用于确定患者遵从药物处方的倾向性的设备和方法
专利名称：用于确定患者遵从药物处方的倾向性的设备和方法
技术领域：
本发明涉及用于根据患者遵从药物处方的估计倾向性(propensity)来划分患者的设备和方法。
背景技术：
对于处方药物的遵从性(adherence)已经被公认为是我们的“另一个药品问题”、 一种“流行病”以及一种“极其严重的世界性问题”。跨跃四十年的研究表明，不管诊断如何， 对于处方药物的遵从性较差。多达20%的患者不会依新处方配药。在会依新处方配药的人当中，大约有一半在前六个月就中断治疗。不管是什么疾病，不遵从性都会导致患者、保健服务提供者、付款人和雇主、药房以及制药公司都错失了许多机会。不遵从性会阻碍患者达到其临床目标的能力，并且可能导致疾病加重、麻烦的临床后遗症以及不达最佳的患者结局。对于提供者来说，不遵从性会给临床管理带来挫折，并且会给在针对疗效付费的情况下做出退偿的那些服务提供者带来经济损失。不遵从性会提高付款人和雇主的保健成本，并且会导致不达最佳的受益结果。对于发现并制造处方药物的制药公司以及进行销售的药房来说，不遵从性会导致严重的收益损失。从1960年代早期以来，在对于处方药物的遵从性方面已经公布了超过32000篇论文。这类作品当中的大多数是描述性的，其中记载了在不同的疾病和人口统计群体当中不遵从性的程度。而且已经有大量工具用来衡量遵从障碍和促因。这些工具的构成包括(但不限于)药物信念、药物顾虑、感知服药障碍、感知药物益处、感知药物需求、副作用经历或恐惧、感知药物效能、疗法侵扰、遵从性自我效能以及药物反感。许多其他工具用来衡量遵从性本身，并且其内容有一般性的以及特定于疾病的。美国的全国患者信息和教育理事会 (National Council on Patient Information and Education) ^ ^^ τ&ΜΨΜ^^ 和保健专业人员的药物信息传达，其主张对临床实践中的不遵从性进行例行筛检。其他临床方面的领导者也赞同这一推荐。已经开发出几种调查来筛检特定疾病和/或专项中的不遵从性，其中三种用于精神病、四种用于抗反录病毒治疗、两种用于抗高血压治疗、一种用于风湿病以及一种用于儿科病。只开发出四种工具用来在多种慢性病当中筛检不遵从性——简明药物调查表(Brief Medication(Stages of Change for Medication Adherence)、信念禾时亍为调查表(Beliefs and Behavior Questionnaire，BBQ)以及ASK—20 调查。BBQ (30项)、ASK-20 (20项)以及简明药物调查表(最少17项)的长度使其在临床实践中较不实用。ASK-20没有任何理论基础，其刚刚在2008年6月公布，并且在其开发者之外对于所述调查并没有经验。简明药物调查表在临床实践或研究中还没有得到广泛使用。 两项的药物遵从性改变阶段是基于跨理论模型，其只能拙劣地预测对抗反录病毒治疗的后续遵从性。此外还不清楚跨理论模型的理论基础对于处方药物遵从性与健康行为改变(比如停止吸烟和采用乳房X射线照相)的相关程度。
有鉴于不遵从性问题的重要性，事实上其同等地影响所有诊断和人口统计群体并且导致在经济和临床方面付出重大代价，因此需要一种能够在个别患者的基础上提供对于不遵从性的可能性估计的简明而通用的筛检工具。这样的工具可以对临床实践和人群健康做出确定无疑的贡献。如果这种工具易于集成到典型医务室的生态系统中的话其将更有价值。
发明内容
本发明通过提供用于根据患者遵从药物处方的倾向性对患者进行分组的设备和方法来解决前面描述的问题和需求。本发明的一方面提供一种用于确定患者的风险群体的易用设备，所述设备在下文中被称作“iThe Adherence Estimator (遵从性估计器)”，其包括潜在总分数递增尺度(incremented scale)、处方调查、应答记录工具、评分矩阵以及解释工具。在一个优选实施例中，根据包括三个群体(或“类别”)的患者分类系统对患者进行分组，其中包括高风险群体、中度风险群体以及低风险群体。高风险群体描述相对于低风险群体和中度风险群体中的患者具有更高的不遵从性风险的患者。低风险群体描述相对于中度风险群体和高风险群体中的患者具有较低不遵从性风险的患者。中度风险群体描述其不遵从性风险落在更高风险群体与较低风险群体之间的患者。本领域技术人员将会认识到， 在不偏离本发明的范围的情况下还可以使用不同的患者分类系统，其对于风险群体使用不同的名称或者使用不同数目的风险群体。所述潜在总分数递增尺度具有对应于高风险群体的第一潜在总分数范围、对应于中度风险群体的第二潜在总分数范围以及对应于低风险群体的第三潜在总分数范围。所述潜在总分数递增尺度把实际分数与不同的风险群体相关。所述处方调查可以包括用以关于不超过三个范畴评估患者的信念的多个问题，所述三个范畴是(i)患者对于处方药物的感知需求；(ii)患者对于处方药物的感知安全性顾虑；以及(iii)患者对于处方药物的感知可负担性。这三个范畴有时可以被称作投入 (commitment)范畴、顾虑范畴和花费(或可负担性)范畴。所述应答记录工具被配置成对于所述多个问题当中的每一个问题给出多个潜在患者应答，并且对于所述多个问题记录由患者给出的实际患者应答集合。所述评分矩阵被配置成把针对所述调查中的每一个问题的多个潜在患者应答分别与多个部分分数相关。应当注意的是，所述多个部分分数被选择并设置在所述评分矩阵中，从而只可能有一个实际患者应答集合所具有的各相关部分分数在相加起来时可以产生与所述递增尺度上的给定潜在总分数相等的实际总分数。最后，所述解释工具表明如果所述实际总分数等于落在所述递增尺度上的第一范围内的一个潜在总分数，则应当把患者指定到高风险群体；如果所述实际总分数等于落在所述递增尺度上的第二范围内的一个潜在总分数，则应当把患者指定到中度风险群体; 并且如果所述实际总分数等于落在所述递增尺度上的第三范围内的一个潜在总分数，则应当把患者指定到低风险群体。在某些实施例中，用以关于所述三个范畴评估患者信念的多个问题对于所述三个范畴当中的每一个范畴可以包括不多于单个问题。举例来说，用以关于患者对于处方药物的感知需求范畴(投入范畴)评估患者信念的单个问题可以提示患者公示该患者所确信的处方药物的重要程度。用以关于患者对于处方药物的感知安全性顾虑范畴(即顾虑范畴)评估患者信念的单个问题可以提示患者公示该患者对于处方药物弊大于利的担忧程度。用以关于患者对于处方药物的感知可负担性范畴(即花费范畴)评估患者信念的单个问题可以提示患者公示该患者由于与服用处方药物相关联的开销而感到财务上有负担的程度。在其他实施例中，用以关于所述三个范畴评估患者信念的多个问题对于所述三个范畴当中的每一个范畴可以包括多个问题。在其他实施例中，所述处方调查可以集中于不超过两个范畴，所述两个范畴是 (i)患者对于处方药物的感知需求(投入范畴)；以及(ii)患者对于处方药物的感知安全性顾虑(顾虑范畴)。这样的实施例在处方药物花费可能不是处方药物遵从性中的重要因素的情况下(这例如是因为药物花费由政府实体或保险机构补贴或退偿)特别有用。本发明的实施例可以用电子和非电子形式来实现。本发明的非电子设备可以由多种材料构造，其中包括(但不限于)纸张、基于纸张的产品、塑料、木材或金属。本发明的电子实现的形式可以被具体实现在预先编程的计算机系统以及/或者适于由患者和/或医疗专业人员交互式使用的互连计算网络中。在非电子形式中，例如可以用书写在印刷纸卡或纸片上的形式把所述调查问题呈现给用户，所述印刷纸卡或纸片也可以包括多个潜在患者应答以及用于记录作为针对调查问题的应答而接收自患者的实际患者应答集合的机制(例如可以由患者标记选择的空格或复选框的设置)。所述评分矩阵可以被具体实现在相同的或单独的纸卡或纸片上，其可以包括多个“透视”窗口或空隙，当关于应答记录工具适当放置时，其允许透过所述窗口或空隙看到所述应答记录组件上的实际患者应答集合。可以在与多个窗口或空隙当中的每一个相邻的空间处印刷或标示所述评分矩阵中的多个部分分数当中的每一个。所述应答记录工具和评分矩阵的这种设置允许用户把针对每一个调查问题的每一个实际患者应答与来自评分矩阵的每一个部分分数相关联。随后可以把各部分分数人工或自动相加以便产生实际总分数，随后把该实际总分数与所述递增尺度上的各潜在总分数进行比较，从而基于所述尺度和患者分类系统确定将哪一个风险群体指定给该患者。被配置成根据本发明操作的电子实现的Adherence Estimator (遵从性估计器) 可以被实施在包括多个软件和硬件组件的计算机系统上，所述软件和硬件组件被设置及预先编程为在计算机控制的显示器设备上为患者阅读或显示所述调查，以及通过一个或更多相关联的人类接口设备(比如键盘、鼠标、触摸屏视频显示器、小键盘或者语音识别设备)接收患者的应答。所述组件包括计算机可读机器指令，当由处理器读取时，所述计算机可读机器指令使得该处理器对患者应答进行存储、评分以及解释，并且生成向患者(或操作者)表明该患者在其遵从倾向性方面落在高风险患者群体、中度风险患者群体还是低风险患者群体内的输出。所述计算机系统还可以被配置成基于所识别出的风险群体产生唯一的消息或指令，并且通过多种不同渠道把所述唯一消息发送给感兴趣的各方。根据本发明，一种基于患者遵从处方药物的倾向性来确定患者的风险群体的计算机系统包括数据库、客户端应用、递增尺度、规则引擎以及预先编程的结果处理器。所述数据库包括处方调查，所述处方调查具有用以关于不超过三个范畴评估患者的信念的多个问题，所述三个范畴是(i)患者对于处方药物的感知需求；(ii)患者对于处方药物的感知安全性顾虑；以及(iii)患者对于处方药物的感知可负担性。
所述客户端应用被配置成显示(或者以其他方式呈现)所述多个问题以及针对所述多个问题当中的每一个的相应多个潜在患者应答，并且接收(从患者或另一终端用户)实际患者应答集合。所述规则引擎包括定义潜在总分数递增尺度的一个或更多数据结构，所述递增尺度具有对应于高风险群体的第一潜在总分数范围、对应于中度风险群体的第二潜在总分数范围以及对应于低风险群体的第三潜在总分数范围。所述规则引擎还定义了被配置成把针对所述每一个问题的多个潜在患者应答分别与多个部分分数相关的评分矩阵，其中所述多个部分分数被选择并设置在所述评分矩阵中，从而只可能有一个实际患者应答集合所具有的各相关部分分数在相加起来时可以产生与所述递增尺度上的给定潜在总分数相等的实际总分数。所述预先编程的结果处理器执行以下操作如果所述实际总分数等于落在所述递增尺度上的第一范围内的一个潜在总分数，则其把患者自动指定到高风险群体；如果所述实际总分数等于落在所述递增尺度上的第二范围内的一个潜在总分数，则其把患者自动指定到中度风险群体；以及如果所述实际总分数等于落在所述递增尺度上的第三范围内的一个潜在总分数，则其把患者自动指定到低风险群体。本发明的电子实现形式的Adherence Estimator (遵从性估计器)还可以被实现在计算机系统的网络中，其中包括客户端设备和通过互连数据通信网络耦合到客户端设备的服务器计算机。所述客户端设备包括web浏览器或已安装应用，其被配置成向终端用户显示包括多个调查问题和对应的应答输入域的用户接口屏幕。在某些情况下，所述客户端设备可以被配置成通过扬声器或其他发声设备向终端用户播放或“播讲”以可听形式记录的调查问题。每一个调查问题具有六个可能应答，其中对于每个问题允许且只允许一个应答。六个应答当中的每一个按照问题被唯一地加权。通过所述用户接口屏幕(或者通过小键盘录入或语音识别技术)从患者接收该患者对调查问题的应答并且随后将其发送到所述服务器，在该处由预先编程的结果处理器把所述应答与由具体实现在规则引擎中的评分矩阵定义的多个部分分数相关。所述预先编程的结果处理器把各部分分数相加从而产生实际总分数，并且通过将其与所存储的潜在总分数递增尺度进行比较来自动解释所述实际总分数。基于所述比较，所述预先编程的结果处理器产生对患者的不遵从性风险的估计(低/中度/高)。在某些实施例中，所述预先编程的结果处理器可以将唯一消息发送回客户端设备， 所述客户端设备通过某种方法将该唯一消息发送给患者和/或终端用户，比如在显示设备上显示、在打印机上打印或者在扬声器上播放。所述用户接口屏幕例如可以通过利用超文本标记语言(“html，，)形式或者Macromedia Flash交互输入形式来实现，二者都可以根据计算机领域内公知的方法和技术被预先编程以显示在终端用户的监视器上。所述客户端设备包括客户端应用逻辑处理器，其在所述web浏览器或已安装应用内执行，并且被配置成捕获由终端用户录入到所述多个数据输入域当中的每一个的数据 (患者对调查问题的应答)。基于所述应答，所述客户端应用逻辑处理器生成针对产生针对所述应答的部分分数和总分数并且产生风险估计以及来自消息数据库的基于所述总分数的适当消息的请求。所述客户端设备还包括客户端通信接口，其被配置成把所述请求以及患者对调查问题的应答通过互连数据通信网络传送到服务器计算机。正如将在下面更加详细地描述的那样，服务器计算机执行以下操作通过互连数据通信网络接收来自客户端设备的请求和患者应答；将所述应答存储在服务器数据库中；基于所述应答产生实际总分数和风险评估(高、中度或低风险)；将所述风险评估和适当的消息发送回客户端设备；以及/或者触发通过多种分发渠道递送所述评估和消息。当由客户端设备接收到所述风险评估和消息时，客户端应用逻辑处理器在用户接口屏幕上显示所述评估和消息(或者通过某种其他方式将所述评估和消息呈现给用户，比如播放所记录的消息)，从而为终端用户提供用以解决其药物遵从性问题的有价值信息。此外，基于系统的配置，终端用户还可以通过电子邮件、文字消息、电话、直接邮件等等接收所述消息。在本发明的另一方面，提供一种利用互连计算机网络根据患者遵从处方药物的倾向性来确定患者的风险群体的方法，所述互连计算机网络包括客户端设备、服务器、预先编程的结果处理器、规则引擎以及至少一个数据存储区。所述方法包括以下步骤
a)在所述数据存储区中存储潜在总分数递增尺度，其具有对应于高风险群体的第一潜在总分数范围、对应于中度风险群体的第二潜在总分数范围以及对应于低风险群体的第三潜在总分数范围；
b)在所述数据存储区中存储处方调查，其包括用以关于不超过三个范畴评估患者信念的多个问题，所述三个范畴是(i)患者对于处方药物的感知需求；(ii)患者对于处方药物的感知安全性顾虑；以及(iii)患者对于处方药物的感知可负担性；
c)预先配置所述规则引擎以便定义把针对每一个问题的多个潜在患者应答分别与多个部分分数相关的评分矩阵，其中所述多个部分分数被选择并设置在所述评分矩阵中，从而只可能有一个实际患者应答集合所具有的各相关部分分数在相加起来时可以产生与所述递增尺度上的给定潜在总分数相等的实际总分数；
d)在所述客户端设备上呈现所述多个问题和所述多个潜在患者应答；
e)在所述数据存储区中记录由患者作为针对所述多个问题的应答而录入到所述客户端设备中的实际患者应答集合；
f)使得所述预先编程的结果处理器根据所述规则引擎和评分矩阵自动产生对于患者的实际总分数，这是通过把与患者所给出的实际患者应答集合相关的各部分分数相加而实现的；以及
g)使得所述预先编程的结果处理器将患者指定到一个风险群体，其中所述预先编程的结果处理器将执行以下操作(i)如果所述实际总分数等于落在所述递增尺度上的第一范围内的一个潜在总分数，则其把患者自动指定到高风险群体；(ii)如果所述实际总分数等于落在所述递增尺度上的第二范围内的一个潜在总分数，则其把患者自动指定到中度风险群体；(iii)以及如果所述实际总分数等于落在所述递增尺度上的第三范围内的一个潜在总分数，则其把患者自动指定到低风险群体。在本发明的另一方面，提供一种利用互连数据通信网络对调查应答进行评分及解释以便确定患者遵从新药物处方的倾向性的方法，所述方法包括以下步骤(1)利用web浏览器或已安装应用为终端用户(比如患者)呈现用户接口屏幕，所述用户接口屏幕包括多个调查问题和应答输入域；(2)捕获由终端用户录入到所述多个应答输入域当中的每一个的数据；(3)生成对所述调查应答进行评分及解释的请求；(4)通过互连数据通信网络把所述请求和患者应答传送到服务器计算机；(5)存储所述调查应答；(6)把所述应答与部分分数相关；(7)基于所述应答生成风险评估(高、中度、低);(8)把所述评估传送到客户端计算机； 以及(9)在由所述web浏览器或已安装应用呈现的用户接口屏幕上显示消息，以及/或者触发在多种渠道中递送所述消息。通过应用本发明可以使多种不同应用受益，其中包括(但不限于)针对电子病历 (EMR)系统的定制集成服务和/或第三方插件，所述电子病历系统是用在医师办公室中以便在患者的病历上进行捕获、存储和报告的专用数据库管理系统。本发明的实施例允许可扩展性，即可以把多个问题和应答存储在问题和应答数据库中并且可以从中取回。此外，可以把多项包括问题和应答的调查存储在调查数据库中并且可以从中取回，并且还可以把多条消息存储在消息数据库中并且可以从中取回。通过在下面结合附图和所附权利要求书对本发明的各实施例进行详细描述，可以更加透彻地理解本发明。
被合并在本说明书中并且构成其一部分的附图示出了本发明的实施例，其与下面的描述一起用来解释本发明的某些特征。图1示出了合并有本发明的非电子纸张或基于纸张的形式的处方调查和应答记录工具的印刷卡的一个示例。图2示出了合并有本发明的纸张或基于纸张的形式的解释工具的印刷卡的一个示例，其中所述解释工具包括评分矩阵以及潜在总分数递增尺度。图3和4通过举例的方式示出了如何能够根据本发明的某些实施例组合图1和2 的示例性印刷卡，从而可以观看针对调查问题的实际患者应答集合并且将其与评分矩阵中的部分分数相关。图5描绘了适用于本发明的电子实现的实施例的示例性用户接口屏幕，其用于呈现处方调查。图6示出了说明用于在应用服务提供商(ASP)环境中实施本发明的计算机网络的一个示例性实施例的方框图。图7示出了说明用于在客户端一服务器环境中实施本发明的计算机网络的一个示例性实施例的方框图。图8示出了说明可以由被配置成根据本发明的一个示例性实施例进行操作的服务器计算机系统执行的各步骤的程序流程图。图9和10示出了本发明的替换独立电子实施例的高级别方框图，其中所有组件与构成客户端设备的计算机系统相关联。用于确定范畴以及选择评分矩阵的部分分数的方法的总览
有许多方式来衡量遵从性，其中包括(1)自我报告；(2)药房再配药要求；(3)药片计数；(4)电子药品监控；(5)生物化学标记；以及(6)直接观察治疗。每一种评估遵从性的方式都有其独特的优缺点，并且没有一种是完美的。本发明的发明人选择使用自我报告的遵从性作为遵从性指示。作为遵从性指示，其是因变量，这意味着其是发明人希望预测的结^ ο正如下面将会更加详细地描述的那样，利用Harris慢性病抽样调查(panel)来实施两波心理测量测试。从第一波确定，药物顾虑、药物可负担性和对于药物的感知需求这三个范畴最佳地区分了遵从者与不遵从者(参见表2的顶部抽样调查)。在第二波心理测量测
11试中使用更大的独立样本，其重新证实了这三个范畴(即药物顾虑、药物可负担性和对于药物的感知需求)最佳地区分了遵从者与不遵从者(参见表4的顶部抽样调查和表5)。所述过程中的下一步是选择每一范畴内的单个最佳项目(即问题)以包括在本发明的物理实施例中。后面将在“伊农Adherence遂廣”的副标题下更加详细地描
述这一过程。 从所述心理测量测试可以推断出，针对The Adherence feiiaatori所选择的三个项目在其区分遵从者与不遵从者的预测能力方面有所不同。此外，在每一个项目内，所述六个归类应答类别当中的每一个在其区分遵从者与不遵从者的预测能力方面也有所不同。由于这些事实，在评分矩阵中为所述三个项目给出相等权重将是不适当的，并且为所述六个应答类别当中的每一个给出相等权重同样也将是不适当的。因此，必须为针对每一个问题的六个应答类别当中的每一个指定权重，以便考虑到所述三个问题和六个归类应答的预测能力方面的差异。因此，导出评分矩阵的任务就是要确定应当为每一个项目给出什么权重以及应当为每一个项目的各应答类别给出什么权重，从而利用本发明的实施例导出对应于由患者提供的应答集合的实际总分数。为了实施该任务，使用在所有其他心理测量分析中所应用的相同逻辑。因变量是对我们的Harris交互式调查的1072位应答者当中的自我报告的遵从性。为了理解对于每一个项目/问题的每一个应答类别给出的权重，有必要把每一个项目分解成其构成元素。 对于所述三个项目/问题当中的每一个，从六个可能的应答产生五个变量。举例来说，xl、 x2、x3、x4和x5的权重相对于被忽略群体x6。除了一个之外的所有可能应答都在所述模型中。所排除的单个应答用作与之进行比较的参考群体。目标是理解15个变量当中的每一个如何预测自我报告的遵从性。通过对全部15个变量一起进行建模允许获得其协同效果， 这是因为其并非彼此完全正交(无关)。Rx可负担性xl=完全同意，x2=大部分同意，x3=在某种程度上同意，x4=在某种程度上不同意，x5=大部分不同意。参考或留出(hold-out)群体是完全不同意。Rx顾虑x6=完全同意，x7=大部分同意，x8=在某种程度上同意，x9=在某种程度上不同意，XlO=大部分不同意。参考或留出群体是完全不同意。Rx确信xll=完全不同意，xl2=大部分不同意，xl3=在某种程度上不同意，xl4= 在某种程度上同意，xl5=大部分同意。参考或留出群体是完全同意。使用逻辑回归来估计与15变量当中的每一个相关联的权重。使用广为可用的统计分析软件(SAS)来执行所述逻辑回归以便获得对应于15个变量当中的每一个的分数，即在后面的表6中示出的分数。逻辑回归是一种用来预测仅具有两个等级的结果的统计规程。在本例中，所述两个等级是(0)遵从者和(1)不遵从者。其他统计规程不像逻辑回归那样适于预测有且仅有两个等级的情况。虽然使用了 SAS，但是可以用于这一目的的其他统计程序还有SPSS和STATA。逻辑回归等式如下
自我报告的遵从性(否/是)=P或遵从性概率
LogitP/ I-P= β 0+ β !X1+ β 2χ2+ β 3χ3+ β 4Χ4+ β 5Χ5+ β 6Χ6+ β 7Χ7+ β 8Χ8+ β 9Χ9+ β J0X10+ β J1X11
+ β 12Χ12+ β 13Χ13+ β 14Χ14+ ^ 15Χ15
所述逻辑回归规程预测作为不遵从者的概率(或风险)。该等式和逻辑回归规程生成对应于15个变量当中的每一个的β权重(随后将其指数化成几率比(odds ratio))。从所述逻辑回归规程导出的几率比(以某种较低程度的取整)随后被用作表6中示出的部分分数。举例来说，表6的第1行第3列中的“7”表明，与针对“我确信”问题承认“完全同意”的人相比，针对“我确信”问题承认“在某种程度上同意”的人作为不遵从者的可能性是其7倍高。如表6中所示，确定“对于药物的感知需求” 范畴与遵从性最为有关(权重为20、20、7、7、0、0)，其后是“药物顾虑”范畴(权重为14、14、 4、4、0、0)，其后是“药物可负担性”范畴(权重为2、2、0、0、0、0)。当应答者回答调查中的三个问题当中的每一个问题时，其对于每一个问题的每一个应答接收到一个部分分数(即权重)。三个部分分数/权重然后被相加起来以获得实际总分数。利用表6作为引导，如果患者对问题“我确信我的药物的重要性”的应答是“大部分不同意”(部分分数20)，对问题“我担心我的处方弊大于利”的应答是“大部分同意”(部分分数14)，并且对问题“由于我的处方药物的付现费用而让我感觉财务上有负担”的应答是 “完全同意”(部分分数2)，则该患者的实际总分数将是36。本发明的实施例随后将把该实际总分数36与所述递增尺度中的潜在总分数进行比较，发现其与“高风险”群体相关。用于实施本发明的模式
下面将更加详细地参照本发明的各实施例，其示例在附图中示出。应当提到的是，正如本领域技术人员将会认识到的那样，本发明的非电子形式可以用纸张、基于纸张的材料、塑料、金属或木材来实现，而电子实现的形式则可以用软件、硬件或其任意组合来实现，下面的附图和示例意在阐明而非限制本发明或其实施例或等效方案的范围。通过编程和/或提供分布式硬件和软件组件以用于对来自多个问题的用户应答进行接收、存储、评分和解释并且基于分数及其解释生成表明所预测的风险群体的输出，本发明的电子实施例可以被实现在与互连数据通信网络(比如因特网)相关联的计算机网络上。这些实施例通常将为用户呈现基于web浏览器的用户接口屏幕或者已安装应用用户接口屏幕(比如HTML或Visual Basic形式)，其包含被配置成接收来自用户的输入的多个输入域，其中所述输入与趋向于驱动对新药物处方的遵从性或不遵从性的三个范畴有关。参照附图，错误！没有找到参考源。图1示出了所要求保护的本发明的非电子纸张或基于纸张的形式的印刷卡100的一个示例，其中合并有处方调查105和应答记录工具 110。如图1中所示，处方调查105对于三个不同范畴当中的每一个包括单个问题，所述范畴是顾虑(CONCERNS)、投入(COMMITMENT)和花费(COST)。应答记录工具110对于每一个问题包括六个潜在应答，用户可以通过标记或者以其他方式承认位于每一个潜在应答下方的复选框来从中做出选择。在图1所示的示例中，例如患者分别在针对与“顾虑”范畴有关的问题“完全同意”潜在患者应答120下方的复选框中放置了一个“X”，在针对与投入范畴有关的问题“在某种程度上同意”潜在患者应答125下方的复选框中放置了第二个“X”，并且在针对花费范畴的“大部分不同意”潜在患者应答130下方的复选框中放置了第三个“X”。因此，在本例中，对应于该特定患者的实际患者应答集合具有三个成员，即潜在患者应答120、 125 和 130。图2示出了具体实现解释工具的印刷卡200的一个示例，其自身包括评分矩阵205 和潜在总分数递增尺度210。评分矩阵205包括设置在一个3乘6矩阵中的18个部分分数。在本例中，所述18个部分分数是14、14、4、4、0、0、0、0、7、7、20、20、2、2、0、0、0和0 (从左上角横向及向下读)。评分矩阵205中的每一个部分分数被印刷在18个分开的窗口、空隙或“切口”下方，所述窗口、空隙或切口被配置成允许用户透视。潜在总分数递增尺度210 具有对应于高风险群体的第一数值范围260、对应于中度风险群体的第二数值范围270以及对应于低风险群体的第三数值范围观0。图3示出了如何能够根据本发明的某些实施例把图1的示例性印刷卡100插入或放置在图2的示例性印刷卡200的后面，从而可以把标记出针对调查问题的实际患者应答集合的三个“X”标记320、325和330与三个窗口 340、345和350对准并且可以透过所述窗口看到，正如图4中所示出的那样。通过按照这种方式组合印刷卡100与200，可以允许通过参照评分矩阵205把接收自患者的实际患者应答集合与数值为14、7和0的三个部分分数相关。通过把这三个部分分数相加起来产生实际总分数21。从图4中所示的印刷卡200 的解释工具底部示出的递增尺度405可以看出，实际总分数值21对应于高风险群体。图2中的评分矩阵205中的部分分数的数值被选择并设置成使得对应于每一个实际患者应答集合的部分分数总和将产生唯一的实际总分数，其数值对应于所述递增尺度上的潜在总分数中的有且仅有一个潜在总分数。因此，对于在图1 一 4中描绘的本发明的示例性实施例，有且仅有一个实际患者应答集合在相加起来时将具有等于数值21的部分分数。因此，由于评分矩阵205中的部分分数的选择和设置，通过把与任何其他实际患者应答集合相关联的部分分数相关并相加将不可能获得实际总分数21。类似地，对应于任何其他实际患者应答集合的每一个其他相关及相加的部分分数集合都将必然产生其自身的唯一实际总分数。本领域技术人员在阅读本公开内容之后将认识到，可以使用对应于所述评分矩阵和递增尺度的多种不同数值来实现本发明的各实施例，前提是所述数值被选择并设置成使得对应于每一个实际患者应答集合的部分分数总和将产生唯一的实际总分数，该唯一的实际总分数的数值对应于所述递增尺度上的潜在总分数中的有且仅有一个潜在总分数。如前面所阐明并且如下面更加详细地描述的那样，本发明的实施例可以通过电子方式被实现在计算机系统和计算机网络上。图5描绘了一个示例性用户接口屏幕505，其可能被用在本发明的电子实现的实施例中以便在与这样的计算机系统或网络相关联的计算机控制的显示设备上显示处方调查问题510。从而患者(或其他用户)可以与调查问题进行交互并且提交实际患者应答，这可以通过操纵鼠标、键盘或触摸屏显示器以使得用户接口屏幕505上的光标515标记和/或传送患者对于十八个潜在患者应答当中的三个的选择来实现。图6示出了根据本发明的一个实施例的示例性硬件和软件环境600的方框图。如图6中所示，客户端设备605耦合到互连数据通信网络640，后者又耦合到远程服务器计算机650。远程服务器计算机650还耦合到通常存储多条相关数据记录的消息数据库685、 调查数据存储装置690和问题/应答数据库695。互连数据通信网络640例如可以包括局域网、广域网、企业内联网、企业防火墙和/或因特网。这种网络结构代表应用服务提供商 (ASP)模型。客户端设备605通常包括多种不同类型的启用web且联网的计算设备当中的一种，其中例如包括(但不限于)台式或膝上型计算机、小型计算机、大型计算机、手持式计算机、个人数字助理、移动蜂窝电话、移动智能电话或者具有交互式显示屏的平板PC等等，这里只举出几个例子。客户端设备605通过一类或更多类传统的有线或无线网络通信装备链接到互连数据通信网络640，比如模拟、数字订户线(DSL)、Tl、或线缆宽带调制解调器、以
14太网卡和线缆、802. 11无线卡和路由器、以及Bluetooth 无线适配器卡和链路等等。客户端设备605包括web浏览器应用610、客户端应用逻辑处理器615和客户端通信接口 620。优选地，web浏览器应用610是用JavMcript来编程的，并且其被配置成在任何标准 web 浏览器内执行，比如 Microsoft Internet Explorer (MSIE)、Netscape 、 Firefox 或&ifari 。Javakript是一种已解译编程或脚本化语言，并且其被用在web站点开发中以从事以下工作在web页面上创建下拉列表、自动改变web页面上的格式化日期、使得链接到页面出现在弹出窗口中以及使得文字或图形图像在鼠标滚动操作期间发生改变。JavMcript代码可以被嵌入在超文本标记语言(HTML)页面中并且由web浏览器(或客户端)解译。也可以使用其他已解译编程或脚本语言(比如Microsoft的Visual Basic, Sun的I~el、UNIX导出的Perl以及IBM的Rexx)来实现web浏览器应用610，其功能和能力都在某种程度上与Jav必cript类似。一般来说，与更加结构化并且已编译的语言(比如C 和C++或者从C++导出的已编译的面向对象编程语言Java)相比，脚本语言编码起来更加容易并且更快。脚本语言的处理时间通常比已编译语言更长，但是对于较短的程序非常有用。在本例中，web浏览器应用610被编程来在连接到客户端设备605的显示器设备上显示包含多个调查问题和对应的应答输入域的用户接口屏幕。每一个调查问题具有六个可能应答，其中允许且只允许一个应答。前面参照图5讨论了包含多个调查问题和应答输入域的适当用户接口屏幕的一个例子。客户端应用逻辑处理器615是一个程序、应用程序模块或小应用程序，其在web浏览器应用610内执行并且使得终端用户有可能与由web浏览器应用610呈现的用户接口屏幕进行交互。客户端应用逻辑处理器615监控所述用户接口屏幕(以及相关联的输入设备，例如键盘和鼠标)，并且捕获由终端用户例如通过点击适当的复选框而录入到所述多个应答输入域中的数据(即应答)。基于所捕获到的数据，客户端应用逻辑处理器615生成对由终端用户录入到所述多个应答输入域中的数值进行评分和解释的请求。出于性能和效率考虑，可能有必要或者希望把客户端应用逻辑处理器615配置成只有在验证了所录入并捕获的数据之后才生成所述请求。在优选实施例中，所述请求包含由终端用户对于每一个问题录入的应答。客户端通信接口 620 (其优选地是另一个Jav必cript程序)通过互连数据通信网络640把所述请求发送到服务器计算机650。远程服务器计算机650包括规则引擎660、预先编程的结果处理器670和数据库通信接口 680。规则引擎660可以利用任何适当的编程语言来编程(虽然JAVA可能是优选的)，其接收传送自客户端设备605的请求，并且根据优选地被存储和/或编码到规则引擎 660中的评分矩阵把所述请求中的应答与部分分数相关。规则引擎660还把所述部分分数相加以产生实际总分数。预先编程的结果处理器670随后通过把所述实际总分数与潜在总分数递增尺度(其优选地也被存储和/或编码到规则引擎660中)进行比较来解释所述实际总分数，从而在与所述递增尺度中的各潜在总分数范围进行比较时确定患者的实际总分数表明不遵从性的低风险、中度风险还是高风险。如果所述系统被配置成生成涉及不遵从性的风险的消息，则在预先编程的结果处理器670的控制下操作的数据库通信接口 680通常执行实际上访问消息数据库685以取回适当消息的任务。在取回所述消息之后，预先编程的结果处理器670把该消息(即风险评估)通过互连数据通信网络640传送回客户端设备605。对于患者的风险评估是根据由规则引擎660定义的规则而产生的，所述规则引擎 660在优选实施例中被编程为合并及使用比如图2中示出的评分矩阵。规则引擎660可以驻留在远程服务器计算机650中(如图6中所示)、驻留在本地服务器计算机750上(如图7 中所示并且如后面所讨论的那样)或者驻留在网络中的其他地方，这取决于具体计算环境的要求。问题和应答数据库695以及数据库通信接口 680允许在问题和应答库中添加、更新或删除问题和应答。经由数据库通信接口 680，调查数据存储装置690实现了通过在单独调查上添加、更新和/或删除来自问题和应答数据库695的问题而建立独特调查的调查库。虽然图6示出了其中反映出应用服务提供商(ASP)环境的本发明的一个实施例， 但是本领域技术人员将认识到，可以利用替换的网络配置来实现本发明的实施例，比如图7 中所示的客户端一服务器环境。图7示出了根据本发明的另一实施例的示例性硬件和软件环境的方框图。如图 7中所示，客户端设备705耦合到互连数据通信网络740，后者又耦合到本地服务器计算机 750。本地服务器计算机750还耦合到通常存储多条相关数据记录的数据库735、785、790 和795。互连数据通信网络740例如可以包括局域网、广域网、企业内联网和/或企业防火墙。这种网络结构代表客户端-服务器模型。客户端设备705通常包括多种不同类型的无线或硬连线的联网计算设备当中的一种，其中例如包括(但不限于)台式或膝上型计算机、小型计算机、大型计算机、手持式计算机、个人数字助理、移动蜂窝电话、移动智能电话、具有交互式显示屏的平板PC。客户端设备705通过一类或更多类传统的有线或无线网络通信装备链接到互连数据通信网络740， 比如模拟、数字订户线(DSL)、Tl、线缆宽带调制解调器、以太网卡和线缆、802. 11无线卡和路由器以及Bluetooth 无线适配器卡和链路、VPN等等。客户端设备705包括已安装应用710 (可执行程序)、客户端应用逻辑处理器715 和客户端通信接口 720。优选地，已安装应用710是用C、C+S或JAVA来编程的，并且其被配置成在 Microsoft Windows, Apple Macintosh 和 iPhone OS 以及 UNIX 环境内执行。在本例中，已安装应用710被编程来在连接到客户端设备705的显示器设备(图7 中未示出)上显示包含多个调查问题和应答输入域的用户接口屏幕。每一个调查问题优选地具有六个可能应答，其中允许且只允许一个应答。前面参照图5讨论了包含多个输入域的适当用户接口屏幕的一个例子。客户端应用逻辑处理器720是一个程序、应用程序模块或小应用程序，其在已安装应用710内执行并且使得终端用户有可能与由已安装应用710呈现的用户接口屏幕进行交互。客户端应用逻辑处理器715监控所述用户接口屏幕，并且捕获由终端用户录入到所述多个应答输入域中的数据。基于所捕获到的数据，客户端应用逻辑处理器715生成对由终端用户录入到所述多个输入域中的数值进行存储、评分和解释的请求。 本地服务器计算机750包括规则引擎760、预先编程的结果处理器770和数据库通信接口 780。规则引擎760可以利用任何适当的编程语言来编程(虽然JAVA可能是优选的)， 其接收传送自客户端设备705的请求和应答、把所述应答与部分分数相关并且产生对应于所述应答的实际总分数。规则引擎760随后把所述实际总分数发送到预先编程的结果处理器770以便产生结果(即风险群体确定)，所述结果最终将由客户端应用逻辑处理器715显示在由已安装应用710呈现的用户接口屏幕上。预先编程的结果处理器770还通过数据库通信接口 780把所述风险确定存储到EMR数据库735。所述风险评估是通过把所述实际总分数与类似于图2中所示的潜在总分数递增尺度的计算机可读版本进行比较而产生的，所述递增尺度可以被存储在规则引擎760中或者存储在网络中的某一其他数据存储区中。如果所述系统被配置成产生表明患者落在哪一个风险群体中的消息，则在预先编程的结果处理器770的控制下操作的数据库通信接口 780通常执行实际上访问消息数据库 785以取回适当消息的任务。在取回所述消息之后，预先编程的结果处理器770把所述结果和消息通过互连数据通信网络740传送回客户端设备705。问题和应答数据库795以及数据库通信接口 780实现在问题和应答库中添加、更新或删除问题和应答。经由数据库通信接口 780，调查数据存储装置790实现通过在单独调查上添加、更新和/或删除来自问题和应答数据库795的问题而建立独特调查的调查库。图8描绘了示出可以由被配置成根据本发明的实施例操作的客户端和服务器计算机系统(比如图6中描绘的客户端设备605和远程服务器计算机650)执行的各步骤的程序流程图。首先，在步骤805和810中，所述系统为用户呈现包括多个应答输入域的用户接口。应当提到的是，步骤810通过数据录入系统(从直接邮件商务回信卡)、在线web页面 (用户发起以及通过电话代表)提供数据输入，并且步骤805考虑通过交互式语音记录系统 (IVR)输入的数据。在步骤815，所述系统接收由用户作为针对调查问题的应答而物理地录入的输入。客户端应用逻辑处理器验证是否有任何调查问题未被回答(步骤820)。如果是的话，则显示错误消息，其提示用户完整地完成调查(步骤825)。当所述系统证实用户已经针对所有调查问题录入了应答之后，就把所述应答发送到服务器计算机(步骤830 )。在该处把所述应答存储在数据库中(步骤835)，并且随后将其发送到预先编程的结果处理器，以便根据具体实现在规则引擎中的评分矩阵、递增尺度和患者分类系统对其进行评分(步骤840) 和解释(步骤845)。在步骤850中，由所述结果处理器生成唯一结果的解释(消息)并且将其发送到客户端设备，在该处可以将其显示在客户端设备用户接口屏幕上和/或通过多种渠道递送给感兴趣的各方。取决于具体的数据库应用、计算环境以及在远程服务器级别下可用的资源范围， 可能必须或者希望在终端用户的本地计算机系统(即客户端计算机)上实施一部分检错和结果处理功能，而不是在服务器计算机上执行。在某些实施例中，可能需要在客户端计算机和服务器计算机这二者的各组件之间共享(或有意复制)一部分或者甚至全部检错、性能优化和结果处理功能。本发明的实施例可以有用地应用在所有这些情况中。图9和10示出了本发明的替换独立电子实施例的高级别方框图，其中所有组件都与客户端设备905相关联。客户端设备905的非限制性示例例如可以包括独立计算机系统(比如个人计算机、笔记本计算机、膝上型计算机、掌上型计算机或上网本)、手持式个人数字助理(比如BlackBerry 、Palm Treo 或Sidekick )、智能电话或个人娱乐设备(比如 Apple Iphone 或Apple ITouch )等等。客户端设备905还可以包括被编程为对患者通过电话连接录入的语音和小键盘输入做出应答的计算机系统(比如电话网络中的交互式语音应答(IVR)单元)。所述独立计算机系统实施例的各组件的功用与其在图6和7中所示并且在前面描述的计算机网络实施例中的功用基本上相同。但是与图6和7中所示的计算机网络实施例不同，在图9和10中所示的独立计算机系统实施例中，规则引擎910、预先编程的结果处理器920、数据库通信接口 930以及数据库940、950、960和970都驻留在客户端设备 905上。由于所有组件都驻留在客户端设备905上，因此不需要连接到局域网、广域网或因特网，也不需要连接到本地或远程服务器计算机。在图9所示的独立计算机系统实施例中， 所有组件都被嵌入在客户端应用908中。但是在图10所示的实施例中，客户端应用908影响在物理上处于该客户端应用908外部的组件。前面描述的实施例意图说明本发明的原理而不是限制其范围。在阅读本公开内容或实践所要求保护的本发明时，本领域技术人员可以想到多种其他实施例、修改以及这里所描述的实施例的等效方案。这样的变型、修改和等效方案应当落在本发明和所附权利要求书的范围内。对用于确定三个范畴、三个项目和评分矩阵的方法的详细讨论
下面将详细讨论用于确定作为调查主题的三个范畴、作为处方调查主题的三个具体项目(问题)以及用来创建本发明的评分矩阵的规程的方法。根据这些方法开发的遵从性估计器设备和系统可以用任意数目的物理形式来实现，其中包括(但不限于)前面详细描述的纸张和电子形式。定性方法
在Chicago (IL)和Atlanta (GA)针对140位成年消费者组织了十三个重点群体，以便理解21世纪中的遵从性和不遵从性的原因。招募了对于慢性病遵从药物的成年人(五个群体)以及最近在没有医嘱的情况下停止服用其药物的成年人(八个群体)。所述各群体被按照性别分类，以便消除常常发生在男女之间的交互动态。参与者被要求写下其遵从性和不遵从性的原因，并且进行关于其原因的排序和评定实践。关于遵从性价值主张举行了开放讨论，其中参与者分享了影响其关于药物做决定的各种因素。这些重点群体被用作针对概念框架和工具开发的发现方法。定量方法
针对The Adherence Estimator 的潜在项目进行了两波(阶段I和阶段II)心理测量测试。阶段I预测试的目的是确定哪些逾錄对于根据其遵从处方药物的倾向性来划分消费者具有最高预测能力。阶段II有效性布置(validity fielding)的目的是在患有慢性病的成年人的更大独立样本中对所述预测试结果进行交叉验证，以及通过识别出其中把我们优先化的范畴包括在所述iThe Adherence htimator 中的為来最终确定所述遵从性估计器的内容。抽样
阶段I预测试和阶段II有效性样本成员都是Harris交互式慢性病抽样调查(CIP) 的一部分，其是在美国具有全国代表性的对于患有慢性病的成年人的基于因特网的抽样调查。Harris的CIP是Harris民调在线抽样调查(HPOL)的一小部分，后者是数百万成年人已经登记并同意参与在线研究的抽样调查。在1997年建立之后，通过多种来源招募HPOL 抽样调查参加者(panelist)，其中包括电话和邮件招募、广告以及目标定向电子邮件。HPOL 持续招募成员以取代抽样调查中途退出者，并且保持在各社会人口子群体当中的全国范围代表性。在注册期间，应答者提供人口统计特性并且针对慢性病对其进行筛检。HarrisCIP由数十万患有慢性病的成员构成。阶段I预测试和阶段II有效性调查都这二者是利用 Harris的web辅助的调查软件来实施的，所述软件使用问题轮换和其他高级设计特征来确
保高数据质量。向Harris的CIP的随机选择的成员发送了参与我们的调查的电子邮件邀请。如果抽样调查成员的年龄40岁及以上、居住在美国并且对于在美国成年人当中盛行的以下六种慢性病当中的一种被筛检出阳性，其就有资格参与高血压、高血脂、糖尿病、哮喘、骨质疏松以及其他心血管疾病。符合资格的抽样调查成员被指示阅读知情同意表，如果其同意参与则点击“是”并完成调查。符合资格的抽样调查成员只能完成调查一次。对应于全部两项调查的协议都由hsex IRB许可。对于全部两项调查抽样三个应答者群体对于处方药物的自我报告的遵从者、自我报告的不遵从者以及自我报告的不履行者。这些群体被选择来测试用以在已知其遵从性行为有差异的各消费者群体之间进行区分的尺度和项目的能力和效率(即已知群体区分有效性)。在所述调查的筛检部分期间，抽样调查成员的慢性病状况被重新确认。我们请求药物应答者当前对于每一种疾病所服用的药物的数目以及其所报告的服用每一种药物的时间长度。这些项目被用来将应答者分类为当前对其药物的遵从者。为了把应答者识别为不遵从者，我们询问其在过去的一年里是否在Μ药物提供者授意其停止服用的情况下停止服用针对所述六种病症当中的一种的处方药物。如果应答者回答是，则为其呈现一个包括消费者可能停止服药的12个原因的列表，并且请他们从中选择适用于其情况的所有原因。为了把应答者识别为不履行者，我们询问其在过去的一年里是否从提供者接收到针对所述六种病症当中的一种的新处方但是没有为其配药。如果应答者承认是，则为其呈现一个包括消费者可能不为新处方药物配药的10个原因的列表，并且请他们从中选择适用于其情况的所有原因。为了以足够的效力和精度实施我们的预测试心理测量分析，希望有至少500位应答者的样本大小。具体来说，主分量分析最优地需要与各项目相比多达十倍的对象，并且两参数的分级应答项目应答理论(IRT)模型需要至少500个对象。此外，由于在关于不履行的文献中很少数据可用，因此我们希望有足够数目的不履行者来评估其与不遵从者的差异。对应于预测试的抽样配额被设定成获得(1)遵从者对不遵从者的2:1比值；(2)不遵从者对不履行者的2:1比值；以及(3)对于每一个遵从性群体在每一种慢性病类别中有大致相同的人数。对于预测试，仅为对应于单一病症的一种遵从性行为招募对象。一旦满足给定配额之后，就对于所有未来的潜在应答者终止招募。对于阶段II研究，为了以足够的效力和精度实施分析，希望有至少1200位应答者的样本大小。此外，因为关于遵从一种药物同时不遵从或不履行另一种药物的人的信念几乎没有数据可用，因此抽样了对于不同疾病报告不同遵从性行为的人。配额被设定成获得满足以下条件的适中样本(1)遵从针对一种疾病的一种药物，并且不遵从针对第二种不同疾病的一种药物；(2)遵从针对一种疾病的一种药物，并且不履行针对第二种不同疾病的一种药物；以及(3)不遵从针对一种疾病的一种药物，并且不履行针对第二种不同疾病的一种药物。我们获得遵从者对不遵从者的大致1:1比值，以及不遵从者对不履行者的大致2:1比值。一旦满足给定配额之后，就对于所有未来的潜在应答者终止阶段II招募。
从Harris慢性病专项抽样调查中随机抽样应答者。对于预测试，在2007年11月向39191名抽样调查成员发送了调查参与请求。在这些邀请单中有3577个无效电子邮件地址(电子邮件弹回)。在具有有效电子邮件地址的35614份邀请当中，11836个人进入了调查(33. 联系率)。在那些成功联系到的人当中，9689 (82%)人满足我们的研究资格标准，并且700人完成了调查。没有完成预测试的符合资格的8989人没有完成的原因是我们的配额已经满足。对于阶段II调查，在2008年春季向16M87位抽样调查成员发送了调查参与请求。在这些邀请当中，15035份具有无效电子邮件地址。在具有有效电子邮件地址的150452份邀请当中，39874人进入了调查(26. 5%联系率)。在那些成功联系到的人当中， 20299 (51%)人满足我们的研究资格标准，并且1523人完成了调查。没有完成阶段II调查的符合资格的18776人没有完成的原因是我们的配额已经满足。在对于阶段2调查的1523位应答者当中，针对单一遵从性行为抽样了 1072人，同时针对多于一种遵从性行为(例如遵从针对一种疾病的一种药物，并且不遵从针对不同疾病的第二种药物)抽样了 451人。后面的样本成员不被用于这里所报告的分析，这是因为我们希望保持与阶段I预测试抽样设计的对称性，并且我们不想由于缺少统计独立性而混淆我们的分析。调杳内容阶段I预测试调查
基于所述概念框架、对于遵从性方面的理论和经验工作的全面回顾以及我们的13个重点群体，开发出120个问卷调查项目以便抽取出三种假设的近端(proximal)遵从性驱动因素以及所选择的中间决定因素。少数项目是从现有的无版权、无商标调查中导出或改写的。多数项目是肩身撰写出的，在许多实例中是利用来自重点群体录本的一字不差的语言。 项目被撰写和/或改写以满足以下标准(1)每个项目有一个属性(想法)；(2)长度不超过 12个字；(3)没有年龄、性别和社会阶层偏见；以及(4)没有双重或隐含否定。44个近端项目衡量关于处方药物的感知顾虑(k=13)、对于处方药物的感知需求 (k=28)以及对于处方药物的感知可负担性(k=3)。应答者被指示回答特定于其被抽样的遵从性群体的这些问题。举例来说，如果应答者被抽样为不履行者，则指示其回答特定于其所报告的没有配药的药物的近端项目。我们利用76个项目来衡量遵从性驱动因素的五个中间范畴患者关于其病症和治疗的知识(k=16)；对副作用的感知倾向(k=4)；寻求健康信息的趋向(k=16)；患者对其主要提供者的信任(k=14)；以及在其护理中的患者参与(k=26)。 所有项目都具有六个可能应答类别1=完全同意，2=大部分同意，3=在某种程度上同意，4= 在某种程度上不同意，5=大部分不同意，以及6=完全不同意。我们撰写大量项目是因为有些项目将不可避免地在心理测量方面性能不佳，并且我们希望获得可以从中选择性能最佳的项目的大量鲁棒项目储备。阶段II调查
我们保留了来自预测试的120个项目当中的58个项目并且开发出12个新项目。由于我们在预测试中仅仅布置了三个评估感知药物可负担性的项目并且由于其所观察的预测能力，因此我们撰写了五个附加的可负担性项目以供包括在阶段II调查中。我们还i{身撰写了五个评估消费者就处方药物与维生素、矿物质和补品(supplement)相比所持的感知价值。我们添加了这一新范畴以测试遵从性价值主张与对于处方药物的感知#澄相比是否涉
20及到药物可负担性本身。我们还在阶段II调查中包括了经过良好验证的多项目尺度以作为附加的中间遵从性驱动因素以及外部有效性标准，其中包括心理痛苦、社会支持、自我效能以及内部健康控制点。元分析和叙述性文献综合支持包括这些构成。我们利用MHI-5来衡量心理痛苦，利用MOS社会支持尺度的简短形式来衡量社会支持，利用一般化自我效能尺度来衡量自我效能，并且利用Wallston的度量来衡量内部健康控制点。(参见Ware JE,Sherbourne⑶.的 “The MOS 36-items Short-Form Health Survey (SF-36): I. Conceptual Framework And Item Selection, Med Care，1992 年，30:473-483 ;Sherbourne CD、Stewart AL.的"The MOS Social Support Survey", Soc. Sci Med，1991 年；32:705-714 Jerusalem, M.和 Schwarzer, R.的"The Generalized Self-Efficacy Scale”，2008 年；以及 Wallston, ΚΑ. ^ "Multidimensional Health Locus of Control，，，2008 $。)
调杳无联系分析
我们使用了逻辑回归来评估对调查邀请做出应答与没有做出应答的具有有效电子邮件地址的所选CIP抽样调查成员之间的差异。独立的变量有年龄、性别、种族、教育以及收入。心理测量分析
一维性评估、多项目定标以及内部一致性可靠性
为了理解各项目的内部结构(即一维性或者各项目衡量仅仅一个共同之处(one thing in common)的程度)，我们利用主分量分析来比较第一与第二特征值的比值。2:1的比值或更好的比值支持尺度一维性。每一个多项目尺度都是利用Likert的总加评定方法来计算的，其中对每一个项目相等地加权并且把未经处理的各项目分数总加成一个尺度分数。 (参见 Likert R.的"A Technique For The Measurement Of Attitudes，，，Arch Psychol, 1932年，140:5-55)。所有尺度分数被线性变换到一个0 — 100计量体系，其中100代表最有利的状态(或态度)，0代表最不利，并且其间的分数代表总的可能分数的百分比。我们计算CrorAach的α系数来估计内部一致性可靠性。已知群体区分有效性
阶段I预测试的主要目的是在多项目尺度级别下评估已知群体区分有效性，其是各尺度在先验地已知其在感兴趣的构成方面不同的互斥群体之间做出区分的程度。我们的已知群体由自我报告的遵从性状态定义自我报告的遵从者、自我报告的不遵从者以及自我报告的不履行者。我们使用了一般的线性模型和t-测试来评估区分有效性。我们假设与不遵从者和不履行者相比，遵从者在对于药物的感知需求、关于药物的感知顾虑、感知的药物可负担性方面将表现出最有利的信念。我们还假设遵从者将表现出对于副作用的最低倾向、 关于其疾病和治疗的最多知识以及关于健康信息寻求、信任其提供者和参与其护理的最有利感知。我们没有关于不遵从者与不履行者之间的信念差异的任何先验假设。对于阶段2分析，我们重复了对已知群体区分有效性的尺度级别测试，并且在观斤一麥激评估了已知群体区分有效性，后者是单独项目在先验地已知其在感兴趣的构成方面不同的互斥群体之间做出区分的程度。我们的已知群体与被用于尺度级别测试的那些已知群体完全相同自我报告的遵从者、不遵从者和不履行者。项目级别的测试意在识别出其中哪些具体项目最具区分性。这样的信息将与其他心理测量标准相结合地被用来选择用于遵从性估计器的最终项目。项目级别的测试是利用一般线性模型来实施的，并且利用卡方分析来交叉验证。逻辑回归
我们把对于已知群体区分有效性的测试扩展到预测自我报告的遵从性对组合的不遵从性与不履行性的逻辑回归模型。独立变量是所述近端和中间多项目尺度。我们把每一个尺度划分成四分值，并且把每一个四分值表示为虚变量以便评估尺度单调性。每一个尺度上的最高四分值(其代表最为有利的25%的分数分布)是参考群体。我们使用了其进入和保持标准被设定在0. 01概率水平的前向逐步逻辑回归。我们通过添加人口统计变量作为独立变量来重复所述模型。项目减少技术
我们使用了多种技术来实现阶段I预测试项目当中的项目减少以及选择用于遵从性估计器本身的最终项目。对于应答的范围和可变性以及对于下限效应和上限效应检查了项目频率分布。我们计算了项目总相关性以便评估哪些项目对其相应尺度的贡献最大。我们执行了来自MULTIL0G的一个两参数分级应答IRT模型。我们将具有区分性并且其边界位置估计均勻间隔开(这表明每一个评定点对能力的贡献均等)的项目优先化。我们检查了各项目的已知群体区分有效性，并且把在已知遵从性群体之间做出最佳区分的那些项目优先化。用于遵从性估计器的评分矩阵
为了导出用于遵从性估计器的最终评分权重，我们利用三个所选单独项目作为独立变量重复了逻辑回归。每一个项目被表示为虚变量，由于每一个项目具有六个归类应答，因此每个项目有五个虚变量。遵从性风险群体的表征
我们按照其人口统计特性以及没有被包括在iThe Adherence htimator 中的中间遵从性确定因素来表征从评分矩阵导出的遵从性风险群体。利用卡方分析来测试归类变量， 同时用一般线性模型来测试区间级别的变量。结果调查联系
我们对于阶段I调查实现了 33. 2%的联系率，并且对于阶段II调查实现了 26. 5%的联系率。与受到邀请但是没有对预测试做出应答的人相比，成功联系到的人更有可能是男性， 年龄在65岁及以上，高加索人种，并且受过大学教育(数据未示出)。与受到邀请但是没有对阶段II调查做出应答的人相比，成功联系到的人更有可能是年龄在55岁及以上，高加索人种，受过大学教育(数据未示出)。样本特性
如表ι中所示，应答者的年龄范围在40 - 93岁，平均年龄为59。大约三分之一的样本年龄在65或以上。60% - 65%的样本是女性，89%自我表明是高加索人种。大约40%的两种样本报告至少受过大学教育，并且刚刚超过一半报告少于$50000的年收入。大部分样本成员满足作为自我报告的遵从者的合格标准，同时少于五分之一是自我报告的不履行者。我们对于预测试在所述六种疾病当中得到了对称配额。对于阶段II研究，我们得到了比其他病症略微更多的患有高血压和高血脂的应答者。
一维性和内部一致性分析阶段I预测试
附录表A给出了关于各预测试项目的一维性和内部一致性可靠性的数据。其中两个范畴(信息寻求和参与)分别具有一个项目，并且对第一主分量造成的负荷都不高(<0. 30)。排除这两个项目之后重新运行所述分析。所有范畴都具有高度一维性。第一与第二特征值的比值范围从5. 2的低值到15. 8的高值。Cronbach的α系数范围从0. 88的低值到0. 98的高值。虽然13个药物顾虑项目满足一维性标准，但是轮换的因素分析表明可以可靠地导出两个尺度一个评估对于处方药物的感知安全性的八项目尺度和一个评估关于副作用的感知顾虑的五项目尺度。对已知群体区分有效性的二变量尺度级别测试阶段I预测试
最有力地区分三个群体的尺度为(1)副作用顾虑；(2)感知药物可负担性；以及(3) 对于药物的感知需求。群体均值的差异与我们的假设相符对于所有尺度来说，自我报告的遵从者抱有最有利的态度。对于成对均值的检查发现，不遵从者与不履行者之间的差异在统计上都不显著。相应地，利用t-测试重新执行所述分析，并且所观察到的结果也反映了对应于一般线性模型的结果。对已知群体区分有效性的多变量尺度级别测试阶段I预测试
我们利用逻辑回归交叉验证了对已知群体区分有效性的二变量尺度级别测试(表3)。 只是我们的三个假设的近端尺度是对自我报告的遵从性的预测。中间遵从性驱动因素都不被录入到模型中。副作用顾虑对遵从性行为具有高度预测性，并且在不断增加的副作用顾虑与不遵从性的增大的可能性之间有单调关联。具有最大可负担性顾虑(Ql)和具有适中可负担性顾虑(Q2)的应答者分别有3. 6和2. 3倍的可能性是不遵从者。与具有最高感知需求的应答者相比，具有最低感知需求(Q4)的应答者有1. 7倍的可能性是不遵从者。对已知群体区分有效性的二变量项目级别测试阶段I预测试
附录表B给出了所测试的已知群体区分有效性的项目级别测试的完形概要。与尺度级别的结果相符，近端项目是最具区分性的项目。但是在大多数范畴内，在项目区分能力方面有很大可变性，其中某些项目具有高度区分性(F和卡方的大值)而其他项目则完全不具区分性。项目减少
我们把感知需求项目的数目从28减少到14，并且把药物顾虑项目的数目从13减少到 10。我们去除了一个药物可负担性项目。我们把患者信任项目的数目从14减少到七个，把参与项目从26个减少到七个，把知识项目从16个减少到九个，把副作用免疫性项目从四个减少到三个，并且把信息寻求项目从16个减少到五个。我们按照下面的优先级保留项目 (1)在项目级别已知群体区分有效性方面的性能；(2)来自所述两参数IRT模型的最高项目和类别信息(在请求时可获得)；以及(3)偏斜最小的(least skewed)项目分数分布。一维性和内部一致性分析阶段II
如附录表C中所示，所有的阶段II范畴都是高度一维的。第一与第二特征值的比值范围从4. 3的低值到21. 7的高值。Cronbach的α系数的范围从0. 87的低值到0. 97的高值。对已知群体区分有效性的二变量尺度级别测试阶段II数据
与阶段I的结果相符，最为有力地区分三个群体的尺度是副作用顾虑和对于药物的感知需求(表4)。对于这两个尺度，自我报告的遵从者具有最少副作用顾虑和最高感知需求。 几个附加的尺度也具有高度区分性，其中包括感知药物可负担性、患者信任、对于补品的感知价值、患者参与以及对于副作用的感知倾向。在任何所述尺度上都没有观察到自我报告的不遵从者与自我报告的不履行者之间的差异。对于两群体区分(t-测试)所观察到的结果也反映了对应于一般线性模型的结果。 对已知群体区分有效性的多变量尺度级别测试阶段II数据
我们利用逻辑回归交叉验证了对已知群体区分有效性的二变量测试(表5)。只有我们的三个假设的近端尺度再次最能预测自我报告的遵从性。中间遵从性驱动因素都不被录入到模型中。副作用顾虑对遵从性具有高度预测性，并且在不断增加的副作用顾虑与不遵从性的增大的可能性之间有单调关联。处在感知需求的最低两个四分值中的应答者与处在Q4 中的应答者相比分别有6. 3倍和1. 9倍的可能性是不遵从者。具有最多感知可负担性顾虑 (Ql)的应答者与具有最少可负担性顾虑(Q4)的应答者相比有2. 3倍的可能性是不遵从者。用于The Adherence Estimator 的项目选择
在两波数据分析当中，我们的三个假设的近端驱动因素被证明在已知其遵从性不同的群体之间进行区分方面是最高效且有力的。一旦识别出预测性范畴并且经过交叉验证之后，就是时候从每一个范畴选择单一最佳项目以供包括在The Adherence Estimator 中。 我们在项目级别重复对已知群体区分有效性的测试。附录表D概括了数据。我们必须在七个可负担性项目当中进行选择。花费(COST)S在三群体和两群体区分中性能最好。在预测遵从性的单独回归中，花费8也表现出最高的Wald统计量。对项目频率分布的检查表明，花费8具有在六个归类评定点上的最均勻分布。最后，来自所述分级应答IRT模型的项目信息曲线表明，花费8与其他六个项目相比评估了可负担性的更广范围的潜在构成。出于这些原因，花费8 (“由于我的处方药物的付现费用而让我感觉财务上有负担”)被选择以供包括在The Adherence Estimator 中。我们必须在五个药物顾虑项目当中进行选择。顾虑11 (CONCERN)和顾虑13在对已知群体区分有效性的项目级别测试中的性能非常类似。但是来自IRT分析的数据表明， 对应于顾虑11的类别信息曲线比对应于顾虑13的类别信息曲线包含更多信息。此外，顾虑11与顾虑13相比表现出偏斜较小的项目分布。出于这些原因，顾虑11(“我担心我的处方药物对我将弊大于利”)被选择以供包括在The Adherence Estimator 中。我们必须在15个评估对于药物的感知需求的项目当中进行选择。五个项目是首要候选(知道(KNOW) 16，需求(NEED) 25，需求16，需求15，以及需求12)。所有这些项目在对于区分有效性的已知群体测试中的性能都非常好。但是知道16产生来自分级应答IRT 模型的最多项目和类别信息，并且其具有最高项目总相关性，这表明其是对于基础构成的最佳单项目度量。因此，知道16 (“我确信我的处方药物的重要性”)被选择以供包括在The Adherence Estimator 中。遵从性风险群体的评分矩阵和表征
表6给出了用于The Adherence Estimator 的自我评分矩阵。所述项目类别权重是从逻辑回归等式导出的，其中各项目被表示为虚变量。从所述等式获得的c统计量是0. 834， 并且Hosmer和Lemeshow的拟合优度测试是9. 22 (p=0. 33)。除了在必须做出略微的成比例修正以便按照一种且仅有一种可能方式导出每一个最终分数时，我们都保持忠于所获得的几率比的量值。如该表所示，把所述三个数字相加以获得The Adherence Estimator 分数。由于可以按照一种且仅有一种可能方式获得每一个分数，因此可以很容易解释所述分数。举例来说，仅有一种方式来获得分数7——得分为7的患者具有适中的对于药物的感知需求，但是对于药物可负担性的副作用顾虑没有问题。得分为22的患者具有非常低的对于药物的感知需求以及药物可负担性问题。 我们把来自The Adherence Estimator 的总分数与自我报告的遵从率和导出的三群体风险分类(不遵从性的低风险、中度风险和高风险)进行交叉制表。敏感性是86%—— 即在不遵从者当中，86%将被The Adherence Estimator 准确地分类为中度风险或高风险。假阴性率(false negative rate)为14%——即14%的不遵从者将被分类为低风险。 特异性是59%。即在遵从者当中，59%将被The Adherence Estimator 分类为低风险。假阳性率为41%——这是被错误地分类为中度风险或高风险的遵从患者。表7给出了通过人口统计特性和中间遵从性驱动因素对三个风险群体的表征。低风险群体由最大平均年龄和年龄在65岁和以上的人的最大百分比表征。相对于中度风险群体和高风险群体，低风险群体的女性未被充分代表。在各群体当中没有种族差异。中度风险群体和高风险群体具有年收入少于$35000的最高百分比(分别是39%和30%)。相同的这两个群体还具有大学毕业的最低百分比(分别是34%和35%)。除去一个例外(健康信息寻求)，低风险群体在所有中间遵从性驱动因素上得分最佳。除去一个例外(心理痛苦)，高风险群体在所有中间遵从性驱动因素上得分最差。在对于处方药物的感知安全性(F值=225)和患者知识(F值=175)方面观察到各风险群体之间的最大差异。感知药物安全性是一个假设的近端驱动因素，其与感知副作用顾虑相比的预测能力较低。因此其作为各风险群体当中的主要区分因素是合乎逻辑的。就知识是特定于疾病的属性而言，患者知识是第二最佳区分因素的事实与近端一远端连续体(continuum) 相符。对于更加远端的社会心理状态(社会支持、自我效能以及控制点)观察到最弱关联。 对于感知药物安全性、对于补品的感知价值以及对于副作用的感知倾向，在低风险与中度风险之间以及中度风险与高风险之间的分数中有相等的成比例差异。对于知识、信任和参与，与中度风险群体面对低风险群体相比，高风险群体面对中度风险群体的得分成比例地更低。对于心理痛苦和社会支持观察到相反的情况与高风险群体面对中度风险群体相比， 中度风险群体面对低风险群体的得分成比例地更低。表1.样本的社会人口特性
权利要求
1.一种用于根据患者遵从处方药物的倾向性来确定患者的风险群体的设备，其包括(a)潜在总分数递增尺度，其具有对应于高风险群体的第一潜在总分数范围、对应于中度风险群体的第二潜在总分数范围以及对应于低风险群体的第三潜在总分数范围；(b)处方调查，其包括用以关于不超过三个范畴评估患者的信念的多个问题，所述三个范畴是(i)患者对于处方药物的感知需求、(ii)患者对于处方药物的感知安全性顾虑以及(iii)患者对于处方药物的感知可负担性；(c)应答记录工具，其被配置成对于所述多个问题当中的每一个问题呈现多个潜在患者应答，并且对于所述多个问题记录由患者给出的实际患者应答集合；(d)评分矩阵，其被配置成把针对所述每一个问题的多个潜在患者应答分别与多个部分分数相关，其中所述多个部分分数被选择并设置在所述评分矩阵中，从而只可能有一个实际患者应答集合所具有的各相关部分分数在相加起来时会产生与所述递增尺度上的给定潜在总分数相等的实际总分数；以及(e)解释工具，如果所述实际总分数等于落在所述递增尺度上的第一范围内的一个潜在总分数，则其表明高风险群体，如果所述实际总分数等于落在所述递增尺度上的第二范围内的一个潜在总分数，则其表明中度风险群体，并且如果所述实际总分数等于落在所述递增尺度上的第三范围内的一个潜在总分数，则其表明低风险群体。
2.权利要求1的设备，其中，用以关于所述不超过三个范畴评估患者信念的所述多个问题对于所述三个范畴当中的每一个范畴包括单个问题。
3.权利要求2的设备，其中，用以关于患者对于处方药物的感知需求范畴评估患者信念的单个问题要求患者公示该患者所确信的处方药物的重要程度。
4.权利要求2的设备，其中，用以关于患者对于处方药物的感知安全性顾虑范畴评估患者信念的单个问题要求患者公示该患者对于处方药物弊大于利的担忧程度。
5.权利要求2的设备，其中，用以关于患者对于处方药物的感知可负担性范畴评估患者信念的单个问题要求患者公示该患者由于与服用处方药物相关联的开销而感到财务上有负担的程度。
6.权利要求1的设备，其中，用以关于所述不超过三个范畴评估患者信念的所述多个问题对于所述不超过三个范畴当中的每一个范畴包括多个问题。
7.权利要求1的设备，其中，所述处方调查包括用以关于不超过两个范畴评估患者信念的多个问题，所述两个范畴是(i)患者对于处方药物的感知需求；以及(ii)患者对于处方药物的感知安全性顾虑。
8.权利要求1的设备，其中，构成所述处方调查的所述多个问题被印刷在纸卡或纸片上。
9.权利要求1的设备，其中，构成所述应答记录工具的所述多个潜在患者应答被印刷在纸卡或纸片上。
10.权利要求1的设备，其中，构成所述处方调查的所述多个问题和构成所述应答记录工具的所述多个潜在患者应答被印刷在单一纸卡或纸片上。
11.权利要求1的设备，其中(a)所述评分矩阵包括其上有多个窗口或空隙穿透的纸卡或纸片；以及(b)所述应答记录工具包括被适配成滑动到所述评分矩阵当中或后面的第二纸卡或纸片，从而使得可以透过所述窗口或空隙看到所述应答记录工具上的所述实际患者应答集合。
12.权利要求11的设备，其中，在构成所述评分矩阵的纸卡或纸片上分别与所述多个窗口或空隙当中的一个相邻地印刷所述多个部分分数当中的每一个。
13.权利要求1的设备，其还包括(a)客户端设备；(b)服务器;(c)驻留在服务器上的规则引擎，所述规则引擎具有定义所述递增尺度和评分矩阵的一个或更多数据结构；(d)操作在客户端设备上的客户端应用，其(i)通过与客户端设备相关联的计算机控制的显示器向终端用户显示所述多个问题和所述多个潜在患者应答，并且(ii)接收来自患者的实际患者应答集合；(e)客户端通信接口，其被配置成向服务器发送所述实际患者应答集合；以及(f)驻留在服务器上的预先编程的结果处理器，其基于由所述规则引擎定义的递增尺度和评分矩阵自动把患者指定到高风险群体、中度风险群体或低风险群体。
14.一种用于根据患者遵从处方药物的倾向性来确定患者的风险群体的计算机系统， 其包括(a)包括处方调查的数据库，所述处方调查具有用以关于不超过三个范畴评估患者的信念的多个问题，所述三个范畴是(i)患者对于处方药物的感知需求、( )患者对于处方药物的感知安全性顾虑以及(iii)患者对于处方药物的感知可负担性；(b)客户端应用，其被配置成呈现所述多个问题和对于所述多个问题当中的每一个的相应多个潜在患者应答，以及接收实际患者应答集合；(c)规则引擎，其包括定义以下各项的一个或更多数据结构(i)潜在总分数递增尺度，其具有对应于高风险群体的第一潜在总分数范围、对应于中度风险群体的第二潜在总分数范围以及对应于低风险群体的第三潜在总分数范围；以及(ii)评分矩阵，其被配置成把对于所述每一个问题的多个潜在患者应答分别与多个部分分数相关，其中所述多个部分分数被选择并设置在所述评分矩阵中，从而只可能有一个实际患者应答集合所具有的各相关部分分数在相加起来时会产生与所述递增尺度上的给定潜在总分数相等的实际总分数；以及(d)预先编程的结果处理器，如果所述实际总分数等于落在所述递增尺度上的第一范围内的一个潜在总分数，则其把患者自动指定到高风险群体，如果所述实际总分数等于落在所述递增尺度上的第二范围内的一个潜在总分数，则其把患者自动指定到中度风险群体，并且如果所述实际总分数等于落在所述递增尺度上的第三范围内的一个潜在总分数， 则其把患者自动指定到低风险群体。
15.权利要求14的计算机系统，其中，用以关于所述不超过三个范畴评估患者信念的所述多个问题对于所述三个范畴当中的每一个范畴包括单个问题。
16.权利要求15的计算机系统，其中，用以关于患者对于处方药物的感知需求范畴评估患者信念的单个问题要求患者公示该患者所确信的处方药物的重要程度。
17.权利要求15的计算机系统，其中，用以关于患者对于处方药物的感知安全性顾虑范畴评估患者信念的单个问题要求患者公示该患者对于处方药物弊大于利的担忧程度。
18.权利要求15的计算机系统，其中，用以关于患者对于处方药物的感知可负担性范畴评估患者信念的单个问题要求患者公示该患者由于与服用处方药物相关联的开销而感到财务上有负担的程度。
19.权利要求14的计算机系统，其中，用以关于所述不超过三个范畴评估患者信念的所述多个问题对于所述不超过三个范畴当中的每一个范畴包括多个问题。
20.权利要求14的计算机系统，其中，所述处方调查包括用以关于不超过两个范畴评估患者信念的多个问题，所述两个范畴是(i)患者对于处方药物的感知需求以及(ii)患者对于处方药物的感知安全性顾虑。
21.权利要求14的计算机系统，其中，所述客户端应用包括web浏览器。
22.权利要求14的计算机系统，其还包括(a)客户端设备；(b)服务器计算机；以及(c)客户端通信接口；(d)其中，所述客户端应用驻留在客户端设备上，所述规则引擎和预先编程的结果处理器驻留在服务器计算机上，并且所述客户端通信接口把来自客户端设备上的客户端应用的实际患者应答传送到服务器计算机上的预先编程的结果处理器。
23.在包括客户端设备、服务器、预先编程的结果处理器、规则引擎以及至少一个数据存储区的互连计算机网络中的一种用于根据患者遵从处方药物的倾向性来把该用户指定到一个风险群体的方法，所述方法包括a)在所述至少一个数据存储区中存储潜在总分数递增尺度，其具有对应于高风险群体的第一潜在总分数范围、对应于中度风险群体的第二潜在总分数范围以及对应于低风险群体的第三潜在总分数范围；b)在所述至少一个数据存储区中存储处方调查，其包括用以关于不超过三个范畴评估患者的信念的多个问题，所述三个范畴是(i)患者对于处方药物的感知需求、(ii)患者对于处方药物的感知安全性顾虑以及(iii)患者对于处方药物的感知可负担性；c)预先配置所述规则引擎以便定义把针对所述每一个问题的多个潜在患者应答分别与多个部分分数相关的评分矩阵，其中所述多个部分分数被选择并设置在所述评分矩阵中，从而只可能有一个实际患者应答集合所具有的各相关部分分数在相加起来时会产生与所述递增尺度上的给定潜在总分数相等的实际总分数；d)在所述客户端设备上呈现所述多个问题和所述多个潜在患者应答；e)在所述至少一个数据存储区中记录由患者作为针对所述多个问题的应答而录入到所述客户端设备中的实际患者应答集合；f)使得所述预先编程的结果处理器根据所述规则引擎和评分矩阵自动产生对应于患者的实际总分数，这是通过把与患者所给出的实际患者应答集合相关的各部分分数相加而实现的；以及g)使用所述预先编程的结果处理器将患者指定到一个风险群体，其中所述预先编程的结果处理器将执行以下操作(i)如果所述实际总分数等于落在所述递增尺度上的第一范围内的一个潜在总分数，则其把患者自动指定到高风险群体，( )如果所述实际总分数等于落在所述递增尺度上的第二范围内的一个潜在总分数，则其把患者自动指定到中度风险群体，(iii)并且如果所述实际总分数等于落在所述递增尺度上的第三范围内的一个潜在总分数，则其把患者自动指定到低风险群体。
24.权利要求23的方法，其还包括在所述客户端设备上显示由所述预先编程的结果处理器指定的风险群体。
25.权利要求23的方法，其还包括对于所述不超过三个范畴当中的每一个范畴向患者显示不超过一个问题。
26.权利要求25的方法，其中，用以关于患者对于处方药物的感知需求范畴评估患者信念的所述一个问题要求患者公示该患者所确信的处方药物的重要程度。
27.权利要求25的方法，其中，用以关于患者对于处方药物的感知安全性顾虑范畴评估患者信念的所述一个问题要求患者公示该患者对于处方药物弊大于利的担忧程度。
28.权利要求25的方法，其中，用以关于患者对于处方药物的感知可负担性范畴评估患者信念的所述一个问题要求患者公示该患者由于针对处方药物的付现费用而感到财务上有负担的程度。
29.权利要求23的方法，其还包括对于所述不超过三个范畴当中的每一个范畴在所述客户端设备上显示多个问题。
30.权利要求23的方法，其中，所述处方调查包括用以关于不超过两个范畴评估患者信念的多个问题，所述两个范畴是(i)患者对于处方药物的感知需求以及(ii)患者对于处方药物的感知安全性顾虑。
全文摘要
本发明涉及用于根据患者遵从处方药物的倾向性来确定针对所述患者的风险群体的设备和方法。本发明的“AdherenceEstimatorTM(遵从性估计器)”设备包括潜在总分数递增尺度、处方调查、应答记录工具、评分矩阵以及解释工具，其中所述处方调查具有旨在关于不超过三个范畴(所述三个范畴是投入、顾虑和花费)评估患者信念的问题。本发明的实施例可以通过电子或非电子形式来实现，其对所述处方调查问题的应答自动进行评分和解释，以便确定并且把患者指定到高风险群体、中度风险群体或低风险群体。本发明的非电子设备可以由多种材料构造，其中包括(但不限于)纸张、基于纸张的产品、塑料、木材或者金属。
文档编号G06Q10/00GK102171718SQ200980139489
公开日2011年8月31日 申请日期2009年10月5日 优先权日2008年10月6日
发明者C·A·麦克霍尔尼 申请人:默沙东公司
技术领域：
本发明涉及用于根据患者遵从药物处方的估计倾向性(propensity)来划分患者的设备和方法。
背景技术：
对于处方药物的遵从性(adherence)已经被公认为是我们的“另一个药品问题”、 一种“流行病”以及一种“极其严重的世界性问题”。跨跃四十年的研究表明，不管诊断如何， 对于处方药物的遵从性较差。多达20%的患者不会依新处方配药。在会依新处方配药的人当中，大约有一半在前六个月就中断治疗。不管是什么疾病，不遵从性都会导致患者、保健服务提供者、付款人和雇主、药房以及制药公司都错失了许多机会。不遵从性会阻碍患者达到其临床目标的能力，并且可能导致疾病加重、麻烦的临床后遗症以及不达最佳的患者结局。对于提供者来说，不遵从性会给临床管理带来挫折，并且会给在针对疗效付费的情况下做出退偿的那些服务提供者带来经济损失。不遵从性会提高付款人和雇主的保健成本，并且会导致不达最佳的受益结果。对于发现并制造处方药物的制药公司以及进行销售的药房来说，不遵从性会导致严重的收益损失。从1960年代早期以来，在对于处方药物的遵从性方面已经公布了超过32000篇论文。这类作品当中的大多数是描述性的，其中记载了在不同的疾病和人口统计群体当中不遵从性的程度。而且已经有大量工具用来衡量遵从障碍和促因。这些工具的构成包括(但不限于)药物信念、药物顾虑、感知服药障碍、感知药物益处、感知药物需求、副作用经历或恐惧、感知药物效能、疗法侵扰、遵从性自我效能以及药物反感。许多其他工具用来衡量遵从性本身，并且其内容有一般性的以及特定于疾病的。美国的全国患者信息和教育理事会 (National Council on Patient Information and Education) ^ ^^ τ&ΜΨΜ^^ 和保健专业人员的药物信息传达，其主张对临床实践中的不遵从性进行例行筛检。其他临床方面的领导者也赞同这一推荐。已经开发出几种调查来筛检特定疾病和/或专项中的不遵从性，其中三种用于精神病、四种用于抗反录病毒治疗、两种用于抗高血压治疗、一种用于风湿病以及一种用于儿科病。只开发出四种工具用来在多种慢性病当中筛检不遵从性——简明药物调查表(Brief Medication(Stages of Change for Medication Adherence)、信念禾时亍为调查表(Beliefs and Behavior Questionnaire，BBQ)以及ASK—20 调查。BBQ (30项)、ASK-20 (20项)以及简明药物调查表(最少17项)的长度使其在临床实践中较不实用。ASK-20没有任何理论基础，其刚刚在2008年6月公布，并且在其开发者之外对于所述调查并没有经验。简明药物调查表在临床实践或研究中还没有得到广泛使用。 两项的药物遵从性改变阶段是基于跨理论模型，其只能拙劣地预测对抗反录病毒治疗的后续遵从性。此外还不清楚跨理论模型的理论基础对于处方药物遵从性与健康行为改变(比如停止吸烟和采用乳房X射线照相)的相关程度。
有鉴于不遵从性问题的重要性，事实上其同等地影响所有诊断和人口统计群体并且导致在经济和临床方面付出重大代价，因此需要一种能够在个别患者的基础上提供对于不遵从性的可能性估计的简明而通用的筛检工具。这样的工具可以对临床实践和人群健康做出确定无疑的贡献。如果这种工具易于集成到典型医务室的生态系统中的话其将更有价值。
发明内容
本发明通过提供用于根据患者遵从药物处方的倾向性对患者进行分组的设备和方法来解决前面描述的问题和需求。本发明的一方面提供一种用于确定患者的风险群体的易用设备，所述设备在下文中被称作“iThe Adherence Estimator (遵从性估计器)”，其包括潜在总分数递增尺度(incremented scale)、处方调查、应答记录工具、评分矩阵以及解释工具。在一个优选实施例中，根据包括三个群体(或“类别”)的患者分类系统对患者进行分组，其中包括高风险群体、中度风险群体以及低风险群体。高风险群体描述相对于低风险群体和中度风险群体中的患者具有更高的不遵从性风险的患者。低风险群体描述相对于中度风险群体和高风险群体中的患者具有较低不遵从性风险的患者。中度风险群体描述其不遵从性风险落在更高风险群体与较低风险群体之间的患者。本领域技术人员将会认识到， 在不偏离本发明的范围的情况下还可以使用不同的患者分类系统，其对于风险群体使用不同的名称或者使用不同数目的风险群体。所述潜在总分数递增尺度具有对应于高风险群体的第一潜在总分数范围、对应于中度风险群体的第二潜在总分数范围以及对应于低风险群体的第三潜在总分数范围。所述潜在总分数递增尺度把实际分数与不同的风险群体相关。所述处方调查可以包括用以关于不超过三个范畴评估患者的信念的多个问题，所述三个范畴是(i)患者对于处方药物的感知需求；(ii)患者对于处方药物的感知安全性顾虑；以及(iii)患者对于处方药物的感知可负担性。这三个范畴有时可以被称作投入 (commitment)范畴、顾虑范畴和花费(或可负担性)范畴。所述应答记录工具被配置成对于所述多个问题当中的每一个问题给出多个潜在患者应答，并且对于所述多个问题记录由患者给出的实际患者应答集合。所述评分矩阵被配置成把针对所述调查中的每一个问题的多个潜在患者应答分别与多个部分分数相关。应当注意的是，所述多个部分分数被选择并设置在所述评分矩阵中，从而只可能有一个实际患者应答集合所具有的各相关部分分数在相加起来时可以产生与所述递增尺度上的给定潜在总分数相等的实际总分数。最后，所述解释工具表明如果所述实际总分数等于落在所述递增尺度上的第一范围内的一个潜在总分数，则应当把患者指定到高风险群体；如果所述实际总分数等于落在所述递增尺度上的第二范围内的一个潜在总分数，则应当把患者指定到中度风险群体; 并且如果所述实际总分数等于落在所述递增尺度上的第三范围内的一个潜在总分数，则应当把患者指定到低风险群体。在某些实施例中，用以关于所述三个范畴评估患者信念的多个问题对于所述三个范畴当中的每一个范畴可以包括不多于单个问题。举例来说，用以关于患者对于处方药物的感知需求范畴(投入范畴)评估患者信念的单个问题可以提示患者公示该患者所确信的处方药物的重要程度。用以关于患者对于处方药物的感知安全性顾虑范畴(即顾虑范畴)评估患者信念的单个问题可以提示患者公示该患者对于处方药物弊大于利的担忧程度。用以关于患者对于处方药物的感知可负担性范畴(即花费范畴)评估患者信念的单个问题可以提示患者公示该患者由于与服用处方药物相关联的开销而感到财务上有负担的程度。在其他实施例中，用以关于所述三个范畴评估患者信念的多个问题对于所述三个范畴当中的每一个范畴可以包括多个问题。在其他实施例中，所述处方调查可以集中于不超过两个范畴，所述两个范畴是 (i)患者对于处方药物的感知需求(投入范畴)；以及(ii)患者对于处方药物的感知安全性顾虑(顾虑范畴)。这样的实施例在处方药物花费可能不是处方药物遵从性中的重要因素的情况下(这例如是因为药物花费由政府实体或保险机构补贴或退偿)特别有用。本发明的实施例可以用电子和非电子形式来实现。本发明的非电子设备可以由多种材料构造，其中包括(但不限于)纸张、基于纸张的产品、塑料、木材或金属。本发明的电子实现的形式可以被具体实现在预先编程的计算机系统以及/或者适于由患者和/或医疗专业人员交互式使用的互连计算网络中。在非电子形式中，例如可以用书写在印刷纸卡或纸片上的形式把所述调查问题呈现给用户，所述印刷纸卡或纸片也可以包括多个潜在患者应答以及用于记录作为针对调查问题的应答而接收自患者的实际患者应答集合的机制(例如可以由患者标记选择的空格或复选框的设置)。所述评分矩阵可以被具体实现在相同的或单独的纸卡或纸片上，其可以包括多个“透视”窗口或空隙，当关于应答记录工具适当放置时，其允许透过所述窗口或空隙看到所述应答记录组件上的实际患者应答集合。可以在与多个窗口或空隙当中的每一个相邻的空间处印刷或标示所述评分矩阵中的多个部分分数当中的每一个。所述应答记录工具和评分矩阵的这种设置允许用户把针对每一个调查问题的每一个实际患者应答与来自评分矩阵的每一个部分分数相关联。随后可以把各部分分数人工或自动相加以便产生实际总分数，随后把该实际总分数与所述递增尺度上的各潜在总分数进行比较，从而基于所述尺度和患者分类系统确定将哪一个风险群体指定给该患者。被配置成根据本发明操作的电子实现的Adherence Estimator (遵从性估计器) 可以被实施在包括多个软件和硬件组件的计算机系统上，所述软件和硬件组件被设置及预先编程为在计算机控制的显示器设备上为患者阅读或显示所述调查，以及通过一个或更多相关联的人类接口设备(比如键盘、鼠标、触摸屏视频显示器、小键盘或者语音识别设备)接收患者的应答。所述组件包括计算机可读机器指令，当由处理器读取时，所述计算机可读机器指令使得该处理器对患者应答进行存储、评分以及解释，并且生成向患者(或操作者)表明该患者在其遵从倾向性方面落在高风险患者群体、中度风险患者群体还是低风险患者群体内的输出。所述计算机系统还可以被配置成基于所识别出的风险群体产生唯一的消息或指令，并且通过多种不同渠道把所述唯一消息发送给感兴趣的各方。根据本发明，一种基于患者遵从处方药物的倾向性来确定患者的风险群体的计算机系统包括数据库、客户端应用、递增尺度、规则引擎以及预先编程的结果处理器。所述数据库包括处方调查，所述处方调查具有用以关于不超过三个范畴评估患者的信念的多个问题，所述三个范畴是(i)患者对于处方药物的感知需求；(ii)患者对于处方药物的感知安全性顾虑；以及(iii)患者对于处方药物的感知可负担性。
所述客户端应用被配置成显示(或者以其他方式呈现)所述多个问题以及针对所述多个问题当中的每一个的相应多个潜在患者应答，并且接收(从患者或另一终端用户)实际患者应答集合。所述规则引擎包括定义潜在总分数递增尺度的一个或更多数据结构，所述递增尺度具有对应于高风险群体的第一潜在总分数范围、对应于中度风险群体的第二潜在总分数范围以及对应于低风险群体的第三潜在总分数范围。所述规则引擎还定义了被配置成把针对所述每一个问题的多个潜在患者应答分别与多个部分分数相关的评分矩阵，其中所述多个部分分数被选择并设置在所述评分矩阵中，从而只可能有一个实际患者应答集合所具有的各相关部分分数在相加起来时可以产生与所述递增尺度上的给定潜在总分数相等的实际总分数。所述预先编程的结果处理器执行以下操作如果所述实际总分数等于落在所述递增尺度上的第一范围内的一个潜在总分数，则其把患者自动指定到高风险群体；如果所述实际总分数等于落在所述递增尺度上的第二范围内的一个潜在总分数，则其把患者自动指定到中度风险群体；以及如果所述实际总分数等于落在所述递增尺度上的第三范围内的一个潜在总分数，则其把患者自动指定到低风险群体。本发明的电子实现形式的Adherence Estimator (遵从性估计器)还可以被实现在计算机系统的网络中，其中包括客户端设备和通过互连数据通信网络耦合到客户端设备的服务器计算机。所述客户端设备包括web浏览器或已安装应用，其被配置成向终端用户显示包括多个调查问题和对应的应答输入域的用户接口屏幕。在某些情况下，所述客户端设备可以被配置成通过扬声器或其他发声设备向终端用户播放或“播讲”以可听形式记录的调查问题。每一个调查问题具有六个可能应答，其中对于每个问题允许且只允许一个应答。六个应答当中的每一个按照问题被唯一地加权。通过所述用户接口屏幕(或者通过小键盘录入或语音识别技术)从患者接收该患者对调查问题的应答并且随后将其发送到所述服务器，在该处由预先编程的结果处理器把所述应答与由具体实现在规则引擎中的评分矩阵定义的多个部分分数相关。所述预先编程的结果处理器把各部分分数相加从而产生实际总分数，并且通过将其与所存储的潜在总分数递增尺度进行比较来自动解释所述实际总分数。基于所述比较，所述预先编程的结果处理器产生对患者的不遵从性风险的估计(低/中度/高)。在某些实施例中，所述预先编程的结果处理器可以将唯一消息发送回客户端设备， 所述客户端设备通过某种方法将该唯一消息发送给患者和/或终端用户，比如在显示设备上显示、在打印机上打印或者在扬声器上播放。所述用户接口屏幕例如可以通过利用超文本标记语言(“html，，)形式或者Macromedia Flash交互输入形式来实现，二者都可以根据计算机领域内公知的方法和技术被预先编程以显示在终端用户的监视器上。所述客户端设备包括客户端应用逻辑处理器，其在所述web浏览器或已安装应用内执行，并且被配置成捕获由终端用户录入到所述多个数据输入域当中的每一个的数据 (患者对调查问题的应答)。基于所述应答，所述客户端应用逻辑处理器生成针对产生针对所述应答的部分分数和总分数并且产生风险估计以及来自消息数据库的基于所述总分数的适当消息的请求。所述客户端设备还包括客户端通信接口，其被配置成把所述请求以及患者对调查问题的应答通过互连数据通信网络传送到服务器计算机。正如将在下面更加详细地描述的那样，服务器计算机执行以下操作通过互连数据通信网络接收来自客户端设备的请求和患者应答；将所述应答存储在服务器数据库中；基于所述应答产生实际总分数和风险评估(高、中度或低风险)；将所述风险评估和适当的消息发送回客户端设备；以及/或者触发通过多种分发渠道递送所述评估和消息。当由客户端设备接收到所述风险评估和消息时，客户端应用逻辑处理器在用户接口屏幕上显示所述评估和消息(或者通过某种其他方式将所述评估和消息呈现给用户，比如播放所记录的消息)，从而为终端用户提供用以解决其药物遵从性问题的有价值信息。此外，基于系统的配置，终端用户还可以通过电子邮件、文字消息、电话、直接邮件等等接收所述消息。在本发明的另一方面，提供一种利用互连计算机网络根据患者遵从处方药物的倾向性来确定患者的风险群体的方法，所述互连计算机网络包括客户端设备、服务器、预先编程的结果处理器、规则引擎以及至少一个数据存储区。所述方法包括以下步骤
a)在所述数据存储区中存储潜在总分数递增尺度，其具有对应于高风险群体的第一潜在总分数范围、对应于中度风险群体的第二潜在总分数范围以及对应于低风险群体的第三潜在总分数范围；
b)在所述数据存储区中存储处方调查，其包括用以关于不超过三个范畴评估患者信念的多个问题，所述三个范畴是(i)患者对于处方药物的感知需求；(ii)患者对于处方药物的感知安全性顾虑；以及(iii)患者对于处方药物的感知可负担性；
c)预先配置所述规则引擎以便定义把针对每一个问题的多个潜在患者应答分别与多个部分分数相关的评分矩阵，其中所述多个部分分数被选择并设置在所述评分矩阵中，从而只可能有一个实际患者应答集合所具有的各相关部分分数在相加起来时可以产生与所述递增尺度上的给定潜在总分数相等的实际总分数；
d)在所述客户端设备上呈现所述多个问题和所述多个潜在患者应答；
e)在所述数据存储区中记录由患者作为针对所述多个问题的应答而录入到所述客户端设备中的实际患者应答集合；
f)使得所述预先编程的结果处理器根据所述规则引擎和评分矩阵自动产生对于患者的实际总分数，这是通过把与患者所给出的实际患者应答集合相关的各部分分数相加而实现的；以及
g)使得所述预先编程的结果处理器将患者指定到一个风险群体，其中所述预先编程的结果处理器将执行以下操作(i)如果所述实际总分数等于落在所述递增尺度上的第一范围内的一个潜在总分数，则其把患者自动指定到高风险群体；(ii)如果所述实际总分数等于落在所述递增尺度上的第二范围内的一个潜在总分数，则其把患者自动指定到中度风险群体；(iii)以及如果所述实际总分数等于落在所述递增尺度上的第三范围内的一个潜在总分数，则其把患者自动指定到低风险群体。在本发明的另一方面，提供一种利用互连数据通信网络对调查应答进行评分及解释以便确定患者遵从新药物处方的倾向性的方法，所述方法包括以下步骤(1)利用web浏览器或已安装应用为终端用户(比如患者)呈现用户接口屏幕，所述用户接口屏幕包括多个调查问题和应答输入域；(2)捕获由终端用户录入到所述多个应答输入域当中的每一个的数据；(3)生成对所述调查应答进行评分及解释的请求；(4)通过互连数据通信网络把所述请求和患者应答传送到服务器计算机；(5)存储所述调查应答；(6)把所述应答与部分分数相关；(7)基于所述应答生成风险评估(高、中度、低);(8)把所述评估传送到客户端计算机； 以及(9)在由所述web浏览器或已安装应用呈现的用户接口屏幕上显示消息，以及/或者触发在多种渠道中递送所述消息。通过应用本发明可以使多种不同应用受益，其中包括(但不限于)针对电子病历 (EMR)系统的定制集成服务和/或第三方插件，所述电子病历系统是用在医师办公室中以便在患者的病历上进行捕获、存储和报告的专用数据库管理系统。本发明的实施例允许可扩展性，即可以把多个问题和应答存储在问题和应答数据库中并且可以从中取回。此外，可以把多项包括问题和应答的调查存储在调查数据库中并且可以从中取回，并且还可以把多条消息存储在消息数据库中并且可以从中取回。通过在下面结合附图和所附权利要求书对本发明的各实施例进行详细描述，可以更加透彻地理解本发明。
被合并在本说明书中并且构成其一部分的附图示出了本发明的实施例，其与下面的描述一起用来解释本发明的某些特征。图1示出了合并有本发明的非电子纸张或基于纸张的形式的处方调查和应答记录工具的印刷卡的一个示例。图2示出了合并有本发明的纸张或基于纸张的形式的解释工具的印刷卡的一个示例，其中所述解释工具包括评分矩阵以及潜在总分数递增尺度。图3和4通过举例的方式示出了如何能够根据本发明的某些实施例组合图1和2 的示例性印刷卡，从而可以观看针对调查问题的实际患者应答集合并且将其与评分矩阵中的部分分数相关。图5描绘了适用于本发明的电子实现的实施例的示例性用户接口屏幕，其用于呈现处方调查。图6示出了说明用于在应用服务提供商(ASP)环境中实施本发明的计算机网络的一个示例性实施例的方框图。图7示出了说明用于在客户端一服务器环境中实施本发明的计算机网络的一个示例性实施例的方框图。图8示出了说明可以由被配置成根据本发明的一个示例性实施例进行操作的服务器计算机系统执行的各步骤的程序流程图。图9和10示出了本发明的替换独立电子实施例的高级别方框图，其中所有组件与构成客户端设备的计算机系统相关联。用于确定范畴以及选择评分矩阵的部分分数的方法的总览
有许多方式来衡量遵从性，其中包括(1)自我报告；(2)药房再配药要求；(3)药片计数；(4)电子药品监控；(5)生物化学标记；以及(6)直接观察治疗。每一种评估遵从性的方式都有其独特的优缺点，并且没有一种是完美的。本发明的发明人选择使用自我报告的遵从性作为遵从性指示。作为遵从性指示，其是因变量，这意味着其是发明人希望预测的结^ ο正如下面将会更加详细地描述的那样，利用Harris慢性病抽样调查(panel)来实施两波心理测量测试。从第一波确定，药物顾虑、药物可负担性和对于药物的感知需求这三个范畴最佳地区分了遵从者与不遵从者(参见表2的顶部抽样调查)。在第二波心理测量测
11试中使用更大的独立样本，其重新证实了这三个范畴(即药物顾虑、药物可负担性和对于药物的感知需求)最佳地区分了遵从者与不遵从者(参见表4的顶部抽样调查和表5)。所述过程中的下一步是选择每一范畴内的单个最佳项目(即问题)以包括在本发明的物理实施例中。后面将在“伊农Adherence遂廣”的副标题下更加详细地描
述这一过程。 从所述心理测量测试可以推断出，针对The Adherence feiiaatori所选择的三个项目在其区分遵从者与不遵从者的预测能力方面有所不同。此外，在每一个项目内，所述六个归类应答类别当中的每一个在其区分遵从者与不遵从者的预测能力方面也有所不同。由于这些事实，在评分矩阵中为所述三个项目给出相等权重将是不适当的，并且为所述六个应答类别当中的每一个给出相等权重同样也将是不适当的。因此，必须为针对每一个问题的六个应答类别当中的每一个指定权重，以便考虑到所述三个问题和六个归类应答的预测能力方面的差异。因此，导出评分矩阵的任务就是要确定应当为每一个项目给出什么权重以及应当为每一个项目的各应答类别给出什么权重，从而利用本发明的实施例导出对应于由患者提供的应答集合的实际总分数。为了实施该任务，使用在所有其他心理测量分析中所应用的相同逻辑。因变量是对我们的Harris交互式调查的1072位应答者当中的自我报告的遵从性。为了理解对于每一个项目/问题的每一个应答类别给出的权重，有必要把每一个项目分解成其构成元素。 对于所述三个项目/问题当中的每一个，从六个可能的应答产生五个变量。举例来说，xl、 x2、x3、x4和x5的权重相对于被忽略群体x6。除了一个之外的所有可能应答都在所述模型中。所排除的单个应答用作与之进行比较的参考群体。目标是理解15个变量当中的每一个如何预测自我报告的遵从性。通过对全部15个变量一起进行建模允许获得其协同效果， 这是因为其并非彼此完全正交(无关)。Rx可负担性xl=完全同意，x2=大部分同意，x3=在某种程度上同意，x4=在某种程度上不同意，x5=大部分不同意。参考或留出(hold-out)群体是完全不同意。Rx顾虑x6=完全同意，x7=大部分同意，x8=在某种程度上同意，x9=在某种程度上不同意，XlO=大部分不同意。参考或留出群体是完全不同意。Rx确信xll=完全不同意，xl2=大部分不同意，xl3=在某种程度上不同意，xl4= 在某种程度上同意，xl5=大部分同意。参考或留出群体是完全同意。使用逻辑回归来估计与15变量当中的每一个相关联的权重。使用广为可用的统计分析软件(SAS)来执行所述逻辑回归以便获得对应于15个变量当中的每一个的分数，即在后面的表6中示出的分数。逻辑回归是一种用来预测仅具有两个等级的结果的统计规程。在本例中，所述两个等级是(0)遵从者和(1)不遵从者。其他统计规程不像逻辑回归那样适于预测有且仅有两个等级的情况。虽然使用了 SAS，但是可以用于这一目的的其他统计程序还有SPSS和STATA。逻辑回归等式如下
自我报告的遵从性(否/是)=P或遵从性概率
LogitP/ I-P= β 0+ β !X1+ β 2χ2+ β 3χ3+ β 4Χ4+ β 5Χ5+ β 6Χ6+ β 7Χ7+ β 8Χ8+ β 9Χ9+ β J0X10+ β J1X11
+ β 12Χ12+ β 13Χ13+ β 14Χ14+ ^ 15Χ15
所述逻辑回归规程预测作为不遵从者的概率(或风险)。该等式和逻辑回归规程生成对应于15个变量当中的每一个的β权重(随后将其指数化成几率比(odds ratio))。从所述逻辑回归规程导出的几率比(以某种较低程度的取整)随后被用作表6中示出的部分分数。举例来说，表6的第1行第3列中的“7”表明，与针对“我确信”问题承认“完全同意”的人相比，针对“我确信”问题承认“在某种程度上同意”的人作为不遵从者的可能性是其7倍高。如表6中所示，确定“对于药物的感知需求” 范畴与遵从性最为有关(权重为20、20、7、7、0、0)，其后是“药物顾虑”范畴(权重为14、14、 4、4、0、0)，其后是“药物可负担性”范畴(权重为2、2、0、0、0、0)。当应答者回答调查中的三个问题当中的每一个问题时，其对于每一个问题的每一个应答接收到一个部分分数(即权重)。三个部分分数/权重然后被相加起来以获得实际总分数。利用表6作为引导，如果患者对问题“我确信我的药物的重要性”的应答是“大部分不同意”(部分分数20)，对问题“我担心我的处方弊大于利”的应答是“大部分同意”(部分分数14)，并且对问题“由于我的处方药物的付现费用而让我感觉财务上有负担”的应答是 “完全同意”(部分分数2)，则该患者的实际总分数将是36。本发明的实施例随后将把该实际总分数36与所述递增尺度中的潜在总分数进行比较，发现其与“高风险”群体相关。用于实施本发明的模式
下面将更加详细地参照本发明的各实施例，其示例在附图中示出。应当提到的是，正如本领域技术人员将会认识到的那样，本发明的非电子形式可以用纸张、基于纸张的材料、塑料、金属或木材来实现，而电子实现的形式则可以用软件、硬件或其任意组合来实现，下面的附图和示例意在阐明而非限制本发明或其实施例或等效方案的范围。通过编程和/或提供分布式硬件和软件组件以用于对来自多个问题的用户应答进行接收、存储、评分和解释并且基于分数及其解释生成表明所预测的风险群体的输出，本发明的电子实施例可以被实现在与互连数据通信网络(比如因特网)相关联的计算机网络上。这些实施例通常将为用户呈现基于web浏览器的用户接口屏幕或者已安装应用用户接口屏幕(比如HTML或Visual Basic形式)，其包含被配置成接收来自用户的输入的多个输入域，其中所述输入与趋向于驱动对新药物处方的遵从性或不遵从性的三个范畴有关。参照附图，错误！没有找到参考源。图1示出了所要求保护的本发明的非电子纸张或基于纸张的形式的印刷卡100的一个示例，其中合并有处方调查105和应答记录工具 110。如图1中所示，处方调查105对于三个不同范畴当中的每一个包括单个问题，所述范畴是顾虑(CONCERNS)、投入(COMMITMENT)和花费(COST)。应答记录工具110对于每一个问题包括六个潜在应答，用户可以通过标记或者以其他方式承认位于每一个潜在应答下方的复选框来从中做出选择。在图1所示的示例中，例如患者分别在针对与“顾虑”范畴有关的问题“完全同意”潜在患者应答120下方的复选框中放置了一个“X”，在针对与投入范畴有关的问题“在某种程度上同意”潜在患者应答125下方的复选框中放置了第二个“X”，并且在针对花费范畴的“大部分不同意”潜在患者应答130下方的复选框中放置了第三个“X”。因此，在本例中，对应于该特定患者的实际患者应答集合具有三个成员，即潜在患者应答120、 125 和 130。图2示出了具体实现解释工具的印刷卡200的一个示例，其自身包括评分矩阵205 和潜在总分数递增尺度210。评分矩阵205包括设置在一个3乘6矩阵中的18个部分分数。在本例中，所述18个部分分数是14、14、4、4、0、0、0、0、7、7、20、20、2、2、0、0、0和0 (从左上角横向及向下读)。评分矩阵205中的每一个部分分数被印刷在18个分开的窗口、空隙或“切口”下方，所述窗口、空隙或切口被配置成允许用户透视。潜在总分数递增尺度210 具有对应于高风险群体的第一数值范围260、对应于中度风险群体的第二数值范围270以及对应于低风险群体的第三数值范围观0。图3示出了如何能够根据本发明的某些实施例把图1的示例性印刷卡100插入或放置在图2的示例性印刷卡200的后面，从而可以把标记出针对调查问题的实际患者应答集合的三个“X”标记320、325和330与三个窗口 340、345和350对准并且可以透过所述窗口看到，正如图4中所示出的那样。通过按照这种方式组合印刷卡100与200，可以允许通过参照评分矩阵205把接收自患者的实际患者应答集合与数值为14、7和0的三个部分分数相关。通过把这三个部分分数相加起来产生实际总分数21。从图4中所示的印刷卡200 的解释工具底部示出的递增尺度405可以看出，实际总分数值21对应于高风险群体。图2中的评分矩阵205中的部分分数的数值被选择并设置成使得对应于每一个实际患者应答集合的部分分数总和将产生唯一的实际总分数，其数值对应于所述递增尺度上的潜在总分数中的有且仅有一个潜在总分数。因此，对于在图1 一 4中描绘的本发明的示例性实施例，有且仅有一个实际患者应答集合在相加起来时将具有等于数值21的部分分数。因此，由于评分矩阵205中的部分分数的选择和设置，通过把与任何其他实际患者应答集合相关联的部分分数相关并相加将不可能获得实际总分数21。类似地，对应于任何其他实际患者应答集合的每一个其他相关及相加的部分分数集合都将必然产生其自身的唯一实际总分数。本领域技术人员在阅读本公开内容之后将认识到，可以使用对应于所述评分矩阵和递增尺度的多种不同数值来实现本发明的各实施例，前提是所述数值被选择并设置成使得对应于每一个实际患者应答集合的部分分数总和将产生唯一的实际总分数，该唯一的实际总分数的数值对应于所述递增尺度上的潜在总分数中的有且仅有一个潜在总分数。如前面所阐明并且如下面更加详细地描述的那样，本发明的实施例可以通过电子方式被实现在计算机系统和计算机网络上。图5描绘了一个示例性用户接口屏幕505，其可能被用在本发明的电子实现的实施例中以便在与这样的计算机系统或网络相关联的计算机控制的显示设备上显示处方调查问题510。从而患者(或其他用户)可以与调查问题进行交互并且提交实际患者应答，这可以通过操纵鼠标、键盘或触摸屏显示器以使得用户接口屏幕505上的光标515标记和/或传送患者对于十八个潜在患者应答当中的三个的选择来实现。图6示出了根据本发明的一个实施例的示例性硬件和软件环境600的方框图。如图6中所示，客户端设备605耦合到互连数据通信网络640，后者又耦合到远程服务器计算机650。远程服务器计算机650还耦合到通常存储多条相关数据记录的消息数据库685、 调查数据存储装置690和问题/应答数据库695。互连数据通信网络640例如可以包括局域网、广域网、企业内联网、企业防火墙和/或因特网。这种网络结构代表应用服务提供商 (ASP)模型。客户端设备605通常包括多种不同类型的启用web且联网的计算设备当中的一种，其中例如包括(但不限于)台式或膝上型计算机、小型计算机、大型计算机、手持式计算机、个人数字助理、移动蜂窝电话、移动智能电话或者具有交互式显示屏的平板PC等等，这里只举出几个例子。客户端设备605通过一类或更多类传统的有线或无线网络通信装备链接到互连数据通信网络640，比如模拟、数字订户线(DSL)、Tl、或线缆宽带调制解调器、以
14太网卡和线缆、802. 11无线卡和路由器、以及Bluetooth 无线适配器卡和链路等等。客户端设备605包括web浏览器应用610、客户端应用逻辑处理器615和客户端通信接口 620。优选地，web浏览器应用610是用JavMcript来编程的，并且其被配置成在任何标准 web 浏览器内执行，比如 Microsoft Internet Explorer (MSIE)、Netscape 、 Firefox 或&ifari 。Javakript是一种已解译编程或脚本化语言，并且其被用在web站点开发中以从事以下工作在web页面上创建下拉列表、自动改变web页面上的格式化日期、使得链接到页面出现在弹出窗口中以及使得文字或图形图像在鼠标滚动操作期间发生改变。JavMcript代码可以被嵌入在超文本标记语言(HTML)页面中并且由web浏览器(或客户端)解译。也可以使用其他已解译编程或脚本语言(比如Microsoft的Visual Basic, Sun的I~el、UNIX导出的Perl以及IBM的Rexx)来实现web浏览器应用610，其功能和能力都在某种程度上与Jav必cript类似。一般来说，与更加结构化并且已编译的语言(比如C 和C++或者从C++导出的已编译的面向对象编程语言Java)相比，脚本语言编码起来更加容易并且更快。脚本语言的处理时间通常比已编译语言更长，但是对于较短的程序非常有用。在本例中，web浏览器应用610被编程来在连接到客户端设备605的显示器设备上显示包含多个调查问题和对应的应答输入域的用户接口屏幕。每一个调查问题具有六个可能应答，其中允许且只允许一个应答。前面参照图5讨论了包含多个调查问题和应答输入域的适当用户接口屏幕的一个例子。客户端应用逻辑处理器615是一个程序、应用程序模块或小应用程序，其在web浏览器应用610内执行并且使得终端用户有可能与由web浏览器应用610呈现的用户接口屏幕进行交互。客户端应用逻辑处理器615监控所述用户接口屏幕(以及相关联的输入设备，例如键盘和鼠标)，并且捕获由终端用户例如通过点击适当的复选框而录入到所述多个应答输入域中的数据(即应答)。基于所捕获到的数据，客户端应用逻辑处理器615生成对由终端用户录入到所述多个应答输入域中的数值进行评分和解释的请求。出于性能和效率考虑，可能有必要或者希望把客户端应用逻辑处理器615配置成只有在验证了所录入并捕获的数据之后才生成所述请求。在优选实施例中，所述请求包含由终端用户对于每一个问题录入的应答。客户端通信接口 620 (其优选地是另一个Jav必cript程序)通过互连数据通信网络640把所述请求发送到服务器计算机650。远程服务器计算机650包括规则引擎660、预先编程的结果处理器670和数据库通信接口 680。规则引擎660可以利用任何适当的编程语言来编程(虽然JAVA可能是优选的)，其接收传送自客户端设备605的请求，并且根据优选地被存储和/或编码到规则引擎 660中的评分矩阵把所述请求中的应答与部分分数相关。规则引擎660还把所述部分分数相加以产生实际总分数。预先编程的结果处理器670随后通过把所述实际总分数与潜在总分数递增尺度(其优选地也被存储和/或编码到规则引擎660中)进行比较来解释所述实际总分数，从而在与所述递增尺度中的各潜在总分数范围进行比较时确定患者的实际总分数表明不遵从性的低风险、中度风险还是高风险。如果所述系统被配置成生成涉及不遵从性的风险的消息，则在预先编程的结果处理器670的控制下操作的数据库通信接口 680通常执行实际上访问消息数据库685以取回适当消息的任务。在取回所述消息之后，预先编程的结果处理器670把该消息(即风险评估)通过互连数据通信网络640传送回客户端设备605。对于患者的风险评估是根据由规则引擎660定义的规则而产生的，所述规则引擎 660在优选实施例中被编程为合并及使用比如图2中示出的评分矩阵。规则引擎660可以驻留在远程服务器计算机650中(如图6中所示)、驻留在本地服务器计算机750上(如图7 中所示并且如后面所讨论的那样)或者驻留在网络中的其他地方，这取决于具体计算环境的要求。问题和应答数据库695以及数据库通信接口 680允许在问题和应答库中添加、更新或删除问题和应答。经由数据库通信接口 680，调查数据存储装置690实现了通过在单独调查上添加、更新和/或删除来自问题和应答数据库695的问题而建立独特调查的调查库。虽然图6示出了其中反映出应用服务提供商(ASP)环境的本发明的一个实施例， 但是本领域技术人员将认识到，可以利用替换的网络配置来实现本发明的实施例，比如图7 中所示的客户端一服务器环境。图7示出了根据本发明的另一实施例的示例性硬件和软件环境的方框图。如图 7中所示，客户端设备705耦合到互连数据通信网络740，后者又耦合到本地服务器计算机 750。本地服务器计算机750还耦合到通常存储多条相关数据记录的数据库735、785、790 和795。互连数据通信网络740例如可以包括局域网、广域网、企业内联网和/或企业防火墙。这种网络结构代表客户端-服务器模型。客户端设备705通常包括多种不同类型的无线或硬连线的联网计算设备当中的一种，其中例如包括(但不限于)台式或膝上型计算机、小型计算机、大型计算机、手持式计算机、个人数字助理、移动蜂窝电话、移动智能电话、具有交互式显示屏的平板PC。客户端设备705通过一类或更多类传统的有线或无线网络通信装备链接到互连数据通信网络740， 比如模拟、数字订户线(DSL)、Tl、线缆宽带调制解调器、以太网卡和线缆、802. 11无线卡和路由器以及Bluetooth 无线适配器卡和链路、VPN等等。客户端设备705包括已安装应用710 (可执行程序)、客户端应用逻辑处理器715 和客户端通信接口 720。优选地，已安装应用710是用C、C+S或JAVA来编程的，并且其被配置成在 Microsoft Windows, Apple Macintosh 和 iPhone OS 以及 UNIX 环境内执行。在本例中，已安装应用710被编程来在连接到客户端设备705的显示器设备(图7 中未示出)上显示包含多个调查问题和应答输入域的用户接口屏幕。每一个调查问题优选地具有六个可能应答，其中允许且只允许一个应答。前面参照图5讨论了包含多个输入域的适当用户接口屏幕的一个例子。客户端应用逻辑处理器720是一个程序、应用程序模块或小应用程序，其在已安装应用710内执行并且使得终端用户有可能与由已安装应用710呈现的用户接口屏幕进行交互。客户端应用逻辑处理器715监控所述用户接口屏幕，并且捕获由终端用户录入到所述多个应答输入域中的数据。基于所捕获到的数据，客户端应用逻辑处理器715生成对由终端用户录入到所述多个输入域中的数值进行存储、评分和解释的请求。 本地服务器计算机750包括规则引擎760、预先编程的结果处理器770和数据库通信接口 780。规则引擎760可以利用任何适当的编程语言来编程(虽然JAVA可能是优选的)， 其接收传送自客户端设备705的请求和应答、把所述应答与部分分数相关并且产生对应于所述应答的实际总分数。规则引擎760随后把所述实际总分数发送到预先编程的结果处理器770以便产生结果(即风险群体确定)，所述结果最终将由客户端应用逻辑处理器715显示在由已安装应用710呈现的用户接口屏幕上。预先编程的结果处理器770还通过数据库通信接口 780把所述风险确定存储到EMR数据库735。所述风险评估是通过把所述实际总分数与类似于图2中所示的潜在总分数递增尺度的计算机可读版本进行比较而产生的，所述递增尺度可以被存储在规则引擎760中或者存储在网络中的某一其他数据存储区中。如果所述系统被配置成产生表明患者落在哪一个风险群体中的消息，则在预先编程的结果处理器770的控制下操作的数据库通信接口 780通常执行实际上访问消息数据库 785以取回适当消息的任务。在取回所述消息之后，预先编程的结果处理器770把所述结果和消息通过互连数据通信网络740传送回客户端设备705。问题和应答数据库795以及数据库通信接口 780实现在问题和应答库中添加、更新或删除问题和应答。经由数据库通信接口 780，调查数据存储装置790实现通过在单独调查上添加、更新和/或删除来自问题和应答数据库795的问题而建立独特调查的调查库。图8描绘了示出可以由被配置成根据本发明的实施例操作的客户端和服务器计算机系统(比如图6中描绘的客户端设备605和远程服务器计算机650)执行的各步骤的程序流程图。首先，在步骤805和810中，所述系统为用户呈现包括多个应答输入域的用户接口。应当提到的是，步骤810通过数据录入系统(从直接邮件商务回信卡)、在线web页面 (用户发起以及通过电话代表)提供数据输入，并且步骤805考虑通过交互式语音记录系统 (IVR)输入的数据。在步骤815，所述系统接收由用户作为针对调查问题的应答而物理地录入的输入。客户端应用逻辑处理器验证是否有任何调查问题未被回答(步骤820)。如果是的话，则显示错误消息，其提示用户完整地完成调查(步骤825)。当所述系统证实用户已经针对所有调查问题录入了应答之后，就把所述应答发送到服务器计算机(步骤830 )。在该处把所述应答存储在数据库中(步骤835)，并且随后将其发送到预先编程的结果处理器，以便根据具体实现在规则引擎中的评分矩阵、递增尺度和患者分类系统对其进行评分(步骤840) 和解释(步骤845)。在步骤850中，由所述结果处理器生成唯一结果的解释(消息)并且将其发送到客户端设备，在该处可以将其显示在客户端设备用户接口屏幕上和/或通过多种渠道递送给感兴趣的各方。取决于具体的数据库应用、计算环境以及在远程服务器级别下可用的资源范围， 可能必须或者希望在终端用户的本地计算机系统(即客户端计算机)上实施一部分检错和结果处理功能，而不是在服务器计算机上执行。在某些实施例中，可能需要在客户端计算机和服务器计算机这二者的各组件之间共享(或有意复制)一部分或者甚至全部检错、性能优化和结果处理功能。本发明的实施例可以有用地应用在所有这些情况中。图9和10示出了本发明的替换独立电子实施例的高级别方框图，其中所有组件都与客户端设备905相关联。客户端设备905的非限制性示例例如可以包括独立计算机系统(比如个人计算机、笔记本计算机、膝上型计算机、掌上型计算机或上网本)、手持式个人数字助理(比如BlackBerry 、Palm Treo 或Sidekick )、智能电话或个人娱乐设备(比如 Apple Iphone 或Apple ITouch )等等。客户端设备905还可以包括被编程为对患者通过电话连接录入的语音和小键盘输入做出应答的计算机系统(比如电话网络中的交互式语音应答(IVR)单元)。所述独立计算机系统实施例的各组件的功用与其在图6和7中所示并且在前面描述的计算机网络实施例中的功用基本上相同。但是与图6和7中所示的计算机网络实施例不同，在图9和10中所示的独立计算机系统实施例中，规则引擎910、预先编程的结果处理器920、数据库通信接口 930以及数据库940、950、960和970都驻留在客户端设备 905上。由于所有组件都驻留在客户端设备905上，因此不需要连接到局域网、广域网或因特网，也不需要连接到本地或远程服务器计算机。在图9所示的独立计算机系统实施例中， 所有组件都被嵌入在客户端应用908中。但是在图10所示的实施例中，客户端应用908影响在物理上处于该客户端应用908外部的组件。前面描述的实施例意图说明本发明的原理而不是限制其范围。在阅读本公开内容或实践所要求保护的本发明时，本领域技术人员可以想到多种其他实施例、修改以及这里所描述的实施例的等效方案。这样的变型、修改和等效方案应当落在本发明和所附权利要求书的范围内。对用于确定三个范畴、三个项目和评分矩阵的方法的详细讨论
下面将详细讨论用于确定作为调查主题的三个范畴、作为处方调查主题的三个具体项目(问题)以及用来创建本发明的评分矩阵的规程的方法。根据这些方法开发的遵从性估计器设备和系统可以用任意数目的物理形式来实现，其中包括(但不限于)前面详细描述的纸张和电子形式。定性方法
在Chicago (IL)和Atlanta (GA)针对140位成年消费者组织了十三个重点群体，以便理解21世纪中的遵从性和不遵从性的原因。招募了对于慢性病遵从药物的成年人(五个群体)以及最近在没有医嘱的情况下停止服用其药物的成年人(八个群体)。所述各群体被按照性别分类，以便消除常常发生在男女之间的交互动态。参与者被要求写下其遵从性和不遵从性的原因，并且进行关于其原因的排序和评定实践。关于遵从性价值主张举行了开放讨论，其中参与者分享了影响其关于药物做决定的各种因素。这些重点群体被用作针对概念框架和工具开发的发现方法。定量方法
针对The Adherence Estimator 的潜在项目进行了两波(阶段I和阶段II)心理测量测试。阶段I预测试的目的是确定哪些逾錄对于根据其遵从处方药物的倾向性来划分消费者具有最高预测能力。阶段II有效性布置(validity fielding)的目的是在患有慢性病的成年人的更大独立样本中对所述预测试结果进行交叉验证，以及通过识别出其中把我们优先化的范畴包括在所述iThe Adherence htimator 中的為来最终确定所述遵从性估计器的内容。抽样
阶段I预测试和阶段II有效性样本成员都是Harris交互式慢性病抽样调查(CIP) 的一部分，其是在美国具有全国代表性的对于患有慢性病的成年人的基于因特网的抽样调查。Harris的CIP是Harris民调在线抽样调查(HPOL)的一小部分，后者是数百万成年人已经登记并同意参与在线研究的抽样调查。在1997年建立之后，通过多种来源招募HPOL 抽样调查参加者(panelist)，其中包括电话和邮件招募、广告以及目标定向电子邮件。HPOL 持续招募成员以取代抽样调查中途退出者，并且保持在各社会人口子群体当中的全国范围代表性。在注册期间，应答者提供人口统计特性并且针对慢性病对其进行筛检。HarrisCIP由数十万患有慢性病的成员构成。阶段I预测试和阶段II有效性调查都这二者是利用 Harris的web辅助的调查软件来实施的，所述软件使用问题轮换和其他高级设计特征来确
保高数据质量。向Harris的CIP的随机选择的成员发送了参与我们的调查的电子邮件邀请。如果抽样调查成员的年龄40岁及以上、居住在美国并且对于在美国成年人当中盛行的以下六种慢性病当中的一种被筛检出阳性，其就有资格参与高血压、高血脂、糖尿病、哮喘、骨质疏松以及其他心血管疾病。符合资格的抽样调查成员被指示阅读知情同意表，如果其同意参与则点击“是”并完成调查。符合资格的抽样调查成员只能完成调查一次。对应于全部两项调查的协议都由hsex IRB许可。对于全部两项调查抽样三个应答者群体对于处方药物的自我报告的遵从者、自我报告的不遵从者以及自我报告的不履行者。这些群体被选择来测试用以在已知其遵从性行为有差异的各消费者群体之间进行区分的尺度和项目的能力和效率(即已知群体区分有效性)。在所述调查的筛检部分期间，抽样调查成员的慢性病状况被重新确认。我们请求药物应答者当前对于每一种疾病所服用的药物的数目以及其所报告的服用每一种药物的时间长度。这些项目被用来将应答者分类为当前对其药物的遵从者。为了把应答者识别为不遵从者，我们询问其在过去的一年里是否在Μ药物提供者授意其停止服用的情况下停止服用针对所述六种病症当中的一种的处方药物。如果应答者回答是，则为其呈现一个包括消费者可能停止服药的12个原因的列表，并且请他们从中选择适用于其情况的所有原因。为了把应答者识别为不履行者，我们询问其在过去的一年里是否从提供者接收到针对所述六种病症当中的一种的新处方但是没有为其配药。如果应答者承认是，则为其呈现一个包括消费者可能不为新处方药物配药的10个原因的列表，并且请他们从中选择适用于其情况的所有原因。为了以足够的效力和精度实施我们的预测试心理测量分析，希望有至少500位应答者的样本大小。具体来说，主分量分析最优地需要与各项目相比多达十倍的对象，并且两参数的分级应答项目应答理论(IRT)模型需要至少500个对象。此外，由于在关于不履行的文献中很少数据可用，因此我们希望有足够数目的不履行者来评估其与不遵从者的差异。对应于预测试的抽样配额被设定成获得(1)遵从者对不遵从者的2:1比值；(2)不遵从者对不履行者的2:1比值；以及(3)对于每一个遵从性群体在每一种慢性病类别中有大致相同的人数。对于预测试，仅为对应于单一病症的一种遵从性行为招募对象。一旦满足给定配额之后，就对于所有未来的潜在应答者终止招募。对于阶段II研究，为了以足够的效力和精度实施分析，希望有至少1200位应答者的样本大小。此外，因为关于遵从一种药物同时不遵从或不履行另一种药物的人的信念几乎没有数据可用，因此抽样了对于不同疾病报告不同遵从性行为的人。配额被设定成获得满足以下条件的适中样本(1)遵从针对一种疾病的一种药物，并且不遵从针对第二种不同疾病的一种药物；(2)遵从针对一种疾病的一种药物，并且不履行针对第二种不同疾病的一种药物；以及(3)不遵从针对一种疾病的一种药物，并且不履行针对第二种不同疾病的一种药物。我们获得遵从者对不遵从者的大致1:1比值，以及不遵从者对不履行者的大致2:1比值。一旦满足给定配额之后，就对于所有未来的潜在应答者终止阶段II招募。
从Harris慢性病专项抽样调查中随机抽样应答者。对于预测试，在2007年11月向39191名抽样调查成员发送了调查参与请求。在这些邀请单中有3577个无效电子邮件地址(电子邮件弹回)。在具有有效电子邮件地址的35614份邀请当中，11836个人进入了调查(33. 联系率)。在那些成功联系到的人当中，9689 (82%)人满足我们的研究资格标准，并且700人完成了调查。没有完成预测试的符合资格的8989人没有完成的原因是我们的配额已经满足。对于阶段II调查，在2008年春季向16M87位抽样调查成员发送了调查参与请求。在这些邀请当中，15035份具有无效电子邮件地址。在具有有效电子邮件地址的150452份邀请当中，39874人进入了调查(26. 5%联系率)。在那些成功联系到的人当中， 20299 (51%)人满足我们的研究资格标准，并且1523人完成了调查。没有完成阶段II调查的符合资格的18776人没有完成的原因是我们的配额已经满足。在对于阶段2调查的1523位应答者当中，针对单一遵从性行为抽样了 1072人，同时针对多于一种遵从性行为(例如遵从针对一种疾病的一种药物，并且不遵从针对不同疾病的第二种药物)抽样了 451人。后面的样本成员不被用于这里所报告的分析，这是因为我们希望保持与阶段I预测试抽样设计的对称性，并且我们不想由于缺少统计独立性而混淆我们的分析。调杳内容阶段I预测试调查
基于所述概念框架、对于遵从性方面的理论和经验工作的全面回顾以及我们的13个重点群体，开发出120个问卷调查项目以便抽取出三种假设的近端(proximal)遵从性驱动因素以及所选择的中间决定因素。少数项目是从现有的无版权、无商标调查中导出或改写的。多数项目是肩身撰写出的，在许多实例中是利用来自重点群体录本的一字不差的语言。 项目被撰写和/或改写以满足以下标准(1)每个项目有一个属性(想法)；(2)长度不超过 12个字；(3)没有年龄、性别和社会阶层偏见；以及(4)没有双重或隐含否定。44个近端项目衡量关于处方药物的感知顾虑(k=13)、对于处方药物的感知需求 (k=28)以及对于处方药物的感知可负担性(k=3)。应答者被指示回答特定于其被抽样的遵从性群体的这些问题。举例来说，如果应答者被抽样为不履行者，则指示其回答特定于其所报告的没有配药的药物的近端项目。我们利用76个项目来衡量遵从性驱动因素的五个中间范畴患者关于其病症和治疗的知识(k=16)；对副作用的感知倾向(k=4)；寻求健康信息的趋向(k=16)；患者对其主要提供者的信任(k=14)；以及在其护理中的患者参与(k=26)。 所有项目都具有六个可能应答类别1=完全同意，2=大部分同意，3=在某种程度上同意，4= 在某种程度上不同意，5=大部分不同意，以及6=完全不同意。我们撰写大量项目是因为有些项目将不可避免地在心理测量方面性能不佳，并且我们希望获得可以从中选择性能最佳的项目的大量鲁棒项目储备。阶段II调查
我们保留了来自预测试的120个项目当中的58个项目并且开发出12个新项目。由于我们在预测试中仅仅布置了三个评估感知药物可负担性的项目并且由于其所观察的预测能力，因此我们撰写了五个附加的可负担性项目以供包括在阶段II调查中。我们还i{身撰写了五个评估消费者就处方药物与维生素、矿物质和补品(supplement)相比所持的感知价值。我们添加了这一新范畴以测试遵从性价值主张与对于处方药物的感知#澄相比是否涉
20及到药物可负担性本身。我们还在阶段II调查中包括了经过良好验证的多项目尺度以作为附加的中间遵从性驱动因素以及外部有效性标准，其中包括心理痛苦、社会支持、自我效能以及内部健康控制点。元分析和叙述性文献综合支持包括这些构成。我们利用MHI-5来衡量心理痛苦，利用MOS社会支持尺度的简短形式来衡量社会支持，利用一般化自我效能尺度来衡量自我效能，并且利用Wallston的度量来衡量内部健康控制点。(参见Ware JE,Sherbourne⑶.的 “The MOS 36-items Short-Form Health Survey (SF-36): I. Conceptual Framework And Item Selection, Med Care，1992 年，30:473-483 ;Sherbourne CD、Stewart AL.的"The MOS Social Support Survey", Soc. Sci Med，1991 年；32:705-714 Jerusalem, M.和 Schwarzer, R.的"The Generalized Self-Efficacy Scale”，2008 年；以及 Wallston, ΚΑ. ^ "Multidimensional Health Locus of Control，，，2008 $。)
调杳无联系分析
我们使用了逻辑回归来评估对调查邀请做出应答与没有做出应答的具有有效电子邮件地址的所选CIP抽样调查成员之间的差异。独立的变量有年龄、性别、种族、教育以及收入。心理测量分析
一维性评估、多项目定标以及内部一致性可靠性
为了理解各项目的内部结构(即一维性或者各项目衡量仅仅一个共同之处(one thing in common)的程度)，我们利用主分量分析来比较第一与第二特征值的比值。2:1的比值或更好的比值支持尺度一维性。每一个多项目尺度都是利用Likert的总加评定方法来计算的，其中对每一个项目相等地加权并且把未经处理的各项目分数总加成一个尺度分数。 (参见 Likert R.的"A Technique For The Measurement Of Attitudes，，，Arch Psychol, 1932年，140:5-55)。所有尺度分数被线性变换到一个0 — 100计量体系，其中100代表最有利的状态(或态度)，0代表最不利，并且其间的分数代表总的可能分数的百分比。我们计算CrorAach的α系数来估计内部一致性可靠性。已知群体区分有效性
阶段I预测试的主要目的是在多项目尺度级别下评估已知群体区分有效性，其是各尺度在先验地已知其在感兴趣的构成方面不同的互斥群体之间做出区分的程度。我们的已知群体由自我报告的遵从性状态定义自我报告的遵从者、自我报告的不遵从者以及自我报告的不履行者。我们使用了一般的线性模型和t-测试来评估区分有效性。我们假设与不遵从者和不履行者相比，遵从者在对于药物的感知需求、关于药物的感知顾虑、感知的药物可负担性方面将表现出最有利的信念。我们还假设遵从者将表现出对于副作用的最低倾向、 关于其疾病和治疗的最多知识以及关于健康信息寻求、信任其提供者和参与其护理的最有利感知。我们没有关于不遵从者与不履行者之间的信念差异的任何先验假设。对于阶段2分析，我们重复了对已知群体区分有效性的尺度级别测试，并且在观斤一麥激评估了已知群体区分有效性，后者是单独项目在先验地已知其在感兴趣的构成方面不同的互斥群体之间做出区分的程度。我们的已知群体与被用于尺度级别测试的那些已知群体完全相同自我报告的遵从者、不遵从者和不履行者。项目级别的测试意在识别出其中哪些具体项目最具区分性。这样的信息将与其他心理测量标准相结合地被用来选择用于遵从性估计器的最终项目。项目级别的测试是利用一般线性模型来实施的，并且利用卡方分析来交叉验证。逻辑回归
我们把对于已知群体区分有效性的测试扩展到预测自我报告的遵从性对组合的不遵从性与不履行性的逻辑回归模型。独立变量是所述近端和中间多项目尺度。我们把每一个尺度划分成四分值，并且把每一个四分值表示为虚变量以便评估尺度单调性。每一个尺度上的最高四分值(其代表最为有利的25%的分数分布)是参考群体。我们使用了其进入和保持标准被设定在0. 01概率水平的前向逐步逻辑回归。我们通过添加人口统计变量作为独立变量来重复所述模型。项目减少技术
我们使用了多种技术来实现阶段I预测试项目当中的项目减少以及选择用于遵从性估计器本身的最终项目。对于应答的范围和可变性以及对于下限效应和上限效应检查了项目频率分布。我们计算了项目总相关性以便评估哪些项目对其相应尺度的贡献最大。我们执行了来自MULTIL0G的一个两参数分级应答IRT模型。我们将具有区分性并且其边界位置估计均勻间隔开(这表明每一个评定点对能力的贡献均等)的项目优先化。我们检查了各项目的已知群体区分有效性，并且把在已知遵从性群体之间做出最佳区分的那些项目优先化。用于遵从性估计器的评分矩阵
为了导出用于遵从性估计器的最终评分权重，我们利用三个所选单独项目作为独立变量重复了逻辑回归。每一个项目被表示为虚变量，由于每一个项目具有六个归类应答，因此每个项目有五个虚变量。遵从性风险群体的表征
我们按照其人口统计特性以及没有被包括在iThe Adherence htimator 中的中间遵从性确定因素来表征从评分矩阵导出的遵从性风险群体。利用卡方分析来测试归类变量， 同时用一般线性模型来测试区间级别的变量。结果调查联系
我们对于阶段I调查实现了 33. 2%的联系率，并且对于阶段II调查实现了 26. 5%的联系率。与受到邀请但是没有对预测试做出应答的人相比，成功联系到的人更有可能是男性， 年龄在65岁及以上，高加索人种，并且受过大学教育(数据未示出)。与受到邀请但是没有对阶段II调查做出应答的人相比，成功联系到的人更有可能是年龄在55岁及以上，高加索人种，受过大学教育(数据未示出)。样本特性
如表ι中所示，应答者的年龄范围在40 - 93岁，平均年龄为59。大约三分之一的样本年龄在65或以上。60% - 65%的样本是女性，89%自我表明是高加索人种。大约40%的两种样本报告至少受过大学教育，并且刚刚超过一半报告少于$50000的年收入。大部分样本成员满足作为自我报告的遵从者的合格标准，同时少于五分之一是自我报告的不履行者。我们对于预测试在所述六种疾病当中得到了对称配额。对于阶段II研究，我们得到了比其他病症略微更多的患有高血压和高血脂的应答者。
一维性和内部一致性分析阶段I预测试
附录表A给出了关于各预测试项目的一维性和内部一致性可靠性的数据。其中两个范畴(信息寻求和参与)分别具有一个项目，并且对第一主分量造成的负荷都不高(<0. 30)。排除这两个项目之后重新运行所述分析。所有范畴都具有高度一维性。第一与第二特征值的比值范围从5. 2的低值到15. 8的高值。Cronbach的α系数范围从0. 88的低值到0. 98的高值。虽然13个药物顾虑项目满足一维性标准，但是轮换的因素分析表明可以可靠地导出两个尺度一个评估对于处方药物的感知安全性的八项目尺度和一个评估关于副作用的感知顾虑的五项目尺度。对已知群体区分有效性的二变量尺度级别测试阶段I预测试
最有力地区分三个群体的尺度为(1)副作用顾虑；(2)感知药物可负担性；以及(3) 对于药物的感知需求。群体均值的差异与我们的假设相符对于所有尺度来说，自我报告的遵从者抱有最有利的态度。对于成对均值的检查发现，不遵从者与不履行者之间的差异在统计上都不显著。相应地，利用t-测试重新执行所述分析，并且所观察到的结果也反映了对应于一般线性模型的结果。对已知群体区分有效性的多变量尺度级别测试阶段I预测试
我们利用逻辑回归交叉验证了对已知群体区分有效性的二变量尺度级别测试(表3)。 只是我们的三个假设的近端尺度是对自我报告的遵从性的预测。中间遵从性驱动因素都不被录入到模型中。副作用顾虑对遵从性行为具有高度预测性，并且在不断增加的副作用顾虑与不遵从性的增大的可能性之间有单调关联。具有最大可负担性顾虑(Ql)和具有适中可负担性顾虑(Q2)的应答者分别有3. 6和2. 3倍的可能性是不遵从者。与具有最高感知需求的应答者相比，具有最低感知需求(Q4)的应答者有1. 7倍的可能性是不遵从者。对已知群体区分有效性的二变量项目级别测试阶段I预测试
附录表B给出了所测试的已知群体区分有效性的项目级别测试的完形概要。与尺度级别的结果相符，近端项目是最具区分性的项目。但是在大多数范畴内，在项目区分能力方面有很大可变性，其中某些项目具有高度区分性(F和卡方的大值)而其他项目则完全不具区分性。项目减少
我们把感知需求项目的数目从28减少到14，并且把药物顾虑项目的数目从13减少到 10。我们去除了一个药物可负担性项目。我们把患者信任项目的数目从14减少到七个，把参与项目从26个减少到七个，把知识项目从16个减少到九个，把副作用免疫性项目从四个减少到三个，并且把信息寻求项目从16个减少到五个。我们按照下面的优先级保留项目 (1)在项目级别已知群体区分有效性方面的性能；(2)来自所述两参数IRT模型的最高项目和类别信息(在请求时可获得)；以及(3)偏斜最小的(least skewed)项目分数分布。一维性和内部一致性分析阶段II
如附录表C中所示，所有的阶段II范畴都是高度一维的。第一与第二特征值的比值范围从4. 3的低值到21. 7的高值。Cronbach的α系数的范围从0. 87的低值到0. 97的高值。对已知群体区分有效性的二变量尺度级别测试阶段II数据
与阶段I的结果相符，最为有力地区分三个群体的尺度是副作用顾虑和对于药物的感知需求(表4)。对于这两个尺度，自我报告的遵从者具有最少副作用顾虑和最高感知需求。 几个附加的尺度也具有高度区分性，其中包括感知药物可负担性、患者信任、对于补品的感知价值、患者参与以及对于副作用的感知倾向。在任何所述尺度上都没有观察到自我报告的不遵从者与自我报告的不履行者之间的差异。对于两群体区分(t-测试)所观察到的结果也反映了对应于一般线性模型的结果。 对已知群体区分有效性的多变量尺度级别测试阶段II数据
我们利用逻辑回归交叉验证了对已知群体区分有效性的二变量测试(表5)。只有我们的三个假设的近端尺度再次最能预测自我报告的遵从性。中间遵从性驱动因素都不被录入到模型中。副作用顾虑对遵从性具有高度预测性，并且在不断增加的副作用顾虑与不遵从性的增大的可能性之间有单调关联。处在感知需求的最低两个四分值中的应答者与处在Q4 中的应答者相比分别有6. 3倍和1. 9倍的可能性是不遵从者。具有最多感知可负担性顾虑 (Ql)的应答者与具有最少可负担性顾虑(Q4)的应答者相比有2. 3倍的可能性是不遵从者。用于The Adherence Estimator 的项目选择
在两波数据分析当中，我们的三个假设的近端驱动因素被证明在已知其遵从性不同的群体之间进行区分方面是最高效且有力的。一旦识别出预测性范畴并且经过交叉验证之后，就是时候从每一个范畴选择单一最佳项目以供包括在The Adherence Estimator 中。 我们在项目级别重复对已知群体区分有效性的测试。附录表D概括了数据。我们必须在七个可负担性项目当中进行选择。花费(COST)S在三群体和两群体区分中性能最好。在预测遵从性的单独回归中，花费8也表现出最高的Wald统计量。对项目频率分布的检查表明，花费8具有在六个归类评定点上的最均勻分布。最后，来自所述分级应答IRT模型的项目信息曲线表明，花费8与其他六个项目相比评估了可负担性的更广范围的潜在构成。出于这些原因，花费8 (“由于我的处方药物的付现费用而让我感觉财务上有负担”)被选择以供包括在The Adherence Estimator 中。我们必须在五个药物顾虑项目当中进行选择。顾虑11 (CONCERN)和顾虑13在对已知群体区分有效性的项目级别测试中的性能非常类似。但是来自IRT分析的数据表明， 对应于顾虑11的类别信息曲线比对应于顾虑13的类别信息曲线包含更多信息。此外，顾虑11与顾虑13相比表现出偏斜较小的项目分布。出于这些原因，顾虑11(“我担心我的处方药物对我将弊大于利”)被选择以供包括在The Adherence Estimator 中。我们必须在15个评估对于药物的感知需求的项目当中进行选择。五个项目是首要候选(知道(KNOW) 16，需求(NEED) 25，需求16，需求15，以及需求12)。所有这些项目在对于区分有效性的已知群体测试中的性能都非常好。但是知道16产生来自分级应答IRT 模型的最多项目和类别信息，并且其具有最高项目总相关性，这表明其是对于基础构成的最佳单项目度量。因此，知道16 (“我确信我的处方药物的重要性”)被选择以供包括在The Adherence Estimator 中。遵从性风险群体的评分矩阵和表征
表6给出了用于The Adherence Estimator 的自我评分矩阵。所述项目类别权重是从逻辑回归等式导出的，其中各项目被表示为虚变量。从所述等式获得的c统计量是0. 834， 并且Hosmer和Lemeshow的拟合优度测试是9. 22 (p=0. 33)。除了在必须做出略微的成比例修正以便按照一种且仅有一种可能方式导出每一个最终分数时，我们都保持忠于所获得的几率比的量值。如该表所示，把所述三个数字相加以获得The Adherence Estimator 分数。由于可以按照一种且仅有一种可能方式获得每一个分数，因此可以很容易解释所述分数。举例来说，仅有一种方式来获得分数7——得分为7的患者具有适中的对于药物的感知需求，但是对于药物可负担性的副作用顾虑没有问题。得分为22的患者具有非常低的对于药物的感知需求以及药物可负担性问题。 我们把来自The Adherence Estimator 的总分数与自我报告的遵从率和导出的三群体风险分类(不遵从性的低风险、中度风险和高风险)进行交叉制表。敏感性是86%—— 即在不遵从者当中，86%将被The Adherence Estimator 准确地分类为中度风险或高风险。假阴性率(false negative rate)为14%——即14%的不遵从者将被分类为低风险。 特异性是59%。即在遵从者当中，59%将被The Adherence Estimator 分类为低风险。假阳性率为41%——这是被错误地分类为中度风险或高风险的遵从患者。表7给出了通过人口统计特性和中间遵从性驱动因素对三个风险群体的表征。低风险群体由最大平均年龄和年龄在65岁和以上的人的最大百分比表征。相对于中度风险群体和高风险群体，低风险群体的女性未被充分代表。在各群体当中没有种族差异。中度风险群体和高风险群体具有年收入少于$35000的最高百分比(分别是39%和30%)。相同的这两个群体还具有大学毕业的最低百分比(分别是34%和35%)。除去一个例外(健康信息寻求)，低风险群体在所有中间遵从性驱动因素上得分最佳。除去一个例外(心理痛苦)，高风险群体在所有中间遵从性驱动因素上得分最差。在对于处方药物的感知安全性(F值=225)和患者知识(F值=175)方面观察到各风险群体之间的最大差异。感知药物安全性是一个假设的近端驱动因素，其与感知副作用顾虑相比的预测能力较低。因此其作为各风险群体当中的主要区分因素是合乎逻辑的。就知识是特定于疾病的属性而言，患者知识是第二最佳区分因素的事实与近端一远端连续体(continuum) 相符。对于更加远端的社会心理状态(社会支持、自我效能以及控制点)观察到最弱关联。 对于感知药物安全性、对于补品的感知价值以及对于副作用的感知倾向，在低风险与中度风险之间以及中度风险与高风险之间的分数中有相等的成比例差异。对于知识、信任和参与，与中度风险群体面对低风险群体相比，高风险群体面对中度风险群体的得分成比例地更低。对于心理痛苦和社会支持观察到相反的情况与高风险群体面对中度风险群体相比， 中度风险群体面对低风险群体的得分成比例地更低。表1.样本的社会人口特性
权利要求
1.一种用于根据患者遵从处方药物的倾向性来确定患者的风险群体的设备，其包括(a)潜在总分数递增尺度，其具有对应于高风险群体的第一潜在总分数范围、对应于中度风险群体的第二潜在总分数范围以及对应于低风险群体的第三潜在总分数范围；(b)处方调查，其包括用以关于不超过三个范畴评估患者的信念的多个问题，所述三个范畴是(i)患者对于处方药物的感知需求、(ii)患者对于处方药物的感知安全性顾虑以及(iii)患者对于处方药物的感知可负担性；(c)应答记录工具，其被配置成对于所述多个问题当中的每一个问题呈现多个潜在患者应答，并且对于所述多个问题记录由患者给出的实际患者应答集合；(d)评分矩阵，其被配置成把针对所述每一个问题的多个潜在患者应答分别与多个部分分数相关，其中所述多个部分分数被选择并设置在所述评分矩阵中，从而只可能有一个实际患者应答集合所具有的各相关部分分数在相加起来时会产生与所述递增尺度上的给定潜在总分数相等的实际总分数；以及(e)解释工具，如果所述实际总分数等于落在所述递增尺度上的第一范围内的一个潜在总分数，则其表明高风险群体，如果所述实际总分数等于落在所述递增尺度上的第二范围内的一个潜在总分数，则其表明中度风险群体，并且如果所述实际总分数等于落在所述递增尺度上的第三范围内的一个潜在总分数，则其表明低风险群体。
2.权利要求1的设备，其中，用以关于所述不超过三个范畴评估患者信念的所述多个问题对于所述三个范畴当中的每一个范畴包括单个问题。
3.权利要求2的设备，其中，用以关于患者对于处方药物的感知需求范畴评估患者信念的单个问题要求患者公示该患者所确信的处方药物的重要程度。
4.权利要求2的设备，其中，用以关于患者对于处方药物的感知安全性顾虑范畴评估患者信念的单个问题要求患者公示该患者对于处方药物弊大于利的担忧程度。
5.权利要求2的设备，其中，用以关于患者对于处方药物的感知可负担性范畴评估患者信念的单个问题要求患者公示该患者由于与服用处方药物相关联的开销而感到财务上有负担的程度。
6.权利要求1的设备，其中，用以关于所述不超过三个范畴评估患者信念的所述多个问题对于所述不超过三个范畴当中的每一个范畴包括多个问题。
7.权利要求1的设备，其中，所述处方调查包括用以关于不超过两个范畴评估患者信念的多个问题，所述两个范畴是(i)患者对于处方药物的感知需求；以及(ii)患者对于处方药物的感知安全性顾虑。
8.权利要求1的设备，其中，构成所述处方调查的所述多个问题被印刷在纸卡或纸片上。
9.权利要求1的设备，其中，构成所述应答记录工具的所述多个潜在患者应答被印刷在纸卡或纸片上。
10.权利要求1的设备，其中，构成所述处方调查的所述多个问题和构成所述应答记录工具的所述多个潜在患者应答被印刷在单一纸卡或纸片上。
11.权利要求1的设备，其中(a)所述评分矩阵包括其上有多个窗口或空隙穿透的纸卡或纸片；以及(b)所述应答记录工具包括被适配成滑动到所述评分矩阵当中或后面的第二纸卡或纸片，从而使得可以透过所述窗口或空隙看到所述应答记录工具上的所述实际患者应答集合。
12.权利要求11的设备，其中，在构成所述评分矩阵的纸卡或纸片上分别与所述多个窗口或空隙当中的一个相邻地印刷所述多个部分分数当中的每一个。
13.权利要求1的设备，其还包括(a)客户端设备；(b)服务器;(c)驻留在服务器上的规则引擎，所述规则引擎具有定义所述递增尺度和评分矩阵的一个或更多数据结构；(d)操作在客户端设备上的客户端应用，其(i)通过与客户端设备相关联的计算机控制的显示器向终端用户显示所述多个问题和所述多个潜在患者应答，并且(ii)接收来自患者的实际患者应答集合；(e)客户端通信接口，其被配置成向服务器发送所述实际患者应答集合；以及(f)驻留在服务器上的预先编程的结果处理器，其基于由所述规则引擎定义的递增尺度和评分矩阵自动把患者指定到高风险群体、中度风险群体或低风险群体。
14.一种用于根据患者遵从处方药物的倾向性来确定患者的风险群体的计算机系统， 其包括(a)包括处方调查的数据库，所述处方调查具有用以关于不超过三个范畴评估患者的信念的多个问题，所述三个范畴是(i)患者对于处方药物的感知需求、( )患者对于处方药物的感知安全性顾虑以及(iii)患者对于处方药物的感知可负担性；(b)客户端应用，其被配置成呈现所述多个问题和对于所述多个问题当中的每一个的相应多个潜在患者应答，以及接收实际患者应答集合；(c)规则引擎，其包括定义以下各项的一个或更多数据结构(i)潜在总分数递增尺度，其具有对应于高风险群体的第一潜在总分数范围、对应于中度风险群体的第二潜在总分数范围以及对应于低风险群体的第三潜在总分数范围；以及(ii)评分矩阵，其被配置成把对于所述每一个问题的多个潜在患者应答分别与多个部分分数相关，其中所述多个部分分数被选择并设置在所述评分矩阵中，从而只可能有一个实际患者应答集合所具有的各相关部分分数在相加起来时会产生与所述递增尺度上的给定潜在总分数相等的实际总分数；以及(d)预先编程的结果处理器，如果所述实际总分数等于落在所述递增尺度上的第一范围内的一个潜在总分数，则其把患者自动指定到高风险群体，如果所述实际总分数等于落在所述递增尺度上的第二范围内的一个潜在总分数，则其把患者自动指定到中度风险群体，并且如果所述实际总分数等于落在所述递增尺度上的第三范围内的一个潜在总分数， 则其把患者自动指定到低风险群体。
15.权利要求14的计算机系统，其中，用以关于所述不超过三个范畴评估患者信念的所述多个问题对于所述三个范畴当中的每一个范畴包括单个问题。
16.权利要求15的计算机系统，其中，用以关于患者对于处方药物的感知需求范畴评估患者信念的单个问题要求患者公示该患者所确信的处方药物的重要程度。
17.权利要求15的计算机系统，其中，用以关于患者对于处方药物的感知安全性顾虑范畴评估患者信念的单个问题要求患者公示该患者对于处方药物弊大于利的担忧程度。
18.权利要求15的计算机系统，其中，用以关于患者对于处方药物的感知可负担性范畴评估患者信念的单个问题要求患者公示该患者由于与服用处方药物相关联的开销而感到财务上有负担的程度。
19.权利要求14的计算机系统，其中，用以关于所述不超过三个范畴评估患者信念的所述多个问题对于所述不超过三个范畴当中的每一个范畴包括多个问题。
20.权利要求14的计算机系统，其中，所述处方调查包括用以关于不超过两个范畴评估患者信念的多个问题，所述两个范畴是(i)患者对于处方药物的感知需求以及(ii)患者对于处方药物的感知安全性顾虑。
21.权利要求14的计算机系统，其中，所述客户端应用包括web浏览器。
22.权利要求14的计算机系统，其还包括(a)客户端设备；(b)服务器计算机；以及(c)客户端通信接口；(d)其中，所述客户端应用驻留在客户端设备上，所述规则引擎和预先编程的结果处理器驻留在服务器计算机上，并且所述客户端通信接口把来自客户端设备上的客户端应用的实际患者应答传送到服务器计算机上的预先编程的结果处理器。
23.在包括客户端设备、服务器、预先编程的结果处理器、规则引擎以及至少一个数据存储区的互连计算机网络中的一种用于根据患者遵从处方药物的倾向性来把该用户指定到一个风险群体的方法，所述方法包括a)在所述至少一个数据存储区中存储潜在总分数递增尺度，其具有对应于高风险群体的第一潜在总分数范围、对应于中度风险群体的第二潜在总分数范围以及对应于低风险群体的第三潜在总分数范围；b)在所述至少一个数据存储区中存储处方调查，其包括用以关于不超过三个范畴评估患者的信念的多个问题，所述三个范畴是(i)患者对于处方药物的感知需求、(ii)患者对于处方药物的感知安全性顾虑以及(iii)患者对于处方药物的感知可负担性；c)预先配置所述规则引擎以便定义把针对所述每一个问题的多个潜在患者应答分别与多个部分分数相关的评分矩阵，其中所述多个部分分数被选择并设置在所述评分矩阵中，从而只可能有一个实际患者应答集合所具有的各相关部分分数在相加起来时会产生与所述递增尺度上的给定潜在总分数相等的实际总分数；d)在所述客户端设备上呈现所述多个问题和所述多个潜在患者应答；e)在所述至少一个数据存储区中记录由患者作为针对所述多个问题的应答而录入到所述客户端设备中的实际患者应答集合；f)使得所述预先编程的结果处理器根据所述规则引擎和评分矩阵自动产生对应于患者的实际总分数，这是通过把与患者所给出的实际患者应答集合相关的各部分分数相加而实现的；以及g)使用所述预先编程的结果处理器将患者指定到一个风险群体，其中所述预先编程的结果处理器将执行以下操作(i)如果所述实际总分数等于落在所述递增尺度上的第一范围内的一个潜在总分数，则其把患者自动指定到高风险群体，( )如果所述实际总分数等于落在所述递增尺度上的第二范围内的一个潜在总分数，则其把患者自动指定到中度风险群体，(iii)并且如果所述实际总分数等于落在所述递增尺度上的第三范围内的一个潜在总分数，则其把患者自动指定到低风险群体。
24.权利要求23的方法，其还包括在所述客户端设备上显示由所述预先编程的结果处理器指定的风险群体。
25.权利要求23的方法，其还包括对于所述不超过三个范畴当中的每一个范畴向患者显示不超过一个问题。
26.权利要求25的方法，其中，用以关于患者对于处方药物的感知需求范畴评估患者信念的所述一个问题要求患者公示该患者所确信的处方药物的重要程度。
27.权利要求25的方法，其中，用以关于患者对于处方药物的感知安全性顾虑范畴评估患者信念的所述一个问题要求患者公示该患者对于处方药物弊大于利的担忧程度。
28.权利要求25的方法，其中，用以关于患者对于处方药物的感知可负担性范畴评估患者信念的所述一个问题要求患者公示该患者由于针对处方药物的付现费用而感到财务上有负担的程度。
29.权利要求23的方法，其还包括对于所述不超过三个范畴当中的每一个范畴在所述客户端设备上显示多个问题。
30.权利要求23的方法，其中，所述处方调查包括用以关于不超过两个范畴评估患者信念的多个问题，所述两个范畴是(i)患者对于处方药物的感知需求以及(ii)患者对于处方药物的感知安全性顾虑。
全文摘要
本发明涉及用于根据患者遵从处方药物的倾向性来确定针对所述患者的风险群体的设备和方法。本发明的“AdherenceEstimatorTM(遵从性估计器)”设备包括潜在总分数递增尺度、处方调查、应答记录工具、评分矩阵以及解释工具，其中所述处方调查具有旨在关于不超过三个范畴(所述三个范畴是投入、顾虑和花费)评估患者信念的问题。本发明的实施例可以通过电子或非电子形式来实现，其对所述处方调查问题的应答自动进行评分和解释，以便确定并且把患者指定到高风险群体、中度风险群体或低风险群体。本发明的非电子设备可以由多种材料构造，其中包括(但不限于)纸张、基于纸张的产品、塑料、木材或者金属。
文档编号G06Q10/00GK102171718SQ200980139489
公开日2011年8月31日 申请日期2009年10月5日 优先权日2008年10月6日
发明者C·A·麦克霍尔尼 申请人:默沙东公司
最新回复(0)