数据驱动的在线医疗服务质量影响因素研究（下）

4.4 实证分析

4.4.1 实证结果

本研究通过SPSS软件，以二元逻辑回归的方式进行模型估计，以医生服务是否属于高质量服务作为回归因变量（1为属于高质量，0为不属于高质量），并将上述五个因素作为自变量进行二元逻辑回归拟合，其中将职级设置为虚拟变量，回归模型的结果如表6和表7所示。

 

根据表6的检验结果可知，卡方值等于7.768，p值等于0.456，大于0.05。由此可得模型预测的拟合度良好。

观察表7第二列和第三列的结果可得，Ln（预约人数）和情感支持的系数值分别为-0.535和0.070，p值分别为0.064和0.899，未通过显著水平为5%的显著性检验，即Ln（预约人数）和情感支持不会影响分类结果。因此假设H5和H3没有得到支持。

信息支持的系数值是0.264，p值等于0.037，即统计结果通过了显著水平为5%的显著性检验。由此可得，信息支持对分类结果产生了显著的正向影响，并且支持假设H1。优势比（OR值）为1.302，意味着在其他变量保持不变的基础上，信息支持每增加一个单位时，医生服务质量评价属于高质量服务的概率会增加30.2%（1.302-1）。

Ln（信息强度）的系数值为1.075，p值等于0.034，即结果通过了显著水平为5%的显著性检验。由此可得，Ln（信息强度）对分类结果产生了显著的正向影响，并且支持假设H2。优势比（OR值）为2.931，意味着在其他变量保持不变的基础上，Ln（信息强度）每增加一个单位时，医生服务质量评价属于高质量服务的概率会增加193.1%（2.931-1）。

原赋值为3的职级类型（主任医师）的系数值是-2.133，p值等于0.031，结果通过了显著水平为5%的显著性检验。即在其他变量保持不变的基础上，原赋值为3的职级类型相较于原赋值为1的职级类型（主治医师），会对分类结果产生显著的负向影响关系。并且原赋值为3的职级类型优势比（OR值）为0.118，意味着原赋值为3的职级类型相较于原赋值为1的职级类型，被预测为高质量服务评价的概率要小88.2%（0.118-1），有更少的可能被预测为高质量服务评价，支持假设H4。

根据系数表构建模型如下：

Logit(P)=ln(P/1-P)=1.445-2.133*职级(2)+1.075*ln信息强度+0.264*信息支持-0.535*ln(预约人数)+0.07*情感支持     (5)

 

将0.5的概率作为分界线，并使用前文所述的模型来预测，结果如表8所示。分析可得，预测为属于高质量服务，现实为高质量服务的样本共有70例，预测的准确率是90.9%，整体预测的准确率是80.9%，意味着模型的结果较好。

并根据预测概率以及真实值来构建ROC曲线，如图3所示。曲线下方包括的面积为0.869，这表明模型对目标变量的预测效果较好。

   

4.4.2 结果分析

本研究运用二元逻辑回归分析方法，探讨了线上问诊过程中，医疗交互因素以及医生个人信息因素对患者进行服务评价的影响。在医患交互层面，本研究发现，医生提供信息支持的行为与对话过程中的信息强度对在线医疗服务评价具有显著的正向影响。正如假设中所说，在线医疗服务过程中，医生提供的信息支持可以帮助解决患者的健康状况问题，医生通过其专业能力给予患者有效的信息支撑，并推动患者进行有利于其病情改善的实践，实现更好的双向合作。而医生提供的信息强度则可以让患者确信医生的诊疗能力以及诊疗方案和建议的合理性，增强患者对于医生以及自身健康状况可改善的信心。

在医生个人信息层面，研究结果显示职级高的医生相对于职级低的医生而言，更容易获得低质量服务评价。这意味着患者在就诊前如果产生过高的期望值，可能造成与实际诊疗的感受差异较大，并不利于其更合理地进行服务评价。而医生在服务过程中提供的情感支持和预约人数信息对于服务质量评价没有表现出较强的影响。由此表明，患者在就诊前的信息获取和医患交互过程中的服务体验在患者评价医疗服务质量的过程中起到了不可忽视的作用，需要进一步改善在线医疗平台对于医生个人信息的展示方式以及提升医生在交互过程中的服务表现，改善患者的就医体验，实现真正意义上的在线高质量服务。

 

版权声明： 本站文章已获出版方或者作者方授权，如需转载，请保留网站地址和作者信息。部分文章来源于网络，著作权归于原作者，仅供学习交流使用。

很赞哦！ ( )