在線醫(yī)療社區(qū)醫(yī)生的參與行為特征分析

張曼洋 楊光飛 周雨禾 朱康 劉卓

在線醫(yī)療社區(qū)服務(wù)是醫(yī)療信息化的重要表現(xiàn)形式之一，是為具有醫(yī)療保健需求的用戶群體提供知識(shí)交流、尋求情感支持的網(wǎng)絡(luò)互動(dòng)平臺(tái)，現(xiàn)有的在線醫(yī)療社區(qū)服務(wù)主要包括2種類型：一種是僅用于患者之間相互交流溝通的P2P (patient to patient)平臺(tái)，例如甜蜜家園等；另一種是用于醫(yī)患間的溝通的P2D (patient to doctor)平臺(tái)，例如好大夫、微醫(yī)等。由于國內(nèi)人口密度大、醫(yī)療需求多，且醫(yī)療資源分配不均，P2D類型在國內(nèi)的使用率高于國外。隨著全球在線醫(yī)療社區(qū)快速發(fā)展，越來越多的醫(yī)生參與到在線醫(yī)療服務(wù)中，但醫(yī)生的整體參與度和平臺(tái)活躍度較低，大部分醫(yī)生僅僅開通了個(gè)人網(wǎng)頁。醫(yī)生用戶是在線醫(yī)療社區(qū)的重要構(gòu)成要素，在線醫(yī)療社區(qū)的長久發(fā)展與醫(yī)生用戶的積極參與和知識(shí)貢獻(xiàn)密不可分，深入理解醫(yī)生用戶的群體行為特征有助于掌握用戶的參與行為模式。然而，目前關(guān)于在線醫(yī)療社區(qū)中用戶行為的研究大多聚焦于在線醫(yī)療社區(qū)信息和醫(yī)患在線交互。雖然也有學(xué)者將醫(yī)生作為研究對(duì)象，但研究視角大多著眼于醫(yī)生參與行為的影響因素和醫(yī)生推薦，對(duì)于醫(yī)生行為模式的研究成果還不夠豐富。因此，為了維護(hù)平臺(tái)用戶和減少用戶流失，本文關(guān)注P2D類型社區(qū)，分析醫(yī)生用戶在平臺(tái)中的行為模式，采用聚類分析的方法，挖掘醫(yī)生的參與行為特征并分類，從而為平臺(tái)激發(fā)醫(yī)生的參與活躍度、為平臺(tái)患者提供個(gè)性化就醫(yī)方案、提升在線社區(qū)醫(yī)療的服務(wù)質(zhì)量提供依據(jù)。

1 研究對(duì)象與方法

1.1 數(shù)據(jù)來源

本研究將“好大夫”在線醫(yī)療社區(qū)作為研究對(duì)象，該平臺(tái)是集在線掛號(hào)、醫(yī)療咨詢、提供健康信息等功能為一體的醫(yī)患交互平臺(tái)，創(chuàng)立于2006年，是國內(nèi)咨詢量和訪問量最多的在線醫(yī)療社區(qū)之一。借助好大夫在線數(shù)據(jù)開放平臺(tái)，采集截至2021年3月1日的23萬條醫(yī)生的脫敏信息。本文剔除了數(shù)據(jù)集中不具有正式服務(wù)資質(zhì)的醫(yī)生用戶以及年齡異常的醫(yī)生用戶后，最終保留了34 469個(gè)用戶；同時(shí)，為了便于后續(xù)計(jì)算，將數(shù)據(jù)集中的4個(gè)字符字段轉(zhuǎn)化為數(shù)值型，見表1。本研究選取15個(gè)指標(biāo)，并劃分為4種類型，包括醫(yī)生的線下聲譽(yù)、醫(yī)生的線上口碑、醫(yī)生的在線貢獻(xiàn)和醫(yī)生的平臺(tái)活躍度，見表2。

表1 特征替換規(guī)則

表2 指標(biāo)定義

1.2 Pearson相關(guān)性

采用Pearson相關(guān)系數(shù)作為衡量變量之間相似性的標(biāo)準(zhǔn)，當(dāng)計(jì)算2個(gè)變量和之間的相關(guān)性系數(shù)時(shí)，其計(jì)算公式為：

當(dāng)(,)≥0.6時(shí)認(rèn)為變量和變量具有強(qiáng)相關(guān)性，當(dāng)0.4＜(,)＜0.6時(shí)認(rèn)為變量之間具有中等程度相關(guān)。

1.3 聚類算法

1.3.1 k-prototypes算法原理

k-prototypes是一種將k-means和k-mode結(jié)合的算法，適用混合屬性數(shù)據(jù)集的劃分聚類算法，該算法時(shí)間復(fù)雜度較低。本研究數(shù)據(jù)中既含有分類屬性（醫(yī)院級(jí)別），又含有數(shù)值型屬性（醫(yī)生職稱等），可適用于k-prototypes算法。

依據(jù)Huang等的算法，設(shè)定數(shù)據(jù)集為={,,...x}，集合中含有個(gè)樣本，每個(gè)樣本x含有個(gè)屬性，其中包括個(gè)數(shù)值型屬性和(-)個(gè)分類型屬性，樣本的向量表示為x={x,x,x...x,x...,x}。在計(jì)算數(shù)據(jù)對(duì)象與聚類中心的相似性時(shí)，需要對(duì)函數(shù)進(jìn)行調(diào)整，調(diào)整后的損失函數(shù)如下：

其中C為聚類中心，和分別表示數(shù)值型屬性之間的相異性，采用歐式距離度量；和分類型屬性之間的相異性，采用漢明距離度量。表示損失函數(shù)中分類型屬性的權(quán)重，其取值依賴于數(shù)值型屬性的標(biāo)準(zhǔn)差：當(dāng)=0時(shí)，則不考慮分類屬性，此時(shí)的k-prototypes算法等同于k-means算法；＞1時(shí)，聚類結(jié)果由分類型屬性主導(dǎo)；越大，分類屬性在聚類算法中所占權(quán)重越大，對(duì)相似度的評(píng)估影響越大。

1.3.2 改進(jìn)的k-prototypes方法

由于k-prototypes算法的初始化是隨機(jī)選取聚類中心，極易受到異常值的影響，因此，本文采用改進(jìn)后的聚類算法引入平均密度的概念定義進(jìn)行聚類中心初始化，x（第個(gè)屬性為分類屬性）的平均密度為(x)：

2 結(jié)果

2.1 描述性統(tǒng)計(jì)

2.1.1 線下聲譽(yù)

用戶特征是對(duì)醫(yī)生用戶專業(yè)水平的直接描述，具體包括醫(yī)生的年齡、職稱、醫(yī)院級(jí)別和醫(yī)院所在地區(qū)。對(duì)醫(yī)生年齡、職稱、醫(yī)生所在醫(yī)院和醫(yī)院城市級(jí)別分布進(jìn)行觀察和分析。醫(yī)生用戶的年齡分布特點(diǎn)與線下的醫(yī)生職業(yè)特征一致，平均年齡為46歲，主要分布在20 ～ 60歲，其中，50歲左右的醫(yī)生最多，占20%左右，存在少量年齡高于60歲的返聘醫(yī)生，約占總體的5%。用戶群體中超過50%的醫(yī)生用戶為專業(yè)能力較強(qiáng)的主任醫(yī)師和副主任醫(yī)師，能夠提供較好的問診服務(wù)。三級(jí)甲等醫(yī)院占比最多，為89%，二級(jí)甲等以下級(jí)別的醫(yī)院僅占比4%,在一定程度上保證了醫(yī)生的醫(yī)療水平。醫(yī)院所在城市級(jí)別相比于醫(yī)院級(jí)別的分布較為均勻，其中級(jí)別為一線城市占總體的36%，二線城市占29%，三線和四線城市分別占18%和17%。

2.1.2 線上口碑

為了緩解在線醫(yī)療社區(qū)醫(yī)生與患者之間的信息不對(duì)稱現(xiàn)象，為患者決策提供參考，在線醫(yī)療社區(qū)通過線上口碑來輔助患者決策。4個(gè)特征項(xiàng)的數(shù)據(jù)分布都呈現(xiàn)左偏趨勢(shì)，且分布較為分散，說明醫(yī)生用戶的在線口碑差異較大。在這4項(xiàng)特征中，均存在約為25%的異常值，可能存在“刷票”現(xiàn)象。綜合熱度的數(shù)據(jù)分布情況與上述三者不同，數(shù)據(jù)集中分布于3.4 ～ 3.7之間，大部分的醫(yī)生用戶評(píng)分良好，低評(píng)分用戶占比不到10%，高評(píng)分用戶即4分以上的占比不足25%。

2.1.3 在線貢獻(xiàn)

在線貢獻(xiàn)是醫(yī)生用戶在平臺(tái)中產(chǎn)生的直接行為，是維持平臺(tái)運(yùn)營的重要服務(wù)和知識(shí)來源?！霸诰€貢獻(xiàn)”4個(gè)特征的數(shù)據(jù)分布都具有左偏趨勢(shì)，存在部分異常值。平臺(tái)醫(yī)生在知識(shí)共享方面的積極性不足，大部分醫(yī)生的發(fā)文量不超過15篇，僅有少部分醫(yī)生的發(fā)文量超過50篇。對(duì)比問診量和診后報(bào)道患者數(shù)發(fā)現(xiàn)，相比于在線問診功能，線上掛號(hào)功能的利用率較低。

2.1.4 平臺(tái)活躍度

在線醫(yī)療社區(qū)中每天都有就診患者，本研究中將活躍度小于1的用戶定義為不活躍用戶。用戶的活躍度均值為5.036，社區(qū)中的活躍用戶占總體的比例小于25%。醫(yī)生用戶每隔5天才會(huì)登錄平臺(tái)，并對(duì)問診的患者提供服務(wù)，不利于維護(hù)急性病患者。在線醫(yī)療社區(qū)中還存在20%左右的潛水醫(yī)生用戶，他們通常已經(jīng)超過60天未登錄過平臺(tái)，在注冊(cè)時(shí)長方面，平臺(tái)每年都有新醫(yī)生用戶注冊(cè)，注冊(cè)時(shí)長超過10年的老用戶占總體的25%左右。2020年注冊(cè)的用戶數(shù)量最多，近期平臺(tái)中的醫(yī)生用戶數(shù)量新增較少。醫(yī)生用戶的整體回復(fù)速度較慢，能夠以正常以上速度進(jìn)行回復(fù)的醫(yī)生占總體的30%，這可能與醫(yī)生在平臺(tái)中多采用“碎片工作模式”的職業(yè)性質(zhì)相關(guān)。

2.2 相關(guān)性分析結(jié)果

為了挖掘特征之間的相關(guān)性，發(fā)現(xiàn)變量之間涵蓋的冗余信息，對(duì)15個(gè)特征進(jìn)行相關(guān)性分析，采用Pearson相關(guān)系數(shù)作為衡量標(biāo)準(zhǔn)。計(jì)算相關(guān)性矩陣并用熱力圖來直觀表示，分析結(jié)果見圖1。根據(jù)熱力圖所示的分析結(jié)果可知，綜合推薦熱度與患者投票、感謝信具有強(qiáng)相關(guān)性。在線問診量與診后報(bào)道患者數(shù)、患者投票、感謝信、心意禮物具有強(qiáng)相關(guān)性。醫(yī)生主頁的訪問量與獲得的心意禮物數(shù)具有強(qiáng)相關(guān)性，這間接說明了醫(yī)生的訪問量能夠體現(xiàn)醫(yī)生在社區(qū)中的熱度，收獲越多心意禮物的醫(yī)生其主頁訪問量越高。診后報(bào)道患者數(shù)與患者投票、感謝信、心意禮物具有強(qiáng)相關(guān)性，這說明在線下的問診服務(wù)中，這3個(gè)特征也是重要的參考依據(jù)。與此同時(shí)，患者投票、感謝信、心意禮物這3個(gè)變量相互之間具有較強(qiáng)的相關(guān)性，尤其是患者投票變量和心意禮物變量之間的相關(guān)系數(shù)達(dá)到了0.98，二者接近完全正相關(guān)，可以據(jù)此推測(cè)當(dāng)患者愿意花時(shí)間給醫(yī)生投票時(shí)，為其送上心意禮物的概率相比于未投票的用戶更大。結(jié)合上述分析結(jié)果，對(duì)目前的數(shù)據(jù)集進(jìn)行特征降維，剔除醫(yī)院等級(jí)、醫(yī)生訪問量、綜合熱度這3個(gè)與其他變量具有較為顯著相關(guān)性的變量，最終保留12個(gè)變量進(jìn)行聚類分析。

圖1 相關(guān)性矩陣熱力圖

2.3 聚類分析結(jié)果

2.3.1 模型評(píng)估

通常聚類分析將樣本集劃分為2 ～ 10類，因此，采用“手肘法”，利用損失函數(shù)來衡量k的最佳取值，發(fā)現(xiàn)k取值為4時(shí)效果最佳。因此，令k=4進(jìn)行聚類分析，不同類型的樣本數(shù)量大體相當(dāng)，樣本集劃分均勻。

2.3.2 聚類結(jié)果

通過聚類分析能夠獲得4類不同類型的用戶群體，每一類型的具體聚類中心屬性值見表3。根據(jù)雷達(dá)h可以直觀看出不同類型的用戶群體具有較為明顯的差異，見圖2，說明用戶群體具有較為顯著的分群現(xiàn)象，聚類分析結(jié)果有效。

圖2 聚類結(jié)果雷達(dá)圖

表3 聚類中心屬性值

根據(jù)不同類型用戶特征間的差異性，將4類不同用戶劃分為成長型用戶、邊緣服務(wù)型用戶、頭部流量用戶和潛在頭部用戶。

（1）成長型用戶。在線下口碑方面，第一類用戶多為位于副主任醫(yī)師以下的年輕醫(yī)生，大部分醫(yī)生來自于一線和二線城市。在線上口碑方面，這一類用戶獲得的患者投票數(shù)量、感謝信數(shù)量以及心意禮物數(shù)量較少，但是能夠活躍地參與問診服務(wù)。在在線貢獻(xiàn)方面，第一類醫(yī)生用戶是4類用戶中知識(shí)貢獻(xiàn)最低的用戶群體，且在問診量和線下接診兩方面的數(shù)量均較少。這一類型的醫(yī)生正在初步參與平臺(tái)的相關(guān)服務(wù)，因此，在線貢獻(xiàn)較少，然而能夠積極參與平臺(tái)的服務(wù)，活躍度較高，具有較強(qiáng)的成長空間，因而將其命名為成長型用戶。

（2）邊緣服務(wù)型用戶。第一類用戶和第二類用戶的最大差異在于職稱的高低和醫(yī)院所在城市的級(jí)別，第二類用戶在活躍度和在線貢獻(xiàn)方面略優(yōu)于第一類用戶，且在近期更為活躍。這一類用戶相比于一線城市用戶，其知名度較低，在平臺(tái)中的競(jìng)爭(zhēng)優(yōu)勢(shì)相對(duì)較弱，然而該類用戶群體的職稱已經(jīng)接近醫(yī)生評(píng)價(jià)的最高等級(jí)，雖然成長空間較小，但仍然能夠吸引一定量的患者就診，因而將其命名為邊緣服務(wù)型用戶。

（3）頭部流量用戶。第三類用戶群體具有最高的線下聲譽(yù)，職業(yè)經(jīng)驗(yàn)豐富，醫(yī)生的職稱均達(dá)到副主任醫(yī)師及以上，且大部分醫(yī)生來源于一線城市。從總體來看，這一類醫(yī)生的在線口碑是4類用戶中最高的用戶群體。在在線貢獻(xiàn)方面，第三類用戶是平臺(tái)中知識(shí)共享的核心人群，其發(fā)布的文章數(shù)量達(dá)到人均32篇。與此同時(shí)，醫(yī)生的在線問診量、診后報(bào)道患者的數(shù)量遠(yuǎn)高于其他3類用戶，是平臺(tái)的重要服務(wù)對(duì)象。然而該類醫(yī)生用戶的回復(fù)速度較慢，用戶的一般等待時(shí)長大多是4類用戶中最長的，但是由于其頻繁登錄平臺(tái)，使得該類用戶仍然能夠保持一個(gè)較為良好的活躍度水平。綜合4類特征，第三類醫(yī)生用戶在社區(qū)中具有較強(qiáng)的知名度，同時(shí)又能夠持續(xù)而長期地產(chǎn)生參與行為，是平臺(tái)的頭部流量用戶。

（4）潛在頭部用戶。相比于其他類型的用戶，這一類用戶在平臺(tái)的問診服務(wù)中表現(xiàn)出了極高的反饋時(shí)效，群體的整體回復(fù)速度很快，表現(xiàn)出了“單次集中接診-回復(fù)”的服務(wù)模式，因此，受到了大量患者的認(rèn)可。這一類型的用戶多來自于一線和二線城市，從整體的職業(yè)水平而言，第四類醫(yī)生用戶的職稱略低第三類醫(yī)生用戶的職稱。這一類用戶通過大量分享文章來彌補(bǔ)自身職稱上的不足，進(jìn)而吸引大量的患者。根據(jù)平臺(tái)的定價(jià)機(jī)制，價(jià)格偏向中低等級(jí)又具有高效服務(wù)的第四類醫(yī)生獲得了更多的認(rèn)可。隨著醫(yī)生職稱的不斷提高，經(jīng)過長期、持續(xù)、積極參與平臺(tái)服務(wù)后，該類醫(yī)生將會(huì)逐步成長為頭部流量用戶，因而將這一類醫(yī)生統(tǒng)稱為潛在頭部用戶。

3 討論

本研究將在線醫(yī)療社區(qū)中的醫(yī)生用戶劃分為4類，并發(fā)現(xiàn)4類群體具有鮮明的差異性，劃分結(jié)果有效。研究發(fā)現(xiàn)，在線醫(yī)療社區(qū)的整體醫(yī)生資源優(yōu)質(zhì)，然而活躍用戶比例較小；一、二線城市醫(yī)生為服務(wù)的主力軍；醫(yī)生用戶整體的知識(shí)貢獻(xiàn)程度低，受到“碎片時(shí)間工作制”的影響，整體的服務(wù)效率較低。另外，將醫(yī)生的線上行為模式與傳統(tǒng)醫(yī)療模式相比較，醫(yī)生的“品牌”效應(yīng)，具體包括職稱、年齡等因素在線上服務(wù)中的影響被削弱，時(shí)效性的重要性得以凸顯，符合在線服務(wù)的普遍特征。

3.1 輔助引流以激發(fā)成長型用戶的參與積極性

受制于職稱等級(jí)和較短的平臺(tái)活動(dòng)時(shí)長，成長型用戶群體在平臺(tái)中的知名度不高，因此，導(dǎo)致平臺(tái)對(duì)其的定價(jià)水平較低。在虛擬社區(qū)中，當(dāng)收獲實(shí)際收益時(shí)，人們更愿意共享知識(shí)，故在缺乏經(jīng)濟(jì)效益刺激的情況下，其知識(shí)分享意愿較低，并且難以提升。應(yīng)該采取相關(guān)的措施，輔助該類用戶提升平臺(tái)知名度，從而提高醫(yī)生的經(jīng)濟(jì)效益，進(jìn)而激發(fā)醫(yī)生的知識(shí)貢獻(xiàn)意愿。在線醫(yī)療社區(qū)中的患者關(guān)注醫(yī)生的知識(shí)貢獻(xiàn)行為，樂于在平臺(tái)中主動(dòng)分享文章的醫(yī)生能夠帶給患者熱情、積極的良好印象，患者更愿意選擇這一類醫(yī)生進(jìn)行咨詢。成長型用戶目前的發(fā)文量較少，因此，應(yīng)鼓勵(lì)該類醫(yī)生多發(fā)布文章，通過發(fā)布文章來提升自身的知名度。其次，鼓勵(lì)這一類醫(yī)生與同城知名度較高的醫(yī)生共同參與“直播義診”，從而借助高流量醫(yī)生來提升自身的知名度。為了解決成長型用戶的定價(jià)通常較低的問題，在這一類醫(yī)生的問診服務(wù)結(jié)束時(shí)，平臺(tái)可以推薦患者為醫(yī)生送上心意禮物，服務(wù)價(jià)格較低時(shí)患者花費(fèi)額外的費(fèi)用的概率更大。一方面，通過實(shí)際的經(jīng)濟(jì)效益激勵(lì)成長型醫(yī)生積極參與平臺(tái)服務(wù)；另一方面，心意禮物數(shù)量的反饋更具有實(shí)質(zhì)性，能夠吸引后續(xù)患者進(jìn)行就診，從而促進(jìn)其問診量的提高。

3.2 關(guān)注邊緣服務(wù)型用戶時(shí)效性

由于線下資源劣勢(shì)，邊緣服務(wù)型用戶通常不會(huì)受到患者的優(yōu)先選擇，但是相比于頭部流量用戶而言，目前邊緣服務(wù)型用戶提供的服務(wù)量較少，因而其潛在的服務(wù)價(jià)值并未被充分挖掘，可以通過提升服務(wù)的時(shí)效性來彌補(bǔ)其自身不足。建議在平臺(tái)中增加“醫(yī)生是否在線”的標(biāo)識(shí)，當(dāng)患者看到醫(yī)生為“不在線”狀態(tài)時(shí)，對(duì)時(shí)效性的期望會(huì)有所降低，患者不滿意的概率也會(huì)降低，除此之外，醫(yī)生可以在“個(gè)人簡(jiǎn)介”中說明個(gè)人的在線習(xí)慣，便于患者預(yù)估能夠收到回復(fù)的時(shí)間間隔。此外，醫(yī)生還可以通過將“碎片工作模式”轉(zhuǎn)換為“集中工作模式”，以提升服務(wù)效率。

3.3 建立獎(jiǎng)勵(lì)機(jī)制以維護(hù)頭部流量用戶

頭部流量用戶是在線醫(yī)療社區(qū)中的核心用戶，他們具有較高的“品牌效應(yīng)”，是優(yōu)質(zhì)服務(wù)的重要來源。經(jīng)過長期而持續(xù)地參與平臺(tái)服務(wù)，醫(yī)生的經(jīng)濟(jì)效益已經(jīng)得到了滿足，此時(shí)，個(gè)人價(jià)值的實(shí)現(xiàn)是這一類用戶的重要需求。建議平臺(tái)建立有關(guān)的等級(jí)評(píng)價(jià)機(jī)制，使該類用戶能夠不斷地在實(shí)現(xiàn)自我價(jià)值的動(dòng)機(jī)刺激下繼續(xù)積極參與在線服務(wù)。目前，“好大夫在線”社區(qū)的信譽(yù)反饋機(jī)制在醫(yī)生群體之間沒有展現(xiàn)出等級(jí)差異性。醫(yī)生和問答社區(qū)中的專家用戶在平臺(tái)中的行為本質(zhì)上可以理解為信息共享行為，因此，借鑒在線問答社區(qū)的等級(jí)制度，結(jié)合醫(yī)生的注冊(cè)時(shí)長、在線表現(xiàn)以及服務(wù)質(zhì)量設(shè)計(jì)符合社區(qū)特性的等級(jí)制度對(duì)醫(yī)生的在線表現(xiàn)進(jìn)行直觀劃分，并對(duì)高等級(jí)的醫(yī)生用戶提供經(jīng)濟(jì)獎(jiǎng)勵(lì)，以此鼓勵(lì)醫(yī)生持續(xù)參與平臺(tái)服務(wù)。

3.4 揚(yáng)長避短以發(fā)展?jié)撛陬^部用戶

潛在頭部用戶采用“集中接診-服務(wù)”的獨(dú)特服務(wù)模式獲得了患者的高度認(rèn)可。潛在頭部用戶有望在未來成為平臺(tái)中的頭部流量用戶，對(duì)平臺(tái)的持續(xù)發(fā)展而言這一類用戶至關(guān)重要。為了輔助潛在頭部用戶的快速成長，可采取揚(yáng)長避短的運(yùn)營策略，在這一類醫(yī)生主頁中突出顯示該醫(yī)生獲得的心意禮物數(shù)量和一般等待時(shí)長，凸顯心意禮物的重要性，吸引更多對(duì)時(shí)間敏感的患者。同時(shí)要對(duì)醫(yī)生的特殊服務(wù)模式進(jìn)行顯著說明，在主頁中指明醫(yī)生集中登錄平臺(tái)的時(shí)間，為患者擇醫(yī)作參考。由于潛在頭部用戶在職稱等級(jí)方面存在一定的不足，為了彌補(bǔ)這一方面的劣勢(shì)，平臺(tái)可以推薦這一類群體與頭部流量用戶組成醫(yī)生團(tuán)隊(duì)，團(tuán)隊(duì)成員間的時(shí)效性和線下信譽(yù)形成相互補(bǔ)充，達(dá)到互利共贏。