所示。

３. １ 电子病历数据生成与采集

电子病历数据由临床专业人员在医院信息管理系统、实验室信息系统、电子病历系统、重症监护系统等多个生产系统中创建生成。其收集范围可以分为单中心和多中心， 准确的多中心数据和跨机构的外部验证很重要。从个人视角来说， 随着专病专治、分级诊疗等的逐步落实和患者流动性的提高，跨机构就医十分普遍， 单中心的电子病历往往不能涵盖患者的诊疗全流程。从群体视角来说， 单中心的组织环境要素、技术要素、人要素、数据要素，包括人口覆盖范围、地理位置、数据生成与管理方法等均会存在特殊性和局限性， 导致数据形成的决策见解可能存在偏倚， 难以外推。电子病历数据的采集步骤包括识别电子病历数据， 遵循初步的数据结构， 将原始数据传输到数据存储设施上。数据采集模式分为批处理模式、流模式或微批处理模式，保证数据按照临床决策情报获取的需要非实时或近似实时获得［２３］ 。

３. ２ 数据预处理与存储

电子病历数据具有多源异构、海量高速、不完全、高维稀疏等特征， 会影响提取决策见解的准确性和可靠性［３１］ 。数据预处理是保障后续高效分析的关键步骤， 主要包括： ①过滤与清洗， 从数据仓库等存储设施中选择电子病历数据集， 按照定义数据清洗操作的输入和约束条件检查数据集中的单元是否合规， 删除不能满足条件的部分， 重复操作，输出清洗后的电子病历数据［２１］ ； ②抽取与转换，对不兼容的数据进行处理， 将原始数据转换为合适的形式， 必要时对数据进行归一化， 对连续变量进行离散化处理； ③数据规约与扩充， 在不过分损害原始数据完整性的基础上进行数据压缩和降维， 必要时可根据临床专业知识向电子病历数据集中添加派生概念［３８］ ； ④校验与验证， 建立规则与要求， 管理数据的句法和语义结构， 确保数据完整、准确、有效； ⑤数据标准化与关联映射： 使用国际和国内的数据标准、语义网等技术对数据元素进行修改，分词匹配标准术语与链接； ⑥集成与融合， 将多模态电子病历数据合并处理， 通过组合相似和相关的数据消除冗余， 形成完整数据集； ⑦深度脱敏， 结合相关法律法规对数据进行动态或静态脱敏［３９］ 。

典型的电子病历数据存储管理方案经历了数据库、数据仓库、数据平台阶段， 现在已逐步向数据湖、仓湖一体、云存储发展， 未来可能会向面向数据全生命周期、解决数据全局方案、引领数字化业务的数据中台演变［４１］ 。目前， 常见的存储方案如表４ 所示。此外， 为了存储非结构化的电子病历数据， 临床数据平台能在预先忽视业务需求的基础上完成大型电子病历数据集的集成。仓湖一体将数据库高度结构化、适合生成数据报表与数据湖易于深入分析、倾向数据服务的优势集成［４０］ 。数据湖存储的一个重要发展趋势是云存储， 区块链技术的发展提高了云存储中电子病历的安全性［４２］ 。需要注意的是， 根据存储和后续分析需要选择合适的预处理操作即可， 不是每个预处理步骤都必须进行， 预处理与存储也无必然的前后顺序关系。

３. ３ 建模与分析

数据建模与分析是在驱动过程中获取临床决策情报最重要的步骤。对于不同的临床决策任务， 该步骤需要提供不同的功能， 包括描述性（Ｄｅｓｃｒｉｐ⁃ｔｉｖｅ）、诊断性（Ｄｉａｇｎｏｓｔｉｃ）、预测性（Ｐｒｅｄｉｃｔｉｖｅ）和规范性（Ｐｒｅｓｃｒｉｐｔｉｖｅ）。描述性分析使用平均数等描述性统计指标将电子病历数据以有意义的形式综合和整理， 揭示电子病历数据概况及临床表现模式与关系， 侧重于体现过去和现在。诊断性分析试图在电子病历数据中挖掘因果关系， 分析临床疾病和表型等发生的原因， 解决“为什么” 问题。预测性分析使用以往的病历数据进行建模训练， 预测疾病未来的发展与转归趋势、诊疗方案的效果与不良事件发生风险。复杂环境下制定的治疗计划通常没有金标准和唯一的“正确答案”， 甚至专家之间也会存在分歧［３３］ 。规范性功能根据预定义的目标和约束，提出实现预期结果的诊疗最佳方案， 包括后续诊疗步骤和建议。

３. ４ 可视化与解释

可视化与解释步骤使用直观、易于理解和比较的视觉形式来说明数据关系， 传达数据分析的结果，并将分析结果与现有知识体系、临床实践联系， 以供医生决策。可视化可以提供高度关联的诊疗细节，实现对患者临床状态的快速识别、预测和解释， 能有效缓解医生的信息过载， 减少医生的认知工作量［４３］ 。直方图、饼图、折线图等是传统通用的可视化形式， 在此基础上， 衍生了以数据源、时间、概念或人物为导向的视图， 如表５ 所示。面向时间的视图能形成患者的全局概览和重要信息标记， 支持临床患者全程管理、针对性查询和信息过滤。相比面向数据源和时间的视图， 面向概念的视图更能减少信息过载， 提高医生信息查找的准确性［４４］ 。在概念视图中需要额外说明的是知识图谱， 它以本体来表示知识和数据实体， 保证医学概念明确， 通过语义关系进行实体连接， 保证知识和数据推荐可溯源［４５］ 。除了可视化功能外， 它们还能作为医疗人工智能系统的基本组成部分用于知识推理和预测， 提升分析结果的可解释性［４５－４６］ 。相比于科研文献， 基于电子病历数据的知识图谱更方便、可行、易于使用［４６］ 。面向个人的视图主要借鉴了图书情报和电子商务等领域“用户画像” 的概念和成功经验， 从电子病历中抽取患者的基本信息、疾病特征、用药特征、治疗方式、检查检验特征标签来进行患者画像，抽取医生门（急）诊的出诊特征、主管患者的平均住院日、手术台数和时长等标签刻画医生全貌［４７－４９］ 。除此之外， 还有相似患者类群图、共病网络等。

３. ５ 评价反馈

电子病历数据驱动临床决策存在一定的风险，需要对驱动产生的结果进行持续地安全性和有效性评价， 并为后续步骤的实施提供有价值的信息， 反馈优化整个流程。承担支持人和使用人任务的人员应当积极地参与到评价反馈过程中。此外， 数据分析已经可以近似实时， 数据到达的瞬间即可获得评价结果， 评价反馈不应该局限在决策执行之后， 而应持续地进行［６］ 。面向结果的终结性评价需要与面向过程的、具备诊断、反馈和导向作用的形成性评价相结合［５２］ 。相比于在决策执行之后发现失误再重新执行整个驱动过程的终结性评价， 形成性评价能在驱动过程中， 及时有效地发聩和调整某些错误步骤， 减少资源消耗， 并因为驱动过程中决策结果对利益相关者不透明而能在一定程度上减少有意识的人为干扰。

４ 电子病历数据驱动临床决策的影响因素模型构建

在厘清驱动过程的基础上， 以驱动的构成要素为基础， 结合ＵＴＡＵＴ 模型、ＩＳＳ 模型和感知风险理论及相关文献分析， 确定电子病历数据驱动临床决策的影响因素， 提出影响机制假设， 构建电子病历数据驱动临床决策的影响因素概念模型， 并通过问卷调查， 结合结构方程模型进行验证。

４. １ 研究假设与概念模型

４. １. １ 理论基础及其适用性

ＩＳＳ 模型由Ｄｅｌｏｎｅ Ｗ Ｈ 等［１３］ 于１９９２ 年首次提出， 在理解信息系统成功过程的基础上， 使用相互依存的变量（信息质量、系统质量、用户满意、用户使用）来评估信息系统的有效性［５３］ 。该模型具有综合性且相对简练的优点， 是信息系统采纳、使用与评估领域使用最多的模型之一， 也是信息系统使用与成功影响因素研究中具有里程碑意义的理论模型［５４］ ， 已经在电子商务、电子政务、数字图书馆、医疗信息系统等主题中经过了广泛的验证， 对医疗健康领域也非常有价值［５５－５６］ 。

Ｖｅｎｋａｔｅｓｈ Ｖ 等［５７］ 在２００３ 年提出了ＵＴＡＵＴ 模型， 定义了４ 个关键变量， 分别为绩效预期、努力期望、社会影响和促进条件［５７］ 。ＵＴＡＵＴ 模型被认为是技术创新与使用影响因素研究中最敏感的模型［５８－５９］ ， 在学校、医院、政府等不同组织， 互联网、电子银行、电子政务服务等不同技术， 初次使用、持续使用等不同时间， 印度、中国等不同国家和地区， 医疗健康、教育、食品等不同领域都进行了广泛的验证、整合与扩展［５８］ 。

感知风险理论（Ｒｉｓｋ Ｐｅｒｃｅｉｖｅ Ｔｈｅｏｒｙ， ＰＲＴ）原指个体在消费时隐含着对购买决策结果的不确定性，这种不确定性会直接或间接影响消费决策［６０］ 。后来， 该模型被扩展到在线社区的使用［６１］ 、共享单车的持续使用［６２］ 、数据和信息共享［６０］ 等多个主题中， 广泛应用在管理学、信息学、医学等多个领域。在医疗健康领域， 研究者基于感知风险理论分析了感知风险对移动健康设备采纳、疫苗接种意愿、患者参与癌症筛查决策、数字医疗中的人工智能等的影响［６３－６６］ 。

ＵＴＡＵＴ 模型注重反映用户行为特征下的技术信念， ＩＳＳ 模型偏向系统或技术方面。将ＵＴＡＵＴ 模型与ＩＳＳ 模型、感知风险理论集成， 能扩展单一模型的理论边界， 有助于更广泛地理解电子病历数据驱动临床决策的使用行为［６７］ 。

４. １. ２ 研究假设

１） 绩效预期（Ｐｅｒｆｏｒｍａｎｃｅ Ｅｘｐｅｃｔａｎｃｙ， ＰＥ）

绩效预期是ＵＴＡＵＴ 模型的核心元素。从驱动的构成要素来看， 绩效预期是数据驱动决策人对驱动能够产生效用的期待。相关研究显示， 绩效预期对移动健康的采纳和持续使用［６８］ 、医疗电子物流信息系统的采纳行为意愿［６９］ 、人工智能辅助放疗勾画技术的采纳意愿［７０］ 、麻醉和重症监护的决策支持系统的使用［７１］ 等具有显著正向影响。绩效预期反映了医生感知到使用电子病历数据驱动临床决策的好处， 具体表现在提升了临床决策效率、提高个人临床决策水平等， 这会增强他们的使用意愿。因此， 提出如下假设：

Ｈ１： 绩效预期对电子病历数据驱动临床决策的使用行为意愿（Ｂｅｈａｖｉｏｒ ａｎｄ Ｉｎｔｅｎｔｉｏｎ ｔｏ Ｕｓｅ， ＢＩ）有显著的正向影响

２） 数据质量（Ｄａｔａ Ｑｕａｌｉｔｙ， ＤＱ）

根据数据要素、临床决策情报要素和ＩＳＳ 模型中信息质量， 将概念中的“信息” 上溯至“数据”层面， 提出数据质量影响因素。ＩＳＳ 模型认为系统输出的内容质量会对信息系统的使用意愿有影响［７２］ 。驱动过程的第一步是电子病历数据生成与采集， 原始数据的质量也会对驱动产生影响。即数据质量应当包含输入、输出及中间产生的情报质量。ＡｌｓｈａｈｅｒＡ［７３］ 发现， 数据质量正向影响电子政务的绩效预期。数据质量是影响数据驱动决策的最重要的因素之一［７４－７５］ 。对于教学来说， 为教师提供有效和高质量的数据， 对促进数据驱动决策实践至关重要［７６］ 。医疗健康领域， 完整和准确的电子病历数据可以保证更高效的业务流程、更好的沟通和治疗、更少的用药错误［７７］ 。数据质量提高会增加个人或团体对数据的信任， 可能取得更高的预期效益。因此， 提出以下假设：

Ｈ２： 数据质量对电子病历数据驱动临床决策的绩效期望有显著的正向影响

Ｈ３： 数据质量对使用电子病历数据驱动临床决策的行为意愿有显著的正向影响

３） 技术质量（Ｔｅｃｈｎｏｌｏｇｙ Ｑｕａｌｉｔｙ， ＴＱ）

根据技术要素、ＩＳＳ 模型中的系统质量和ＵＴＡ⁃ＵＴ 模型中努力期望， 提出技术质量因素。ＩＳＳ 模型中的系统质量与ＵＴＡＵＴ 模型中的努力期望在技术的易用性等方面有明显重叠， 它们都是强调技术本身特征的影响因素［７８］ ， 将两者合并为技术质量。Ｗａｎｇ Ｔ 等［６８］ 的荟萃分析结果显示， 努力期望（技术质量）是移动健康持续使用意愿中被探索次数最多的影响因素之一， 对使用意愿有显著影响。ＡｌｓｈａｈｅｒＡ［７３］ 研究认为， 技术质量正向影响电子政务的使用意愿和绩效预期。技术质量影响医务人员对医疗信息技术效用的感知［７９］ ， 是绩效预期的决定因素［８０］ 。因此， 提出假设：

Ｈ４： 技术质量对电子病历数据驱动临床决策的绩效期望有显著的正向影响

Ｈ５： 技术质量对使用电子病历数据驱动临床决策的行为意愿有显著的正向影响

４） 组织环境（Ｏｒｇａｎｉｚａｔｉｏｎ Ｅｎｖｉｒｏｎｍｅｎｔ， ＯＥ）

根据组织环境要素、ＵＴＡＵＴ 模型中的促进条件和社会环境提出组织环境影响因素。促进条件描述了组织内部资源的情况， 社会环境描述了组织外部的情况。相关研究显示， 促进条件和社会环境正向影响区块链的使用行为意愿［８１］ 、电子政务系统的使用意愿［８２］ 、电子病历使用意愿和行为［５］ 、人工智能辅助放疗勾画技术的采纳意愿［７０］ 。如果相关部门和领导重视， 医院等组织提供良好的支持资源， 医生可能更愿意使用电子病历数据驱动临床决策， 因此， 提出假设：

Ｈ６： 组织环境对使用电子病历数据驱动临床决策的行为意愿有显著的正向影响

５） 感知风险（Ｐｅｒｃｅｉｖｅｄ Ｒｉｓｋ， ＰＲ）

感知风险是构成要素中的人员感知到的结果的不确定性和严重性的组合［７０］ ， 是医疗信息技术或系统的使用采纳研究中关键负面因素之一［７０］ 。相关研究显示， 感知风险对电子病历交换的采纳意愿呈现显著负向影响［８３］ ， 对拥有个人电子健康记录的态度有显著的负向影响， 而且影响较为强烈［８４］ 。如果感知风险大， 医生可能倾向于不采用。因此， 提出假设：

Ｈ７： 感知风险对使用电子病历数据驱动临床决策的行为意愿有显著的负向影响

６） 变化抵制（Ｒｅｓｉｓｔａｎｃｅ ｔｏ Ｃｈａｎｇｅ， ＲＣ）

变化抵制是阻碍技术采纳的重要因素之一， 也是导致一些创新和技术实施失败的重要原因［８５］ 。相关研究显示， 变化抵制对中国中老年用户采纳移动医疗服务［８６］ 、公众对眼科人工智能设备的使用意愿［８７］ 均呈显著负向影响。医疗专业人员拒绝改变工作方式是医疗信息技术进展缓慢最重要的原因之一［７８］ 。因此， 提出假设：

Ｈ８： 变化抵制对使用电子病历数据驱动临床决策的行为意愿有显著的负向影响

４. １."３ 概念模型构建

用户愿意采纳和使用对电子病历数据驱动临床决策能否产生实际价值是非常重要的。Ｄｅｌｏｎｅ Ｗ Ｈ等［１３］ 认为， 在大多数情况下， 信息技术创新的采纳与使用情况是其成功的重要衡量标准， 使用的强度和质量可能对实际效益产生重大影响。使用的意愿和行为可以是价值的替代测度［１３］ 。因此， 本研究选择使用的行为和意愿为模型的核心因变量， 基于上述概念分析与研究假设， 构建电子病历数据驱动临床决策的影响因素概念模型。如图２ 所示， 该模型包括７ 个变量， ８ 条假设路径。

４. ２ 数据收集

４. ２. １ 量表开发

收集前期相关研究结果与既往已经过验证的成熟量表， 拟定问题， 将其按顺序排列， 形成初始问卷。对问卷进行组内的测试和讨论， 邀请医学信息学、社会医学、信息资源管理等相关领域专家进行前测性访谈［８８］ ， 并修订问卷。对３０ 名研究对象进行了预实验， 通过在线访谈、面对面访谈以及在问卷后设置留言框等形式收集建议， 再次修订并确定最终版本。最终问卷由基本信息（１０ 题）和影响因素（３７ 题）两部分调查组成。影响因素变量采用李克特５ 级量表进行测量， 包括非常不同意、不同意、中立、同意和非常同意５ 个选项。

４. ２. ２ 研究对象与样本分布

调查对象是临床或者面向患者的综合性科室中具有临床决策任务的医生。在２０２３ 年４ 月—６ 月采用滚雪球的方式招募研究对象， 通过问卷星平台收回问卷３２６ 份。删除答题时间过短、重复作答和提交、调查对象不符合实验要求等的无效问卷， 获得有效问卷３０９ 份， 回收有效率为９４. ７８５％。样本数量与测量项目比例约为８ ∶１， 符合使用结构方程方法的样本数量基本要求。研究对象来自北京、福建、广东等２４ 个省市自治区， 范围覆盖了华北、华东、东北、华中、华南、西南、西北七大地区。采用ＳＰＳＳ ２４. ０ 软件对样本的人口特征信息进行了统计， 结果如表６ 所示。

对影响因素调查的原始数据进行描述性统计分析， 得到各题项的均值范围为３. ２７～４. １１， 标准差值均小于１. ０８０， 说明数据分布较为集中， 离散程度较小［８９］ ， 数据质量较为稳定。正态性方面， 所有题项的偏度值介于－１. ３１９～－０. ２６７之间， 峰度值介于－０. ６１１～２. ００７ 之间， 数据可被认为符合正态分布［９０］ 。

４. ３ 信效度检验

４. ３. １ 信度分析

采用克隆巴赫系数（Ｃｒｏｎｂａｃｈ α）测量问卷内部各项目之间的一致性， 通过ＳＰＳＳ ２４. ０ 软件对总量表和各变量分别进行Ｃｒｏｎｂａｃｈ α 系数检验， 结果如表７ 所示。问卷总体的Ｃｒｏｎｂａｃｈ α 系数为０. ９６２，所有变量的Ｃｒｏｎｂａｃｈ α 系数均在０. ８９０ ～０. ９５８ 之间， 问卷的信度较好。

４. ３. ２ 效度分析

采用ＳＰＳＳ ２４. ０ 软件进行ＫＭＯ（Ｋａｉｓｅｒ－Ｍｅｙｅｒ－Ｏｌｋｉｎ）度量和Ｂａｒｔｌｅｔｔ'ｓ 球形检验， 得到ＫＭＯ 值为０. ９４５， Ｂａｒｔｌｅｔｔ 球形检验的χ２ 值为１１ ６３４. ０７７， 自由度（Ｆｒｅｅ Ｄｅｇｒｅｅ， ｄｆ）为６６６， Ｐ＜０.3"００１， 达到显著水平， 说明数据适合进行因子分析。采用主成分分析的方法， 提取特征值大于１ 的因子， 使用最大方差旋转法， 在７ 次迭代后收敛， 得到因子数目共计７ 个， 分别对应７ 个变量， 如表８ 所示。７ 个因子累积解释了方差变异的７９. １２％。题项ＴＱ７ 横跨两个因子， 将其判定为失效问题。除此之外， 所有测量题项在对应的因子下具有最大载荷系数且系数值大于０. ５。说明问卷构建效度较为理想。

通过ＳＰＳＳ ＡＭＯＳ ２４. ０ 软件对样本数据进行验证性因子分析， 结果如表９ 所示。所有观测变量的因子载荷值均在０. ７４６～０. ９７２ 范围内， 潜在变量的组合信度（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 个指标值均达到理想标准，问卷数据的收敛效度较好。计算潜在变量的根号下ＡＶＥ的平方根和变量间的相关系数， 结果如表１０ 所示，表格对角线上的加粗字体表示ＡＶＥ， 其余数值为所在行列的潜在变量间的相关系数。所有变量的相关系数均小于其所对应的根号下ＡＶＥ值， 表明所有潜变量的内部相关性均大于外部相关性， 变量间有区别， 问卷数据的区别效度较为理想。

４. ４ 基于结构方程的路径模型构建

采用极大似然估计方法， 利用ＳＰＳＳ ＡＭＯＳ ２４.０软件执行结构方程分析， 分析结果如图３ 所示。检验模型解释了行为意愿６７％的变异量。假设验证结果如表１１ 所示。

模型卡方（χ２）值为１ ５４３.９５， 自由度（ｄｆ）为５７７，显著水平为双侧检验Ｐ＜０. ０５。采用卡方自由度比（χ２ ／ ｄｆ）、均方根残差（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅ Ｒｅｓｉｄｕａｌ，ＲＭＲ）、比较适配指数（Ｃｏｍｐａｒａｔｉｖｅ Ｆｉｔ Ｉｎｄｅｘ， ＣＦＩ）、Ｔｕｃｋｅｒ－Ｌｅｗｉｓ 指数（ＴＬＩ）、增值拟合指数（Ｉｎｃｒｅｍｅｎ⁃ｔａｌ Ｆｉｔ Ｉｎｄｅｘ， ＩＦＩ）、渐进残差均方（Ｒｏｏｔ Ｍｅａｎ ＳｑｕａｒｅＥｒｒｏｒ ｏｆ Ａｐｐｒｏｘｉｍａｔｉｏｎ， ＲＭＳＥＡ）指标进行拟合度评估， 得到结果如表１２ 所示， 模型拟合度较好。

４. ５ 影响因素及其影响机制讨论

实证验证了电子病历数据驱动临床决策的影响因素和影响路径。５ 个假设通过验证， ３ 个假设未能通过验证。

４. ５. １ 绩效预期、数据质量和组织环境的影响分析

实证结果显示， 绩效预期、数据质量和组织环境对电子病历数据驱动临床决策的使用行为和意愿有显著正向影响。相比于数据质量， 组织环境和绩效预期的影响更大。绩效预期向来是最重要的影响因素之一［９１－９２］ 。而与一般研究结果不同的是， 组织环境在本研究中的影响更为重要。这可能是由于电子病历数据驱动临床决策相关的技术和工具较为新颖， 还未完全普及， 医生的认知程度有限， 需要较为充足的资源支持和社会关注。Ａｒｆｉ Ｗ Ｂ 等［９３］对电子医疗物联网的使用意向调查中， 也发现了相同的现象。这提示医疗健康背景下的技术创新使用研究有必要关注组织环境及其包含的社会环境和促进条件的影响。

４. ５. ２ 技术质量的影响分析

实证结果显示， 技术质量对绩效预期有显著正向影响。即技术质量高， 医生感知到的可靠性和易用性强， 医生会觉得它更有用， 绩效预期会更高。但是， 技术质量对行为意愿的影响假设没有通过检验。这与大多数创新采纳的研究结果不符， 却与许多医疗领域的研究结果一致［７０，７８，８７，９４－９６］ 。究其原因，可能主要有４ 个方面： ①相比于其他类型的用户，医生具有更高的学习和使用能力， 他们可能对技术是否容易使用的感知不会那么强烈； ②对于临床领域来说， 医生对于新技术和新方法的使用不是完全自愿的， 这与商业环境下公众的自主性使用不同［７８］ ；③医生可能认为技术质量本身不会影响使用， 无论技术质量高低， 它都需要对临床工作有用， 再高的易用性也无法弥补它的低有用性［７８］ ， 而如果效用足够明显， 他们不介意花更多精力和时间学习； ④组织环境对使用的行为和意愿具有显著正向影响， 当组织环境有利时， 医生能接触到足够多的培训和技术服务资源， 技术质量的影响就不会很大。

４. ５. ３ 变化抵制与感知风险的影响分析

变化抵制和感知风险对电子病历数据驱动临床决策的使用影响不显著， 假设没有通过检验。虽然以往很多研究认为变化抵制和感知风险都是技术创新采纳的阻碍因素， 但本研究中两者的影响假设均未能通过验证， 部分相关研究也曾出现了类似情况［７０，９７］ 。这可能是由于医生总体对电子病历数据驱动临床决策呈现较为积极的态度［９８］ ， 医生感知到了电子病历数据驱动临床决策的效用， 甚至已经在临床工作中感受到了直接益处， 因此对风险的恐惧和变化的抵制不强烈。另外， 也可能是很多医生相信如果电子病历数据驱动临床决策的相关工具能够进入临床， 那么它一定通过了风险评估和严格审核。因此， 针对风险和变化的忧虑不会对使用造成很大影响。

５ 结 语

聚焦电子病历数据驱动临床决策， 梳理了驱动的构成要素为人、数据、技术、临床决策情报和组织环境。以人员要素为关键， 以技术要素为手段，以组织环境要素为保障， 以电子病历数据要素为起点， 以临床决策情报为产物， 驱动过程模型分为数据生成与采集、数据预处理与存储、建模与分析、可视化与解释４ 个关键步骤以及发生在每个步骤中的评价与反馈。在此基础上， 结合ＵＴＡＵＴ 等模型构建了驱动的影响因素模型， 发现组织环境、绩效预期和数据质量显著正向影响使用的行为和意愿，其中组织环境的影响最重要。技术质量和数据质量显著正向影响绩效预期。

驱动过程模型和影响因素模型为解决如何驱动的问题提供了不同但互补的视角， 具体而言： ①在研究问题方面， 驱动过程模型解决的是电子病历数据如何随时间推移转变为临床决策情报。影响因素模型则是分析影响电子病历数据驱动临床决策的因素是什么以及如何影响； ②在理论模型构建方面，驱动过程模型是对驱动过程中的实体一系列活动的陈述， 而影响因素模型则是对实体的属性进行分析，明确属性因素间依存关系， 影响因素模型的构建需要充分理解驱动过程并厘清因素如何影响驱动过程；③在实践应用方面， 驱动过程可以由不同临床场景下的临床医生或者临床决策小组为了解决不同的临床问题得到所需的决策情报而反复地执行。影响因素模型则揭示了影响因素对于全部过程的影响， 即假设在驱动过程已经可以良好执行的情况下， 比较使用程度与变量值的因果关系； ④在解释性方面，影响因素模型强调量化的直接因果， 驱动过程模型综合兼顾， 更具灵活性。驱动过程模型刻画了电子病历数据对于临床决策支持的价值实现路径， 影响因素模型进一步分析了临床场景下影响电子病历数据驱动临床决策的使用效用机制。

参考文献

［１］ 新华社． 中共中央 国务院印发《数字中国建设整体布局规划》［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］ Ｈöｃｈｔｌ Ｊ， Ｐａｒｙｃｅｋ Ｐ， Ｓｃｈöｌｌｈａｍｍｅｒ 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． 面向医院管理的数据驱动决策研究［ Ｄ］． 长春： 吉林大学， ２０２１．

［９］ 马晓悦， 樊旭， 庞善民， 等． 社交媒体环境中的用户信息再现行为过程及影响因素研究［Ｊ］． 情报理论与实践， ２０２２， ４５ （２）：９４－１０２， ５４．

［１０］ 王志红， 曹树金， 刘奕群． 面向过程的信息交互模型比较及启示［Ｊ］． 情报学报， 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］ 陆泉， 张良韬． 处理流程视角下的大数据技术发展现状与趋势［Ｊ］． 信息资源管理学报， ２０１７， ７ （４）： １７－２８．

［１８］ 莫祖英． 大数据处理流程中的数据质量影响分析［ Ｊ］． 现代情报， 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， 杨鑫禹， 李茵， 等． 面向医院管理的数据驱动决策过程模型研究［Ｊ］． 情报科学， 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， 杨鑫禹， 李茵， 等． 数据驱动医院管理决策的影响因素研究———基于扎根理论分析［Ｊ］． 现代情报， ２０２０， ４０ （８）：８９－９７．

［２８］ 李茵， 牟冬梅， 杨鑫禹， 等． 数据驱动医院管理决策的影响因素研究［Ｊ］． 医学与社会， ２０２１， ３４ （２）： １－７．

［２９］ 刘晋， 张学波， 林书兵． 数据驱动的教学决策效果总览与视野突破———基于十项元分析的伞型评价［ Ｊ］． 电化教育研究，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］ 杨鑫禹， 牟冬梅， 彭浩， 等． 基于数据特征的电子病历数据驱动临床决策模型研究［Ｊ］． 情报理论与实践， 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］ 中国人大网． 中华人民共和国个人信息保护法［ＥＢ／ ＯＬ］． ｈｔ⁃ｔｐ：／ ／ ｗｗｗ．ｎｐｃ． ｇｏｖ． ｃｎ／ ｎｐｃ／ ｃ２／ ｃ３０８３４／２０２１０８／ ｔ２０２１０８２０＿２０３１３０８８．ｈｔｍｌ， ２０２４－０４－２０．

［３５］ 叶继元， 成颖． 情报的概念及其与信息链、ＤＩＫＷ 链的关系探讨［Ｊ］． 中国图书馆学报， 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］ 陈联忠， 计虹， 胡可云， 等． 基于人工智能技术的临床数据资源中心建设实践［Ｊ］． 中国数字医学， ２０２３， １８ （１）： ２８－３２．

［４０］ 吴龙， 严晓明， 陈秀娟， 等． 医疗数据湖建设及医疗数据治理探索［Ｊ］． 医学信息学杂志， ２０２２， ４３ （６）： ８－１３．

［４１］ 蔡珉官， 王朋． 数据湖技术研究综述［Ｊ］． 计算机应用研究，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． 基于电子病历的共病患者健康画像研究［ Ｄ］． 长春：吉林大学， ２０２２．

［４８］ 郑涛， 王觅也， 宋雪， 等． 医疗大数据生态下基于标注引擎的医生画像研究［Ｊ］． 中国数字医学， ２０２１， １６ （７）： ３９－４３．

［４９］ 邱均平， 付裕添， 徐中阳， 等． 面向社会公众的高等教育评价智能信息服务模型框架研究［Ｊ］． 现代情报， 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］ 张宇， 王觅也， 师庆科， 等． 促进医联体协同的患者全息视图应用研究［Ｊ］． 中国卫生信息管理杂志， 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］ 周炜． ＥＲＰ 系统使用者个人效益影响因素研究［ Ｄ］． 杭州：浙江大学， 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． 国内Ｄ＆Ｍ 信息系统成功模型研究现状述评［Ｊ］． 图书馆， 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］ 张一涵， 袁勤俭， 沈洪洲． 感知风险理论及其在信息系统研究领域的应用与展望［Ｊ］． 现代情报， 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］ 诺曼·布拉德伯恩， 希摩·萨德曼， 布莱恩·万辛克． 问卷设计手册［Ｍ］． 重庆： 重庆大学出版社， ２０１７．

［８９］ 魏银珍． 科研人员数据重用意愿影响因素研究［ Ｄ］． 武汉：武汉大学， 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］ 杨鑫禹， 牟冬梅， 丁丽芳， 等． 信息链视域下电子病历数据驱动临床决策的需求模型构建［ Ｊ］． 现代情报， ２０２４， ４４ （４）：６６－７６．

（责任编辑： 郭沫含）

基金项目： 国家自然科学基金项目“信息链视域下电子病历数据驱动健康服务供给侧决策的路径与模式研究” （项目编号： ７１９７４０７４）；国家自然科学基金项目“‘知识—数据’ 双轮驱动的多模态电子病历数据组织模式与应用研究” （项目编号： ７２３７４０８１）； 吉林省科技发展计划项目“面向智能辅助诊疗的肺癌知识图谱构建研究” （项目编号： ＹＤＺＪ２０２３０１ＺＹＴＳ００１）。