自上呼吸道感染人群对抗菌药物期望程度与处方开出关系的探究Word格式文档下载.docx

自上呼吸道感染人群对抗菌药物期望程度与处方开出关系的探究Word格式文档下载.docx

《自上呼吸道感染人群对抗菌药物期望程度与处方开出关系的探究Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《自上呼吸道感染人群对抗菌药物期望程度与处方开出关系的探究Word格式文档下载.docx（26页珍藏版）》请在冰豆网上搜索。

就在20１1年５月份,江苏省卫生厅与省属各大医院院长签订了合理使用抗菌药物“军令状”，严格限制二三级医院抗菌药使用的数量和强度。

这些事件都在不断提醒我们,合理使用抗生素迫在眉睫。

目前,绝大多数上呼吸道感染患者都在应用抗菌药物治疗。

但从病因学上看，上呼吸道感染大多数是由病毒感染引起的,抗菌药物的使用不仅没有治疗效果，还会导致细菌耐药性增加的副作用。

剖析这一现象产生的原因，其实是医师、患者、药商、社会背景等多因素作用的结果。

纵观国内先前对此现象的研究，大多从医生、医院或药厂方面入手，将问题的责任主要归咎于他们,而很少从患者的角度来探讨这种现象。

那么患者在抗菌药物的使用过程中到底担任什么角色呢?

本次调查研究从患者角度切入,采用问卷调查的形式,通过模型建立探究患者对抗菌药物的期望程度与抗菌药物处方开出之间的关系，并探究可能影响患者对抗菌药物期望程度的因素。

走出定式的思维模式，从病人角度探究抗菌药物使用现状的原因，从而为合理用药提供更多维的理论依据和指导。

抗生素处方开出以及对抗生素处方的不同期望形成是诸多因素综合作用的结果,且各因素间可能存在相互关联。

探究患者在抗生素处方开出这一过程中的作用,则需对与患者就诊情况相关的信息进行调查，并且需对信息进行量化。

对于此类问题的探究,所获得的数据很可能不是数量值，而是二类或多分类变量，一般无法直接采用一般线性多元回归模型研究。

通过大量文献的阅读与学习,研究小组认为建立Ｌogiｓtic回归模型进行分析是比较合适的。

同时，进行频数的描述及卡方检验,可以对数据进行预先处理而使模型更加直观和丰满。

整个项目及模型的整体流程和构思如下：

图１

二、调查方案

（一）问卷设计

由于处于探索阶段，参考了大量文献[１]-[4]之后，问卷设计的内容包括:

⑴、基本情况:

年龄、性别、职业、教育程度、对医药知识的了解程度、家庭月收入、是否享有医疗保险、是否吸烟;

问题意义：

上述问题是对病人基本情况的了解，在数据处理时，有利于对结果做出合理的分析。

教育程度的不同会影响对抗生素使用的态度，对医药的了解程度更是如此；

医疗保险从一个侧面反应经济能力；

⑵、疾病情况：

确切的诊断、就诊的理由；

评估疾病对病人的影响程度,也是病人对自身情况及疾病的一个自评情况。

同时判断问卷的有效性（渴望程度深当然在随后的问题中应该选择有抗生素使用的暗示,否则就说明受调人没有认真做问卷）。

⑶、用药情况:

曾经使用过的抗生素、药物使用倾向；

⑷、对抗生素使用利弊的看法。

以上两个问题从不同的侧面了解病人对疾病的态度以及对抗生素的认知情况。

⑸、核心问题:

对抗生素使用的期望（很想、想、没有想法、不想、很不想）、是否提出暗示、最后是否获得了抗生素处方等。

本次调查的主要目的数据，将结合所有问题进行更深入的分析。

同时,调查人员根据受调地点进行数据来源分类：

三甲医院、社区诊所、高校医务室及社区和高校。

（二）样本量的确定

本次调查采用问卷调查的方式,以南京市作为调查地点。

以２008年末南京市户籍总人口为624.46万人为依据,计算所需的样本量。

对于简单随机抽样,使用误差限和估计量的标准差来确定所需的样本量。

其中，

为置信区间的

值,

为估计量的标准差，ｅ为调查误差,N为总体大小。

由于本次调查研究的创新性，国内没有进行过相关的研究,取

=0．5以使总体方差最大。

本次调查采用95%的置信度,ｔ=1．９6。

可接受的误差限e为0.05，预计回收率ｒ=0．６5。

计算初始样本量

根据总体大小调整样本

根据抽样设计效应调整样本量,由于采用简单随机抽样设计Ｂ=1，所以

根据预计的回答率确定最终样本量

为了减少无效问卷对本次调查的影响，确保有效问卷的数量，最终确定发放问卷66０份。

（三）调查过程

调查主要分为两个阶段,试调阶段与正式调查阶段。

1.试调阶段

试调阶段的主要目的是为了确定调查方式与完善问卷。

具体问卷见附录。

２010年7、8两月研究小组成员在各自家乡进行了试调查。

试调查的方式主要包括即时调查与回顾性调查。

即时调查需在选定的医疗机构，对具有上呼吸道感染症状人群就本次患病情况进行调查;

回顾性调查则只需要受调查者回忆上一次确诊为上呼吸道感染时的情况，完成问卷。

调查的内容并不局限于问卷本身，还包括受调查者对问卷的建议、受调者对上呼吸道感染以及抗生素使用等问题的主观看法。

将受调查者的回馈内容收集总结后以便完善问卷。

试调查共发放了12０份问卷,回收有效问卷1０4份。

经分析,最终确定采用回顾性的调查方式,并且统一确定调查范围为南京。

完善的内容包括：

①对医药类朋友以及亲属的相关资讯；

②曾经使用过的抗生素、药物使用倾向;

③对抗生素使用利弊的看法；

④核心问题提问方式也作出修改。

后续问题的加入以及修改更加符合我国居民现况，有利于调查的后期分析。

综合整理成正式调查问卷。

（见附录）

2.正式调查阶段

２010年10月至2011年3月期间,研究小组以回顾性的方式对具有上呼吸道感染症状的人群进行问卷调查。

调查地点分为医疗场所（南京鼓楼医院、中大医院、江宁阜新诊所、景山公寓社区卫生站、中国药科大学校医务室）和非医疗场所（社区、高校）。

①在医疗场所,对诊断结束后的患者进行问卷调查。

调查前会对患者进行如下的提问，“您这回就诊时有哪些具体的症状？

比如发烧、咽痛、流鼻涕、咳嗽、身体酸困、鼻塞等不舒服的情况”、“您是否觉得自己有些感冒了？

”等，以此判断患者是否存在典型的上呼吸道感染（上感）症状。

对具有上感症状的人群进行调查,不存在此类症状的人群则不会接受调查。

调查过程中，若患者配合不充分,或者问卷核心问题（14、15题）未完全完成，这样的问卷会被弃置。

②在非医疗场所，则对患者最近一次存在上感症状的情况进行调查。

如果在调查过程中,受调者对先前的疾病回忆模糊不清，如不能清楚的记得患病几天、存在哪些症状、用过哪些类型的药物，则这样的问卷也会被弃置。

调查的形式均采取谈话交流，将问卷中的问题一一阐述清楚后,在问卷上记录下患者对每个问题的反馈。

谈话的内容是基于问卷设计的，包括本次疾病持续的时间、是否知道在治疗过程中使用的药物、在以前治疗过程中接受过哪些抗菌药以及服用后是否有效、对抗生素主观的看法、在治疗类似疾病过程中会选择哪类药物作为首选（中成药或者抗生素）、是否存在使用抗生素的期望、是否得到抗生素的治疗，随后会完善受调者的基本资料，包括年龄、性别、职业、教育程度等。

每次调查需花费１0－1５分钟的时间。

调查目的对受调者保留。

共收集６53份问卷，经剔除、筛选,531份问卷有效。

三、调查数据预处理

在数据处理时,为了更好的分析样本,根据受调者对抗生素的期望程度,将受调者分为三类,其中将“很想”、“想”归为一类——“想使用抗生素”,将“不想”、“很不想”归为一类——“不想使用抗生素”。

问卷结果统计采用ITT（ｉnｔｅnｔiontｏｔrｅａt）分析方法，即受调者能够被列入有效问卷（列入条件见上文）就加入统计,不必全部问题都完成。

（一）调查数据的基本结构

（1）问卷的基本情况如图2

图2

统计结果表明,受调查人群中1５－24岁的人群占大部分,其主要人群为大学生，由于调查场所中包括高校医务室。

受调人群中性别比例基本持平。

医疗保险中，享受保险者占绝大部分,说明医疗卫生保险的普及率在南京地区较高。

收入情况中，大部分为家庭收入2000-６00０元每月者，这种划分主要依据南京市民收入情况。

吸烟状况中，从未吸过烟的人群占绝大多数，在后续的数据分类中，将从未吸烟划为一类,曾经吸过和一直在吸划为一类。

教育程度情况分布中本科及本科以上占大部分,其他两类基本持平。

（2）经受调者的复述，获得疾病的诊断情况（多选题,所列频数为项目被选择次数的总和）如图３。

结果显示,受调者中至少一项诊断为普通感冒的人群占了大多数。

（3）受调者抗菌药物用药史（多选题，所列频数为项目被选择的总和）如图4。

结果显示,抗菌药物使用普遍情况从高到低依次为头孢类、青霉素类、红霉素类、喹诺酮类及其他。

　　图3　　　　　图4

（二）数据初步评价

（１）不同人群的不同期望对抗菌药物处方开出的影响

总共53１份问卷中，在1５0份表示想用抗生素的受调者中获得抗生素处方的有1４6（９7.3%）（高于期望数１2４．5）,未获得抗生素处方为4份（4.4%）（低于期望数25.5）。

在251份表示没想法的受调者中,获得抗生素处方的为２１9（87.３%）（高于期望数208.４）,未获得抗生素处方的为32（12.7%）（低于期望数４2.6）。

在129份不想的受调者中,获得抗生素处方的为75（58.１%）（低于期望数107.1），未获得抗生素处方的为54（４1.9%）（高于期望数２1.9）。

在获得抗生素处方的440位受调者中,表示想用抗生素治疗的占33.2%，没想法的占４9．8%,不想使用抗生素的占1７.０%。

在未获得抗生素处方的90位受调者中，表示想使用抗生素的占４.4％,没想法的占３5.6%,不想使用抗生素的占60.０%。

表１

卡方检验结果显示，就整体数据而言,受调者不同期望对抗菌药物处方开出与否这一结果的影响存在显著性差异p=０．000。

表2

经过更进一步人群的分类，在男性、女性、不具有专业背景、曾经或仍在吸烟、不曾吸烟、用药选择时倾向抗生素、用药选择时倾向中成药、高中学历、专科学历、本科及本科以上学历、被诊断为感冒、被诊断为急性咽炎、被诊断为急性扁桃体炎、被诊断为急性喉炎和被诊断为急性支气管炎等1５类不同人群中，患者对抗生素处方不同期望对抗生素处方开出的结果的影响存在显著性差异。

就卡方检验的结果而言,探究人群对抗菌药物的不同期望对抗生素处方开出的影响是必要并且可行的。

（２）不同医院类别对抗生素处方开出的影响

开出处方毕竟是以医生行为为主导的，为了简约地处理医生方面的因素，研究小组特别考察了医院类别这一因素在抗生素处方开出中的作用。

调查组在此假设:

不同医院类别这一因素涵盖的意义包括医师不同的用药经验及认识，医院对医师行为的影响。

卡方分析的结果显示，不同医院的类别确实在抗生素处方开出的结果中有显著差异的影响。

（3）各分类因素对受调者产生不同期望的影响

究竟是什么因素导致了人群产生这些不同的期望？

也许对于这个问题的探究，会对实际问题有更大的指导意义。

因此,我们同样先用卡方检验，对人群进行分类,探究不同因素在受调者产生的对抗菌药物的不同期望影响的差异性。

分析结果显示，不同的教育程度、对医药知识不同的认知程度、用药的不同倾向、不同年龄分段以及学生人群中医药类别院校与非医药类别院校在影响受调者产生不同期望中有显著性差异。

四、模型建立

（一）变量的分类和赋值

（1）因变量的分类和赋值

模型将调查过程中获得的“医生开出抗生素”（Y1）“想使用抗生素”（Y2）和“不想使用抗生素”（Y３）作为因变量来描述处方开出的情况以及期望的情况。

三个因变量均为二元选择变量，用“0”“１”进行分类定义。

表3

（２）自变量的分类和赋值

模型建立中选取了以下的变量来作为影响“处方开出”以及“期望”的因素：

教育程度、医药认识程度、生病时是否会咨询身边从事医药类工作的朋友或亲属、是否享有医疗保险、家庭月收入、是否吸烟、使用过抗生素对疾病的治疗是否有帮助、怎样看待使用抗生素的利弊、倾向于使用哪种类型的药物、医院类别、期望程度、提出了何种要求。

将不同的影响因素分为两类，一类为二元选择变量,另一类为多元变量。

在此基础上,对变量进行了编号分类。

二元选择变量:

①生病时是否会咨询身边从事医药类工作的朋友或亲属；

②是否享有医疗保险；

③是否吸烟；

④使用过抗生素对疾病的治疗是否有帮助。

对于以上变量,选择“是”,则在编号上记为

（1）=１,

（2）=0;

选择“否”，则在编号上记为（１）=０,（２）＝1。

其余变量为多元变量,包括：

①教育程度;

②医药认识程度；

③家庭月收入;

④怎样看待使用抗生素的利弊；

⑤倾向于使用哪种类型的药物；

⑥医院类别；

⑦期望程度；

⑧提出了何种要求。

调查问卷将教育程度划分为四类:

高中以及高中以下、专科、本科、本科以上，本文以“本科以上”为基准，编号记为

（1）=0,

（2）＝０，（3）=0;

选择“本科”,编号记为

（1）=０，

（2）=０,（3）=1;

选择“专科”，编号记为（１）=0，

（2）=１，（３）=0;

选择“高中以及高中以下”，编号记为

（1）=1，（２）＝0，（3）=0。

其余变量也选择了同样的处理方式。

具体内容可见表4。

表4

（二）模型设计

假设受调者的年龄Ｘ１、性别X2、教育程度X３、医药认识程度X４、生病是是否会咨询从事医药类工作的亲友X５、是否享有医疗保险Ｘ6、家庭月收入X7、吸烟X8、使用过抗生素后对疾病是否有帮助X9以及怎样看待使用抗生素的利弊X10、倾向于使用哪种类型的药物Ｘ11、医院的类别Ｘ12、对抗生素的期望程度X1３、学科类别X14这些因素对抗生素处方的开出存在显著影响。

（1）模型选取

Lｏｇｉstｉｃ回归分析是一种用于分析因变量为定性变量的非线性模型。

当因变量为二分类变量时,建立Ｂｉnａrｙ　Ｌｏgisｔic回归模型。

某种结果出现与不出现的概率之比即为比值（odds）,

。

oddｓ值越大,代表出现这种结果的可能性越大。

取其对数

即lｏｇｉｔ变换。

通过变换,logiｔ（Ｐ）的取值范围扩大到以0为对称点的整个实数区间（-∞，+∞），使得在任何自变量取值下P值的预测均有实际意义。

概率和自变量间关系符合ｌogiｔ函数关系。

模型为：

本次调查结果可采用二元lｏgistiｃ模型进行分析。

考虑到各因变量之间可能存在高阶交互作用等情况而对结果造成严重影响，首先利用分类树模型对数据进行初步分析，获得一个用分类树表示的分层统计分析结果，筛选出loｇiｓtｉｃ回归中可能出现的交互因素。

再根据分类树的结果构造ｌogｉsｔiｃ回归模型进行多因素分析,将交互作用项引入方程进行统计检验，剔除无统计学意义的项，直至所有解释变量均显著为止。

最后添加线性叠加变量，采用ｓｔepwｉse方法建立完整的ｌogiｓtic回归模型。

首先，研究小组采用上述方法分析影响抗生素处方开出（Y1）的因素。

其次，为更深入的探究对抗生素处方的期望程度X１3的影响因素,将其分为“想使用抗生素”（Y2）和“不想使用抗生素”（Y３）两个二元因变量进一步加以分析。

（２）交互因素的筛选

首先以因变量Y1（是否抗生素处方开出）作为树根，将全部变量引入分类树模型进行拟合,生成的分类树结果如图５。

该图显示仅医院的类别X12、对抗生素的期望程度X13两项之间存在交互作用，对是否开出抗生素处方Y1产生了显著影响。

考虑到年龄段、性别等有关受调者的基本信息变量可能不能对抗生素处方的开出产生直接的影响,而是通过以上2个变量间接的产生影响,故仅讨论这两个变量以及它们的交互作用对Y1的影响。

根据分析，认为这些被剔除的变量可能对抗生素的期望程度X13产生影响。

图５

因此,将期望程度分为“想使用抗生素”和“不想使用抗生素”两个水平进行研究,并分别以这两个水平为树根对剩余的12个变量进行拟合,得到预测效果最佳的两个树形结构如图6和图７：

图６

该图显示，受调者对药物的使用倾向、抗生素使用利弊的认识、年龄段等3个因素具有交互作用而对“想使用抗生素”产生了影响。

图7

该图显示,受调者对抗生素使用利弊的认识、受调者所属的学科类别和药物使用倾向等３个因素具有交互作用而对“不想使用抗生素”产生了影响。

（3）模型建立

以logｉｔ（Ｙ1）为因变量,参考分类树模型结果,建立包含医院的类别X１1、对抗生素的期望程度X１2两个自变量及上述交互作用项的Logｉsｔic回归模型：

即有:

回归系数βi表示自变量Xi　每改变一个单位,比值比的自然对数值改变量。

eｘp（βi）即OR值，表示自变量每变化一个单位，阳性结果（Y=1）出现的概率与不出现概率的比值是变化前的相应比值的倍数，即优势比:

当自变量的回归系数为正时，OR大于1,表示出现阳性结果的概率越大；

当回归系数为负时，ＯR小于１，表示自变量对阳性结果产生了负性影响。

同理,建立“想使用抗生素”（Y2）和“不想使用抗生素”（Y３）的Loｇistic回归模型:

五、模型结果讨论与分析

（1）对想使用抗生素Y２进行回归分析

①将１２个主效应项X1-X１1，Ｘ14以及分类树模型得到的交互作用项Ｘ1Ｘ10，X1X11，X10X11一起进行回归分析,采用向前逐步筛选法得到结果如下表5。

表5

②为使模型获得较高的拟合度，对于没有主效应的交互作用项,加入主效应后重新建立模型，通过逐步向前的方法，筛选剔除无统计学意义的项,得到的检验结果如下表。

表6　　　　　　　　　　表７

表６和表7为此模型的检验结果。

在模型拟合的每一步,Cox&

SneｌlＲ　Sｑuａre和NageｌkerkeRSqｕare的值都有所上升,指示拟合优度逐步提高。

但其数值偏小，同时采用HosｍerａndＬemeshoｗ统计量检验,

值为4．２1１,自由度为６，ｐ为０．64８，不能拒绝实际值与预测值一致的假设,说明模型具有较好的拟合优度。

表１１为模型的拟合过程及结果。

表8

因此得到影响想使用抗菌药物Y2因素的回归情况如下:

在引入主效应后，方程的结构发生了很大改变,交互作用项全部消失，只留下主效应项,说明主效应项的交互作用相比其本身影响小,在这种情况下,选择保留主效应项。

从回归模型可以看到，年龄和对抗生素使用的利弊的看法（利大于弊、利弊相当）、用药倾向（抗生素）３个自变量对期望程度“想”（Y2）产生影响。

年龄在15-24岁以及25-3４岁这一项的回归系数小于0，OR小于1，即对“想”（Ｙ２=1）产生负性作用,即有“想使用抗生素”这种想法的可能性会降低。

其中15-２４岁这一项显著性更强。

这部分人群以在校大学生为主,９3.1％的人认为抗生素对于此类疾病是有效的,只有43.9%的人认为抗生素的使用是弊大于利的，同时大部分的受调者（59.6%）还是更信赖中成药，这些因素都使受调者想使用抗生素的可能性降低。

（尽管有近一半的人正在就读或已毕业于医药类院校，但对于医药的认识程度仍然集中在“了解”或是“了解甚少”层面,这可能反映了医药类院校教学工作中的一些问题）

认为抗生素的使用利大于弊的受调者对想获得抗生素（Y2＝１）产生了显著的正性影响，更容易产生“想使用抗生素”的想法,他们想获得抗生素治疗的想法比其他人多3倍左右（优势比约等于相对危险度），这说明当患者本身认为使用抗生素是有利的时，产生想要获得抗生素的想法就会明显增多,分析显示认为抗生素使用利大于弊的受调者有８5.３%最终获得了抗生素处方,而认为抗生素使用利弊相当的受调者对抗生素的需求也产生了较大的正性影响，有82.５％的人获得了抗生素处方,同时认为弊大于利的受调者只有75.３%的人获得了抗生素处方，说明这一看法将导致抗生素处方的开出增加,这可能是由于认为利大于弊的人群会在就诊时向医生提出抗生素的需求。

尽管如此,认为弊大于利的受调者获得抗生素处方的概率也很高，这可能反映了医生作为处方开出者对抗生素处方开出的影响高于患者自身。

用药倾向对想使用抗生素（Y2＝1）也产生了显著的正性影响，相比于具有中成药使用倾向和没有想法的受调者,使用抗生素的想法高出２倍多。

　　图8　　　　　　　　　表9

由ROＣ曲线可以看出，根据该模型预测概率进行预测，曲线下面积为0．７3２,9５%置信区间为（0.６8２~0.783），模型预测的正确率还是比较高的。

（2）对不想使用抗生素（Y3）进行回归分析

对Y３做与Ｙ2同样的处理,得到最终的回归结果见表13：

（第一次回归分析及模型检验结果见附录）

表10

由分析，最终得到影响不想使用抗菌药物Y3的因素回归情况如下:

教育程度（本科、专科）、用药倾向（抗生素、中成药）、对抗生素使用利弊的看法（弊大于利）对期望程度“不想”（Ｙ3）产生影响。

仅用药倾向为抗生素时,使不想使用抗生素的可能性（Y３=1）减少。

教育程度为本科和专科的受调者不想使用抗生素的想法比教育程度在高中及高中以下和本科以上多,这是一个值得关注的问题，一般认为教育程度越高,对抗生素的认识越全面，不想使用的可能性也高，但本科以上学历的受调者在调查中就表现出对抗生素使用的喜爱,他们对此的看法集中在抗生素的疗效较快上。

由于这一类的样本量较少，而没有对结果产生负性影响,但在本科（想使用抗生素的比例占本类的比例,28．4%）、专科（20.5％）较低情况下,本科以上学历有35．7％的人想使用抗生素。

但同时,这些受调者也表示自己能够合理使用抗生素，而不是盲目选择疗效快的治疗途径。

用药倾向为抗生素将会对不想使用抗生素（Y3=1）产生负性影响，即减少这种事件发生的可能性。

两种不同的用药倾向对结果产生的影响正好相反,这种结果不难理解，倾向于使用抗生素的人，不想使用抗生素的想法显著小于其它用药倾向的人群，而倾向于使用中成药的人,更多的表现出不想使用抗生素的想法。

中成药对Y3的影响大于抗生素，这也反映出在国内有很多人对于中医中药的认同，这种认同是基于文化和历史的，因此影响程度较大。

　学科类别（医药类院校）和抗生素使用的看法的交互作用项保留在方程中，而其主效应项之一的学科类别被剔除，这可能是由于两者之间存在的交互作用较大，且学科类别（医药类院校）必须通过在抗生素使用利弊上的看法来影响对抗生素的使用期望,可以说学科类别（医药类院校）这一项是抗生素使用利弊看法的一个影响因素。

方程的意义是在学科类别（非医药类院校）中，认为抗生素使用弊大于利（OＲ=1２．２01）的人不想使用抗生素的愿望十分强烈。

图9　　　　　表11

由ＲOＣ