老年共病患者就医延迟行为及其影响因素研究

doi:10.12114/j.issn.1007-9572.2023.0614

摘要/Abstract

摘要： 背景随着我国人口老龄化的加剧，居民疾病谱发生变化，多种慢性病共存成为我国老年群体健康状况的常态。就医延迟是指个体在身体不适后由于各种主观或客观原因未能及时就医的行为，导致治疗效果下降、患者生存质量降低。目前，国内针对老年慢性病共病患者就医延迟行为及其影响因素的研究较少。目的探讨老年慢性病共病患者就医延迟行为及其影响因素，为进一步改善老年共病患者就医延迟行为提供参考。方法采用多阶段分层整群随机抽样法，选取2022年9—12月于广东省27个社区卫生服务中心就诊的符合条件的老年共病患者作为研究对象。采用自行设计的调查问卷收集患者的一般资料、疾病相关资料和就医延迟情况。采用多因素Logistic回归分析和基于CHAID算法的决策树模型分析老年共病患者就医延迟行为的影响因素。结果共纳入研究对象998例，其中出现就医延迟行为243例（24.35%）。多因素Logistic回归分析结果显示，性别（女性：OR=0.701，95%CI=0.504~0.977，P=0.036）、户籍类型（农村：OR=0.590，95%CI=0.358~0.973，P=0.039）、医疗保险类型（城乡居民医疗保险：OR=2.660，95%CI=1.764~4.010，P<0.001）、疾病相关自我效能（低：OR=4.378，95%CI=2.079~9.217，P<0.001）、是否签约家庭医生（否：OR=2.277，95%CI=1.618~3.206，P<0.001）、自评健康状况（一般：OR=1.554，95%CI=1.073~2.250，P=0.020）是老年共病患者就医延迟行为的影响因素。决策树模型共3层，13个节点，共筛选出医疗保险类型、是否签约家庭医生、性别、自评健康状况、年龄5个影响因素。两种模型预测老年共病患者就医延迟行为的结果显示，多因素Logistic回归模型的受试者工作特征曲线下面积（AUC）为0.729，决策树模型的AUC为0.721。两种模型对老年共病患者就医延迟行为的预测效果的AUC比较，差异无统计学意义（Z=0.539，P=0.590）。结论广东省老年共病患者就医延迟行为发生率为24.35%，医疗保险类型、家庭医生签约率、性别与疾病自评健康状况是老年共患者发生就医延迟行为的主要影响因素。应进一步完善医疗保障制度，提高家庭医生签约率与利用率，进而降低就医延迟行为发生率。

关键词: 慢性病共病, 就医延迟, 老年人, 广东省, Logistic回归分析, 决策树模型

Abstract:

Background

With the aggravation of population aging in China, the disease spectrum of the population has changed and the coexistence of multiple chronic diseases has become the norm for the health status of the older population in China. Patient delay refers to the behaviour of an individual who fails to seek medical care in a timely manner after becoming unwell for a variety of subjective or objective reasons, resulting in a decrease in the treatment effectiveness and a decrease in the quality of the patient's survival. At present, there are few researches on patient delay and the associated factors for elderly adults with multimorbidity in China.

Objective

To explore the patient delay and the associated factors for older adults with multimorbidity, so as to provide references to further reduce the incidence of patient delay.

Methods

Eligible elderly patients attending 27 community health centers in Guangdong Province from September to December 2022 were selected for the study using multi-stage stratified whole cluster random sampling method. A self-designed questionnaire was used to collect patients' general information, disease-related information and delays in seeking medical care. Multivariate Logistic regression analysis and a decision tree model based on the CHAID algorithm were used to analyse the influencing factors of patient delay in older adults with multimorbidity.

Results

A total of 998 patients were included in the study, of which 243 (24.35%) showed delays in seeking medical care. The multivariate Logistic regression results showed that gender (OR=0.701, 95%CI=0.504-0.977, P=0.036), type of household registration (OR=0.590, 95%CI=0.358-0.973, P=0.039), type of health insurance (OR=2.660, 95%CI=1.764-4.010, P<0.001), disease-related self-efficacy (OR=4.378, 95%CI=2.079-9.217, P<0.001), family doctor contract (OR=2.277, 95%CI=1.618-3.206, P<0.001) and self-reported health (OR=1.554, 95%CI=1.073-2.250, P=0.020) were the main factors influencing patient delay in older adults with multimorbidity (P<0.05). The decision tree model has 3 levels and 13 nodes, and a total of 5 influencing factors were screened, including type of health insurance, family doctor contract, gender, self-reported health and age. The results of the two models for predicting patient delay in older adults with multimorbidity showed that the area under receiver operating characteristic curve (AUC) was 0.729 for the multivariate Logistic regression model and 0.721 for the decision tree model. There was no significant difference in AUC between the two models for predicting patients delay in elderly patients with multimorbidity (Z=0.539, P=0.590) .

Conclusion

The incidence of patient delay in older adults with multimorbidity is 24.35% in Guangdong province, and the type of health insurance, the contracting rate of family doctors, gender, and self-reported health status are the main factors influencing patient delay in older adults with multimorbidity. The medical insurance system should be further improved to increase the contracting rate and utilization rate of family doctors in order to reduce the incidence of patient delay.

Key words: Multimorbidity, Patient delay, Aged, Guangdong province, Logistic regression analysis, Decision tree model

王萧冉,关新月,张丹. 老年共病患者就医延迟行为及其影响因素研究[J]. 中国全科医学, 2024, 27(20): 2505-2511. DOI: 10.12114/j.issn.1007-9572.2023.0614.
WANG Xiaoran,GUAN Xinyue,ZHANG Dan. Patient Delay and Associated Factors in Older Adults with Multimorbidity[J]. Chinese General Practice, 2024, 27(20): 2505-2511. DOI: 10.12114/j.issn.1007-9572.2023.0614.

图/表 5

参考文献 21

[1]	WHO. Primary health care：now more than ever[M]. Geneva：World Health Organization，2008.
[2]	PACK G T, GALLO J S. The culpability for delay in the treatment of cancer[J]. American Journal of Cancer，1938，33. DOI：10.1158/ajc.1938.443.
[3]	孙学礼. 医学心理学[M]. 成都：四川大学出版社，2003.
[4]	冷芳群，周奕杉，廖晨帆，等. 四川省农村地区居民就医延迟行为现状及影响因素[J]. 中国医学科学院学报，2023，45(2):193-199. DOI：10.3881/j.issn.1000-503X.15158.
[5]	邹浩，姜东旭，张琳琳. 慢性病患者就医延迟评估工具及影响因素的研究进展[J]. 中国全科医学，2022，25(7):893-898. DOI：10.12114/j.issn.1007-9572.2021.00.296.
[6]	李小鹰. 老年共病患者的管理模式探讨[J]. 中华老年心脑血管病杂志，2022，24(5):449-452. DOI：10.3969/j.issn.1009-0126.2022.05.001.
[7]	闫巍，王杰萍，张洪波，等. 老年共病患者在诊疗中面临的问题及应对策略[J]. 中国全科医学，2018，21(3):261-264. DOI：10.3969/j.issn.1007-9572.2017.00.207.
[8]	阚亚楠，钮美娥，耿敏，等. 慢性阻塞性肺疾病患者就医延迟原因的质性研究[J]. 护理学杂志，2019，34(17):36-38. DOI：10.3870/j.issn.1001-4152.2019.17.036.
[9]	刘琴琴，杨丽，赵秋利，等. 缺血性卒中溶栓就医延迟风险因素研究进展[J]. 中国全科医学，2019，22(16):2000-2007. DOI：10.12114/j.issn.1007-9572.2019.00.132.
[10]	李会仿，杨丽，李妮娜，等. 急性脑卒中患者就医延迟影响因素研究进展[J]. 护理学杂志，2018，33(16):98-101. DOI：10.3870/j.issn.1001-4152.2018.16.098.
[11]	邬闻文，谭晓东，孙东晗，等. Logistic回归分析模型和决策树分析在高血压糖尿病共患病预警指标中的应用[J]. 中华疾病控制杂志，2022，26(7):827-833,844. DOI：10.16462/j.cnki.zhjbkz.2022.07.014.
[12]	王子予，韩茜宇，郝艳华，等. 新冠肺炎疫情下慢性病患者就医延迟问题调查与分析[J]. 中国医院管理，2022，42(3):43-47.
[13]	祝雯珺，梁笛，黄葭燕，等. 基本医疗保险类型对浙江省玉环市糖尿病患者的就医行为和健康状况的影响[J]. 医学与社会，2023，36(6):42-47. DOI：10.13723/j.yxysh.2023.06.008.
[14]	李乐乐，李怡璇，陈湘妤，等. 社区家庭医生签约对老年人医疗服务利用影响的实证研究[J]. 社会保障研究，2022(2):45-58. DOI：10.3969/j.issn.1674-4802.2022.02.005.
[15]	侍书靖，苗春霞，黄畅，等. 基于Shapley值法的我国居民就医机构选择及影响因素研究[J]. 中国卫生事业管理，2022，39(7):509-512,526.
[16]	肖筱，袁立，周昌明，等. 推行家庭医生签约对社区卫生服务利用的影响[J]. 中国卫生资源，2015，18(1):64-67. DOI：10.13688/j.cnki.chr.2015.14158.
[17]	李红美，高原，毛琪，等. 家庭医生签约服务对慢病患者卫生服务利用的影响研究[J]. 卫生经济研究，2019，36(11):38-40,43. DOI：10.14055/j.cnki.33-1056/f.2019.11.011.
[18]	黄蛟灵，邱宝华，梁鸿，等. 签约家庭医生对居民医疗费用的影响分析[J]. 中国卫生经济，2018，37(5):46-49. DOI：10.7664/CHE20180512.
[19]	邓余华，王超，甘勇，等. 我国家庭医生签约服务利用现状及影响因素分析——基于全国31个省市的调查[J]. 中国卫生政策研究，2020，13(9):47-54. DOI：10.3969/j.issn.1674-2982.2020.09.008.
[20]	孙建波，赵莹，贾存波，等. 北京市某社区家庭医生签约现状及服务利用分析[J]. 中国医院管理，2019，39(7):74-75.
[21]	魏佳佳，周绿林，朱铁林，等. 家庭医生签约居民的履约行为及其影响因素研究[J]. 卫生经济研究，2021，38(5):13-17. DOI：10.14055/j.cnki.33-1056/f.2021.05.003.

基本特征	人数	就医延迟	χ²值	P值	基本特征	人数	就医延迟	χ²值	P值
年龄（岁）			10.495	0.005	医疗保险类型			40.543	<0.001
60~65	633	142（58.43）			城镇职工医疗保险	664	121（49.79）
66~70	304	76（31.28）			城乡居民医疗保险	313	115（47.33）
>70	61	25（10.29）			其他	21	7（2.88）
性别			10.426	0.001	疾病了解程度			21.454	<0.001
男	518	148（60.91）			了解	838	181（74.49）
女	480	95（39.09）			不了解	160	62（25.51）
文化程度			7.539	0.006	疾病相关自我效能			34.821	<0.001
初中及以下	220	69（28.40）			高	959	218（89.71）
高中及以上	778	174（71.60）			低	39	25（10.29）
婚姻状态			19.768	<0.001	是否签约家庭医生			25.576	<0.001
已婚	935	213（87.65）			是	644	124（51.03）
其他	63	30（12.35）			否	354	119（48.97）
居住情况			17.391	<0.001	患慢性病数量（种）			0.008	0.928
独居	57	27（11.11）			2	359	88（36.21）
非独居	941	216（88.89）			>2	639	155（63.79）
户籍类型			5.282	0.022	患慢性病时间（年）			1.735	0.188
城市	821	188（77.37）			≤5	319	86（35.39）
农村	177	55（22.63）			>5	679	157（64.61）
个人平均年收入（元）			2.379	0.123	自评健康状况			12.754	0.002
<50 000	528	139（57.20）			好	373	71（29.22）
≥50 000	470	104（42.80）			一般	489	143（58.85）
					差	136	29（11.93）

基本特征	人数	就医延迟	χ²值	P值	基本特征	人数	就医延迟	χ²值	P值
年龄（岁）			10.495	0.005	医疗保险类型			40.543	<0.001
60~65	633	142（58.43）			城镇职工医疗保险	664	121（49.79）
66~70	304	76（31.28）			城乡居民医疗保险	313	115（47.33）
>70	61	25（10.29）			其他	21	7（2.88）
性别			10.426	0.001	疾病了解程度			21.454	<0.001
男	518	148（60.91）			了解	838	181（74.49）
女	480	95（39.09）			不了解	160	62（25.51）
文化程度			7.539	0.006	疾病相关自我效能			34.821	<0.001
初中及以下	220	69（28.40）			高	959	218（89.71）
高中及以上	778	174（71.60）			低	39	25（10.29）
婚姻状态			19.768	<0.001	是否签约家庭医生			25.576	<0.001
已婚	935	213（87.65）			是	644	124（51.03）
其他	63	30（12.35）			否	354	119（48.97）
居住情况			17.391	<0.001	患慢性病数量（种）			0.008	0.928
独居	57	27（11.11）			2	359	88（36.21）
非独居	941	216（88.89）			>2	639	155（63.79）
户籍类型			5.282	0.022	患慢性病时间（年）			1.735	0.188
城市	821	188（77.37）			≤5	319	86（35.39）
农村	177	55（22.63）			>5	679	157（64.61）
个人平均年收入（元）			2.379	0.123	自评健康状况			12.754	0.002
<50 000	528	139（57.20）			好	373	71（29.22）
≥50 000	470	104（42.80）			一般	489	143（58.85）
					差	136	29（11.93）

变量	β	SE	Wald χ²值	P值	OR	95%CI
年龄（以60~65岁为对照）
66~70岁	0.017	0.178	0.009	0.923	1.017	（0.718~1.441）
>70岁	0.538	0.313	2.944	0.086	1.712	（0.926~3.164）
性别（以男性为对照）
女性	-0.355	0.169	4.408	0.036	0.701	（0.504，0.977）
文化程度（以初中及以下为对照）
高中及以上	-0.282	0.195	2.083	0.149	0.754	（0.515~1.106）
婚姻状况（以已婚为对照）
其他	0.480	0.358	1.791	0.181	1.616	（0.800~3.261）
居住情况（以独居为对照）
非独居	-0.447	0.377	1.402	0.236	0.640	（0.305~1.340）
户籍类型（以城市为对照）
农村	-0.528	0.255	4.277	0.039	0.590	（0.358~0.973）
医疗保险类型（以城镇职工医疗保险为对照）
城乡居民医疗保险	0.978	0.210	21.799	<0.001	2.660	（1.764~4.010）
其他	0.944	0.569	2.754	0.097	2.570	（0.843~7.837）
疾病了解程度（以了解为对照）
不了解	0.374	0.219	2.925	0.087	1.454	（0.947~2.232）
疾病相关自我效能（以高为对照）
低	1.477	0.380	15.112	<0.001	4.378	（2.079~9.217）
是否签约家庭医生（以是为对照）
否	0.823	0.174	22.250	<0.001	2.277	（1.618~3.206）
自评健康状况（以好为对照）
一般	0.441	0.189	5.436	0.020	1.554	（1.073~2.250）
差	-0.237	0.292	0.659	0.417	0.789	（0.445~1.398）

变量	β	SE	Wald χ²值	P值	OR	95%CI
年龄（以60~65岁为对照）
66~70岁	0.017	0.178	0.009	0.923	1.017	（0.718~1.441）
>70岁	0.538	0.313	2.944	0.086	1.712	（0.926~3.164）
性别（以男性为对照）
女性	-0.355	0.169	4.408	0.036	0.701	（0.504，0.977）
文化程度（以初中及以下为对照）
高中及以上	-0.282	0.195	2.083	0.149	0.754	（0.515~1.106）
婚姻状况（以已婚为对照）
其他	0.480	0.358	1.791	0.181	1.616	（0.800~3.261）
居住情况（以独居为对照）
非独居	-0.447	0.377	1.402	0.236	0.640	（0.305~1.340）
户籍类型（以城市为对照）
农村	-0.528	0.255	4.277	0.039	0.590	（0.358~0.973）
医疗保险类型（以城镇职工医疗保险为对照）
城乡居民医疗保险	0.978	0.210	21.799	<0.001	2.660	（1.764~4.010）
其他	0.944	0.569	2.754	0.097	2.570	（0.843~7.837）
疾病了解程度（以了解为对照）
不了解	0.374	0.219	2.925	0.087	1.454	（0.947~2.232）
疾病相关自我效能（以高为对照）
低	1.477	0.380	15.112	<0.001	4.378	（2.079~9.217）
是否签约家庭医生（以是为对照）
否	0.823	0.174	22.250	<0.001	2.277	（1.618~3.206）
自评健康状况（以好为对照）
一般	0.441	0.189	5.436	0.020	1.554	（1.073~2.250）
差	-0.237	0.292	0.659	0.417	0.789	（0.445~1.398）

模型	AUC	95%CI	SE	灵敏度	特异度	P值
多因素Logistic	0.729	0.692~0.767	0.019	69.5%	69.5%	<0.001
分类决策树	0.721	0.685~0.757	0.018	74.1%	60.7%	<0.001