三級甲等醫院護士護理信息勝任力水平的潛在剖面分析

蒙景雯，孫 琳，李 珂，王 鵬，于書慧，劉建欣，劉 卓

北京大學第一醫院，北京 100034

隨著人工智能等信息通信技術在護理實踐中應用的快速發展[1]，對護士護理信息勝任力提出了新的需求。護理信息勝任力是指在各種護理信息活動中表現出來的知識、技能和態度的綜合能力，能夠幫助改進臨床護理流程，提高護理文書準確性和完整性，提升護理服務效率和質量，已被認為是現代臨床護士所必需的技能和能力[2]。《全國護理事業發展規劃（2021—2025年）》將持續推進護理信息化建設納入重要日程[3]。國外學者對于護理信息勝任力評估工具的研究較多，從不同層面制定了評價指標體系[4]。國內醫療護理信息起步較晚，相關研究尚處于探索階段[5]，例如開展了護理人員信息能力現況水平的研究[6-10]。然而，現有研究忽視了群體異質性。潛在剖面分析（latent profile analysis）作為以個體為中心的統計分析方法，可以根據個體在外顯變量上的選擇模式來識別具備共有水平模式的子群體，并進一步捕捉以變量為中心統計無法觀察到的人群特征[11]。本研究采用潛在剖面分析識別護士護理信息勝任力水平的潛在類別，分析不同類別的人群特征差異，以期為提升護士護理信息勝任力提供參考[12]。

1 對象與方法

1.1 研究對象

采用便利抽樣法，于2023 年5 月選取北京市某三級甲等醫院的870 名護理人員作為調查對象。納入標準：1)具有護士執業資格證；2)知情同意并自愿參加本研究。排除標準：調查期間因休假或外出學習等各種原因無法填寫問卷者。

1.2 調查工具

1.2.1 一般資料調查問卷

采用自行設計的一般資料調查問卷，包含人口社會學資料和工作相關資料兩部分。人口社會學資料包括性別、年齡、學歷、英語等級、計算機水平等；工作相關資料包括職務、職稱、工作時間、護理信息管理組職務以及是否參加過護理信息相關培訓等。

1.2.2 護理信息勝任力量表（Nursing Informatics Competency Assessment Scale，NICAS）

NICAS 由蔡真真等[2]于2022 年開發。該量表包括計算機能力（6 個條目）、信息能力（9 個條目）以及綜合應用能力（11 個條目）3 個維度，共26 個條目。該量表Cronbach's α 系數為0.976，內容效度為0.923。采用Likert 5 級評分法，“完全不符合”計1 分，“完全符合”計5 分，總分130 分。得分越高，說明護理信息勝任力水平越高。

1.3 數據采集方法

研究者將電子問卷以問卷星形式發布在護士微信群中，答題前告知護士本次調研的目的、要求和權利等，獲取研究對象的知情同意。為了保證問卷的有效性，電子問卷后臺設置了必填、消息提醒和填寫次數限制等功能，以避免出現漏填、重復填寫等現象。所有問題全部回答后方可提交問卷。

1.4 統計學方法

應用Mplus 8.3 及SPSS 27.0 軟件進行數據分析，符合正態分布的定量資料采用均數±標準差（±s）表示，定性資料以頻數、百分比（%）表示。采用χ2檢驗或Fisher 確切概率法及方差分析對亞組人群特征和多組間比較進行分析。應用Mplus 8.3 軟件依據護理信息勝任力水平在3 個維度的得分情況進行潛在剖面分析。其分析邏輯是從初始模型開始（1 個類別模型），逐步增加模型中的類別數目，通過比較不同類別模型間的檢驗模型擬合指標進行分類精確度評估，從而選擇最佳的護理信息勝任力水平的潛在類別數，并進一步分析不同類別間護理信息勝任力的群組特質。其中，檢驗模型擬合指標包含赤池信息準則（Akaike information criterion，AIC），貝葉斯信息準則（Bayesian information criterion，BIC）和樣本校正的BIC（aBIC）3個信息評價指標，這幾個數值越小表示模型擬合越好。在潛在類別分析中還使熵（Entropy）來評估分類的精確程度，熵的取值為0～1，當熵為0.6 時，表明約有20% 的個體存在分類的錯誤，熵約等于0.8 時表明分類的準確率超過了90%。此外，Mplus 還提供了似然比檢驗指標Lo-Mendell-Rubin 校正似然比（LMRT）和基于Bootstrap 的似然比檢驗指數（BLRT）2 個指標來比較潛在類別模型的擬合差異，如果這2 個值的P＜0.05，則表明k個類別的模型顯著優于k-1 個類別的模型。同時，在模型選擇過程中還將綜合考慮：每個剖面在分類指標上具有一定差異性；每個剖面應具有一定個體數（通常≥10%）[11]。

2 結果

2.1 三級甲等醫院護士一般資料

本研究共調查了870 名護理人員，剔除規律作答、錯誤填寫的問卷，共4 份，獲得866 份有效問卷，問卷有效回收率為99.5%。其中，男22 名（2.5%）；年齡（32.63±7.71）歲；學歷：中專119 名（13.7%），專科391名（45.2%），本科337 名（38.9%），碩士19 名（2.2%）；職稱：護士198 名（22.9%），護師387 名（44.7%），主管護師269 名（31.3%），副主任護師12 名（1.4%）。

2.2 護士護理信息勝任力水平的現狀

866 名護士護理信息勝任力得分總分為（85.58±22.25）分，提示護士護理信息勝任力處于中等偏上水平，詳見表1。

表1 護士護理信息勝任力得分情況（±s） 單位：分

表1 護士護理信息勝任力得分情況（±s） 單位：分

維度綜合應用能力計算機能力信息能力總分31.05±8.19 20.19±5.36 34.35±10.70條目均分3.45±0.91 3.36±0.89 3.12±0.97

2.3 護士護理信息勝任力水平的潛在剖面分析結果及命名

對護理信息勝任力水平在3 個維度的期待值得分進行潛在剖面分析，按順序建立1～6 個潛在類別模型，各模型擬合指數詳見表2。隨著分類數增加，熵值均＞0.8，AIC、BIC 和aBIC 不斷減小，但六分類（P=0.054）LMRT 值不顯著，提示模型擬合度不高。盡管AIC、BIC 和aBIC 值隨著分類數的增加呈遞減趨勢，且五分類的熵值高于四分類模型，但由于五分類模型的類別概率分布不均，有一組占比僅1.9%，綜合統計分析結果和理論考慮[11]，故最終確定含有4 個潛在類別的模型為最佳潛在剖面模型。每個類別的護士歸屬于該類別的平均概率分別為96.2%（P1），97.6%（P2），97.5%（P3），96.9%（P4），表明本次潛在剖面分析結果可靠。第1 類有87 名（10.0%）護士，在護理信息勝任力各維度上得分均最低，為26～69 分，故命名為低水平型。第2 類有426 名（49.2%）護士，各維度得分均處于中低等水平，為48～101 分，故命名為中低水平型。第3 類有237 名（27.4%）護士，各維度得分處于中高等水平，為64～115 分，故命名為中高水平型。第4 類有116 名（13.4%）護士，各維度得分處于高等水平，為102～130 分，故命名為高水平型。經單因素方差分析檢驗，4 個潛在剖面在3 個維度的得分差異均有統計學意義（P＜0.001），見表3。

表2 護理信息勝任力水平的潛在剖面模型擬合指標比較（n=866）

表3 不同類別護士護理信息勝任力得分比較（±s）單位：分

表3 不同類別護士護理信息勝任力得分比較（±s）單位：分

項目計算機能力信息能力綜合運用能力總分低水平型（n=87）13.25±3.73 18.78±6.01 16.72±3.89 48.76±10.50中低水平型（n=426）18.34±3.31 30.13±5.51 27.12±2.12 75.59±7.67中高水平型（n=237）22.38±4.33 39.12±6.78 36.81±2.51 98.31±8.74高水平型（n=116）27.68±3.37 51.75±5.13 44.47±1.18 123.90±7.53 F 值23.355 121.770 93.705 650.396 P＜0.001＜0.001＜0.001＜0.001

2.4 不同類別的護理管理者人群分布特征

結果顯示，4 個潛在類別在學歷、護理信息管理組職務、工作時間、科室、英語等級、是否參加過護理信息培訓方面在上差異有統計學意義（P＜0.05）。詳見表4。

表4 不同類別護理信息勝任力水平各亞組的人群特征單位：人（%）

3 討論

3.1 護士護理信息勝任力總體處于中等水平

本研究中護士護理信息勝任力的總分為（85.58±22.25）分，處于中等水平。本研究納入的護士均在北京市三級甲等醫院就職，既往研究顯示，護理信息勝任力和醫院等級呈正相關，這意味著三級甲等醫院的護士具備更強的護理信息勝任力[6]。除此之外，隨著醫療科技手段的高速發展、護理信息化進程的不斷推進，對護士的護理信息勝任力也提出了更高要求。

3.2 護士護理信息勝任力水平的潛在類別特征分析

潛在剖面分析結果顯示，本研究識別了護士護理信息勝任力水平的4 個潛在類別，分別是低水平型、中低水平型、中高水平型和高水平型。其中，護士水平主要集中于中低水平型和中高水平型，而低水平型和高水平型護理信息勝任力的護士占比較低，僅有10.0%和13.4%。進一步分析發現，4 個類別的護士對于護理信息勝任力中信息能力維度的條目均分最低。研究表明，高水平型的護理信息人才緊缺，尤其要注重護理人員信息能力的培養。

3.3 護士護理信息勝任力水平潛在類別與人群特征的關系

3.3.1 學歷

專科學歷的護士在護理信息勝任力高水平型中占比最高。這與陳媛等[13]的研究結果一致，可能是本次調查的專科學歷護士整體較年輕，出生在互聯網快速發展時代，自身具備較高的數字素養，對信息知識和技能吸收更快，使其具備較高的護理信息勝任力。國內護理信息教育的不足導致高學歷護士并未在大學教育中接受更多的護理信息學知識。目前，國內的護理信息教育已經初步開展[14-15]，完善了既往護理信息的學歷教育及繼續教育不足。因此，護理管理者及教育者應關注護士及護生的護理信息需求，以培養高級護理信息人才，進而更好地推進臨床護理信息化建設。

3.3.2 護理信息管理組的職務

不在護理信息管理組擔任職務的護士在護理信息勝任力中低水平型中的占比最高。可能與非護理信息管理組擔任職務的護士參與醫院護理信息化建設較少有關[16]，其護理信息勝任力大多處于低水平。Chen等[17]提出，醫院護理管理者應加強護理信息化頂層設計，建立完善的護理信息化管理機制。因此，護理管理者完善護理信息化制度及組織建設的同時，可根據具體情況設置輪崗制，讓更多的護士加入護理信息管理組，增加臨床一線護士參與信息系統建設及運行的機會，最終提高護士群體的信息勝任力。

3.3.3 工作時限

工作時間≤10 年的護士在護理信息勝任力高水平型中占比最高。這與陳媛等[13]的研究結果一致。可能與出生在數字時代的年輕護士具備較高的數字素養有關。與此同時，隨著國內護理信息化進程的推進，年輕一代的護士接收到的護理信息培訓更多，使其護理信息勝任力處于高水平。但是，工作年限較長的護士同樣承擔著日常護理工作及部分護理信息工作。因此，醫院護理管理者在進行護理信息培訓時，應重視工作時間長護士的信息培訓，也可以鼓勵工作時間≤10年的護士幫助工作時間長的護士提高其信息能力。

3.3.4 科室

相較于平臺科室、輔助科室、監護室和手術室，普通病房的護士在護理信息勝任力高水平型中比例最高。這與管艷萌[18]的研究結果一致，普通病房護士接觸護理信息系統較多，在實踐過程中收到相關的培訓較多。與此同時，相較于平臺科室、輔助科室、監護室、手術室，普通病房的護理信息系統建設更加完善，用戶體驗更好，護士使用護理信息系統的依從性更高，使其護理信息勝任力處于高水平。醫院護理管理者應重視平臺、輔助科室、監護室以及手術室的信息系統建設，同時加強相關科室護理人員的信息培訓[19]。同時，未來研究者應探索不同科室護士的信息需求及信息能力，為給予針對性的信息支持提供參考。

3.3.5 英語等級

本研究結果顯示，有英語等級水平的護士在護理信息勝任力高水平型中占比最高。隨著醫療技術的迅速發展，許多醫療軟件應用、電子健康記錄（EHR）以及護理信息系統都采用英語開發。具備較好英語水平的護士更能輕松地操作和使用這些技術，提高病人的護理效率。目前，關于護理信息相關的繼續教育項目[4]大多以英語為主，具備較高英語水平的護士更能高效獲取和理解這些資源，從而增進其知識，并及時掌握護理信息技術的最新進展。因此，醫院護理管理不僅應重視英語等級低的護士的護理信息術語培訓，同時應增加中文相關護理信息培訓資料及視頻的制作，以增加護士的護理信息勝任力。

3.3.6 是否參加過護理信息培訓

本研究結果顯示，未參加過護理信息相關培訓的護士在護理信息勝任力低水平型中占比最高。這與其他相關研究結果[6,13,18]一致。隨著護理信息化進程的推進，護理管理者對護理人員的護理信息勝任力提出了新的要求。國內外相繼加強了護理人員護理信息勝任力培訓，來適應醫療信息化的巨大變革[1,20-22]。因此，醫院和護理機構應制定多元化的培訓計劃，為護士提供必要的信息技術知識和技能培訓，同時應積極宣傳推廣護理信息培訓的重要性，以增強其護理信息勝任力。

4 小結

本研究通過潛在剖面分析識別了護士護理信息勝任力水平的4 個潛在類別，分別是低水平型、中低水平型、中高水平型和高水平型，并且4 個類別在學歷、護理信息管理組職務、工作時限、科室、英語等級和是否參加過護理信息培訓的護士中分布不同。護理管理者應在充分認識護士實際護理信息勝任力水平的同時進行恰當精準的培訓，達成培訓課程與護士更加精準的匹配，以期進一步提升護士護理信息勝任力。此外，本研究局限于北京市的1 所三級甲等醫院，未來可擴大樣本量，進一步了解我國護士護理信息勝任力水平，還可通過質性訪談深入挖掘護士對護理信息課程培訓的需求和意見，為深入了解護士護理信息培訓現狀并制訂針對性提升策略提供參考。