作者投稿
专家审稿
编辑办公
邮件订阅
RSS
Stakeholder Preference Assessment in Implementation Research: Application of Best-worst Scaling
-
摘要:
在医疗卫生服务领域，结合健康服务供方和需方(即利益相关方)的偏好优化医疗创新服务至关重要。优劣尺度法(best-worst scaling，BWS)是一种新型陈述性偏好评估方法，具有独特优势。但目前国内尚缺乏此方法评估利益相关方偏好的详细介绍，限制其应用与推广。本文重点介绍应用BWS评估服务供方对医防融合服务——糖尿病共享门诊的偏好以及相关注意事项，旨在为研究者提供参考，促进BWS在实施性研究中的应用。
Abstract:In the field of healthcare service, it is crucial to optimize medical innovation services by combining the preferences of health service providers and demanders (i.e., stakeholders). The best-worst scaling (BWS) method is a recently developed stated preference method for assessing preferences with distinctive advantages. Nevertheless, there is a lack of a comprehensive introduction to stakeholder preference assessment using BWS, thus constraining its applications and promotion. This paper introduces the process of using BWS to assess service providers' preferences for the Shared Medical Appointment for diabetes (SMART), an integrated healthcare service of medicine and health management, in the hope of providing reference for researchers for promoting the use of BWS in implementation research.
-
在实施性研究过程中，评估利益相关者对即将或已经实施的循证实践(evidence-based practice，EBP)的偏好，可为决策者改进和调整EBP内容[1]、探索实施影响因素[2]、优化实施策略[2]，调整研究设计[3]等提供决策依据，进而缩小研究与实践之间的差距、促进EBP的采纳与应用、提高健康服务质量[4]。
常用的偏好评估方法包括焦点小组访谈和问卷调查等定性和定量方法[3]。前者因样本量相对较小，使得结果的代表性不足。而过度依赖问卷调查和电子健康记录等定量方法，可能无法充分反映利益相关者在决策时所处的复杂背景，从而无法真实反映其偏好[3]。陈述性偏好(stated preference，SP)研究可弥补上述方法的不足。SP起源于卫生经济学，具有丰富的理论基础和实证案例[5-6]，目前常被用于医疗卫生领域探索利益相关者的偏好[3]。优劣尺度法(best-worst scaling，BWS)是一种新兴的SP评估方法，具有独特优势。首先，BWS基于随机效用理论，通过分析利益相关者选择最重要(最喜欢)和最不重要(最不喜欢)的选项获取其偏好[5]，从而有效避免了传统评分法常见的中间响应(即选择中立或中间选项)问题[3]，提高了响应的区分度和质量。其次，BWS可在相同尺度上评估其他组分和/或水平受利益相关者的重视程度[5]。再次，BWS分析结果中变量系数的正负和大小反应了利益相关者的偏好及强度，这些信息为决策者提供详细的偏好结构，有助于制订更为合适的干预策略。最后，与相对成熟且应用广泛的离散选择试验(discrete choice experiment，DCE)相比，BWS的偏好评估结果与其相当，且能够获取更丰富的偏好信息[5]。尽管目前两种方法在受访者负担方面存在争议，但BWS在信息丰富程度、基于相同尺度上评估偏好以及更清晰地比较各组分和/或水平受利益相关者的重视程度等方面具有明显优势[7]。
为帮助研究者在实施性研究中有效应用BWS，本文以“糖尿病共享门诊优化试验研究[Shared Medical Appointment for diabetes (SMART) in China: design of an optimization trial]”(简称“SMART”项目)为例，介绍BWS的技术路线、数据采集方式、统计分析方法选择和分析结果的解读及注意事项，以供相关研究者参考。
1. BWS中常用偏好评估术语
对于首次接触BWS的研究者而言，相关术语可能较为陌生。为此，笔者总结其相关概念并提供相应示例，以帮助研究者理解并掌握此方法。BWS分为三种类型：BWS-1(对象型：object case)、BWS-2(组合型：profile case)和BWS-3(多重组合型：multi-profile case)，不同类型的BWS在研究特征的深度上有所不同。BWS-1仅关注组分(研究对象的不同特征)，不涉及其水平(组分的具体取值)；BWS-2和BWS-3涉及组分及其水平的组合，且BWS-3进一步将各组合形成更为复杂的选择集供受访者选择，详见表 1。
表 1 BWS常用术语及应用示例Table 1. BWS common terms and sample applications常用术语 英文表达 定义 应用示例 组分与水平 Component and level 研究者关心事物的特征及其对应取值 如宋奎勐等[8]研究发现，影响卫生服务人员工作偏好的因素(组分)，包括收入、每周工作时间、工作地点、工作条件和住房等。其中收入可设为3个水平：3000元、5000元和7000元 情景与选择集 Scenario andchoice set 研究者利用全因子设计或部分因子设计生成由不同组分和/或水平组合的情景。BWS-1和BWS-2的1个情景即为1个选择集，而BWS-3需将多个情景(≥3)组合形成1个选择集 详见BWS-1、BWS-2、BWS-3示例 1型/对象型BWS BWS-1/Object case 研究者通过BIBD生成由不同组分(≥3个)组合形成的情景，每个情景独立为1个选择集，受访者从中选出1个“最好/喜欢”项和1个“最差/不喜欢”项 如沈荣蕃等[9]采用BWS-1探索居民对新冠疫苗的接种偏好，此研究共纳入5个组分：不良反应、保护期、针剂次、接种距离和有效率。5个组分中任意2个不存在，其余组分随机组合为不同的情景，最终形成10个选择集，受访者从每个选择集中选择最重要和最不重要的选项 2型/组合型BWS BWS-2/Profile case 研究者将关注的组分(≥3个)及其对应的水平(≥2个)进行随机组合形成不同的情景，即使某个组分取值低水平，该组分仍可保留在情景中，每个情景独立为1个选择集。后续步骤与BWS-1相同 如Norman等[10]采用BWS-2探索澳大利亚人群对肺癌筛查的偏好，研究共纳入8个组分，每个组分有3个水平，如检查类型(CT、CT和呼吸测试、CT和查血)及检查费用(0元、100元、300元)等。若采用全因子设计，8个组分的3个水平可产生38=6561个选择集，为减少数量，研究者利用C-efficiency方法形成了200个选择集，受访者从每个选择集中选出最重要和最不重要的选项 3型/多重组合型BWS BWS-3/Multi-profile case 该方法被视为BWS-2的多重组合形式，每个选择集至少包含3个随机组合的情景，受访者在每个选择集中分别选出1个“最好/喜欢”和1个“最差/不喜欢”的情景 如顾文勇等[11]采用BWS-3探索慢性病患者对医防融合服务的偏好，研究共纳入5个组分，2个组分有3个水平，其余3个组分有2个水平。采用全因子设计会产生32×23=72个情景，按3个情景随机组合形成一个选择集，将生成$ \sum\limits_{i=1}^{70} i=$ 2485个选择集。为减少选择集的数量，研究者采用D-optimal方法生成选择集，最终受访者在各选择集中选择最重要和最不重要的情景 完全析因设计/全因子设计 Full factorial design BWS选择集的生成方法之一，该方法将所有组分和/或水平组合形成大量的选择集 Louviere等[12]的研究纳入了3个组分，每个组分有2个水平，按照全因子设计可生成23=8个情景。则BWS-1和BWS-2有8个选择集，而BWS-3有21个选择集。当纳入的组分和/或水平过多时，采用全因子设计生成的选择集数量可能显著增多，进而导致受访者的认知负担加重[13] 平衡不完全区组设计 BIBD BWS-1选择集的生成方法之一。为保证组分的完整性和均衡性，该设计必须满足：rv=bk和λ=r(k-1)/(v-1)和b≥v条件。字母含义：①r为每个组分在问卷中出现的次数；②v为组分的数量；③b为选择集的数量；④k为选择集的大小，即每个选择集包含组分的数量；⑤λ为任意2个组分在相同区组中共同出现的次数。与全因子设计相比，BIBD可减少选择集的数量，但也可能导致信息缺失 Aizaki等[14]的研究以7种水果为例，若采用全因子设计可产生大量选择集，而采用BIBD设计仅有7个选择集。研究者可通过R[support.BWS (version 0.4-6)]实现具体操作 正交设计 Orthogonal design 该方法属于部分因子设计，可有效减少BWS选择集的数量。该设计使组分呈现正交(orthogonality)、平衡(balance)的性质，即2组分之间相关性较低或为0，具体表现为：任意2个组分的所有水平在整个试验设计中出现的次数相等或成比例，且每个组分各水平在整个试验设计中出现的次数相同 Aizaki等[15]的研究纳入了4个组分，每个组分有3个水平。若采用全因子设计将生产34=81个BWS-2选择集，而采用正交设计仅保留9个选择集。研究者可通过R[Package ‘support.BWS2’(version 0.4-0)]实现具体操作 计数分析 Counting approach BWS的数据分析方法之一。其关键在于计算各组分和/或水平(i) 被选为最佳($ B_i=\sum_{n=1}^N B_{i n}$)或最差($ W_i=\sum_{n=1}^N W_{i n}$)的次数。由此可计算对应组分和/或水平的差值(BWi=Bi-Wi)。为进一步反映各组分和/或水平被重视的程度并能进行横向比较，对BWin进行标化(standardized BWi=BWi/Nr)，Nr为组分和/水平在问卷中出现的次数，该值的范围在[-r, r]和[-1, 1]，值越大表示对应的组分和/或水平越受重视 Aizaki等[14]的研究以水果为例，对该方法进行了详细阐述，研究者可通过R[support.BWS (version 0.4-6)]实现具体操作 配对模型 Paired model BWS的数据分析方法之一。该模型假定受访者在选择集中选择最佳(i)和最差(j)水平的效用差异最大(i≠j)。根据这一假设并结合最差水平的效用被视为最佳水平效用的负数(假设1)，以及效用由固定和随机效用组合而成(假设2)。则从选择集C中选择i为最佳和j为最差的概率，固定效用(v)的条件Logistic模型表示：$ \operatorname{Pr}(\text { best }=i, \text { worst }=j)=\frac{\exp \left(v_i-v_j\right)}{\sum_{p, q \subset C, p \neq q} \exp \left(v_p-v_q\right)}$ Aizaki等[15]的研究详细阐述该模型的应用。若研究有4个组分(A、B、C、D)，每个组分有3个水平。某个选择集由A1、B3、C2和D3组合，可形成12个最佳和最差配对，即(A1, B3)，(A1, C2)，(A1, D3)，(B3, A1)，(B3, C2)，(B3, D3)，(C2, A1)，(C2, B3)，(C2, D3)，(D3, A1)，(D3, B3)和(D3, C2)。每个对子的第1个值表示最好，第2个值表示最差。若受访者选择A1作为最佳水平，C2作为最差水平，则可用条件Logistic模型表示受访者选择(A1, C2)的概率 边际模型 Marginal model BWS的数据分析方法之一。该模型假设某组分水平i的效用是选择集C中最大的，某组分水平j的效用是最小的。基于该假设并结合配对模型中提及的假设1和2。从选择集C中选择i为最佳和j为最差的概率，固定效用(v)的条件Logistic模型表示：$\begin{aligned} & \operatorname{Pr}(\text { best }=i, \text { worst }=j)= \\ & \frac{\exp \left(v_i\right)}{\sum_{p \subset C} \exp \left(v_p\right)} \frac{\exp \left(-v_j\right)}{\sum_{p \subset C} \exp \left(-v_p\right)} \end{aligned} $ Aizaki等[15]的研究详细阐述了该模型的应用。针对上述案例，边际模型认为有4种可能的最佳和最差水平，若受访者选择(A1, C2)，可解释为：在A1、B3、C2和D3中，A1的效用是最大的，C2的效用是最小的，可用条件Logistic模型表示受访者选择(A1, C2)的概率 边际序列模型 Marginal sequential model BWS的数据分析方法之一。该模型假设某组分水平i的效用是选择集中最大的，而j的效用是剩余K-1个水平中最小的(i≠j)。基于该假设以及假设1和2，可计算从选择集C中选择i为最佳和j为最差的概率，固定效用(v)的条件Logistic模型表示：$ \begin{aligned} & \operatorname{Pr}(\text { best }=i, \text { worst }=j)= \\ & \frac{\exp \left(v_i\right)}{\sum_{p \subset C} \exp \left(v_p\right)} \frac{\exp \left(-v_j\right)}{\sum_{p \subset C-i} \exp \left(-v_q\right)} \end{aligned}$ Aizaki等[15]的研究详细阐述了该模型的应用。基于上述案例，该模型认为受访者从4个水平中选择A1为最佳，从其余3个水平(B3、C2、D3)中选择C2为最差，进而可计算受访者选择(A1, C2)的概率 支付意愿 WTP 当纳入的组分中存在连续性变量(如收入)，可计算不同组分的边际替代率，即受访者愿意为某个组分支付或放弃的费用，进而反映其对各个组分的货币价值评价。具体计算方法为：采用Logistic模型获取各组分的估计系数(效用值)，进而计算WTP。$W T P=\frac{\text { 组分的估计系数 }}{\text { 连续性变量的估计系数 }} $ 在顾文勇等[11]的研究中，使用Rank-ordered Logistic模型获取各组分的回归系数，并将其与服务费用的回归系数相比，得出各组分的WTP。负值表示受访者愿意为获得该组分支付费用，而正值则意味着受访者需补贴才能接受该组分。如在服务效果中，提高生命质量的WTP为-60.58，则表示受访者愿意自付60.58元以换取提高生命质量的服务 BWS(best-worst scaling)：优劣尺度法；WTP(willness to pay)：支付意愿；BIBD(balanced incomplete block design)：平衡不完全区组设计 在研究设计方面，3种类型均可采用“全因子设计”和“部分因子设计”的“正交设计”等方法构建选择集，但BWS-1独有“平衡不完全区组设计(balanced incomplete block design，BIBD)”，从而保证问卷中组分的平衡性。此外，不同类型BWS选择集的情景数量不同，BWS-1和BWS-2的1个选择集仅包含1个情景，而BWS-3的1个选择集至少包含3个情景。
在数据分析方面，BWS特有“计数分析”“配对模型”“边际模型”和“边际序列模型”，其中“计数分析”可直接计算各组分和/或水平受利益相关者的重视程度，但不涉及统计推断内容。其他3种方法均为相对复杂的模型分析，需根据利益相关者填写问卷的方式选择对应的模型。此外，当纳入的组分中包含连续性变量(如收入)，研究者可通过计算“支付意愿以衡量利益相关者愿意为某个组分支付或放弃的金额，从而反映其对各组分的货币价值评估。
2. 基于BWS的偏好评估案例
2.1 案例背景
糖尿病患者数量在全球呈不断上涨趋势[16]。大多数2型糖尿病(type 2 diabetes mellitus，T2DM)患者通过基层医疗卫生服务机构获取临床诊疗与健康管理服务[17]，但其防治一直面临医防断链的问题。SMART项目是基于慢性病护理模式(chronic care model，CCM)提出的医防融合诊疗模式[18]。该模式改善T2DM患者的健康结局已在发达国家和地区得到验证[19]。既往开展的共享门诊(shared medical appointment，SMA)服务是1个包含多个组分的复杂干预包，大多由多学科医疗团队同时为1组病情相似的患者提供诊疗、健康管理、健康教育和心理调适服务。此模式的人力资源需求较高，当应用至资源匮乏地区时，还需对其服务包进行适应性优化[20]。研究者于2023年6月至2024年1月在贵州省遵义和铜仁两地随机选取12家基层医疗卫生服务机构开展SMART项目，探索参加SMART项目的服务提供方对SMA组成要素的偏好，为后续优化试验SMA组分的选取提供依据。该研究已通过贵州医科大学伦理委员会审批[批件号2023伦审第(4) 号]，对受访者进行问卷调查前，征得其知情同意。
2.2 技术路线
BWS的应用包含6个步骤(图 1)：确定组分和水平；确定BWS类型；确定试验设计；生成问卷并开展预实验；现场调查；数据整理与分析。
![]()
图 1 采用BWS开展偏好评估的步骤stepsBWS：同表 1；SMA(shared medical appointment): 共享门诊Figure 1. BWS preference assessment2.2.1 确定组分和水平
在BWS研究中，确定组分和水平是关键步骤。研究者可通过文献回顾、专家咨询、利益相关者访谈等方式，获取受访者关心、与研究主题紧密相关且符合实际情况的组分及水平信息清单 [21]。对于组分数量，一般10个左右，以平衡信度和操作难度[22]。水平数通常为2~4个，且应合理设置间距[23]。本研究通过文献回顾和专家咨询确定6个组分，每个组分包含2个水平，详见表 2。
表 2 SMA组分及其水平设置Table 2. SMA components and their levels组分 水平 解释 A=医防服务方式 A1=医防共同提供服务 临床和公卫医生在同时间同空间内为患者提供诊疗和健康管理服务 A2=医防分开提供服务 临床和公卫医生在不同时空先后为患者提供诊疗和健康管理服务 B=医防服务频率 B1=1次/月的医防服务 患者每月在固定时间参加1次门诊 B2=无固定医防服务频率 患者根据自己的意愿和时间安排就诊 C=健康教育课程形式 C1=线上健康教育课程 通过微信群向群内患者提供图文和语音的健康教育内容 C2=线下健康教育课程 采用传统线下健康教育课堂的形式向患者传递健康教育内容 D=健康教育课程频率 D1=医防服务同时开展 健康宣教与门诊开展的频率相同，即门诊当天完成相应的健康教育课程 D2=无固定健康教育课程频率 健康宣教与门诊开展的频率不同，需择期开展健康教育课程 E=患者就诊方式 E1=患者以小组就诊 多个(≥2)病情相似的患者组成1个小组，同时在1个诊室内接受服务 E2=患者独自1人就诊 每例患者单独接受服务 F=是否有亲友陪同就诊 F1=有亲友陪同 每例患者均有1位家属或朋友陪同就诊 F2=无亲友陪同 患者无亲友陪同，自行就诊 SMA: 同图 1 2.2.2 确定BWS类型
不同类型的BWS适用研究场景不同[24]。本研究关注的组分均具有不同的水平，因此可采用BWS-2和BWS-3进行偏好评估，前者对于受访者的认知负担相对较小，且分析方法相对简单，故本研究采用BWS-2作为偏好评估方法。
2.2.3 确定设计类型
因组分数量＞3个，若使用全因子设计可生成大量选择集(26=64)，给受访者带来较大的问卷填写负担[25]。为减少选择集数量，本研究使用R语言‘support. BWS2’包提供的部分因子设计——正交设计构建了BWS-2的8个选择集[15]，其中1个选择集示例见图 2。
2.2.4 生成问卷并开展预实验
通过对与目标研究人群特征相似的对象进行预调查，研究者可获得反馈信息，并据此优化调查问卷[26]。本研究对5名医务人员进行问卷调查，以优化问卷中虚拟情景的描述方式，突出情景中的关键信息，确保问卷更加清晰，以供受访者快速了解情景内容，提高数据收集质量。
2.2.5 问卷发放与收集
目前尚缺乏BWS调查所需样本量的一般依据，根据既往文献综述结果，不同类型的BWS样本量不同，采用BWS-1时，常见样本量为15~803，中位数为175；BWS-2为16~1296，中位数为162；BWS-3为53~898，中位数为326[27]。在SMART项目试点机构中，33名提供SMA服务的医疗服务人员均被纳入BWS-2调查，该调查人数不低于现有研究的最小样本量。本研究采用“研究电子数据捕获(research electronic data capture，REDcap)”[28]设计电子调查问卷并采集数据，受访者需在电子调查问卷展示的8个选择集中完成8次自己最喜欢和最不喜欢的选择。
2.2.6 数据整理和分析
首先，本研究参照R包‘support. BWS2’对数据进行整理，采用计数分析计算BWi=Bi-Wi和standardized BWi=BWi/Nr，初步获取受访者对各组分和水平的偏好情况，为后续条件Logistic模型分析的参照组分和水平提供选择依据[29]。其次，基于受访者的问卷填写方式和其他学者的数据分析方法，选择配对模型作为统计模型[15]，则从选择集中选出水平i为最佳和水平j为最差(i≠j)的概率用条件Logistic模型表示为：
公式1：
$$ \operatorname{Pr}(\text { best }=i, \quad \text { worst }=j)=\frac{\exp \left(v_i-v_j\right)}{\sum _{p, q\lceil c, p \neq q} \exp \left(v_p\right)} $$ 基于条件Logistic模型，具有两种分析方法(模型1和模型2)，具体如下：
(1) 模型1为基于组分和水平的条件Logistic模型，本研究以各组分的2个水平被选为最不喜欢次数合计最多者和6个组分的水平2为参照(即参照组分和参照水平)，分别计算受访者对各组分和水平的相对偏好(即效用值，β值)。效用函数(v)(公式2)中βX表示某一组分的效用值，DX表示组分X，βXi表示组分X中水平i的效用值，DXi表示X组分的i水平。
公式2：v=βADA+……+βEDE+βAiDAi+……+βEIDEi
(2) 模型2为基于水平的条件Logistic模型，以参照组分中受访者最不喜欢的水平为参照，计算其他水平被受访者重视的程度[15]，效用函数(v)如公式3所示。
公式3：v=βAiDAi+βAjDAj+……+βEiDEi+βEjDEj+βFiDFi
目前尚无研究对BWS-2的两种数据分析方法进行比较，为更全面地向研究者展示BWS的分析方法，本研究将进一步展示两种分析所得结果，以供后续开展相关研究的人员参考。
2.3 结果及其解读
2.3.1 计数分析结果
计数分析结果如表 3和图 3所示，通过standardized BWi展示医疗服务提供者对SMA服务内容和方式的偏好：医防共同提供服务(0.288)＞线下健康教育课程(0.265)＞医防服务同时开展(0.152)＞无固定医防服务频率(0.083)＞无固定健康教育课程频率(-0.015)＞医防分开提供服务(-0.030)＞患者独自1人就诊(-0.053)＞线上健康教育课程(-0.068)＞1次/月的医防服务(-0.076)＞有亲友陪同(-0.106)=患者以小组就诊(-0.106)＞无亲友陪同(-0.333)。组分“是否有亲友陪同就诊”的2个水平被选为最不重要的次数合计最多(68)，水平“无亲友陪同”被选为最不重要的次数最多(46)。因此，将“是否有亲友陪同”作为参照组分，“无亲友陪同”作为参照水平，进而采用条件Logistic模型估计其他组分和/或水平的相对效用值。
表 3 SMART项目服务提供方选择最佳和最差的计数分析结果Table 3. Counting approach results for best and worst SMART provider choices组分或水平 医防服务方式 医防服务频率 健康教育课程形式 健康教育课程频率 患者就诊方式 是否有亲友陪同就诊 A1 A2 B1 B2 C1 C2 D1 D2 E1 E2 F1 F2 最重要(Bi)[n] 45 18 14 41 16 39 37 14 18 9 8 2 最不重要(Wi)[n] 7 22 24 30 25 4 17 16 32 16 22 46 差值(BWi)[n] 38 -4 -10 11 -9 35 20 -2 -14 -7 -14 -44 标准化差值(standardized BWi) 0.288 -0.030 -0.076 0.083 -0.068 0.265 0.152 -0.015 -0.106 -0.053 -0.106 -0.333 BWi=Bi-Wi，standardized BWi=BWi/Nr ![]()
图 3 SMART组分水平的标准化差值图Figure 3. Standardized BWi difference plot of SMART component levels2.3.2 条件Logistic模型分析结果
2.3.2.1 基于组分和水平的条件Logistic模型
组分和水平的数据分析结果(表 4)采用两级解读方法。第一步，先评估各组分相对于参照组分的受关注程度；第二步，在每个组分内部，分析不同水平相对于参照水平的偏好程度。这两步分析逐步揭示了受访者对研究不同特征及其具体取值的偏好。
表 4 组分和水平配对的条件Logistic回归结果Table 4. Conditional Logistic regression results for paired models with component and level variables组分/水平 β值 SE值 95% CI P值 组分 医防服务方式 0.941 0.146 0.655~1.227 ＜0.001 医防服务频率 0.603 0.145 0.319~0.887 ＜0.001 健康教育课程形式 0.862 0.145 0.577~1.147 ＜0.001 健康教育课程频率 0.788 0.146 0.502~1.075 ＜0.001 患者就诊方式 0.360 0.142 0.081~0.639 0.011 是否有亲友陪同就诊(对照) - - - - 水平 医防共同提供服务 0.519 0.112 0.300~0.740 ＜0.001 医防分开提供服务(对照) - - - - 1次/月的医防服务 -0.270 0.114 -0.493~-0.047 0.017 无固定医防服务频率(对照) - - - - 线上健康教育课程 -0.551 0.112 -0.772~-0.331 ＜0.001 线下健康教育课程(对照) - - - - 医防服务同时开展 0.284 0.113 0.062~0.506 0.012 无固定健康教育课程频率(对照) - - - - 患者以小组就诊 -0.079 0.113 -0.302~0.143 0.485 患者独自1人就诊(对照) - - - - 有亲友陪同 0.367 0.111 0.149~0.586 ＜0.001 无亲友陪同(对照) - - - - 将组分“是否有亲友陪同就诊”作为参照，医疗服务提供者对不同组分的偏好(效用值β)排序为：医防服务方式(0.941)＞健康教育课程形式(0.862)＞健康教育课程频率(0.788)＞医防服务频率(0.603)＞患者就诊方式(0.360)＞是否有亲友陪同就诊(参照)，相对于参照组分，其他组分的β值差异均具有统计学意义(P＜0.05)。
将各组分的水平2作为参照后，各组分的水平1被受访者重视的程度分别为：医疗服务提供者更倾向于临床和公卫医生共同提供服务(βA1 =0.519)，采用面对面形式进行健康教育(βC1 =-0.551)，在就诊当天对患者进行健康教育(即医防服务同频)(βD1 =0.284)，患者根据自身意愿或时间安排就诊(βB1 =-0.270)，患者独自1人就诊(βE1 =-0.079)，且更倾向于患者有亲友陪同(βF1 =0.367)，除患者以小组形式就诊外，其余水平的β值差异均具有统计学意义(P＜0.05)。在医疗服务提供者看来，理想的SMA方式体现了临床与公共卫生人员的紧密合作，并倾向于以面对面的方式同时提供诊疗和健康宣教，鼓励患者根据自身健康状况和时间安排，自主选择就诊频率和方式，且整个过程可有家属陪同。
2.3.2.2 基于水平的条件Logistic模型
以“无亲友陪同”作为参照水平，估计其他水平的效用值(表 5)。根据β值排序，医疗服务提供者偏好的SMA服务内容和方式为：医防共同提供服务(1.828)＞线下健康教育课程(1.781)＞医防服务同时开展(1.440)＞无固定医防频率(1.240)＞无固定健康教育课程频率(0.871)＞患者独自1人就诊(0.807)＞医防分开提供服务(0.789)＞有亲友陪同(0.734)＞1次/月的医防服务(0.700)＞线上健康教育课程(0.678)＞患者以小组就诊(0.648)＞无亲友陪同(参照)，相对于参照水平，其他水平的β值差异均具有统计学意义(P＜0.05)。因此，医疗服务提供者最为偏好的SMA服务为：临床与公共卫生人员紧密合作，倾向于以面对面的方式同时为1例或1组患者提供诊疗和健康宣教，鼓励患者根据自身健康状况和时间安排，自主安排就诊频率和方式，且整个过程可有家属陪同。此外，也接受医防分开提供服务，固定医防服务频率及线上健康教育课程。因这些替代方式的效用值＞0，对其自身工作产生的影响不大，且仍能够满足患者需求。
表 5 水平配对的条件Logistic回归结果Table 5. Conditional Logistic regression results for paired modelswith level variables水平 β值 SE值 95% CI P值 医防共同提供服务 1.828 0.218 1.400~2.256 ＜0.001 医防分开提供服务 0.789 0.213 0.371~1.207 ＜0.001 1次/月的医防服务 0.700 0.213 0.281~1.118 0.001 无固定医防服务频率 1.240 0.217 0.816~1.665 ＜0.001 线上健康教育课程 0.678 0.212 0.263~1.093 0.001 线下健康教育课程 1.781 0.219 1.352~ 2.210 ＜0.001 医防服务同时开展 1.440 0.218 1.012~1.868 ＜0.001 无固定健康教育课程频率 0.871 0.214 0.452~1.291 ＜0.001 患者以小组就诊 0.648 0.213 0.231~1.065 0.002 患者独自1人就诊 0.807 0.211 0.393~1.221 ＜0.001 有亲友陪同 0.734 0.223 0.298~1.171 ＜0.001 无亲友陪同(对照) - - - - 2.3.2.3 BWS-2数据分析模型的比较
尽管BWS-2的2种数据分析模型结果在β值上存在差异，但依据分析结果构建的SMA服务包的组成形式是一致的，这与Aizaki等[15]的研究结果相符。原因可能在于该研究旨在构建有效的干预包，而干预包是从研究特征要素(组分)中选取适宜的水平组合而成。在基于组分和水平配对的条件Logistic模型中，首先要考虑组分间的偏好，然后分析组分内2个水平的相对偏好，使得研究者可根据受访者对组分的偏好确定干预包的框架，并根据组分内各水平的偏好选择具体层次。而在基于水平配对的条件Logistic模型中，研究者将所有组分的水平展开，选择1个水平作为参照，评估其他水平的相对偏好，这使得研究者可根据最先出现的水平为干预包的组分赋值具体水平，从而制订合适的干预包[30]。因此，两种方法的分析结果可制订出1个相同的适宜干预包。
3. 关于BWS需注意的其他问题
3.1 BWi与standardized BWi值的解读
在计数分析结果中，与的偏好排序结果一致。但后者通过标准化处理将原始差值(BWi)从绝对数转化为相对数，消除了因不同组分和/或水平出现次数不同而导致的偏差，从而能够在相同尺度上评估不同组分/水平的受欢迎程度。
3.2 亚组分析与潜在类别分析
为更精准地评估不同群体的需求和偏好，可考虑进行亚组分析[31]或潜在类别分析(latent class analysis，LCA)[32]。如根据受访者的性别、年龄、教育水平和经济状况等特征进行分组，可评估不同特征人群的偏好，从而设计更具针对性的服务方案。LCA可用于识别和分析样本中潜在的类别或群体[33-34]，是一种具有潜在应用价值的分析方式，未来研究将对其效果进行验证。
3.3 BWS方法的局限性
尽管BWS在多个研究领域显示出独特优势，但其应用过程中仍存在一定的局限性。首先，组分和水平的选择是BWS的一个主要挑战，确保组分的独立性和互斥性，以及合理设定水平的间距，是研究的首要和关键步骤。随着组分及水平数量的增加，分析的难度和复杂性也随之上升，模型预测精度也可能降低[7]。其次，BWS的可靠性依赖足够的样本量。尽管Flynn等[5]的研究提出了估算样本量置信区间的方程，但此方法改变了随机变量相对于固定变量效用的大小，因此仍需进一步验证。目前，可根据既往研究经验确定BWS的样本量。此外，验证BWS的试验设计方法也面临挑战。如采用交叉设计的随机对照试验对同一对象进行2次偏好测量，受访者需先后填写2次问卷，即使考虑洗脱期，也增加受访者的负担。而采用双臂随机对照试验会增加样本量需求，且研究成本较高。最后，关于BWS不同分析方法优缺点的比较研究仍显不足[15]。如基于组分或水平作为参照的分析方法，各自的优势和局限性需在更多的场景中验证。
总体而言，BWS以其独特优势在多个领域得到了广泛应用，但研究者在应用该方法时也应注意其局限性带来的挑战，并结合研究目的和条件，合理应用和发展BWS方法。
作者贡献：卯润负责论文选题及初稿撰写；杨薇、刘志国、令狐浪、陈佳佳、梁梦娇、黄列玉协助完成数据收集；刘思源协助完成论文修订；蔡毅媛负责论文选题、研究设计、质量控制、修订及审核；徐东为论文选题和研究设计提供思路。利益冲突：所有作者均声明不存在利益冲突 -
![]()
图 1 采用BWS开展偏好评估的步骤
stepsBWS：同表 1；SMA(shared medical appointment): 共享门诊
Figure 1. BWS preference assessment
![]()
图 3 SMART组分水平的标准化差值图
Figure 3. Standardized BWi difference plot of SMART component levels
表 1 BWS常用术语及应用示例
Table 1 BWS common terms and sample applications
常用术语 英文表达 定义 应用示例 组分与水平 Component and level 研究者关心事物的特征及其对应取值 如宋奎勐等[8]研究发现，影响卫生服务人员工作偏好的因素(组分)，包括收入、每周工作时间、工作地点、工作条件和住房等。其中收入可设为3个水平：3000元、5000元和7000元 情景与选择集 Scenario andchoice set 研究者利用全因子设计或部分因子设计生成由不同组分和/或水平组合的情景。BWS-1和BWS-2的1个情景即为1个选择集，而BWS-3需将多个情景(≥3)组合形成1个选择集 详见BWS-1、BWS-2、BWS-3示例 1型/对象型BWS BWS-1/Object case 研究者通过BIBD生成由不同组分(≥3个)组合形成的情景，每个情景独立为1个选择集，受访者从中选出1个“最好/喜欢”项和1个“最差/不喜欢”项 如沈荣蕃等[9]采用BWS-1探索居民对新冠疫苗的接种偏好，此研究共纳入5个组分：不良反应、保护期、针剂次、接种距离和有效率。5个组分中任意2个不存在，其余组分随机组合为不同的情景，最终形成10个选择集，受访者从每个选择集中选择最重要和最不重要的选项 2型/组合型BWS BWS-2/Profile case 研究者将关注的组分(≥3个)及其对应的水平(≥2个)进行随机组合形成不同的情景，即使某个组分取值低水平，该组分仍可保留在情景中，每个情景独立为1个选择集。后续步骤与BWS-1相同 如Norman等[10]采用BWS-2探索澳大利亚人群对肺癌筛查的偏好，研究共纳入8个组分，每个组分有3个水平，如检查类型(CT、CT和呼吸测试、CT和查血)及检查费用(0元、100元、300元)等。若采用全因子设计，8个组分的3个水平可产生38=6561个选择集，为减少数量，研究者利用C-efficiency方法形成了200个选择集，受访者从每个选择集中选出最重要和最不重要的选项 3型/多重组合型BWS BWS-3/Multi-profile case 该方法被视为BWS-2的多重组合形式，每个选择集至少包含3个随机组合的情景，受访者在每个选择集中分别选出1个“最好/喜欢”和1个“最差/不喜欢”的情景 如顾文勇等[11]采用BWS-3探索慢性病患者对医防融合服务的偏好，研究共纳入5个组分，2个组分有3个水平，其余3个组分有2个水平。采用全因子设计会产生32×23=72个情景，按3个情景随机组合形成一个选择集，将生成$ \sum\limits_{i=1}^{70} i=$ 2485个选择集。为减少选择集的数量，研究者采用D-optimal方法生成选择集，最终受访者在各选择集中选择最重要和最不重要的情景 完全析因设计/全因子设计 Full factorial design BWS选择集的生成方法之一，该方法将所有组分和/或水平组合形成大量的选择集 Louviere等[12]的研究纳入了3个组分，每个组分有2个水平，按照全因子设计可生成23=8个情景。则BWS-1和BWS-2有8个选择集，而BWS-3有21个选择集。当纳入的组分和/或水平过多时，采用全因子设计生成的选择集数量可能显著增多，进而导致受访者的认知负担加重[13] 平衡不完全区组设计 BIBD BWS-1选择集的生成方法之一。为保证组分的完整性和均衡性，该设计必须满足：rv=bk和λ=r(k-1)/(v-1)和b≥v条件。字母含义：①r为每个组分在问卷中出现的次数；②v为组分的数量；③b为选择集的数量；④k为选择集的大小，即每个选择集包含组分的数量；⑤λ为任意2个组分在相同区组中共同出现的次数。与全因子设计相比，BIBD可减少选择集的数量，但也可能导致信息缺失 Aizaki等[14]的研究以7种水果为例，若采用全因子设计可产生大量选择集，而采用BIBD设计仅有7个选择集。研究者可通过R[support.BWS (version 0.4-6)]实现具体操作 正交设计 Orthogonal design 该方法属于部分因子设计，可有效减少BWS选择集的数量。该设计使组分呈现正交(orthogonality)、平衡(balance)的性质，即2组分之间相关性较低或为0，具体表现为：任意2个组分的所有水平在整个试验设计中出现的次数相等或成比例，且每个组分各水平在整个试验设计中出现的次数相同 Aizaki等[15]的研究纳入了4个组分，每个组分有3个水平。若采用全因子设计将生产34=81个BWS-2选择集，而采用正交设计仅保留9个选择集。研究者可通过R[Package ‘support.BWS2’(version 0.4-0)]实现具体操作 计数分析 Counting approach BWS的数据分析方法之一。其关键在于计算各组分和/或水平(i) 被选为最佳($ B_i=\sum_{n=1}^N B_{i n}$)或最差($ W_i=\sum_{n=1}^N W_{i n}$)的次数。由此可计算对应组分和/或水平的差值(BWi=Bi-Wi)。为进一步反映各组分和/或水平被重视的程度并能进行横向比较，对BWin进行标化(standardized BWi=BWi/Nr)，Nr为组分和/水平在问卷中出现的次数，该值的范围在[-r, r]和[-1, 1]，值越大表示对应的组分和/或水平越受重视 Aizaki等[14]的研究以水果为例，对该方法进行了详细阐述，研究者可通过R[support.BWS (version 0.4-6)]实现具体操作 配对模型 Paired model BWS的数据分析方法之一。该模型假定受访者在选择集中选择最佳(i)和最差(j)水平的效用差异最大(i≠j)。根据这一假设并结合最差水平的效用被视为最佳水平效用的负数(假设1)，以及效用由固定和随机效用组合而成(假设2)。则从选择集C中选择i为最佳和j为最差的概率，固定效用(v)的条件Logistic模型表示：$ \operatorname{Pr}(\text { best }=i, \text { worst }=j)=\frac{\exp \left(v_i-v_j\right)}{\sum_{p, q \subset C, p \neq q} \exp \left(v_p-v_q\right)}$ Aizaki等[15]的研究详细阐述该模型的应用。若研究有4个组分(A、B、C、D)，每个组分有3个水平。某个选择集由A1、B3、C2和D3组合，可形成12个最佳和最差配对，即(A1, B3)，(A1, C2)，(A1, D3)，(B3, A1)，(B3, C2)，(B3, D3)，(C2, A1)，(C2, B3)，(C2, D3)，(D3, A1)，(D3, B3)和(D3, C2)。每个对子的第1个值表示最好，第2个值表示最差。若受访者选择A1作为最佳水平，C2作为最差水平，则可用条件Logistic模型表示受访者选择(A1, C2)的概率 边际模型 Marginal model BWS的数据分析方法之一。该模型假设某组分水平i的效用是选择集C中最大的，某组分水平j的效用是最小的。基于该假设并结合配对模型中提及的假设1和2。从选择集C中选择i为最佳和j为最差的概率，固定效用(v)的条件Logistic模型表示：$\begin{aligned} & \operatorname{Pr}(\text { best }=i, \text { worst }=j)= \\ & \frac{\exp \left(v_i\right)}{\sum_{p \subset C} \exp \left(v_p\right)} \frac{\exp \left(-v_j\right)}{\sum_{p \subset C} \exp \left(-v_p\right)} \end{aligned} $ Aizaki等[15]的研究详细阐述了该模型的应用。针对上述案例，边际模型认为有4种可能的最佳和最差水平，若受访者选择(A1, C2)，可解释为：在A1、B3、C2和D3中，A1的效用是最大的，C2的效用是最小的，可用条件Logistic模型表示受访者选择(A1, C2)的概率 边际序列模型 Marginal sequential model BWS的数据分析方法之一。该模型假设某组分水平i的效用是选择集中最大的，而j的效用是剩余K-1个水平中最小的(i≠j)。基于该假设以及假设1和2，可计算从选择集C中选择i为最佳和j为最差的概率，固定效用(v)的条件Logistic模型表示：$ \begin{aligned} & \operatorname{Pr}(\text { best }=i, \text { worst }=j)= \\ & \frac{\exp \left(v_i\right)}{\sum_{p \subset C} \exp \left(v_p\right)} \frac{\exp \left(-v_j\right)}{\sum_{p \subset C-i} \exp \left(-v_q\right)} \end{aligned}$ Aizaki等[15]的研究详细阐述了该模型的应用。基于上述案例，该模型认为受访者从4个水平中选择A1为最佳，从其余3个水平(B3、C2、D3)中选择C2为最差，进而可计算受访者选择(A1, C2)的概率 支付意愿 WTP 当纳入的组分中存在连续性变量(如收入)，可计算不同组分的边际替代率，即受访者愿意为某个组分支付或放弃的费用，进而反映其对各个组分的货币价值评价。具体计算方法为：采用Logistic模型获取各组分的估计系数(效用值)，进而计算WTP。$W T P=\frac{\text { 组分的估计系数 }}{\text { 连续性变量的估计系数 }} $ 在顾文勇等[11]的研究中，使用Rank-ordered Logistic模型获取各组分的回归系数，并将其与服务费用的回归系数相比，得出各组分的WTP。负值表示受访者愿意为获得该组分支付费用，而正值则意味着受访者需补贴才能接受该组分。如在服务效果中，提高生命质量的WTP为-60.58，则表示受访者愿意自付60.58元以换取提高生命质量的服务 BWS(best-worst scaling)：优劣尺度法；WTP(willness to pay)：支付意愿；BIBD(balanced incomplete block design)：平衡不完全区组设计 
下载: 导出CSV
表 2 SMA组分及其水平设置
Table 2 SMA components and their levels
组分 水平 解释 A=医防服务方式 A1=医防共同提供服务 临床和公卫医生在同时间同空间内为患者提供诊疗和健康管理服务 A2=医防分开提供服务 临床和公卫医生在不同时空先后为患者提供诊疗和健康管理服务 B=医防服务频率 B1=1次/月的医防服务 患者每月在固定时间参加1次门诊 B2=无固定医防服务频率 患者根据自己的意愿和时间安排就诊 C=健康教育课程形式 C1=线上健康教育课程 通过微信群向群内患者提供图文和语音的健康教育内容 C2=线下健康教育课程 采用传统线下健康教育课堂的形式向患者传递健康教育内容 D=健康教育课程频率 D1=医防服务同时开展 健康宣教与门诊开展的频率相同，即门诊当天完成相应的健康教育课程 D2=无固定健康教育课程频率 健康宣教与门诊开展的频率不同，需择期开展健康教育课程 E=患者就诊方式 E1=患者以小组就诊 多个(≥2)病情相似的患者组成1个小组，同时在1个诊室内接受服务 E2=患者独自1人就诊 每例患者单独接受服务 F=是否有亲友陪同就诊 F1=有亲友陪同 每例患者均有1位家属或朋友陪同就诊 F2=无亲友陪同 患者无亲友陪同，自行就诊 SMA: 同图 1
下载: 导出CSV
表 3 SMART项目服务提供方选择最佳和最差的计数分析结果
Table 3 Counting approach results for best and worst SMART provider choices
组分或水平 医防服务方式 医防服务频率 健康教育课程形式 健康教育课程频率 患者就诊方式 是否有亲友陪同就诊 A1 A2 B1 B2 C1 C2 D1 D2 E1 E2 F1 F2 最重要(Bi)[n] 45 18 14 41 16 39 37 14 18 9 8 2 最不重要(Wi)[n] 7 22 24 30 25 4 17 16 32 16 22 46 差值(BWi)[n] 38 -4 -10 11 -9 35 20 -2 -14 -7 -14 -44 标准化差值(standardized BWi) 0.288 -0.030 -0.076 0.083 -0.068 0.265 0.152 -0.015 -0.106 -0.053 -0.106 -0.333 BWi=Bi-Wi，standardized BWi=BWi/Nr
下载: 导出CSV
表 4 组分和水平配对的条件Logistic回归结果
Table 4 Conditional Logistic regression results for paired models with component and level variables
组分/水平 β值 SE值 95% CI P值 组分 医防服务方式 0.941 0.146 0.655~1.227 ＜0.001 医防服务频率 0.603 0.145 0.319~0.887 ＜0.001 健康教育课程形式 0.862 0.145 0.577~1.147 ＜0.001 健康教育课程频率 0.788 0.146 0.502~1.075 ＜0.001 患者就诊方式 0.360 0.142 0.081~0.639 0.011 是否有亲友陪同就诊(对照) - - - - 水平 医防共同提供服务 0.519 0.112 0.300~0.740 ＜0.001 医防分开提供服务(对照) - - - - 1次/月的医防服务 -0.270 0.114 -0.493~-0.047 0.017 无固定医防服务频率(对照) - - - - 线上健康教育课程 -0.551 0.112 -0.772~-0.331 ＜0.001 线下健康教育课程(对照) - - - - 医防服务同时开展 0.284 0.113 0.062~0.506 0.012 无固定健康教育课程频率(对照) - - - - 患者以小组就诊 -0.079 0.113 -0.302~0.143 0.485 患者独自1人就诊(对照) - - - - 有亲友陪同 0.367 0.111 0.149~0.586 ＜0.001 无亲友陪同(对照) - - - -
下载: 导出CSV
表 5 水平配对的条件Logistic回归结果
Table 5 Conditional Logistic regression results for paired modelswith level variables
水平 β值 SE值 95% CI P值 医防共同提供服务 1.828 0.218 1.400~2.256 ＜0.001 医防分开提供服务 0.789 0.213 0.371~1.207 ＜0.001 1次/月的医防服务 0.700 0.213 0.281~1.118 0.001 无固定医防服务频率 1.240 0.217 0.816~1.665 ＜0.001 线上健康教育课程 0.678 0.212 0.263~1.093 0.001 线下健康教育课程 1.781 0.219 1.352~ 2.210 ＜0.001 医防服务同时开展 1.440 0.218 1.012~1.868 ＜0.001 无固定健康教育课程频率 0.871 0.214 0.452~1.291 ＜0.001 患者以小组就诊 0.648 0.213 0.231~1.065 0.002 患者独自1人就诊 0.807 0.211 0.393~1.221 ＜0.001 有亲友陪同 0.734 0.223 0.298~1.171 ＜0.001 无亲友陪同(对照) - - - -
下载: 导出CSV
-
[1] Williams N J, Candon M, Stewart R E, et al. Community stakeholder preferences for evidence-based practice implementation strategies in behavioral health: a best-worst scaling choice experiment[J]. BMC Psychiatry, 2021, 21(1): 74. DOI: 10.1186/s12888-021-03072-x
[2] Salloum R G, Bishop J R, Elchynski A L, et al. Best-worst scaling methodology to evaluate constructs of the Consoli-dated Framework for Implementation Research: application to the implementation of pharmacogenetic testing for antidepressant therapy[J]. Implement Sci Commun, 2022, 3(1): 52. DOI: 10.1186/s43058-022-00300-7
[3] Irie W C, Kerkhoff A, Kim H Y, et al. Using stated preference methods to facilitate knowledge translation in implementation science[J]. Implement Sci Commun, 2024, 5(1): 32. DOI: 10.1186/s43058-024-00554-3
[4] 徐东, 陈江芸, 蔡毅媛. 实施科学的前世今生(上篇): 起源与发展[J]. 协和医学杂志, 2024, 15(2): 442-449. DOI: 10.12290/xhyxzz.2024-0023 Xu D, Chen J Y, Cai Y Y. Past and present of implementation science (part Ⅰ): origin and development[J]. Med J PUMCH, 2024, 15(2): 442-449. DOI: 10.12290/xhyxzz.2024-0023
[5] Flynn T N, Louviere J J, Peters T J, et al. Best--worst scaling: What it can do for health care research and how to do it[J]. J Health Econ, 2007, 26(1): 171-189. DOI: 10.1016/j.jhealeco.2006.04.002
[6] Ryan M, Kolstad J R, Rockers P C, et al. How to conduct a discrete choice experiment for health workforce recruitment and retention in remote and rural areas: a user guide with case studies[M]. Geneva: World Health Organization, 2012: 35.
[7] 杨惠芝, 王立敏, 李顺平. 离散选择实验和优劣尺度法在医药卫生领域联合使用及比较研究评述[J]. 医学与社会, 2022, 35(5): 102-107. Yang H Z, Wang L M, Li S P. Review on the combined use and comparative study of discrete choice experiment and best-worst scaling in the field of healthcare[J]. Med Soc, 2022, 35(5): 102-107.
[8] 宋奎勐, 孟庆跃, Scott A, 等. 利用离散选择实验研究卫生服务人员工作偏好的国际研究进展[J]. 中国卫生经济, 2012, 31(10): 91-93. Song K M, Meng Q Y, Scott A, et al. Analyzing health care providers' job preferences by discrete choice experiments: a literature review[J]. Chin Health Econ, 2012, 31(10): 91-93.
[9] 沈荣蕃, 祁小倩, 杨奇城, 等. 居民新冠疫苗接种意愿及选择接种偏好的优劣尺度法调查分析[J]. 现代养生, 2022, 22(12): 933-935. Shen R F, Qi X Q, Yang Q C, et al. Survey and analysis of residents' willingness to vaccinate COVID-19 vaccine and preference for vaccination[J]. Health Prot Promot, 2022, 22(12): 933-935.
[10] Norman R, Moorin R, Maxwell S, et al. Public attitudes on lung cancer screening and radiation risk: a best-worst experiment[J]. Value Health, 2020, 23(4): 495-505. DOI: 10.1016/j.jval.2019.11.006
[11] 顾文勇, 蒋明珠, 沈晓, 等. 基于优差测度法的慢性病患者对慢性病医防融合服务的偏好及支付意愿研究[J]. 中国社会医学杂志, 2022, 39(6): 720-724. DOI: 10.3969/j.issn.1673-5625.2022.06.026 Gu W Y, Jiang M Z, Shen X, et al. Study on the preference and willingness to pay of chronic disease patients to medical and prevention fusion service: based on best worst scaling method[J]. Chin J Soc Med, 2022, 39(6): 720-724. DOI: 10.3969/j.issn.1673-5625.2022.06.026
[12] Louviere J J, Flynn T N, Marley A A J. Best-worst scaling: Theory, methods and applications[M]. Cambridge: Cambridge University Press, 2015: 83-84.
[13] Severin F, Schmidtke J, Mühlbacher A, et al. Eliciting preferences for priority setting in genetic testing: a pilot study comparing best-worst scaling and discrete-choice experiments[J]. Eur J Hum Genet, 2013, 21(11): 1202-1208. DOI: 10.1038/ejhg.2013.36
[14] Aizaki H, Fogarty J. R packages and tutorial for case 1 best-worst scaling[J]. J Choice Model, 2023, 46: 100394. DOI: 10.1016/j.jocm.2022.100394
[15] Aizaki H, Fogarty J. An R package and tutorial for case 2 best-worst scaling[J]. J Choice Model, 2019, 32: 100171. DOI: 10.1016/j.jocm.2019.100171
[16] IDF Diabetes Atlas 10th Edition Scientific Committee. IDF diabetes atlas: Chapter 1 What is diabetes?[M]. 10th ed. Brussels: International Diabetes Federation, 2021.
[17] Shrivastav M, Gibson W, Jr, Shrivastav R, et al. Type 2 diabetes management in primary care: the role of retrospec-tive, professional continuous glucose monitoring[J]. Diabetes Spectr, 2018, 31(3): 279-287. DOI: 10.2337/ds17-0024
[18] Yuan B B, Balabanova D, Gao J, et al. Strengthening public health services to achieve universal health coverage in China[J]. BMJ, 2019, 365: l2358.
[19] Naik A G, Staab E, Li J, et al. Factors related to recruitment and retention of patients into diabetes group visits in Federally Qualified Health Centers[J]. J Eval Clin Pract, 2023, 29(1): 146-157. DOI: 10.1111/jep.13746
[20] Cai Y Y, He H, Chen Z, et al. Shared Medical Appoint-ment for diabetes (SMART) in China: design of an optimization trial[EB/OL]. (2024-03-21)[ 2024-09-01]. https://doi.org/10.21203/rs.3.rs-3987350/v1.
[21] 刘世蒙, 李顺平, 杨毅, 等. 离散选择实验应用于2型糖尿病患者治疗偏好的文献分析[J]. 中国药房, 2020, 31(20): 2524-2531. DOI: 10.6039/j.issn.1001-0408.2020.20.17 Liu S M, Li S P, Yang Y, et al. Literature analysis of the application of discrete choice experiment in the treatment preferences of patient with type 2 diabetes[J]. China Pharm, 2020, 31(20): 2524-2531. DOI: 10.6039/j.issn.1001-0408.2020.20.17
[22] Hollin I L, Paskett J, Schuster A L R, et al. Best-worst scaling and the prioritization of objects in health: a systematic review[J]. Pharmacoeconomics, 2022, 40(9): 883-899. DOI: 10.1007/s40273-022-01167-1
[23] 关丽征, 金岳, 滕菲, 等. 联合分析法在社区卫生服务选择偏好中的应用[J]. 中国全科医学, 2011, 14(16): 1758-1762. DOI: 10.3969/j.issn.1007-9572.2011.16.004 Guan L Z, Jin Y, Teng F, et al. Application of conjoint analysis in preference of community health services[J]. Chin Gen Pract, 2011, 14(16): 1758-1762. DOI: 10.3969/j.issn.1007-9572.2011.16.004
[24] Flynn T N. Valuing citizen and patient preferences in health: recent developments in three types of best-worst scaling[J]. Expert Rev Pharmacoecon Outcomes Res, 2010, 10(3): 259-267. DOI: 10.1586/erp.10.29
[25] 刘仲琦, 郝春, 顾菁, 等. 离散选择试验中试验设计步骤的实现: 基于SAS宏程序的应用[J]. 中国卫生统计, 2018, 35(6): 949-952. Liu Z Q, Hao C, Gu J, et al. Implementation of experimental design steps in discrete choice experiments: application based on SAS macro program[J]. Chin J Health Stat, 2018, 35(6): 949-952.
[26] Dobischok S, Metcalfe R, Matzinger E, et al. Measuring the preferences of injectable opioid agonist treatment (iOAT) clients: development of a person-centered scale (best-worst scaling)[J]. Int J Drug Policy, 2023, 112: 103948. DOI: 10.1016/j.drugpo.2022.103948
[27] Cheung K L, Wijnen B F M, Hollin I L, et al. Using best-worst scaling to investigate preferences in health care[J]. Pharmacoeconomics, 2016, 34(12): 1195-1209. DOI: 10.1007/s40273-016-0429-5
[28] Van Bulck L, Wampers M, Moons P. Research electronic data capture (REDCap): tackling data collection, management, storage, and privacy challenges[J]. Eur J Cardiovasc Nurs, 2022, 21(1): 85-91. DOI: 10.1093/eurjcn/zvab104
[29] Van Dijk J D, Groothuis-Oudshoorn C G M, Marshall D A, et al. An empirical comparison of discrete choice experiment and best-worst scaling to estimate stakeholders' risk tolerance for hip replacement surgery[J]. Value Health, 2016, 19(4): 316-322. DOI: 10.1016/j.jval.2015.12.020
[30] Janse S A, Dumanis S B, Huwig T, et al. Patient and caregiver preferences for the potential benefits and risks of a seizure forecasting device: a best-worst scaling[J]. Epilepsy Behav, 2019, 96: 183-191. DOI: 10.1016/j.yebeh.2019.04.018
[31] 罗楠晟. 基于离散选择实验的公共卫生与预防医学专业硕士研究生就业偏好研究[D]. 沈阳: 中国医科大学, 2023: 16-17. Luo N S. Research on employment preference of postgra-duates majoring in public health and preventive medicine based on discrete choice experiment[D]. Shenyang: China Medical University, 2023: 16-17.
[32] Cheung K L, Mayer S, Simon J, et al. Comparison of statistical analysis methods for object case best-worst scaling[J]. J Med Econ, 2019, 22(6): 509-515. DOI: 10.1080/13696998.2018.1553781
[33] Mühlbacher A C, Kaczynski A, Zweifel P, et al. Experimental measurement of preferences in health and healthcare using best-worst scaling: an overview[J]. Health Econ Rev, 2016, 6(1): 2. DOI: 10.1186/s13561-015-0079-x
[34] Cohen S H. Maximum difference scaling: improved measures of importance and preference for segmentation[R]. Provo, UT: Sawtooth Software Inc., 2003.
计量
- 文章访问数: 414
- HTML全文浏览量: 71
- PDF下载量: 59
