《Frontiers in Health Services》：Construct validity and internal reliability of the healthcare provider performance scale
编辑推荐：
本文系统开发并验证了医疗工作者绩效量表（HCPP），该量表涵盖反馈与组织支持（FOS）、环境与工具（ET）、激励与后果（IC）、健康状况（HS）、工作-家庭冲突（WFC）及医疗工作者绩效（HCP）六大维度。研究采用探索性因子分析（EFA）和验证性因子分析（CFA），结果显示量表具有优异的内部一致性（Cronbach's α=0.837）和良好的构念效度（CFI=0.91，RMSEA=0.08），为评估医疗工作者绩效提供了可靠工具，对优化医疗人力资源管理和服务质量提升具有重要意义。
引言
有效的医疗服务提供依赖于医疗工作者的绩效，其在保障服务质量、患者安全和系统效率方面发挥着关键作用。随着医疗系统日益资源受限和复杂化，评估医疗工作者绩效（HCPP）的需求不断增长，因为绩效受到组织、个体、心理和情境因素的多维影响，例如反馈系统、工作环境、激励与后果、健康状况和工作-生活平衡等。文献显示，不同医疗系统、国家和情境下与HCPP相关的因素存在显著差异，目前尚无统一的领域或通用测量量表。现有测量工具往往独立关注有限方面的因素，未能全面捕捉不同医疗环境中影响绩效的组织和个体因素。此外，在沙特阿拉伯医疗系统的背景下，缺乏能够全面捕捉HCPP及相关因素的情境相关、标准化测量工具，这限制了跨研究的可比性以及为实践和政策提供信息的能力。
沙特阿拉伯正在根据“2030年愿景”进行重大卫生部门转型，其中卫生人力资源是实现国家愿景的关键推动力。这一国家议程与世界卫生组织的《2030年卫生人力资源全球战略》保持一致，该战略的第一个战略目标是优化绩效。从卫生部门和管理角度来看，准确测量绩效的影响在于提高组织效力和医疗服务提供。此外，绩效测量被广泛报道为支持战略调整、运营决策和劳动力管理的工具。人口健康管理和医疗服务提供依赖于HCPP，因为相关因素可能导致绩效水平低下，从而加剧健康不平等和医疗服务质量差的问题。因此，有效可靠的工具可以支持管理和卫生部门进行绩效基准测试，为劳动力发展战略提供信息，并指导旨在提高医疗质量和服务提供的干预措施。
为了解决这一需求，本研究开发并验证了一个多维量表，用于评估沙特阿拉伯不同医疗环境中的HCPP。该工具旨在评估不仅绩效结果，还包括影响提供者行为和效力的组织和个体层面决定因素。采用了严格的方法，包括探索性因子分析（EFA）、内部信度和验证性因子分析（CFA）。
仪器开发
该仪器的开发基于先前研究的框架，因为该框架已在许多国家经过实证检验。随后执行了多次焦点小组讨论，涉及来自不同专业的医疗工作者，如专职医疗人员、医生和药剂师，这导致在达到每个焦点小组推荐参与者数量的主题饱和后修改了HCPP维度。此外，Fleiss' kappa关于焦点小组和合作研究者确认之间的一致性水平的结果报告了93.75%的评估者间信度，修改后的因素对于沙特阿拉伯背景的自由边际kappa为93%，置信区间为0.78–1.00。因此，HCPP量表的最终维度包括医疗工作者绩效（HCP）、反馈与组织支持（FOS）、知识与技能（KS）、清晰的工作期望（CJE）、环境与工具（ET）、激励与后果（IC）、健康状况（HS）和工作-家庭冲突（WFC）。随后，本研究根据文献生成项目，为德尔菲技术做准备。先前框架的项目被完全相同地使用，而其他生成主题的项目，如WFC项目，则从先前的量表中提取，因为它们在文献中的权重和在许多国家的长期实证测试，为评估该领域提供了可靠的项目。此外，HS领域项目是从先前在许多人群和背景下使用的声誉良好的量表中提取的。最后，HCP领域通过通用项目采用，因为这些项目在许多行业和环境中使用，包括医疗保健。在该量表中，评分基于五点李克特量表。
为了确保内容验证的适用性和适当性，咨询了两位德尔菲专家来评估量表，以基于德尔菲方法建立共识，遵循先前研究的建议。在德尔菲技术之后，一个由20名在医疗绩效方面具有丰富知识和经验的医疗专业人员组成的小组对量表进行了三轮评估。这个迭代过程一直持续到就内容和结构达成共识。量表的内容效度指数（CVI）为0.89。此外，还进行了一个小规模代表性样本的试点测试，以改进项目措辞和/或消除歧义。
HCPP量表的维度
经过内部一致性信度和因子分析后，HCPP量表包含39个项目，旨在评估与医疗工作者绩效相关的因素[见补充文件S1]。该仪器评分基于从不到总是的李克特量表。
反馈与组织支持
该领域由三个项目组成，旨在评估医疗工作者经历的与绩效相关的互动和组织支持。它包括设计用于评估员工从评估者那里收到口头和书面审查以及关于其绩效的一般反馈和完成反馈的频率的陈述。此外，它还检查六个月内监督的规律性，组织让员工积极参与工作的程度，以及组织是否忽视了他们发挥最佳绩效的需求。此外，它还涉及员工导向计划的提供。受访者被要求使用五点李克特量表（总是、经常、有时、很少、从不）指出这些事件发生的频率，为每个陈述选择最合适的回答。该构念在医疗工作者中显示出良好的内部一致性（Cronbach's α=0.793）。
环境与工具
该领域由四个项目组成，评估员工认为其工作场所充足的频率，以及他们是否有有效履行职责所需的设备、仪器和用品。它还检查对工作规章的满意程度以及员工体验积极组织文化的频率。该构念在医疗工作者中显示出良好的内部一致性（Cronbach's α=0.906）。
激励与后果
该领域由两个项目组成，旨在评估员工因其绩效而经历的奖励或惩罚的频率和类型。本节探讨员工从雇主那里获得非货币激励的频率，以及他们因绩效不佳而面临抑制因素的频率。该构念在医疗工作者中显示出良好的内部一致性（Cronbach's α=0.838）。
健康状况
该领域由三个项目组成，旨在评估员工的整体身心幸福感。这些陈述探讨了健康相关限制和情绪状态的频率。这些包括受访者经历日常活动限制的频率，以及他们遇到疼痛或面临社交活动限制的频率。该构念在医疗工作者中显示出良好的内部一致性（Cronbach's α=0.800）。
工作-家庭冲突
该领域由两个项目组成，侧重于理解家庭责任影响员工职业生活的程度。本节中的陈述评估家庭需求干扰工作相关活动的频率，以及家庭事务影响绩效的程度。该构念在医疗工作者中显示出良好的内部一致性（Cronbach's α=0.792）。
医疗工作者绩效
该领域由三个项目组成，其陈述探讨个体能够计划和按时完成工作、专注于期望结果以及有效设定优先级的频率。本节还评估了良好管理时间的能力以及在先前任务完成后独立启动新任务的能力。该构念在医疗工作者中显示出良好的内部一致性（Cronbach's α=0.801）。
HCPP的其他维度
鉴于初始EFA表明了一个六因子结构，知识技能和清晰工作期望领域最初被纳入分析。然而，这两个领域下的几个项目显示出弱的因子载荷或显著的交叉载荷，未达到保留的最低阈值。因此，这些领域在EFA细化过程中被排除。随后的CFA进一步证明，移除这两个领域显著改善了模型的整体拟合度和心理测量特性。排除知识技能和清晰工作期望的决定在概念上也得到了支持。原始测量框架通过添加新领域并应用于不同地理和文化背景的不同人群进行了调整。这需要重新评估工具的结构效度，以确保情境相关性和概念一致性。因此，采用EFA实证评估项目在这个新环境中如何分组，确保改编后的仪器既保留了构念效度又保持了内部一致性，随后通过CFA得到确认。
材料与方法
本研究采用横断面设计，使用多阶段分层整群抽样技术，按比例分配，其中人群在13个行政区域进行聚类，然后在每个区域内按专业类别对医疗工作者进行分层，以确保沙特阿拉伯的公平代表性，基于卫生部统计手册中报告的医疗工作者分布。初始估计样本量为384，使用标准公式从总医疗工作者人口264,327中计算得出，通过一个在线网站，假设95%置信度，误差幅度为0.05，人口比例为0.5。为了考虑分层引入的复杂性，应用了设计效应（乘以300%），将样本量增加到1,152。这种调整解决了层内同质性并增强了跨区域和专业的统计功效。按比例分层确保响应不被利雅得和麦加等人口稠密地区主导，同时仍然从阿尔巴哈和北部边境等较小区域捕获数据。此外，样本量向上取整至1,153，以保证每个行政区域和每个相关阶层至少包括一名参与者，包括关键专业，如医生、专职医疗人员和药剂师。这种方法还支持不同临床角色之间的比较分析，确保样本反映了沙特阿拉伯各地区医疗工作者经验的全部范围。使用以下公式确定分层抽样设计中分配给每个区域的按比例样本量，基于所有区域医疗工作者的总人口。
其中：
区域人口=每个区域医疗工作者的数量。
总人口=264,327（所有13个区域医疗工作者的总数）。
总样本量=1,152（应用设计效应3后）。
参与者
许多变量的分析，如CFA，通常过于复杂而无法进行前瞻性功效分析。关于观察变量和潜在变量的临床差异和标准差知之甚少。尽管如此，我们使用了样本量方法（从完整数据集中随机抽取两个独立子样本，一个用于EFA，另一个用于CFA），如文献中所推荐，该方法涉及100样本量=一般，200样本量=良好，500样本量=非常好，以及>1,000=优秀。
先验模型
由于原始框架通过添加两个领域进行了修改，并应用于新地理和文化背景下的不同人群，因此有必要重新评估测量工具的基础结构。因此，进行了EFA以实证评估项目在这个新环境中如何分组。这一步确保了修改后的仪器保留了概念清晰度和构念效度。尽管如此，数据使用Kaiser-Meyer-Olkin（KMO）抽样充分性测量和Bartlett球形检验进行了评估。在EFA之后，进行了CFA以测试出现的因子结构的稳定性和拟合度。在验证新背景下改编仪器时，同时使用EFA和CFA是一种标准且稳健的方法。CFA通过方差最大因子分析执行，以确定被评估仪器中因子的性质和数量。该分析产生了六个因子。该模型是基于比较方差最大与主轴和斜交旋转而选择的。后一种模型更现实，并揭示了这些因子之间的相关性。
统计分析
验证使用AMOS版本26.0中的验证性因子分析执行。结果表明，最终CFA模型中应包含6个因子。CFA模型的拟合使用最大似然估计。鉴于原始和修改后的χ2在样本量方面通常存在向上偏差。为了测试大样本量的影响，我们随机选择并减少了样本量，随后执行了事后分析，导致新的原始和缩放χ2值为1,093。χ2随着样本量的减少而显著降低，这与先前和其他研究一致。因此，估计了替代指数；GFI大于0.9被认为是一个良好的拟合。近似均方根误差（RMSEA）通过评估参数对总体协方差矩阵的拟合来评估模型拟合，RMSEA值小于0.08表明可接受的拟合。HCPP量表的内部一致性使用Cronbach's alpha进行评估。为了评估收敛效度，评估了每个构念的平均方差提取量（AVE）与其与其他构念的相关性。如果AVE大于该构念与其他构念的相关性，则认为收敛效度得到确认。当所有构念的最大共享方差（MSV）和平均共享平方方差（ASV）都低于平均方差提取量（AVE）时，判别效度就确立了。每个子量表的
