徐秀娟 王效军 修良昌 杜进林

摘要：目的 探讨东莞市事业单位员工健康相关行为模式的潜在类别，为识别健康教育重点人群、制定健康干预措施提供依据。方法 采用整群抽样的方法抽取390人组成样本，调查人口学特征和5种健康相关行为，采用潜在类别模型对健康相关行为模式进行分类，采用logistic回归探讨不同健康相关行为模式人群人口学特征的差异。结果 2-类别模型对数据的拟合最好，AIC值和BIC值最小，样本人群被分为不利健康相关行为模式和有利健康相关行为模式两个类别，各占总人数的67.3%和32.7%，不吸烟、不饮酒及睡眠充足的行为频率在两类人群相差较大，两种行为模式人群的性别、年龄差异具有统计学意义（P<0.05）。结论 东莞市事业单位员工整体健康意识薄弱，健康教育的重点人群是青年、男性，健康干预应采取戒烟、限酒、合理安排作息等综合措施。

关键词：健康相关行为模式；潜在类别分析；事业单位员工

中图分类号：R195.1 文献标识码：A 文章编号：1672-3791（2015）10（a）-0000-00

Latent class analysis of public sector employees health-related behavior patterns

XU Xiu-juan，WANG Xiao-jun，XIU Liang-chang，DU Jin-lin

School of Public Health of Guangdong Medical College， Dongguan， Guangdong 523808，China

Abstract： Objective To explore the latent class of Dongguan city public sector employees health-related behavior patterns ， provide the basis for identifying main crowd of health education and developing health interventions. Method Cluster sampling method was used to extract 390 samples. Demographic characteristics and five health-related behaviors were surveyed about samples. Latent class model was used to classify health-related behavior patterns. Logistic regression was used to explore the difference of demographic characteristics for different health-related behavior patterns. Result The 2-cluster model fitting data best， the value of AIC and BIC were both smallest. The sample was divided adverse health-related behaviors pattern and good health-related behavior pattern， the proportion， respectively， was 67.3% and 32.7%.The frequencies of dont smoking， dont drinking and enough sleeping were significant differences in two kinds of behavior patterns. The differences about age and gender in two kinds of behavior patterns were statistical significance（P<0.05）. Conclusion Overall health consciousness for Dongguan city public sector employees is weak. The main crowd of health education is young and male. The comprehensive health preventions such as giving up smoking， limiting alcohol intake， reasonable arrangement work and rest should be taken.

Keywords： Health-related behavior patterns； Latent class analysis； Public sector employees

健康相關行为包括健康行为和健康危险行为。健康危险行为如吸烟、饮酒及缺乏运动等已经被证实是很多慢性病的危险因素[1]，有研究表明这些行为在个体内是相互关联、聚集发生的[2]，而且它们的联合协同作用比单个行为的累积效应对于人群的健康更有害[3]。在制定健康干预策略时应该考虑健康相关行为的聚集模式，区分不同健康相关行为模式的亚群体，对于识别高危人群、制定个性化的干预策略，使干预措施的效应最大化[4-5]具有重要的意义。潜在类别分析能够做出所有个体属于某一健康相关行为类型群体的可能性估计，借助拟合信息等统计指标帮助确定最合理的分类，因此，本研究运用潜在类别分析技术，以东莞市事业单位员工为对象，研究其健康相关行为模式，分析不同行为模式人群的特征，揭示健康相关行为干预的重点人群和内容，为有针对性的制定健康管理策略和健康干预措施提供依据。

1 对象与方法

1.1 对象 采用整群抽样的方法抽取东莞市5家事业单位，于2012年3月～2012年5月期间，对抽中单位的所有在职工作人员进行问卷调查，共计390人。

1.2 调查内容 主要调查一般人口学资料（年龄、性别、教育程度、婚姻状况、职务级别）和5种健康相关行为：吸烟、饮酒、锻炼身体、常规体检和睡眠质量（用睡眠时间是否充足衡量）。其中吸烟定义为：≥1支/天，且持续≥1年；饮酒定义为：≥2次/周，且持续≥1年；锻炼身体定义为：进行中、高强度（如：跑步）锻炼时间≥30 分钟/天；常规体检定义为：定期进行体检，如每隔一年就进行一次；睡眠充足定义为：睡眠时间>7小时/天。每种健康相关行为均为二分类变量，健康行为赋值为1，健康危险行为赋值为0。

1.3 统计学分析 采用SPSS15.0软件，计算一般人口学资料的均数和构成比。采用Mplus5.1软件，根据5种健康相关行为，应用探索性潜在类别分析方法对研究对象的健康相关行为模式进行分类，参数估计采用最大似然法，模型适配度检验报告Pearson卡方、似然比卡方 、信号评价指标AIC准则（akaike information criterio）和BIC准则（bayesian information criterio），AIC准则和BIC准则均以取值越小表示模型的适配度越好[6]。按照分类结果，采用SPSS15.0软件，应用逐步logistic回归探讨不同健康相关行为模式人群的人口学特征对健康相关行为模式的影响，引入、剔除变量的标准分别为0.05和0.10。

2 结果

2.1 样本人群的基本特征 本次共调查390人，得到有效问卷355份。调查对象的平均年龄为（31.38±6.78）岁，≤35岁267人（75.2%）、>35岁88人（24.8%）；男性222人（62.5%）、女性133人（37.5%）；教育程度：中专及以下26人（7.3%）、大专68人（19.2%）、大学本科240人（67.6%）、硕士及以上21人（5.9%）；婚姻状况：在婚233 人（ 65. 6% ） 、未婚/离异/丧偶 122 人（ 34. 4% ）；职务级别：办事员170人（47.9%）、科员95人（26.7%）、科级50人（14.1%）、其他人员40人（11.3%）。

2.2 健康相关行为模式的潜在类别 表1列出了3个潜在类别模型的适配度指标，可见，2-类别和3-类别模型的适配度均较好（P值均大于0.05），相较之下，2-类别模型的AIC值和BIC值最小，据此将事业单位员工健康相关行为模式分为两个潜在类别比较理想。

表1 不同类别数模型的适配度指标

模型

AIC BIC

P

1-类别

2-类别

3-类别 73.099

25.020

16.599 69.459

28.984

19.310 1827.123

1798.648

1800.974 1845.692

1839.499

1864.108 26

20

14 <0.001

0.201

0.278

2.3 健康相关行为模式潜在类别的命名 对2-类别模型采用EM算法进行参数估计，得到5种健康相关行为的条件概率和潜在类别概率，见表2，可见潜在类别1的比重为0.673，潜在类别2的比重为0.327。健康行为反应值1对应的条件概率分布见图1。可见第一类人群常规体检和锻煉身体的行为频率略高于第二类人群，但不饮酒、不吸烟、睡眠充足的行为频率均明显低于第二类人群；第二类人群不饮酒的行为频率最高（0.648），其次为睡眠充足和不吸烟，分别为0.584和0.515。据此将两类人群分别命名为不利健康行为模式组（238人）和有利健康行为模式组（117人）。

表2 健康相关行为的条件概率和潜在类别概率

健康行为 类别1 类别2

内容 反应值

常规体检

不饮酒

不吸烟

锻炼身体

睡眠充足 是=1

否=0

是=1

否=0

是=1

否=0

是=1

否=0

是=1

否=0 0.320

0.680

0.107

0.893

0.000

1.000

0.373

0.627

0.457

0.543 0.250

0.750

0.648

0.352

0.515

0.485

0.301

0.699

0.584

0.416

潜在类别概率 0.673 0.327

图1 事业单位员工健康相关行为模式分类图

2.4 人口学特征与健康相关行为模式的关联 表3为以健康相关行为模式为因变量，不同人口学特征为自变量，拟合logistic回归模型得到的结果。可见教育程度、婚姻状况及职务级别对健康相关行为模式的影响没有统计学差异（P>0.05），而年龄、性别对健康相关行为模式的影响具有统计学意义（P<0.05），年轻人、男性更倾向于采取不利健康相关行为模式。

表3 不同健康相关行为模式与人口学特征的关联

影响因素

标准误 Wald

P值 OR值（OR值95%CI）

年龄

性别

教育程度

大专

本科

研究生

婚姻状况

职务级别

科员

科级

其他 -0.632

3.279

-

0.303

-0.175

0.250

-0.157

-

-0.518

-0.462

-1.188 0.289

0.480

-

0.702

0.530

0.473

0.260

-

0.465

0.493

0.523 4.764

46.624

2.002

0.186

0.110

0.280

0.362

6.334

1.241

0.878

5.158 0.029

<0.001

0.572

0.666

0.741

0.597

0.547

0.096

0.265

0.349

0.023 0.532（0.301，0.938）

26.555（10.360，68.067）

-

1.354（0.342，5.360）

0.839（0.297，2.370）

1.284（0.509，3.243）

0.855（0.513，1.424）

-

0.596（0.239，1.482）

0.630（0.240，1.656）

0.305（0.109，0.850）

注：有利健康相关行为模式取值为0，不利健康相关行为模式取值为1；年龄以≤35对为参照；

性别以女性为参照；婚姻状况以在婚为参照；教育程度、职务级别采用哑变量赋值形式，

教育程度以中专/高中及以下为参照，职务级别以办事员为参照。

3 讨论

本研究应用探索性潜在类别分析将东莞市事业单位员工的健康相关行为分为不利健康相关行为模式和有利健康相关行为模式两类，不利健康行为模式人群占比较大，提示东莞市事业单位员工整体健康意识不容乐观。常规体检和锻炼身体2种健康相关行为频率在两类人群区别不大，而吸烟、饮酒和睡眠充足3种健康相关行为频率在两类人群中差别较大，是区分两种行为模式人群的敏感指标，提示在制定针对不利健康相关行为模式人群的健康管理策略时应侧重对这些行为的综合干预如戒烟、限酒、合理安排作息等。进一步比较两类人群的人口学特征显示不利健康相关行为模式组中35岁及以下的年轻人、男性的比例较高，提示在制定健康干预措施和进行健康教育时要对这类人群给予特别的关注。由于本研究仅纳入5种健康相关行为，可能遗漏一些重要的因素，得到的结论难免具有一定的局限性，有待在今后的研究中进一步完善。

4 结语

综上所述，本文采用潜在类别模型探讨了事業单位员工健康相关行为的聚集模式，为识别健康危险行为的重点干预对象，制定个性化的健康干预策略，提高健康危险行为干预效率提供了思路。

参考文献：

[1] 罗水英，杨虹，蒙晓宇，等. 广西城乡居民慢性病及其危险因素流行现状调查[J].现代预防医学，2014，41（15）：2693-2696.

[2] Mariane Héroux， Ian Janssen， Duck-chul Lee， etc. Clustering of Unhealthy Behaviors in the Aerobics Center Longitudinal Study [J].Prevention Science， 2012，13（2）：183-195.

[3] Marita S?dergren， Wei Chun Wang， Jo Salmon， etc. Predicting healthy lifestyle patterns among retirement age older adults in the WELL study： A latent class analysis of sex differences[J]. Maturitas，2014，77（1）： 41-46.

[4] Stephanie T. Lanza， Brittany L. Rhoades. Latent Class Analysis： An Alternative Perspective on Subgroup Analysis in Prevention and Treatment[J]. Prevention Science，2013，14（2）：157-168.

[5]赵丽，张瑛，靳娟，等.广州市居民健康行为模式的潜在类别分析[J].中华流行病学杂志，2013，34（2）：202-203.

[6]曾宪华，肖琳，张岩波.潜在类别分析原理及实例分析[J].中国卫生统计，2013，30（6）：815-817.