目前，我国医院门诊普遍候诊时间长而就诊时间短，导致医患沟通不充分、医生对病情了解不全面等问题。在推动医疗机构数字化转型的政策背景下，上海市级医院在2021年初建设了智能预问诊系统^[1]。利用机器学习、自然语言处理等人工智能技术，智能预问诊系统可以通过在患者候诊时模拟医生问诊，采集并生成结构化病史（包括主诉、既往史、用药史等）实时同步给门诊医生。相关研究^[2-4]表明，这一技术可以准确采集信息，有效提升医患沟通效率和质量。但是系统推行之后应用效果却低于预期，后台数据显示，系统建成半年后患者的使用率为26.8%。作为智能预问诊系统的使用者和受益者，患者的持续使用意愿低，则无法实现智能预问诊系统的建设初衷，无法发挥潜在的好处。

既往以患者使用意愿为研究对象的实证研究较少且缺少基于理论模型的评估^[3-8]，多数研究^[4-6]采用自定义的满意度，使用体验指标，研究方法难以泛化，研究结果可对比性差。目前，已有用于指导持续使用意愿相关研究的成熟理论模型——期望确认模型（expectation-confirmation model，ECM），该模型用于解释用户使用系统后持续使用意愿的改变。近年来，该模型得到广泛采纳并在不同的技术背景下得到持续的验证^[9-11]，包括在线教育、远程医疗、医院预约平台等领域。鉴于此，本研究基于ECM模型采用横断面调查，实证探究影响患者对智能预问诊持续使用意愿的因素，从理论角度验证该模型应用于智能问诊技术的适用性和解释力，从实践角度基于研究结果提出相应的管理建议，以促进系统的有效实施和可持续发展。

1 理论模型与研究假设

Bhattacherjee^[12]发现，当用户使用过系统后，其持续使用意愿受到使用体验的影响并随之发生改变，而消费行为学的期望确认理论可以解释这种变化。因此，2001年Bhattacherjee整合了技术接受模型和期望确认理论提出ECM模型，见图 1。该模型认为满意度、期望确认度及感知有用性是影响用户对信息技术的长期使用倾向的关键决定因素。

基于ECM模型中的各因素，本研究提出如下假设：

（1）期望确认度。期望确认度指患者使用智能预问诊前的期望和实际使用效果的差异。赵晶等^[11]通过分析患者的就诊满意度证实，患者对就医过程的确认度越高，满意度就越高，这种差距是患者就医前形成的既定期望与实际医疗服务之间的差异。Ouimet等^[13]在研究患者对远程医疗的使用意愿中证实，期望确认度与感知有用性之间存在强烈的正相关关系。因此, 本研究提出假设：如果患者在使用智能预问诊的过程中发现其对诊疗的帮助超过了使用前的预期，那么期望就得到积极的确认，这将提高患者的感知有用性、满意度，进而使患者产生持续使用意愿。

H₁：患者对智能预问诊的期望确认度正向影响其感知有用性

H₂：患者对智能预问诊的期望确认度正向影响其满意度

（2）感知有用性。感知有用性指患者对使用智能预问诊带来好处的感知。在移动医疗服务领域，学者们已经证实了感知有用性会正向影响患者的满意度和持续使用意愿^[14-15]。患者对医疗服务的实际效果十分重视，如果服务确实可以满足其需求，提供有效的改善或好处，那么患者更愿意使用该服务。因此，本研究提出假设：如果患者感知到使用智能预问诊可以帮助他们更详尽地描述病情、提高与医生的沟通效率，则感知有用性会增强，从而提高患者的满意度并使患者产生持续使用意愿。

H₃：患者对智能预问诊的感知有用性正向影响其满意度

H₄：患者对智能预问诊的感知有用性正向影响其持续使用意愿

（3）满意度。满意度指患者根据其期望以及智能预问诊使用体验产生的心理感受。关于患者对于门诊服务使用意愿的研究中，于文林等^[16]和Reychav等^[17]均证实了满意度是影响持续使用意愿的关键因素，有助于解释患者体验服务后的重复行为。因此，本研究提出假设：如果患者对使用智能预问诊的整体经历感到满意，那么患者的持续使用意愿就会随之提升。

H₅：患者对智能预问诊的满意度正向影响其持续使用意愿

2 资料与方法 2.1 问卷设计

本研究通过问卷调查收集数据。采用在Bhattacherjee^[12]的研究中已被验证的成熟量表，结合智能预问诊系统的实际情况调整问卷条目，见表 1。采用李克特五分量表测量，1~5分依次代表非常不同意、比较不同意、一般、比较同意、非常同意。在正式发放问卷前，对30名用户进行了预调查，以保证问卷具有良好的信效度。预调查结果显示，各潜变量的Cronbach’s α系数和组合信度（composite reliability，CR）均大于0.8，平均方差提取值（average variance extracted，AVE）大于0.7，潜变量测量项的因子载荷均大于0.7，说明量表的信度和聚合效度较好。此外，在预调查的过程中，用户对系统提出了许多有价值的建议和思考，因此，在问卷最后增加开放式问题，以便更好地了解患者对智能预问诊功能开发的具体期望和改进建议。正式发放的问卷包括3个部分：基本信息、持续使用意愿测量量表以及关于系统功能开发具体期望的开放式问题。

2.2 数据收集

2021年11月—2022年1月，在复旦大学附属眼耳鼻喉科医院门诊部进行问卷调查。调查对象为使用过智能预问诊且已完成线下就诊的患者。问卷发放采用访问代填式，由调查员在取药窗口处使用纸质问卷访问患者并写下答案，以保证患者能够充分理解问卷内容并提高收集数据的质量。调查结束后共回收有效问卷172份，有效率为100%。

2.3 统计学分析

用SPSS 25.0软件进行描述性分析。用SmartPLS 3.3.3软件构建偏最小二乘法结构方程模型（partial least square-structural equation modelling，PLS-SEM）对测量模型以及结构模型进行验证。PLS-SEM适合于理论模型的初期探索，数据无须服从正态分布，而且对样本量要求较少^[18]。

3 结果 3.1 描述性分析

调查对象的基本情况见表 2。调查对象中女性较多，年龄集中于25~＜36岁，多为初诊患者，有多次系统使用经验的患者较少。

3.2 测量模型的信效度检验

测量模型展示了潜变量与测量项之间的关系，模型验证包括信度、收敛效度及区别效度检验，结果见表 3、表 4。Cronbach’s α系数和CR均大于0.7，说明测量模型的内部一致性信度良好^[19]。各测量项的因素负荷量均大于0.7且AVE大于0.5，说明测量模型的收敛效度良好。各变量AVE的平方根均大于变量间相关系数的绝对值，表明测量模型具有较好的区别效度^[20]。

3.3 结构模型的验证

结构方程模型代表各潜变量之间的关系。通过路径系数（β）的显著性水平对研究假设进行检验，结果见表 5。患者对智能预问诊的期望确认度正向影响感知有用性（β = 0.825，P＜0.001），研究假设H₁成立；患者对智能预问诊的期望确认度（β = 0.610，P＜0.001）和感知有用性（β = 0.280，P＜0.001）正向影响其满意度，研究假设H₂、H₃成立；患者对智能预问诊的感知有用性（β = 0.226，P＜0.01）和满意度（β = 0.681，P＜0.001）正向影响持续使用意愿，研究假设H₄、H₅成立。

模型的解释能力由决定系数R²衡量。R²值越大，模型中自变量对因变量的解释程度越高。当R²值接近0.750时，整体模型的解释能力甚为显著^[20-21]。持续使用意愿、满意度和感知有用性的R²值分别为0.755、0.732和0.681，说明该模型具有良好的解释能力，见图 2。

4 讨论与建议 4.1 讨论

本研究基于ECM模型实证分析了患者对智能预问诊的持续使用意愿，验证了ECM模型应用于智能预问诊技术及门诊环境的适用性和解释力。结果显示，患者的期望确认度对满意度和感知有用性有积极影响。患者的满意度和感知有用性越高，对智能预问诊的持续使用意愿越强，与既往研究结果^{[5-9, 22]}一致。在使用过程中，患者的感知有用性和期望确认度直接影响使用体验，只有得到了积极的确认，患者才会产生继续使用的意愿。该结果的原因可能是患者初次使用智能预问诊后对系统的期望无法得到确认（例如系统不能有效收集诊疗信息、无法提高问诊的效率等），则感知有用性随之降低，满意度下降且患者不愿继续使用该系统。

4.2 建议 4.2.1 将用户体验纳入系统应用效果评价

目前，上海的市级医院多已构建并推行智能预问诊系统，应用效果评价多采用使用量等系统后台数据，评价机制未涉及系统的直接使用者——患者。用户体验调研既能够为患者反馈使用体验提供渠道，提高患者的参与感，也有助于医院相关的管理者发现系统的不足之处，有针对性地优化系统。

4.2.2 适度宣传有助于患者理解系统功能并产生正向期望确认度

患者在使用智能预问诊系统前会根据系统介绍产生一定预期，若使用后期望没有得到积极的确认，则感知有用性和满意度会相应受到影响。智能预问诊是为了提高问诊效率而开发的诊前疾病信息收集系统。研究发现，部分患者误以为智能预问诊是替代线下诊疗的在线问诊，希望直接通过智能预问诊系统得到医生的诊疗，对系统产生了错误的期望。因此，应适度宣传系统的主要功能和用途，以引导患者在使用前对系统有正确的了解、产生合理的预期。

4.2.3 关注系统功能完善优化，提高患者感知有用性

智能预问诊系统建设并非一蹴而就，运行和可持续发展需要不断优化功能。现阶段，智能预问诊有限的自然语言交互能力以及通用的问诊模版在一定程度上影响了患者的感知有用性。因此，根据诊疗类型和科室设置更有针对性的、个性化的逻辑内容，同时提高系统自然语言交互的理解和响应能力，有助于患者在诊前更好地录入病情信息，提高问诊效率。

4.3 局限性与展望

本研究的局限性主要包括：第一，调查范围较窄。由于智能预问诊系统的建成时间较短，最终选择在系统建设相对完善的试点医院对使用过该系统的用户展开调研。不同医院建设的智能预问诊系统不同，应用ECM模型得到的结果可能存在一定的差异，但本研究的工具选择和结果仍具有一定的实际意义和参考价值。第二，智能预问诊的有效推进涉及多方参与和配合，本研究未纳入患者以外的因素。虽然患者的持续使用起着关键作用，但智能预问诊的使用还涉及医生在问诊过程中的使用以及相关行政人员的宣传和管理。下一步，课题组拟将患者、医生和行政人员共同纳入模型，探讨变量间的关系。

· 作者声明本文无实际或潜在的利益冲突