设计特征如何影响离散选择实验中受访者参与度？—— 基于 EQ-5D-5L 的属性非关注评估

为探究设计特征对受访者参与度的影响，研究人员开展离散选择实验（DCEs）研究，发现属性重叠可提升参与度，具有重要意义。

　　在健康相关研究领域，离散选择实验（DCEs）越来越多地被用于制定健康相关生活质量工具的价值集。然而，在 DCEs 中存在一个现象，即属性非关注（ANA），也就是受访者在选择任务中只考虑一个或几个属性。这一现象的出现有两个主要原因，一是反映真实偏好，某些受访者可能认为某些属性与决策无关所以忽略它们；二是作为一种决策启发式策略，受访者为简化复杂任务而主动忽略属性。以往多数评估 DCE 设计方法的研究只关注统计效率，对不同构建技术的行为影响关注较少，而且在考虑属性重叠的设计方面研究存在空白。为了填补这些知识空白，来自澳大利亚悉尼科技大学等机构的研究人员开展了相关研究，其成果发表在《The Patient - Patient-Centered Outcomes Research》。

研究人员主要采用了以下关键技术方法：首先，选择广泛使用的健康相关生活质量工具 EQ-5D-5L 作为描述系统，它包含五个属性，每个属性有五个级别。研究共设置了 19 种设计，使用了六种构建方法，最终聚焦其中四种能产生属性重叠设计的方法。通过澳大利亚在线面板公司 Pureprofile 招募了 3365 名具有代表性的澳大利亚普通民众参与调查，让他们完成一系列选择任务。其次，运用平等约束潜类模型（ECLC）来识别 ANA 模式的变化，通过多项 logit（MNL）模型分析选择数据。

研究结果如下：

1. 受访者特征：样本在年龄、性别、地区等方面与澳大利亚总体人口相似，但受教育程度更高。总体上，47% 的样本报告患有长期健康状况，22% 认为自己处于 EQ-5D-5L 最佳健康状态。
2. ANA 概率：在无属性重叠的设计中，生成器开发设计的全关注概率最高（28.4%），SAS 设计最低（22.3%）。而纳入属性重叠对所有设计的关注率都有显著影响，其中 Ngene 和 SAS 设计改善最为明显，全关注率分别从 24.6% 和 22.3% 提升到 54.2% 和 49.4%。有趣的是，属性重叠在某些设计中不仅增加了全关注率，还增加了非关注率，但 R 设计未出现这种情况。
3. 健康状态估值：属性关注影响了 EQ-5D-5L 各属性水平的效用递减。多数显著参数幅度在全关注者中比部分关注者更大，但 R 设计中重叠属性的移动维度 2 级在部分关注者中的幅度大于全关注者。此外，ANA 分析前后，EQ-5D-5L 的相对属性重要性（RAI）得分存在差异，尤其是在移动和焦虑 / 抑郁维度。移动维度在排除数据前更重要，而焦虑 / 抑郁维度在全关注者中更重要。
4. ECLC 模型的外部效度：非关注者的直线选择率最高，完成任务和调查的时间最短，且更多认为任务困难，难以区分选项，较少考虑整个描述。这表明 ECLC 模型对全关注者、部分关注者和非关注者的分类具有外部效度，反映了不同的参与度和关注度水平。

研究结论和讨论部分指出，不同设计构建方法的属性关注存在显著差异，属性重叠显著提高了属性关注水平，特别是在 Ngene 和 SAS 中实施的修改后的 Fedorov 设计，其属性关注率最高，这支持了使用此类设计来增强受访者参与度。ANA 概率在不同研究中的差异可能与调查的感知难度、主题熟悉度和人口特征等因素有关，值得进一步研究。ANA 分析可作为数据分析中纳入和排除受访者的质量控制工具，因为部分非关注可能意味着缺乏关注或真正的冷漠，需要对只关注单个属性的受访者进行额外的稳健性检查。同时，ANA 对 EQ-5D-5L 系数的影响在移动和焦虑 / 抑郁维度更为明显，维度顺序和偏好异质性可能是影响因素，这也为未来研究指明了方向。

综上所述，该研究揭示了设计特征对受访者参与度的影响，为离散选择实验的设计和实施提供了重要参考，有助于提高健康状态估值的准确性和研究质量。