Network analysis of health belief and pre-hospital delay behavioral intention among high-risk population for stroke
-
摘要:
目的 调查脑卒中高危人群健康信念与院前延迟行为意向状况，构建联合网络识别核心问题并探索变量间的关系。 方法 采用便利抽样法，选取2024年7月至2025年3月海军军医大学第一附属医院449例脑卒中高危个体，采用一般资料调查表、健康信念量表和脑卒中院前延迟行为意向量表进行问卷调查。将健康信念量表和脑卒中院前延迟行为意向量表的每个维度视作1个节点，通过网络分析构建联合网络模型，识别核心节点和桥梁节点，并分析各节点的影响力和重要性。 结果 脑卒中高危人群的健康信念得分为（159.8±33.4）分，总体处于中等水平；脑卒中院前延迟行为意向得分为（70.6±21.7）分，提示总体可能性中等。症状归因（strength=0.88）、感到有控制力（strength=0.83）、感到有实施能力（strength=0.71）是联合网络中的核心节点，感到有威胁（bridge strength=1.56）、症状归因（bridge strength=1.08）、感到有资源利用（bridge strength=0.89）是关键桥梁节点。 结论 脑卒中高危人群健康信念与院前延迟行为意向之间存在复杂关系，症状归因、感到有控制力、感到有实施能力、感到有威胁和感到有资源利用是干预靶点。 Abstract:Objective To investigate the health belief and pre-hospital delay behavioral intention among high-risk population for stroke, construct a joint network to identify core issues, and explore relationships among variables. Methods A total of 449 high-risk individuals for stroke were recruited from The First Affiliated Hospital of Naval Medical University between Jul. 2024 and Mar. 2025 using convenience sampling. A questionnaire survey was done by general information questionnaire, health belief scale, and stroke pre-hospital delay behavioral intention scale. Each dimension of the health belief scale and the stroke pre-hospital delay behavioral intention scale was regarded as a node, and a joint network was constructed using network analysis. Then the core nodes and bridge nodes were identified, and the influence and importance of each node were analyzed. Results The total score of health belief among the participants was 159.8±33.4, indicating an overall medium level; the total score of stroke pre-hospital delay behavioral intention was 70.6±21.7, suggesting a moderate overall possibility. Symptom attribution (strength=0.88), perceived control (strength=0.83), and perceived implementation capability (strength=0.71) were core nodes in the joint network. Perceived threat (bridge strength=1.56), symptom attribution (bridge strength=1.08), and perceived resource utilization (bridge strength=0.89) were key bridge nodes. Conclusion A complex relationship exists between health belief and pre-hospital delay behavioral intention in high-risk population for stroke. Symptom attribution, perceived control, perceived implementation capability, perceived threat, and perceived resource utilization are priority intervention targets for this population. -
脑卒中是全球第二大死因，也是我国成人致死、致残的首位病因[1]，具有高发病率、高复发率、高死亡率、高致残率及高经济负担等特点[2]。我国脑卒中现有患病人数居世界首位，面临着全球最大的卒中防治难题[3]。针对脑卒中高危因素积极进行早期干预是降低脑卒中危害最有效的方法。脑卒中的救治高度依赖时间窗，患者治疗每延迟1 min，将失去1.9亿神经元[4]。研究显示，高达80.0%的脑卒中患者存在院前延迟[5]。脑卒中院前延迟行为意向（stroke pre-hospital delay behavioral intention，SPDBI）是个体面对卒中先兆症状时对是否及时就医所产生的认知、判断与行动倾向，是预测就医延迟风险的关键指标，亦是健康教育中可干预的重要因素[6-7]。健康信念是个体对疾病威胁和健康行为价值的感知，是驱动或阻碍其及时就医意向的关键因素[8]。系统阐明两者关系对精准识别就医延迟诱因、构建靶向干预策略具有重要理论与实践意义。
目前，关于健康信念与SPDBI的研究多局限于传统的相关性分析或回归分析，仅能揭示变量间的线性关联趋势，难以全面揭示两者之间动态、交织的复杂关系[9]。网络分析作为一种新兴的统计方法，能够通过复杂建模分析研究变量间的网络结构、节点和特异性指标，从而反映真实世界中各变量的相互作用机制[10]。本研究采用网络分析方法，构建SPDBI和健康信念的多维关联网络模型，从系统层面可视化并量化两者间的内在作用路径，精准识别网络中的核心干预靶点，为开发精准高效的脑卒中院前延迟干预策略提供依据。
1 对象和方法
1.1 研究对象
采用便利抽样法，选取2024年7月至2025年3月海军军医大学第一附属医院的脑卒中高危人群为研究对象。纳入标准：（1）依据国家卫生健康委员会脑卒中筛查与防治工程委员会发布的《脑卒中人群筛查及综合干预技术方案》中脑卒中高危人群的定义，患者年龄≥40岁，且具有高血压、血脂异常、糖尿病、心房颤动或瓣膜性心脏病、吸烟史、明显超重或肥胖、缺乏运动、脑卒中家族史等8项脑卒中危险因素中3项及以上[11]；（2）意识清晰，能配合问卷调查；（3）知情并同意参与本次调查研究。排除标准：（1）有严重认知障碍或精神疾病者；（2）合并重大疾病或恶性肿瘤者。根据网络分析样本量要求[6]，样本量应大于总参数量（包括阈值参数和成对关联参数）。其中，阈值参数=节点数，成对关联参数=节点数×（节点数－1）/2。本研究共需构建10个节点（5个健康信念维度和5个SPDBI维度），因此，阈值参数为10个，成对关联参数为45个，总参数为55个。为保证模型的稳定性，按每个参数纳入5例研究对象估算基础样本量，并考虑20%的无效问卷率，最终估算的最低样本量为344例。本研究已通过海军军医大学第一附属医院伦理委员会审查批准（CHEC2024-175）。
1.2 研究工具
1.2.1 一般资料调查表
回顾相关文献后自行设计一般资料调查表，包括年龄、性别、受教育程度、婚姻状况、家庭人均月收入、居住地、脑卒中高危因素等。
1.2.2 健康信念量表
该量表由季韶艳和杨辉[12]汉化，用于评估人群健康信念水平。量表包括个人健康信念（10个条目）、感到有实施能力（7个条目）、感到有控制力（6个条目）、感到有资源利用（14个条目）及感到有威胁（11个条目）5个维度，共48个条目。采用Likert 5级计分法，各条目计分为1~5分，总分为48~240分，得分越高提示健康信念水平越高。本研究中该量表的Cronbach’s α系数为0.943。
1.2.3 SPDBI量表
由Zhao等[13]编制，用于测量脑卒中高危人群院前延迟行为意向。量表共27个条目，包括症状警觉、不就医行为合理化、症状归因、习惯反应样式和急救系统使用5个维度。采用Likert 5级计分法，条目10~27反向计分，总分为27~135分，得分越高提示院前延迟行为意向可能性越大，其中SPDBI得分≤50分为院前延迟行为意向可能性非常小，51~65分为可能性较小，66~96分为可能性中等，97~111分为可能性较大，≥112分为可能性非常大。本研究中该量表的Cronbach’s α系数为0.896。
1.3 资料收集方法
在问卷调查前对调查人员进行规范化培训，介绍本研究的目的及意义，说明调查方法及技巧。严格依照纳入及排除标准选取研究对象，问卷调查前已征求研究对象知情同意，由调查人员指导填写问卷，对于无法自行填写问卷者，调查人员根据其表述代为填写。问卷填写时间控制在10~15 min。问卷收集完成后，采用EpiData 3.1软件建立数据库，双人核查，保证数据录入的准确性和完整性。本研究共收集问卷468份，其中有效问卷449份，问卷有效率为95.9%。
1.4 统计学处理
采用SPSS 26.0软件进行统计分析，计数资料以例数和百分数表示，计量资料以x±s表示。采用R 4.2.0软件进行网络分析，采用qgraph包构建联合网络，模型构建使用spring布局，采用扩展贝叶斯信息准则图拉索算法（EBICglasso）进行网络估计。在联合网络模型中，将健康信念量表和SPDBI量表的每个维度视作1个节点，相邻节点之间的连线视为边缘，边缘越粗代表 2个节点之间的相关性越强，用weight表示边缘具体值；中心性测量中，采用网络节点的强度中心性（strength）、紧密中心性（closeness）和中介中心性（betweenness）衡量节点的影响力和重要性，数值越大代表该节点在整个网络中的重要性越高，当3项指标的数值排序不一致时，以强度中心性的排序结果为准[14]；桥梁强度（bridge strength）使用networktools包中的bridge函数计算，该函数用于识别连接不同子网络的关键节点，即找出在健康信念和SPDBI之间起关键连接作用的因素。通过计算节点间的预期影响系数（expected influence，EI）量化各节点对SPDBI的总体影响程度。网络估计准确性使用Bootstrapped包计算的边缘权重的95%CI来评估，Bootstrapped抽样集和原始数据集的95%CI重合度越高说明网络估计越准确。网络稳定性通过相关稳定性系数（correlation stability coefficient，CS）评估，CS＜0.25表示不稳定，网络结果不可靠；0.25≤CS＜0.50表示稳定性一般，勉强可接受；0.50≤CS＜0.70表示稳定性较好，结果可信；CS≥0.70表示稳定性极佳，为最佳水平[15]。
2 结果
2.1 研究对象一般资料
449例脑卒中高危个体中，男302例（67.3%），女147例（32.7%）；年龄为（62.4±11.3）岁；受教育程度为小学及以下89例（19.8%），初中168例（37.4%），高中/中专81例（18.0%），大学及以上111例（24.7%）；已婚425例（94.7%），未婚8例（1.8%），离异/丧偶16例（3.6%）；居住地为城市293例（65.3%），农村156例（34.7%）；家庭人均月收入＜1 000元44例（9.8%），1 000~3 000元148例（33.0%），3 001~5 000元155例（34.5%），＞5 000元102例（22.7%）；脑卒中危险因素中，超重或肥胖（BMI≥28 kg/m2）204例（45.4%），高血压326例（72.6%），血脂异常217例（48.3%），糖尿病232例（51.7%），心房颤动或瓣膜性心脏病74例（16.5%），吸烟225例（50.1%），缺乏运动306例（68.2%），有脑卒中家族史87例（19.4%）。
2.2 健康信念及SPDBI得分
449例脑卒中高危个体的健康信念得分为（159.8±33.4）分，整体处于中等水平。SPDBI得分为（70.6±21.7）分，提示总体SPDBI可能性中等。各维度得分见表 1。
表 1 脑卒中高危人群的健康信念和SPDBI得分及联合网络中各节点的关联强度Table 1 Scores of health belief and SPDBI among high-risk population for stroke and correlation strength of each node in joint networkn=449 Variable Score, x±s Weight of correlation strength PHB PIC PC PRU PT SWS NTJ SA HRS ESU Health belief 159.8±33.4 PHB 33.8±9.2 0.00 PIC 22.8±5.6 0.49 0.00 PC 20.0±5.1 0.22 0.35 0.00 PRU 47.3±10.9 0.05 0.25 0.35 0.00 PT 35.8±8.6 0.14 0.02 0.16 0.04 0.00 SPDBI 70.6±21.7 SWS 25.9±10.1 0.02 0.01 0.02 0.00 0.04 0.00 NTJ 19.0±8.8 －0.07 0.00 －0.01 －0.03 0.00 0.06 0.00 SA 9.7±4.3 0.00 0.00 0.00 －0.07 0.09 0.00 0.44 0.00 HRS 8.4±3.5 0.00 0.00 0.00 0.03 0.01 0.01 0.13 0.33 0.00 ESU 7.7±3.3 －0.04 0.00 0.00 0.00 －0.04 0.04 0.23 0.13 0.46 0.00 SPDBI: Stroke pre-hospital delay behavioral intention; PHB: Personal health belief; PIC: Perceived implementation capability; PC: Perceived control; PRU: Perceived resource utilization; PT: Perceived threat; SWS: Stroke warning sign; NTJ: Non-treatment justification; SA: Symptom attribution; HRS: Habitual response style; ESU: Emergency system use. 2.3 网络分析结果
2.3.1 联合网络分析
脑卒中高危人群健康信念及SPDBI的联合网络见图 1。该网络共有10个节点，在45条可能的边缘中有32条（71.1%）是非零边。联合网络中各节点的边缘权重如表 1所示，数值越大说明两节点之间的相关性越强。在边缘权重分析中，个人健康信念与感到有实施能力之间（weight=0.49）、习惯反应样式与急救系统使用之间（weight=0.46）、不就医行为合理化与症状归因之间（weight=0.44）存在较强的相关性。
图 1 脑卒中高危人群健康信念及脑卒中院前延迟行为意向的联合网络Fig. 1 Joint network of health belief and stroke pre-hospital delay behavioral intention among high-risk population for strokeThe thickness of the edges represents the strength of correlation between nodes, the filling degree of the outer ring of a node indicates the size of its predictability, blue edges represent positive correlations, and red edges represent negative correlations. PHB: Personal health belief; PIC: Perceived implementation capability; PC: Perceived control; PRU: Perceived resource utilization; PT: Perceived threat; SWS: Stroke warning sign; NTJ: Non-treatment justification; SA: Symptom attribution; HRS: Habitual response style; ESU: Emergency system use.
下载:
全尺寸图片
2.3.2 联合网络的节点中心性、桥梁强度和预期影响分析
网络节点中心性指标分析结果见图 2A，症状归因（strength=0.88，betweenness=2.43，closeness=1.36）、感到有控制力（strength=0.83，betweenness=－0.42，closeness=－0.03）、感到有实施能力（strength=0.71，betweenness=－0.42，closeness=－0.38）是该网络的核心节点。
图 2 网络节点中心性（A）、桥梁强度（B）和预期影响（C）分析结果Fig. 2 Network node centrality (A), bridge strength (B), and expected influence (C) analysis resultsSWS: Stroke warning sign; SA: Symptom attribution; PT: Perceived threat; PRU: Perceived resource utilization; PIC: Perceived implementation capability; PHB: Personal health belief; PC: Perceived control; NTJ: Non-treatment justification; HRS: Habitual response style; ESU: Emergency system use.下载:
全尺寸图片
桥梁强度指标的分析结果见图 2B，感到有威胁（bridge strength=1.56）、症状归因（bridge strength=1.08）、感到有资源利用（bridge strength=0.89）在所有节点中的桥梁强度最高，表明感到有威胁、症状归因和感到有资源利用是健康信念及SPDBI联合网络中的关键桥梁节点。预期影响分析结果见图 2C，症状警觉（EI=－1.91）、感到有实施能力（EI=1.27）、感到有控制力（EI=1.09）在所有节点中EI绝对值最高。
2.3.3 联合网络的稳定性和准确性
分析联合网络结构的CS为0.751，表明该网络结构稳定性极好。边缘权重的Bootstrapped差异性测试结果显示，Bootstrapped抽样集与原始数据集的95%CI重合度较高，说明该网络的估计结果足够准确。
3 讨论
本研究中，脑卒中高危人群的健康信念得分为（159.8±33.4）分，整体处于中等水平，与张剑等[16]的研究结果一致。脑卒中高危人群SPDBI得分为（70.6±21.7）分，低于黄真真等[17]的研究结果。可能是本研究中城市居民（65.3%）和高中及以上学历（42.7%）、家庭人均月收入＞3 000元（57.2%）的人群占比较高，共同反映了“健康的社会梯度”现象。根据社会因果论，健康的社会梯度由个人及其家庭的资源、受教育程度、地位等差异造成，社会结构中优势地位群体比劣势地位群体有更好的健康行为和生活质量，且疾病患病率和死亡率更低[18]。受教育程度高的人群对疾病的认知程度较高，能够更清晰地认识自身症状、理解疾病的发病机制与潜在风险；城市居民医疗资源可及性更高，稳定的经济基础也能为个体接受诊疗提供坚实保障，这些因素共同降低了个体的SPDBI[19]。
本研究中，症状归因、感到有控制力、感到有实施能力是脑卒中高危人群健康信念及SPDBI联合网络的核心节点。症状归因在联合网络中占据最核心地位，与赵博等[20]的研究结果一致。正确的症状归因能有效激活个体对疾病威胁的感知，进而正向影响其对行动益处与自我效能的评估，并最终驱动形成及时就医的行为意向；反之，错误的疾病归因（如将肢体麻木归咎于疲劳、视力模糊归咎于用眼过度、头晕和头痛归咎于感冒等）则会直接抑制整个健康信念系统的激活，使个体忽视疾病的紧迫性，导致SPDBI产生[21]。感到有控制力是联合网络的第2个核心节点，具体表现为相信自己能够识别脑卒中早期症状、主动采取就医行动，并对就医后的康复效果抱有积极预期[22]，从而降低个体面对突发症状时的被动性，减少“等待症状缓解”“依赖他人决策”等院前延迟意向。感到有实施能力是第3个核心节点，反映个体对自身成功执行具体就医行为的信心。与感到有控制力相比，感到有实施能力更贴近行为执行的实操层面，是将健康信念转化为实际就医行为的基础。鉴于上述3个核心节点在联合网络形成中的关键作用，可将其作为干预设计的核心靶点，构建“认知重塑-心理赋能-能力强化”的干预体系：通过认知重塑帮助脑卒中高危人群建立“脑卒中症状-紧急就医”的条件反射式关联，纠正错误归因偏差[23]；正向心理暗示可强化个体对疾病应对的控制感，减少焦虑与被动等待的心理；实践培训则有助于提升个体在紧急情况下的就医能力，能够降低脑卒中高危人群的SPDBI。
感到有威胁、症状归因、感到有资源利用是脑卒中高危人群健康信念及SPDBI联合网络的桥梁节点，说明三者间存在复杂的双向作用。一方面，健康信念通过感到有威胁和感到有资源利用影响SPDBI中的症状归因，从而与SPDBI产生关联。感到有威胁是个体对疾病易感性与严重性的主观判断，其激活是触发后续就医行为意向的认知前提[24]；感到有资源利用则体现为医疗资源可及性、社会支持及自我效能感等，是促进及时就医行为的“赋能”节点[25]。当个体清晰地认识到自身属于脑卒中高发群体并感知到存在脑卒中风险，且有较强的资源支持时，倾向于将身体不适归因于脑卒中疾病风险，进而降低SPDBI。另一方面，SPDBI也通过症状归因反向影响感到有威胁和感到有资源利用，从而与健康信念产生联系。长期存在延迟就医行为意向的个体，可能是既往未及时就医没有引发严重后果的经验弱化了其感到有威胁的程度，或因多次尝试获取资源失败降低了其对感到有资源利用的认知。这种动态反馈过程可逐步重塑个体的健康信念体系，形成信念与SPDBI之间的持续互动。医务人员可锚定三者的互动传导链条，通过健康宣教、情景模拟、典型案例分享等多元化手段，强化脑卒中高危人群对疾病易感性与严重性的主观感知，纠正其对脑卒中先兆症状的误判与忽视；同时，通过整合医疗资源供给、搭建社会支持网络，提升个体对医疗资源及社会支持的可获得感。通过多维度干预措施的协同效应，最终推动健康信念与SPDBI形成正向互动循环，促进脑卒中高危人群及时就医。
个人健康信念与感到有实施能力之间、习惯反应样式与急救系统使用之间、不就医行为合理化与症状归因之间均存在较强的相关性，表明具有健康信念的脑卒中高危人群更易感到有实施能力；养成积极习惯化反应的个体在出现预警症状时更倾向于及时使用急救系统；而将头晕、肢体麻木等脑卒中预警症状归因于疲劳、感冒等的人群，则容易合理化自身的不就医行为。以上结果为该人群的精准分类与针对性干预提供了重要依据。另外，预期影响分析结果显示，症状警觉、感到有实施能力、感到有控制力在所有节点中EI绝对值最高，提示这3个变量对脑卒中高危人群的SPDBI及整体健康信念具有重要影响。该结果为后续针对性干预策略的制定提供了关键节点，临床上应优先聚焦以上3个变量，通过强化脑卒中早期典型症状的科普宣教提升高危人群症状警觉性，同时借助情景模拟演练、一对一指导等方式增强高风险个体应对突发症状时的实施能力与控制力，进而降低脑卒中高危人群的SPDBI，保障救治时效[26]。
综上所述，本研究聚焦脑卒中高危人群的健康信念与SPDBI，通过构建联合网络来识别核心问题、探索变量间的关系，为脑卒中高危人群健康信念和SPDBI的精准干预提供了关键靶点。本研究仍存在一定的局限性。首先，研究样本仅来源于上海市单一中心，地域代表性有限，结果外推性不足，未来研究需扩大样本的地域覆盖范围。其次，脑卒中高危人群的健康信念与SPDBI受多种因素交互影响，本研究未将这些潜在协变量纳入网络分析，后续应构建混合图形模型以明确各类协变量在网络中的作用路径与影响强度。此外，本研究样本量相对有限，可能影响网络模型的稳定性与结论的可靠性，未来需开展更大规模的多中心研究进一步验证结论。
-
图 1 脑卒中高危人群健康信念及脑卒中院前延迟行为意向的联合网络
Fig. 1 Joint network of health belief and stroke pre-hospital delay behavioral intention among high-risk population for stroke
The thickness of the edges represents the strength of correlation between nodes, the filling degree of the outer ring of a node indicates the size of its predictability, blue edges represent positive correlations, and red edges represent negative correlations. PHB: Personal health belief; PIC: Perceived implementation capability; PC: Perceived control; PRU: Perceived resource utilization; PT: Perceived threat; SWS: Stroke warning sign; NTJ: Non-treatment justification; SA: Symptom attribution; HRS: Habitual response style; ESU: Emergency system use.
下载:
全尺寸图片
图 2 网络节点中心性（A）、桥梁强度（B）和预期影响（C）分析结果
Fig. 2 Network node centrality (A), bridge strength (B), and expected influence (C) analysis results
SWS: Stroke warning sign; SA: Symptom attribution; PT: Perceived threat; PRU: Perceived resource utilization; PIC: Perceived implementation capability; PHB: Personal health belief; PC: Perceived control; NTJ: Non-treatment justification; HRS: Habitual response style; ESU: Emergency system use.
下载:
全尺寸图片
表 1 脑卒中高危人群的健康信念和SPDBI得分及联合网络中各节点的关联强度
Table 1 Scores of health belief and SPDBI among high-risk population for stroke and correlation strength of each node in joint network
n=449 Variable Score, x±s Weight of correlation strength PHB PIC PC PRU PT SWS NTJ SA HRS ESU Health belief 159.8±33.4 PHB 33.8±9.2 0.00 PIC 22.8±5.6 0.49 0.00 PC 20.0±5.1 0.22 0.35 0.00 PRU 47.3±10.9 0.05 0.25 0.35 0.00 PT 35.8±8.6 0.14 0.02 0.16 0.04 0.00 SPDBI 70.6±21.7 SWS 25.9±10.1 0.02 0.01 0.02 0.00 0.04 0.00 NTJ 19.0±8.8 －0.07 0.00 －0.01 －0.03 0.00 0.06 0.00 SA 9.7±4.3 0.00 0.00 0.00 －0.07 0.09 0.00 0.44 0.00 HRS 8.4±3.5 0.00 0.00 0.00 0.03 0.01 0.01 0.13 0.33 0.00 ESU 7.7±3.3 －0.04 0.00 0.00 0.00 －0.04 0.04 0.23 0.13 0.46 0.00 SPDBI: Stroke pre-hospital delay behavioral intention; PHB: Personal health belief; PIC: Perceived implementation capability; PC: Perceived control; PRU: Perceived resource utilization; PT: Perceived threat; SWS: Stroke warning sign; NTJ: Non-treatment justification; SA: Symptom attribution; HRS: Habitual response style; ESU: Emergency system use. -
[1] 《中国脑卒中防治报告2021》编写组. 《中国脑卒中防治报告2021》概要[J]. 中国脑血管病杂志, 2023, 20(11): 783-792, 封3. DOI: 10.3969/j.issn.1672-5921.2023.11.009. [2] YANG Y, YANG Y, JIN G, et al. The prevalence of stroke and related risk factors among residents aged ≥40 years in Chongqing, Southwest China[J]. J Public Health, 2021, 29(6): 1423-1432. DOI: 10.1007/s10389-019-01149-2. [3] 国家卫生健康委加强脑卒中防治工作减少百万新发残疾工程专家委员会, 吉训明. 《2024年中国脑卒中防治报告》概要[J]. 首都医科大学学报, 2025, 46(6): 947-960. DOI: 10.3969/j.issn.1006-7795.2025.06.001. [4] YUAN J, LU Z K, XIONG X, et al. Age and geographic disparities in acute ischaemic stroke prehospital delays in China: a cross-sectional study using national stroke registry data[J]. Lancet Reg Health West Pac, 2023, 33: 100693. DOI: 10.1016/j.lanwpc.2023.100693. [5] GANETI D D, DULO A O, ILALA B W, et al. Prehospital delay and associated factors among stroke patients in Africa: a systematic review and meta-analysis[J]. PLoS One, 2025, 20(6): e0326323. DOI: 10.1371/journal.pone.0326323. [6] EPSKAMP S, BORSBOOM D, FRIED E I. Estimating psychological networks and their accuracy: a tutorial paper[J]. Behav Res Methods, 2018, 50(1): 195-212. DOI: 10.3758/s13428-017-0862-1. [7] YANG L, ZHAO Q, ZHU X, et al. Effect of a comprehensive health education program on prehospital delay intentions in high-risk stroke population and caregivers[J]. Qual Life Res, 2017, 26(8): 2153-2160. DOI: 10.1007/s11136-017-1550-4. [8] JONES C L, JENSEN J D, SCHERR C L, et al. The health belief model as an explanatory framework in communication research: exploring parallel, serial, and moderated mediation[J]. Health Commun, 2015, 30(6): 566-576. DOI: 10.1080/10410236.2013.873363. [9] CHEN M, WANG M, QIAO M, et al. Pre-hospital delay intention and its associated factors in the high-risk population of stroke: a latent profile analysis[J]. Eur J Cardiovasc Nurs, 2025, 24(2): 220-228. DOI: 10.1093/eurjcn/zvae136. [10] HEVEY D. Network analysis: a brief overview and tutorial[J]. Health Psychol Behav Med, 2018, 6(1): 301-328. DOI: 10.1080/21642850.2018.1521283. [11] 国国家卫生健康委员会. 脑卒中人群筛查及综合干预技术方案[EB/OL]. (2019-06-18)[2025-12-02]. https://www.gov.cn/zhengce/zhengceku/2019-11/19/5453477/files/8fd420cc86064329b4677f3951166055.pdf. [12] 季韶艳, 杨辉. 健康信念量表的跨文化调试与信效度评价[J]. 中国医学创新, 2013, 10(9): 139-141. DOI: 10.3969/j.issn.1674-4985.2013.09.075. [13] ZHAO Q, YANG L, ZUO Q, et al. Instrument development and validation of the stroke pre-hospital delay behavior intention scale in a Chinese urban population[J]. Health Qual Life Outcomes, 2014, 12: 170. DOI: 10.1186/s12955-014-0170-8. [14] 董林培, 刘婷, 方秀青, 等. 炎症性肠病患者疾病负担与心理社会适应的联合网络分析[J]. 护理学杂志, 2025, 40(16): 74-78. DOI: 10.3870/j.issn.1001-4152.2025.16.074. [15] BRINGMANN L F, ELMER T, EPSKAMP S, et al. What do centrality measures measure in psychological networks[J]. J Abnorm Psychol, 2019, 128(8): 892-903. DOI: 10.1037/abn0000446. [16] 张剑, 谢小华, 汪云云, 等. 脑卒中高危人群健康信念与健康行为调查研究[J]. 蚌埠医学院学报, 2019, 44(4): 530-533. DOI: 10.13898/j.cnki.issn.1000-2200.2019.04.032. [17] 黄真真, 梅永霞, 刘志薇, 等. 脑卒中高危人群院前延迟行为意向的潜在剖面分析[J]. 护理学杂志, 2023, 38(24): 15-19. DOI: 10.3870/j.issn.1001-4152.2023.24.015. [18] 马嘉蕾, 宋佳莹, 高传胜. 互联网使用对老年人健康不平等的影响: "数字鸿沟"还是"数字红利"?——基于人力资本和社会资本的调节作用[J]. 兰州学刊, 2023(11): 130-146. DOI: 10.3969/j.issn.1005-3492.2023.11.012. [19] ZHANG J F, CAI X Y, TANG W, et al. Low education and employment status drive cardiometabolic health: a social determinants perspective in Chinese population[J]. Front Public Health, 2025, 13: 1676833. DOI: 10.3389/fpubh.2025.1676833. [20] 赵博, 赵艺皓, 武剑, 等. 北京地区急性缺血性脑卒中患者延迟入院原因调查分析[J]. 中国全科医学, 2015, 18(6): 684-687. DOI: 10.3969/j.issn.1007-9572.2015.06.018. [21] WU X, ZHOU Q, JIANG X, et al. Stroke knowledge and attitudes influence early hospital arrival in acute ischemic stroke: a multicenter cross-sectional survey from Hubei Province, China[J]. Front Neurol, 2025, 16: 1669361. DOI: 10.3389/fneur.2025.1669361. [22] ARREBOLA-MORENO M, PETROVA D, GARCIA-RETAMERO R, et al. Psychological and cognitive factors related to prehospital delay in acute coronary syndrome: a systematic review[J]. Int J Nurs Stud, 2020, 108: 103613. DOI: 10.1016/j.ijnurstu.2020.103613. [23] ZANG J, BAI Q, XIONG X, et al. Early identification of stroke symptoms and risk factors using the BE FAST method: benefits of early intervention in high-risk populations[J]. Front Neurol, 2025, 16: 1630384. DOI: 10.3389/fneur.2025.1630384. [24] TAN Y, SUN X, QIN F, et al. Factors affecting stroke pre-hospital delay behavioral intention among community residents: a path analysis[J]. Appl Nurs Res, 2024, 78: 151820. DOI: 10.1016/j.apnr.2024.151820. [25] MCNULTY L K, STOUTENBERG M, KOLKENBECK-RUH A, et al. Examining the referral of patients with elevated blood pressure to health resources in an under-resourced community in South Africa[J]. BMC Public Health, 2024, 24(1): 412. DOI: 10.1186/s12889-023-17359-z. [26] GAO Z, YANG L, WANG L, et al. Identification and analysis of key risk factors for prehospital delay in patients with stroke[J]. Int Emerg Nurs, 2022, 62: 101156. DOI: 10.1016/j.ienj.2022.101156.
