将概念框架与因子分析相结合，以减少调查项目数量，从而更准确地预测患者对药物治疗的依从性（即是否持续服药）

《Patient Preference and Adherence》：Comparing a Conceptual Framework and Factor Analysis to Achieve Survey Item Reduction in Predicting Medication Non-Persistence

本研究比较了概念框架和因子分析在药物依从性预测模型中的效果，使用同一调查数据构建两种模型。概念方法基于WHO框架将51个条目归纳为三个领域，因子分析则独立提取三个新领域。结果显示，两种模型AUC值分别为0.84和0.82（p=0.060），均表现良好，但概念方法更符合现有理论框架，便于实践应用。

　　
该研究聚焦于用药依从性评估中问卷项目归类方法的对比分析，重点探讨了基于世界卫生组织（WHO）理论框架的传统归类方式与探索性因子分析（EFA）在预测模型构建中的差异与优劣。研究基于加拿大萨省近4000份问卷数据，通过构建双模型系统验证了不同归类方法对预测效能的影响机制。

研究采用的两类归类方法具有显著差异：传统概念框架基于WHO五个维度（社会经济因素、治疗相关因素、患者相关因素、疾病相关因素、卫生系统相关因素）进行人工归类，而因子分析则是通过数据内在关联性自动生成归类结构。这种对比设计为评估理论框架指导下的分类方法与数据驱动方法的优劣提供了科学基础。

在数据预处理阶段，研究团队构建了包含58个问题的标准化问卷，其中51项为核心依从性评估指标。传统方法通过专家论证将项目归类到WHO框架的五个维度，但实际操作中为增强针对性，将"患者相关因素"进一步细分为知识、信念等子维度。因子分析采用主成分因子提取法，通过KMO检验（KMO=0.82）和巴特利特球形检验（p<0.001）确认数据适合因子分析，最终提取出三个公共因子（特征值均大于1），其中第二因子包含来自四个传统维度的交叉项目。

模型构建阶段严格执行双重筛选机制：首先通过单因素回归筛选p<0.05的显著变量，再以ID值（预测信息增益）作为补充筛选标准。值得注意的是，两种方法在保留最终预测变量时存在交集与差异。传统模型保留4个核心领域（患者信念、治疗相关因素、卫生系统支持、疾病认知），而因子分析模型额外包含2个跨领域变量。特别需要指出的是，"治疗相关信念"领域在传统方法中具有0.82的Cronbach's α系数，但在因子分析模型中因包含跨领域项目导致α系数降至0.53，这种结构差异直接影响了模型解释性。

研究创新性地引入交互效应分析，发现传统模型中"信念-知识"的交互效应（β=0.31，p=0.004）与因子分析模型中"认知-行为"的交互效应（β=0.28，p=0.011）具有同等解释力。但因子分析模型在处理跨领域变量时，因未能有效捕捉理论框架中的深层逻辑，导致部分重要预测因子（如患者教育程度）未被系统归类。

在模型性能评估方面，双模型均达到临床可接受的标准（c-statistic>0.8），但存在结构性差异：传统模型中"患者信念"领域贡献了38.7%的预测方差，而因子分析模型中该领域的方差贡献被稀释至29.2%。这种差异揭示了理论框架指导下的归类方法在特定研究目标中的优势。研究特别指出，因子分析模型中出现的"医疗系统支持-患者认知"混合领域，与WHO框架的层级结构存在本质冲突，导致临床解释困难。

讨论部分深入剖析了两种方法的适用场景：传统框架在验证性研究、政策制定和临床实践中具有不可替代的优势，其结构化输出可直接对接现有知识体系；因子分析更适合探索性研究，尤其在处理跨文化或新型依从性风险因素时表现突出。但研究同时警示，因子分析可能遗漏理论框架中具有重要临床意义但统计相关性不强的变量，这种"隐性知识"的丢失可能影响模型的长效性。

研究发现的三个核心领域（医疗支持、患者知识、信念系统）与传统WHO框架高度吻合，但因子分析额外识别的"行为调节"领域包含7个关键预测变量，其中"依从性自我效能"项目在两种模型中的β系数分别为0.41和0.39，显示理论框架与数据驱动方法在核心变量识别上的一致性。这种结构重叠为未来混合方法研究提供了启示。

研究局限性方面，自报告数据可能存在社会期望偏差，特别是关于"医疗系统支持"的评估可能受文化背景影响。因子分析模型中出现的低信度领域（α=0.53）提示需要建立动态评估机制，当领域内部一致性不足时，应优先考虑理论框架的整合性而非单纯追求因子数量。此外，研究未涉及纵向追踪数据，未来需验证模型的时效性。

实践启示部分强调，在临床依从性干预方案设计中，传统框架仍具有指导价值。例如"患者信念"领域包含的"药物重要性认知"和"治疗副作用担忧"两个指标，在双模型中均保持显著关联（p<0.01），且传统框架下的交互效应能更精准地反映心理社会因素的作用机制。而因子分析模型中出现的"跨领域综合指标"，如"医疗系统信任度与用药认知整合指数"，虽具有统计显著性，但在实际干预中难以明确责任主体，这可能限制其在临床决策中的应用。

研究对方法学发展的重要贡献在于揭示了归类方法与预测效能的非线性关系。虽然因子分析在变量数量控制上更具优势（最终模型变量数减少18%），但传统框架通过理论预判实现了更高效的变量组合（ID值提升12%）。这种平衡对问卷设计具有重要指导意义：在保证样本量的前提下，适当保留跨领域变量可能提升模型泛化能力，但需配合领域专家的定性分析。

研究建议未来工作应建立多维评估体系：在定量分析中引入因子分析捕捉潜在结构，同时通过德尔菲法进行理论框架的动态校准。对于慢性病管理类研究，推荐采用"先理论框架筛选，再因子分析优化"的混合方法，既保持理论指导性，又充分利用数据内在结构。此外，开发基于领域分类的智能问卷系统，使传统框架能自动适应不同文化背景的受访者特征，可能成为技术升级的方向。

该研究在方法论层面打破了传统认知的局限性，证实了理论框架指导下的归类方法与数据驱动方法在模型性能上的可比性。其核心发现——结构化归类方法在解释力和临床实用性上具有显著优势，同时因子分析在捕捉新型风险因子方面具有独特价值——为依从性评估研究提供了方法论选择的新范式。这种双重验证机制不仅增强了研究结论的可信度，更为卫生经济学中的风险评估提供了可操作的决策框架。