在線健康社區中醫生口碑對患者選擇的影響研究

徐孝婷 楊夢晴 宋小康

關鍵詞：在線健康社區;醫生口碑;患者選擇;線性回歸;好大夫在線

“互聯網+醫療”國家戰略推動移動醫療行業的飛速發展，在線健康社區成為時代發展的產物，不僅有效緩解了“看病難”現狀，且對由信息不對稱而引發的一系列“醫患糾紛”的社會問題也發揮了積極作用，患者可以在線預約、電話咨詢、查看醫生信息、了解醫院動態等。目前以醫患互動為代表的在線健康社區主要有好大夫在線、春雨醫生等，虛擬的網絡環境給服務過程帶來了不確定性感知，患者對于健康信息服務的選擇沒有足夠把握，存在潛在風險和未知，但平臺中會公布醫生的學歷、職稱、所在醫院、價格、態度、療效、患者投票、發表文章等等多方面信息，這在一定程度上緩解這一現狀并給患者選擇時提供了一定參考。同時伴隨Web2.0時代的發展，用戶不再僅是信息的消費者更是信息的生成者，尤其是各類評價系統帶給用戶廣泛的參與感，如豆瓣評分、淘寶評價、星級打分、排行榜等，用戶可以以點贊、評論、打分、贈送虛擬禮物等多種形式表達個人體驗，由此形成了大量的用戶生成內容（UGC），而這些內容對于不同行業來說也是口碑的一種體現，分值高、評價好的內容可提高影響力、知名度進而增加銷量，反之會產生不好的聲譽等負面的影響。對應于在線健康社區中，一些醫生的數據如感謝信、禮物、評論等正是患者生成內容的一種表現給其他患者決策提供支持。

以往對口碑的研究多集中在對消費者購買的影響研究.Hennig-Thurau T等認為網絡口碑是用戶根據親身經歷將產品或商家的正面或負面的評論通過網絡發布出來，給其他用戶提供有價值的參考依據，口碑對消費者購買行為、認知[、持續使用、滿意度以及產品銷量具有顯著影響。李維安在研究淘寶的交易數據時.將賣方好評率和差評率同時作為在線口碑來研究：Liu Y對某部電影的網絡評論進行研究，評論數量與電影的票房有顯著關系，而正、負面口碑與票房關系并不顯著。在網購平臺中可知，只有當消費者對購買的商品很滿意或很不滿意才會愿意付出時間進行評價，評論數量多反映出消費者對此商品的關注，同時也體現了一定的高銷量。而在健康領域中，醫生的口碑被學者們用來探索對患者選擇的影響，Rothenfluh F等認為基于評論的網站，用戶選擇酒店和選擇醫生行為具有很大差異：Gao G G等通過研究5年內患者對醫生的在線評分探索醫生服務質量，發現評分高低對患者選擇明顯相關;孫磊研究移動醫療中的用戶服務選擇，以春雨醫生為例，發現在線醫生口碑（用戶評價、粉絲數和心意）對用戶服務的選擇具有顯著影響;郭東飛以信任為中介變量.通過問卷調查的方法得出在線醫療中網絡口碑的數量、質量、時效性對購買意愿具有正向影響：DiMatteo M R等發現醫生和患者之間具有交流且醫生表現出關心會對患者選擇過程具有重要影響：Melissa Ti-Ting Hsu發現當與醫生口碑有關的信息數量少時，患者會擴大選擇醫生的范圍、延長選擇時間等，反之當存在較多口碑信息時，患者因無法判別會減少選擇范圍和選擇時間;醫生口碑作為醫患互動的產物，不僅需要醫生注意自己的一言一行、醫德道德等來規范、約束和激勵醫生的行為，同時為患者選擇醫生提供了“信號”。以往對醫生口碑的研究多集中在概念、問卷調查的主觀維度，對醫生口碑的測量缺乏實際數據和時間維度的衡量，沒有形成較成熟的理論模型?；诖?，提出本研究中涉及的研究問題：1）哪些指標可以衡量醫生口碑？這些指標與患者選擇之間有什么關系？2）不同疾病風險對醫生口碑和患者選擇之間的關系有沒有調節作用？本研究以好大夫在線中的醫生數據為基礎，探索性分析不同醫生口碑的指標對患者擇醫的影響，并分析不同疾病風險的調節作用。在當前時代背景下，了解用戶的行為對于指導在線健康社區的發展至關重要，同時明確患者的需求也是醫生更好提供健康服務的基礎。

1理論基礎

1.1醫生口碑與患者選擇

國內外學者對醫生評價的數據定義不同，有學者統稱為口碑（Word of Mouth）、有的稱之為聲譽（Reputation），而兩者之間往往也存在很多指標上的重疊，本文不作區分將其統稱為口碑，并認為醫生口碑為一切可以反映醫生技術能力、行為表現的信息。對于醫生口碑的表示，有學者認為是患者最關心的療效和態度，如Gronroos C認為醫生口碑主要反映了服務質量，服務質量包含技術質量和功能質量，Lu N J等將技術質量和功能質量用好大夫在線平臺中醫生療效和態度表示，通過回歸分析發現好大夫在線中醫生的態度和療效正向影響患者的預定和選擇服務。實際就診中，患者選擇醫生可能更多關注療效，療效好反映出醫生醫術高，患者具有較高的期望，但醫生提供健康服務過程中的行為舉止也會影響患者的情緒和對醫生技術的感知，醫生態度好、表達關心給患者親和感，患者更能清楚表達個人健康需求。還有的學者選取具體的指標進行衡量，如國內學者曾宇穎以好大夫在線的患者為研究對象，僅利用醫生收到的感謝信這一指標反映醫生口碑.雖然在論證結果中發現感謝信數量顯著且正向影響患者擇醫，但顯然這樣選擇不夠全面：馬騁宇認為患者為了表達對醫生的感謝，會通過贈送虛擬產品、感謝信的方式表達，這是醫患互動的方式之一：Deng z H等抓取好大夫在線中的面板數據，用訪問數、患者投票、禮物、感謝信表示醫生聲譽，得出訪問數和患者投票顯著影響患者選擇，禮物不顯著且感謝信只在固定效應模型中顯著。還有學者認為患者的評價能夠反映醫生的一些表現.已有研究表明評論會對消費者購買意愿具有顯著影響，消費者在決策前經常需要依賴商品的在線評論，在線評論是反映口碑的形式之一。Widmer R J通過研究醫生有無負面評論分析對患者滿意度的影響，結果發現有負面評價的醫生和沒有負面評價的醫生之間的滿意度并無差異;Ryan T等以大學耳鼻喉科為例，選取16名主治醫生的滿意度數據，研究發現在線評價時間和評分無關、評分與患者滿意度無關;Diana G等以好/差排名研究對用戶酒店預訂行為的影響，結果發現當排名為好時.評論數量決定用戶的信任進而選擇酒店，反之排名很差則評論數量對信任不產生影響?？梢?，由上述已有研究發現醫生態度、療效、患者的打分、評價數量以及評價好壞都會對患者的選擇以及滿意度具有一定的相關關系。

1.2疾病風險的調節作用

已有對消費者的研究發現，消費者購買決策行為會因商品類型和消費者特征的調節作用而產生不同的影響。在醫療環境中，對于患有不同疾病的患者，其對健康信息質量的認知需求和涉人度不同;相較于疾病風險低的患者，高風險疾病的患者對醫生展示的事實型信息具有更大的認知需求.認知需求會影響用戶對信息加工處理的程度，認知需求高的患者可能會有更大的動機去付出更多的認知努力，處理與醫生自身相關的事實型信息，即具有高涉人度，疾病風險高的患者會有更高的涉入度。也有研究已經表明醫生會根據患者所患疾病的差異進行不同的健康服務來滿足不同的健康需求，病人所患疾病如果較輕時，患者會較多在意與醫生的交流，此時醫生的關心對患者滿意度影響較大，故高風險疾病的患者會更關注療效而忽略態度，而低風險疾病的患者則相對療效會更在意態度。正是患者的差異性決定了其不同的健康行為，尤其是當患者就診病情不同時，可能會產生不同健康需求，對應于其選擇行為也會發具有差異性。

1.3小結

在好大夫在線平臺中.患者就診后可對醫生的態度和療效進行打分，每位醫生的主頁都會展示其態度滿意度和療效滿意度的百分比：同時患者在結束診療后可對醫生的服務進行反饋.好的體驗患者可撰寫感謝信表示對醫生的感謝、贈送禮物表達對醫生的信任和認可：而其他不同體驗還可以通過寫評論的方式表達診療服務過程中的真實體驗和詳細治療情況，同樣會展示在醫生的主頁上，每個醫生的主頁中會展示獲得的評論數量以及具體的評論內容，有的醫生獲得評論數量較多而有的則較少，其中的評論有表達是醫生支持認可的，也有對醫生不好的評價，結合已有文獻以及具體平臺中的數據，本研究認為態度、療效、感謝信、禮物以及評論數量及評價隋感傾向值6個指標可以用來初步反映醫生口碑，將作為本文的自變量開展研究。同時好大夫在線中涉及的疾病數據繁多，筆者認為當患者疾病風險較高時，會更重視謹慎、不接受不利因素的存在，一旦發現分值低、評論差會影響患者的信任和選擇，如果患者癥狀很輕微，此時的選擇就變得隨意快速，因此本研究選取疾病風險作為調節變量來探索其對醫生口碑與患者選擇之間關系的影響。最后對于患者選擇的測量本研究參照多數學者采用的醫生總咨詢量來表示。

2數據采集

本研究的樣本選擇來自好大夫在線，該平臺創立于2006年，目前包含全國近萬家醫院和注冊醫生已高達59萬，具備雄厚的醫療資源和服務，其主要服務有：在線診療、電子處方、送藥上門、遠程會診、專家手術、預約轉診、家庭醫生等，是較為成熟的醫患互動平臺之一具有典型性。疾病類型選擇消化內科，涉及食管、胃、小腸、大腸、肝、膽及胰腺等多種類型疾病，需要醫生醫學知識面廣，操作復雜而精細，所以注冊的醫生是獲得內科專科醫師資格，醫生資歷較高且數據完整。數據的獲取利用自編程序借助Python爬取好大夫在線上的真實醫生數據，抓取時按照疾病分類抓取消化內科常見疾?。ò赴⒏斡不?、便秘、消化不良）活躍度高的醫生，活躍度根據主頁中顯示最近一次登錄時間在1個月以內的醫生同時這些醫生的數據信息也較為完善。爬取時間為2019年1月6號和2019年3月6號，時間間隔為2個月，兩次分別抓取數據10970條和9963條（其中部分醫生數據在第二階段缺失），最終經過清理后共獲取有效數據8649條數據.本研究涉及的具體變量以及變量解釋見表1。

需要說明的是：1）因醫生開通線上服務的時間有差別，有的文章直接用總咨詢量進行分析本研究認為是不合理的，相對來說開通時間較早的醫生其累計的患者咨詢量也就較多，不能反映單位時間內患者選擇的情況，本研究選擇兩個時間段各變量的變化量作為進行分析.反映的一段時間內醫生各項口碑數據變化會對咨詢量變化的影響情況，分析相對較為合理。2）態度和療效的數值并沒有像其他研究直接用平臺中提供的數據，本研究選擇活躍度較高的醫生.在通過抓取數據分析發現好大夫在線中這些醫生的態度和療效的分值都較高，基本都在95%左右且個體差異較小，分析不具有意義。筆者發現好大夫在線“全部分享”中的評價系統有對醫生態度和療效打分，打分包含很滿意、滿意、一般、不滿意、很不滿意5個等級，本研究將其賦值為{很滿意、滿意、一般、不滿意、很不滿意}={5、4、3、2、1}，這樣同樣可以反映出每個醫生態度和療效的分值且樣本差異性較高，符合數據分析要求。3）評論情感傾向的取值，根據患者的評價，賦值為{好評、有好有差、差評}={1、0、-1}，通過計算獲得每個醫生的評論情感傾向值，能夠較好地表示該醫生的評論傾向，值越大表示醫生獲得患者的好評越多。4）按照《醫院分級管理標準》將醫院等級劃分為一級、二級、三級，一級指直接為社區提供醫療衛生服務的基層醫院為主;二級指跨多個社區的地區性醫院為主、三級以跨地區、省市向全國范圍提供服務的技術中心醫院為主。

3數據分析

3.1變量描述

通過對兩個時間段抓取的數據進行描述統計，首先是對8649位醫生基本情況的介紹，可見好大夫在線中，醫生學歷分布中，博士比例達75.49%、碩士達21.22%;職稱分布中主任醫師占73.70%、副主任醫師占23.32%;所在醫院等級的分布中三級醫院有83.43%、二級醫院16.12%，具體見表2;可以發現高學歷、高職稱、高醫院等級占據比例近95%，這說明好大夫在線具有雄厚的醫療資源和實力，提供在線健康服務的醫生水平都較高，這為患者提供服務鑒定了良好的基礎。

對于自變量和因變量的描述.可以發現兩個時間段各個變量的極小值、極大值、均值以及標準差變化不大，同時好大夫在線中態度、療效、感謝信、禮物、評論都是累積數據，所以一般第二階段的極大值和均值都較第一階段要大，具體見表3。變量描述結果說明8649位醫生在兩個時間段的口碑數據和咨詢量并沒有發生較大改變，但不同醫生的態度、療效、感謝信、禮物、評論數據偏度較大，數據沒有呈現正態分布。為了既不改變數據性質又增加數據的穩定性.在后期的研究中將需要對所有變量數據進行log對數轉換進行分析。同時由數據散點圖可以發現呈現一定的線性走勢且各數據沒有表現出明顯的非線性特征，下一步本研究將建立線性回歸模型研究醫生口碑的影響。

3.2模型構建

首先本研究中涉及的3個控制變量是學歷、職稱、醫院等級，分別屬于4分類、3分類和3分類變量，為了探索其控制作用需要引入3個虛擬變量，其中Eieducation表示學歷是博士、碩士、學士或其他;Fititle表示職稱是主治醫生、副主任醫師或主任醫師;Girank表示醫院等級是一級、二級或三級，虛擬變量構建如下：

進一步將所有虛擬變量和自變量引入函數模型，建立多元線性回歸函數，建模函數（a）如下：

3.3模型擬合

本研究自變量以及因變量利用兩個時間段的變化量進行運算，采用多元線性回歸方法分析療效、態度、感謝信、禮物、評論數以及評論情感傾向值等與患者選擇之間的關系，根據上節建立的多元線性回歸模型，利用最小二乘法（OLS）對進行數據擬合，結果如表4。該部分構建了兩個模型，模型1是只有控制變量，模型2是在模型l的基礎上再引入自變量。對于模型1：R2=0.281、F8649=18.334;對于模型2：R2=0.693說明解釋變量對被解釋變量的解釋程度為69.3%.解釋程度較高則擬合優度較好;F8649=65.132可知模型整體顯著，同時VIF均小于10表明各變量之間不存在多重共線性，可見大多醫生口碑數據是顯著性的，但也存在部分不顯著的情況，具體分析如下。

由表4模型2可見，對于虛擬變量的t檢驗，只有醫生職稱為主任醫師時顯著，其他虛擬變量都不顯著，即醫生學歷和所在醫院等級對患者的選擇并沒有直接影響，患者較多關注的只有醫生職稱，且職稱為主治醫師時患者會更關注其口碑：對于自變量：療效對應的系數β1=1.933>0（在p<0.1下顯著），表示療效與咨詢量之間是正相關，可以說明好大夫在線中醫生療效值較高時.會給將要選擇醫生的患者更高的信任感和認可度，從而增加醫生的咨詢量，即療效好促進患者的選擇;態度對應的系數β2=1.870>0（在p<0.1下顯著），表示態度與咨詢量之間是正相關，同樣說明醫生態度數值高，會給即將選擇醫生的患者一種親切感和好的期望，從而促進咨詢量的提高，即態度好促進患者的選擇;禮物數量對應的標準化系數β3=1.231>0（在p<0.1下不顯著），表示醫生獲得的禮物數量與咨詢量之間是不相關的，醫生禮物數量多并不會促進患者選擇，這可能由于好大夫在線中禮物的贈送是需要付費的，有的患者在就診后有意愿對醫生表示感激，但由于需要支付一定金額的費用，部分患者會拒絕，因此醫生收到的禮物數并不能完全代表患者對醫生口碑的評價：感謝信數量對應的標準化系數β4=0.119>0（在p<0.05下顯著），表示感謝信數量與咨詢量之間是正相關.醫生收到的感謝信數量越多同樣表明對醫生的認可，感謝信數量多可刺激其他患者的選擇進而增加咨詢量：評論數量對應的標準化系數β5=0.253>0（在p<0.05下顯著），表示評論數量與咨詢量之間是正相關，即醫生收到的評論數量越多反映出該醫生受到較多的關注，會刺激患者的選擇進而咨詢量增多：評論情感傾向值對應的標準化系數β6=1.095>0（在p<0.05下顯著），表示評論情感傾向值與咨詢量之間是正相關.即醫生收到的評論情感傾向值越高表明該醫生好評較多，好評多表示醫生服務質量高可促進患者的選擇;可見，選取的6個指標中，最終只有態度、療效、感謝信、評論數和評論情感傾向值5個指標可以測量醫生口碑且與患者選擇正向相關，問題（1）得到了解答。

對于疾病風險調節作用的研究.由上述多元線性回歸的結果可知，除禮物這一指標不顯著外.其他5個自變量都顯著且正向影響患者選擇。因5個自變量與因變量的相關關系都是同一方向的，本研究用這5個自變量的和來表示醫生口碑.記為WOM，.和越大對應醫生口碑越好.符合上述研究結果。并進一步引入疾病風險和口碑的交互項，建立函數模型表示高疾病風險;D1disease=0，表示其他。在抓取的4類疾病的醫生中，胃癌和肝硬化相對便秘和消化不良來說疾病風險更高，本研究將胃癌和肝硬化分為高風險組，便秘和消化不良分為低風險組）。進行線性階層回歸分析，結果只有在高風險時顯著（a3=1.307，p<0.05），低風險時并不顯著，調節效果如圖1。表明如果患者就診時是風險較高的疾病，醫生口碑好會促進患者選擇.這時患者會更謹慎更細心去多關注醫生口碑有關的數據信息：但是如果患者就診時是病情并不嚴重.這時可能有的患者對醫生口碑很關注，有的則較少去了解，選擇醫生可能具有隨意性，這說明高風險疾病對醫生口碑與患者選擇之間的關系具有正向調節作用，問題（2）得到了解答。

3.4模型檢驗

為了驗證模型的穩定性.需要借助樣本數據進行檢驗，本研究按照上述不同疾病風險分組，繼續探索口碑與患者選擇之間的關系.進行回歸結果見表5，高風險組樣本R2=0.725.F=89.348表示模型擬好優度較好，解釋變量對被解釋變量的解釋程度為72.5%且模型整體顯著：同樣的低風險樣本R2=0.793，F=92.007擬合優度較好且模型顯著。對于t檢驗結果，已有結論職稱Fltitle為主治醫師以及療效、態度、感謝信、評論數、評論情感傾向值的顯著性并沒有改變，表明模型較為穩定。

4研究結果

本文以好大夫在線為例.抓取兩個時間段的醫生數據，研究醫生口碑對患者選擇的影響以及不同疾病風險的調節作用，發現醫生口碑可以用態度、療效、感謝信、評論數以及評論情感傾向值來測量（禮物不顯著），結果顯著且與患者選擇正向相關，問題1得到解決。而關于疾病風險的調節作用，低風險時不顯著，但在高風險時顯著且具有正向調節作用，問題2得到解決。最后對模型進行檢驗，穩定性得到了驗證。具體結論有：1）療效和醫生態度的口碑來自于患者的打分.結果發現療效和態度都顯著且正向影響患者選擇。這表明患者選擇醫生時不僅只是傳統的注重療效，同時態度也十分關注，結果對醫生個人績效具有重要借鑒作用，醫生需要具有醫術、專業知識做保障，這至關重要但也不應該忽略診療中的個人行為舉止，積極的互動會給患者好的就診感受，醫術和醫德缺一不可。2）感謝信和禮物數是患者對醫生口碑正向傳播的一種表現，需要花費時間、精力和金錢，結果感謝信顯著且正向影響患者選擇而禮物數并不顯著。在線健康社區中，信息不對稱現狀嚴重，很多醫患問題的存在是因為對醫生的不了解.而感謝信和禮物數是醫生口碑一個很好的表現，數量多表示就診過的患者很認可和信任，這給即將就診的患者提供了重要的“信號”。但本研究禮物數不顯著的原因可能與需要付費有關，并不能體現患者真實的行為。3）評論數量和評論情感傾向值的口碑來自患者的評價，有好評、有差評，結果評論數量、評論情感傾向值都顯著且正向影響患者選擇。在線健康社區中醫生評論數量多說明患者在就診后愿意付出時間成本，是醫生服務質量的一種體現;而情感傾向值高表明醫生獲得的好評多.是對醫生的一種肯定和認可。4）對疾病風險調節作用的研究發現，只有高風險疾病顯著，低風險并不顯著。這說明患者患病風險不同，側重的需求是存在差異的。高風險疾病的患者會重視了解醫生的口碑進而選擇，而低風險疾病的患者則顯得較為隨意。

本研究的結果對醫生、在線健康社區平臺也具有一定的啟示作用。1）對于醫生：醫術是醫生提供健康服務的必要基礎，但個人行為舉止、職業素養、醫德等同等重要，好的溝通、關心的語言會達到更好的效果;通過感謝信、禮物的研究可以發現.醫生想要建立好的在線口碑需要重視對個人網頁的維護，完整的信息有利于建立線上信任的醫患關系，消除患者就診的不確定性;此外評論是真正反映患者感受的重要體現.是選擇醫生的重要參考.醫生應關注評論內容和質量.及時和患者互動反饋，完善服務、提供更精準的健康服務;最后患者就診需要承受生理和心理上的雙重壓力，不同疾病類型的患者健康需求不同，醫生需要明確患者的差異提供針對性的服務。2）對于在線健康社區：好大夫在線中，有關療效和醫生態度的口碑數據差異性較小，多以高分值出現，對于患者的選擇不具有參考意義，構建完善的評價體系是互聯網醫療行業發展所必需的：同時平臺應該重視對用戶生成內容的方式.為了真正讓患者表達需求和參與醫生互動，建議去除付費項目（如禮物），采用開放式、免費的方式：此外好大夫在線的評價系統還處于初步階段中，用戶的評價多以正面褒義為主，負面差評較少，信息質量不高給人感覺并不真實可靠.無法真正消除信息不對稱壁壘，真實完整的評價系統是用戶需要的，重視對患者評論的挖掘，患者評論隱含一定的健康需求，明確患者的健康訴求并及時反饋給醫生，為患者提供持續性健康管理、健康服務是在線健康社區發展之關鍵。

本研究豐富了在線健康社區中醫生口碑對患者選擇的影響研究內容，同時發現不同疾病風險的調節作用，為指導醫生、在線健康社區的發展提供建議，具有一定的理論和實踐意義。此外，本研究也存在不足之處：僅選擇一個平臺的醫生進行研究，同時抓取的數據只是兩個時間段并不夠全面，模型的普適性還需更多樣本的驗證.未來應該對多種平臺、多種疾病進行深入研究。同時模型中涉及的患者評論是健康信息學關注的重點之一，對于指導患者各類健康行為具有重要價值，本研究選取的好大夫在線平臺其醫評系統還不夠完善，爬取的內容差異較小，并未深入探究，患者評論內容、評論信息質量、評價意愿等將是未來需要進一步探索的，還有待挖掘?；颊哌x擇作為用戶行為表現之一在目前“大數據”、“互聯網+醫療”等環境背景下需要高度重視，為個人健康管理、平臺健康服務以及國民健康預測等輔助決策。