引用本文： 陶颖, 刘世蒙, 陈英耀. 优化陈述性偏好研究的属性确定过程：基于优劣尺度法. 中国循证医学杂志, 2024, 24(9): 1079-1084. doi: 10.7507/1672-2531.202312099 复制
理论和实践经验表明，患者参与是科学制定医疗卫生决策的重要基础[1,2]。由于患者偏好的复杂性和不确定性，如何有效测量患者偏好，是当前困扰研究者和决策者的重要科学问题。患者偏好信息通常利用陈述性偏好（stated preference，SP）和揭示性偏好（revealed preference，RP）两种方法获取，由于卫生保健领域的特殊性，SP的应用更为普遍[3]。在SP测量工具的选择上，英国国家卫生与临床优化研究所（National Institute for Health and Care Excellence，NICE）认为离散选择实验（discrete choice experiment，DCE）和优劣尺度法（best-worst scaling，BWS）能够为卫生技术评估（health technology assessment，HTA）生成较为可靠和有效的患者偏好证据[4,5]。
确定属性范围是SP研究至关重要的第一步。其原则是筛选出若干个对该研究人群最为重要且与研究“技术”紧密相关的属性[6,7]。在已发表的研究中，“文献回顾+定性研究（专家咨询、患者访谈等）”是应用较为普遍的方法[8]。但不论是患者深度访谈还是专家咨询，均无法提供不同属性间重要性差异的定量比较，因此对于重要性差异不大的某些属性，通常难以进行有效地区分与选择。部分学者尝试通过排序或分级等定量式方法（如Likert量表）来获取不同属性的重要性程度，但发现被调查者通常避免选择“极端”选项。此外，也较难对Likert量表中的各维度进行科学赋分，例如，不同受访者对“很好”和“很差”的理解及心理预期可能并不相同。
BWS的理论基础起源于McFadden[9]和Thurstone[10]提出的随机效用理论假设，尽管在过去的30年里，围绕BWS发表了一系列的论文[11,12]，但其正式的数理统计和测量性质直到2005年才被证实[13]。随着对BWS理论和实践的深入，目前已有3种BWS形式可供选择，分别为对象型BWS（BWS-object case，BWS-1）、组合型BWS（BWS-profile case，BWS-2）及多重组合型BWS（BWS-multi-profile case，BWS-3）。当研究者对所研究对象之间的相对价值感兴趣时，BWS-1是较为合适的方法。在BWS-1中，当研究者确定了要进行测量的各个对象，则必须将其设计成相应的选项集供受访者分别选择最优和最差选项。虽然BWS-1已被证实是有效的优先级测量工具，但目前鲜有研究将其应用到SP研究的属性确定领域。基于此，本研究以2型糖尿病（diabetes mellitus type 2，T2DM）患者为例，旨在探究如何利用BWS-1更加科学、有效地确定SP研究的属性范围。
1 资料与方法
1.1 资料来源
本研究的资料来源于国家自然科学基金面上项目“患者治疗偏好测量及工具适用性研究”在2021年的现场调查数据。关于本研究的具体实验设计及数据分析，可参见Liu等[14]已发表的相关研究。
1.2 研究对象
本研究以临床诊断为2型糖尿病（type 2 diabetes mellitus，T2DM）的成年患者为调查对象，根据方便抽样在海南省儋州市和江苏省淮安市共计8家医疗卫生机构利用BWS-1对T2DM患者开展问卷调查。当前，尚缺乏关于开展BWS研究所需样本量的统一标准，根据Pearmain等[15]的经验法则建议，100人以上的样本量能为偏好数据的分析建模提供基础，因此本研究调查的最小样本量为100名患者。为保证数据收集的质量，本研究采用面对面的问卷调查方式收集数据。
1.3 调研工具
在确定纳入BWS-1研究的属性时，原则之一是尽可能全地筛选出T2DM患者二联药物治疗过程中不同药物的特性。因此本研究首先查阅文献资料及临床指南，归纳大部分降糖药物共有的特点或并非大部分降糖药物共有但特点突出、对患者具有重要意义的属性。通过整理，初步确定相关的备选属性包括血糖控制效果、低血糖风险、心脑血管健康、恶心、呕吐、腹胀、腹泻、骨折、水肿、泌尿系统感染、体重变化、服药频率以及自付费用。
为确保纳入BWS-1研究的属性全面且准确，本研究开展现场临床专家咨询对初步纳入的属性进行论证和咨询，包括纳入属性的全面性、表述方式是否合理、是否遗漏其他具有重要意义的属性。之后，进一步咨询偏好研究相关专家，对属性进行修正和补充。在此过程中，增加服药方式这一属性，将恶心、呕吐、腹胀、腹泻整合为胃肠道不良反应从而可以综合反映药物不良事件，将泌尿系统感染调整为生殖泌尿道感染。最终，本研究共纳入11个属性：血糖控制效果、体重变化、低血糖风险、胃肠道不良反应、心脑血管健康、生殖泌尿道感染、水肿、服药方式、服药频率、骨折和自付费用。
确定属性后，本研究利用R Studio软件采用平衡不完全区组设计生成11组BWS-1选项集，每一选项集包含5个属性，每个属性在所有选项集中重复出现5次。让被调查者从一系列由不同属性组合而成的选项集中分别选出他们认为“最重要”和“最不重要”的属性，通过多次选择最终得出一系列属性的优先级排序。除了BWS-1选项集，用于数据收集的调查问卷还包括患者基本人口学信息和疾病治疗信息。
在本研究中，后续进行SP研究（DCE和BWS-2）的属性确定主要通过文献回顾-专家咨询-BWS-1-专家咨询的流程。遵循以下原则：① 与研究目的的相关性；② 属性的相对重要性程度；③ 是否存在偏好的异质性；④ 是否体现降糖药物的实际特性；⑤ 受访者认知负担及样本量。
1.4 数据分析
本研究使用R Studio软件，通过计数法和建模法对BWS-1数据进行分析。采用均值、标准差和范围描述连续变量，采用频率和百分比描述分类变量。计数法统计各属性被选择为“最重要”和“最不重要”的次数来计算两种类型的得分：分类（个体层面）得分和汇总（总体层面）得分[16]。建模法是利用条件logit模型（conditional logit model，CLM），回归系数可用来表示各属性的相对重要性，同时可检验回归系数是否具有统计学意义。在此基础上，本研究比较了计数法和建模法的结果，以检验两种方法之间的相关性。对BWS-1中的偏好异质性分析，本研究利用K-Means聚类分析对患者进行不同群体的分类。该算法能够根据患者的相似度将患者划分为不同的类簇，各类簇的内部元素之间具有较大的相似性。
2 结果
2.1 研究对象的基本人口学信息
本研究共招募受访者423位，其中406位患者同意并参与了本项调查。最终来自8家医疗卫生机构（4家医院、4家社区卫生服务中心或乡镇卫生院）的362位患者完成了调查问卷并纳入最终的结果分析。患者的平均年龄为63.6±11.8岁，大部分受访者为已婚（85.6%）、女性（56.4%）、来自农村地区（54.4%），将近1/2的患者受教育程度在小学或以下水平（45.6%），其家庭年收入主要集中在2万元以下（43.9%）。其中约56.3%的患者被诊断为T2DM的时间超过5年，69.9%的患者目前正在服用两种或以上的降糖药。研究对象的基本人口学信息见表1。
表1
纳入对象的基本人口学信息（n=362）
2.2 计数法分析结果
计数方法下的分析结果见表2。由结果可以看出，在总体水平得分方面，血糖控制效果的最优得分最高，最劣得分最少，两者分别为1 356分、14分；服药频率的最优得分最少，最劣得分最高，两者分别为85分、796分。由标准化BW分值可以看出，11个属性中，重要性程度排在前三位的分别是血糖控制效果、心脑血管健康以及低血糖风险；排在后三位的分别为：服药频率、服药方式以及骨折。在计分方法下，我们将11个纳入的属性进行了相对重要性对比，由图1可以看出，正数分值最高的为血糖控制效果，负数分值最高的为服药频率。总体而言，在11个属性中，血糖控制效果、心脑血管健康、低血糖风险、生殖泌尿道感染、胃肠道不良反应5个属性对患者的治疗偏好具有正向的作用，即该类属性更倾向于被选为“最重要”。自付费用、服药方式、服药频率等6个属性对患者的治疗偏好具有负向作用，即该类属性被选为“最不重要”的频率更高。
表2
BWS-1偏好结果：计数法
图1
各属性标准优劣得分
2.3 模型法分析结果
本研究CLM下的偏好结果见表3，除体重变化和水肿的回归系数值没有统计学意义之外，其他属性均具有统计学意义。本研究将自付费用设置为参照水平，由表3可以看出，与计数方法下的结果一致，在11个属性中，影响T2DM患者二联药物选择偏好的前三位和后三位因素分别为血糖控制效果、心脑血管健康、低血糖风险，以及骨折、服药方式、服药频率。通过计算偏好分配，可以对包括自付费用在内的11个属性进行优先级排序，由表中可以看出，自付费用的相对重要性程度排在第七位。
表3
BWS-1偏好结果：CLM
2.4 偏好异质性结果
本研究在计数分析结果的基础上进一步分析了患者的偏好异质性情况。通过K-Means cluster分层，将样本人群分为两个亚群，其结果见图2。若BW分值为负值，表明该属性被选为最不重要的次数多于最重要的次数。由图中可以看出，两组人群对自付费用和体重变化的偏好存在较大差异，其中尤以自付费用最为明显，除此之外，其他属性在患者间的偏好异质性不强。
图2
偏好异质性分析：基于K-Means cluster分层
3 讨论
目前国际上围绕BWS-1开展了部分研究，近十年国内在食品卫生和医疗卫生服务利用领域开展了少量研究[17-19]，来探究患者对医疗服务的选择偏好、医学生对提供基于互联网的医疗服务偏好以及消费者对食品的选择偏好，结果发现，BWS-1是较为有效的优先级测量工具。但将BWS-1用于确定SP研究属性的研究还尤为匮乏，在已检索到的文献中，仅Webb等[20]针对听障儿童选择替代通讯系统开展了类似研究。本研究发现，BWS-1是较为有效的优先级测量工具，但在确定SP研究的属性时，不宜仅参照BWS-1的优先级排序结果，还需结合研究的目的及政策意义。例如，在Webb等[20]的研究中，纳入DCE中的属性在BWS-1结果中的优先级排序为1、3、4、5、6、7、12。
基于文献回顾、专家咨询、BWS-1、专家咨询以及预实验多阶段循环递进的思路和步骤，本研究最终纳入到BWS-2和DCE的属性为血糖控制效果、心脑血管健康、低血糖风险、胃肠道不良反应风险、自付费用、体重变化以及服药方式，各属性在BWS-1结果中的优先级排序依次为：1、2、3、4、7、8、10。本研究显示后两个纳入的属性并非排在BWS-1的优先级前七位，而最终纳入后两个属性主要基于专家咨询、政策意义和二联降糖药物的实际特性。
以体重变化为例，在胰岛素、口服药以及胰高血糖素样肽-1受体激动剂（glucagon‑like peptide‑1 receptor agonist，GLP-1 RA）3大类的9种降糖药物中，不同的药物对体重的影响差别较大，比如磺脲类、格列奈类、噻唑烷二酮类（thiazolidinediones，TZD）药物会带来轻微的体重增加，胰岛素可能会导致较大的体重增加；二肽基肽酶Ⅳ抑制剂（dipeptidyl peptidase Ⅳ inhibitor，DPP-4i）、α-糖苷酶抑制剂类药物对体重的影响为中性；而钠-葡萄糖协同转运蛋白2抑制剂（sodium‑glucose cotransporter 2 inhibitor，SGLT-2i）、GLP-1 RA会使体重降低。另一方面，不同的患者对于体重变化的偏好可能存在较大的差异，例如BMI不同的患者、男女之间等。因此了解不同患者对体重变化的偏好差异，可以制定更有针对性的药物选择方案，为改善患者的治疗依从性和满意度提供更加科学可靠的患者偏好证据。虽然服药方式在BWS-1中的得分仅位列第十位，但由于该属性是区别口服和注射类药物的首要特征，且已有研究证实，服药史、受教育程度不同的患者对服药方式的偏好存在非常大的差异，因此该属性的纳入可以帮助更好地分析不同患者之间的药物选择偏好是否存在差异。
本研究未纳入生殖泌尿道感染，主要基于以下考虑：不论是口服药还是注射类药物，仅SGLT-2i可能存在泌尿及生殖系统感染的风险，其他药物基本不会导致该风险。此外，虽然FDA于2015年向所有SGLT-2i标签添加了严重生殖泌尿道感染的警告，但SGLT-2i的使用与严重生殖泌尿道感染风险之间的关系尚不清楚。最新一项纳入超过十万例T2DM患者的大规模队列研究结果显示，SGLT-2i治疗T2DM或不会增加尿路感染风险[21]。本研究亦未纳入水肿这一属性，因为在若干降糖药物中，只有TZD可能会带来水肿的风险。此外，虽然水肿的BWS-1分值排在第六位，但其权重仅有0.092，距离排在第四位的胃肠道不良反应有较大差距（0.729），这表明水肿可能并非影响患者治疗意愿的主要因素。
结合BWS-1确定SP研究的属性范围，有以下几点优势。首先，患者在BWS-1中的属性偏好结果可一定程度上预测后续SP研究，如DCE中对各属性的偏好情况，有证据显示从BWS-1和DCE中获得的属性相对偏好结果具有一定的一致性[22]。第二，BWS-1是当前确定属性的方法优化，受访者只需要在一系列选项集中选择最偏好和最不偏好的，克服了传统的排序或分级方法的缺点，减轻了患者的认知负担[23]。第三，随着偏好证据的快速增加，基于文献回顾确定的属性可能远多于最终纳入DCE或BWS-2中的属性，仅通过专家咨询、患者访谈等小规模的定性研究，可能难以将属性数量缩减到合理范围（有综述显示DCE中的属性数量平均为4～6个[24]）且具有代表性，BWS-1能包含较多属性（有综述显示平均17个[25]），并对属性的重要性差异进行统计检验[26]。第四，定量BWS-1调查和定性研究的并行反馈是相互检验的过程，两者共同作用，能够提高最终纳入属性的科学性、合理性和有效性[27]。
本研究存在一定的局限性，如采取非随机抽样仅在江苏省和海南省的部分医疗机构对T2DM患者开展偏好调查，患者的代表性可能不足，研究结果的外推性也有限。但本文为确定SP研究中纳入属性的方法和调查设计提供了思路和借鉴，未来期望能够开展更大规模的深入研究。
BWS-1可以作为确定属性的有效的定量偏好测量工具，但不宜仅依据偏好结果的优先级排序来确定DCE和BWS-2的属性范围，还需结合研究的政策目的及现实情况进行具体分析。目前国内开展DCE研究越来越多，但属性的确定主要依靠文献回顾和定性研究进行，本研究发现借助BWS-1可以通过定量的方式帮助确定一系列属性的优先级顺序，从而提高属性确定过程的科学性和合理性。建议未来在开展SP研究时，对BWS-1用于属性确定过程进行更多的应用和探索。
理论和实践经验表明，患者参与是科学制定医疗卫生决策的重要基础[1,2]。由于患者偏好的复杂性和不确定性，如何有效测量患者偏好，是当前困扰研究者和决策者的重要科学问题。患者偏好信息通常利用陈述性偏好（stated preference，SP）和揭示性偏好（revealed preference，RP）两种方法获取，由于卫生保健领域的特殊性，SP的应用更为普遍[3]。在SP测量工具的选择上，英国国家卫生与临床优化研究所（National Institute for Health and Care Excellence，NICE）认为离散选择实验（discrete choice experiment，DCE）和优劣尺度法（best-worst scaling，BWS）能够为卫生技术评估（health technology assessment，HTA）生成较为可靠和有效的患者偏好证据[4,5]。
确定属性范围是SP研究至关重要的第一步。其原则是筛选出若干个对该研究人群最为重要且与研究“技术”紧密相关的属性[6,7]。在已发表的研究中，“文献回顾+定性研究（专家咨询、患者访谈等）”是应用较为普遍的方法[8]。但不论是患者深度访谈还是专家咨询，均无法提供不同属性间重要性差异的定量比较，因此对于重要性差异不大的某些属性，通常难以进行有效地区分与选择。部分学者尝试通过排序或分级等定量式方法（如Likert量表）来获取不同属性的重要性程度，但发现被调查者通常避免选择“极端”选项。此外，也较难对Likert量表中的各维度进行科学赋分，例如，不同受访者对“很好”和“很差”的理解及心理预期可能并不相同。
BWS的理论基础起源于McFadden[9]和Thurstone[10]提出的随机效用理论假设，尽管在过去的30年里，围绕BWS发表了一系列的论文[11,12]，但其正式的数理统计和测量性质直到2005年才被证实[13]。随着对BWS理论和实践的深入，目前已有3种BWS形式可供选择，分别为对象型BWS（BWS-object case，BWS-1）、组合型BWS（BWS-profile case，BWS-2）及多重组合型BWS（BWS-multi-profile case，BWS-3）。当研究者对所研究对象之间的相对价值感兴趣时，BWS-1是较为合适的方法。在BWS-1中，当研究者确定了要进行测量的各个对象，则必须将其设计成相应的选项集供受访者分别选择最优和最差选项。虽然BWS-1已被证实是有效的优先级测量工具，但目前鲜有研究将其应用到SP研究的属性确定领域。基于此，本研究以2型糖尿病（diabetes mellitus type 2，T2DM）患者为例，旨在探究如何利用BWS-1更加科学、有效地确定SP研究的属性范围。
1 资料与方法
1.1 资料来源
本研究的资料来源于国家自然科学基金面上项目“患者治疗偏好测量及工具适用性研究”在2021年的现场调查数据。关于本研究的具体实验设计及数据分析，可参见Liu等[14]已发表的相关研究。
1.2 研究对象
本研究以临床诊断为2型糖尿病（type 2 diabetes mellitus，T2DM）的成年患者为调查对象，根据方便抽样在海南省儋州市和江苏省淮安市共计8家医疗卫生机构利用BWS-1对T2DM患者开展问卷调查。当前，尚缺乏关于开展BWS研究所需样本量的统一标准，根据Pearmain等[15]的经验法则建议，100人以上的样本量能为偏好数据的分析建模提供基础，因此本研究调查的最小样本量为100名患者。为保证数据收集的质量，本研究采用面对面的问卷调查方式收集数据。
1.3 调研工具
在确定纳入BWS-1研究的属性时，原则之一是尽可能全地筛选出T2DM患者二联药物治疗过程中不同药物的特性。因此本研究首先查阅文献资料及临床指南，归纳大部分降糖药物共有的特点或并非大部分降糖药物共有但特点突出、对患者具有重要意义的属性。通过整理，初步确定相关的备选属性包括血糖控制效果、低血糖风险、心脑血管健康、恶心、呕吐、腹胀、腹泻、骨折、水肿、泌尿系统感染、体重变化、服药频率以及自付费用。
为确保纳入BWS-1研究的属性全面且准确，本研究开展现场临床专家咨询对初步纳入的属性进行论证和咨询，包括纳入属性的全面性、表述方式是否合理、是否遗漏其他具有重要意义的属性。之后，进一步咨询偏好研究相关专家，对属性进行修正和补充。在此过程中，增加服药方式这一属性，将恶心、呕吐、腹胀、腹泻整合为胃肠道不良反应从而可以综合反映药物不良事件，将泌尿系统感染调整为生殖泌尿道感染。最终，本研究共纳入11个属性：血糖控制效果、体重变化、低血糖风险、胃肠道不良反应、心脑血管健康、生殖泌尿道感染、水肿、服药方式、服药频率、骨折和自付费用。
确定属性后，本研究利用R Studio软件采用平衡不完全区组设计生成11组BWS-1选项集，每一选项集包含5个属性，每个属性在所有选项集中重复出现5次。让被调查者从一系列由不同属性组合而成的选项集中分别选出他们认为“最重要”和“最不重要”的属性，通过多次选择最终得出一系列属性的优先级排序。除了BWS-1选项集，用于数据收集的调查问卷还包括患者基本人口学信息和疾病治疗信息。
在本研究中，后续进行SP研究（DCE和BWS-2）的属性确定主要通过文献回顾-专家咨询-BWS-1-专家咨询的流程。遵循以下原则：① 与研究目的的相关性；② 属性的相对重要性程度；③ 是否存在偏好的异质性；④ 是否体现降糖药物的实际特性；⑤ 受访者认知负担及样本量。
1.4 数据分析
本研究使用R Studio软件，通过计数法和建模法对BWS-1数据进行分析。采用均值、标准差和范围描述连续变量，采用频率和百分比描述分类变量。计数法统计各属性被选择为“最重要”和“最不重要”的次数来计算两种类型的得分：分类（个体层面）得分和汇总（总体层面）得分[16]。建模法是利用条件logit模型（conditional logit model，CLM），回归系数可用来表示各属性的相对重要性，同时可检验回归系数是否具有统计学意义。在此基础上，本研究比较了计数法和建模法的结果，以检验两种方法之间的相关性。对BWS-1中的偏好异质性分析，本研究利用K-Means聚类分析对患者进行不同群体的分类。该算法能够根据患者的相似度将患者划分为不同的类簇，各类簇的内部元素之间具有较大的相似性。
2 结果
2.1 研究对象的基本人口学信息
本研究共招募受访者423位，其中406位患者同意并参与了本项调查。最终来自8家医疗卫生机构（4家医院、4家社区卫生服务中心或乡镇卫生院）的362位患者完成了调查问卷并纳入最终的结果分析。患者的平均年龄为63.6±11.8岁，大部分受访者为已婚（85.6%）、女性（56.4%）、来自农村地区（54.4%），将近1/2的患者受教育程度在小学或以下水平（45.6%），其家庭年收入主要集中在2万元以下（43.9%）。其中约56.3%的患者被诊断为T2DM的时间超过5年，69.9%的患者目前正在服用两种或以上的降糖药。研究对象的基本人口学信息见表1。
表1
纳入对象的基本人口学信息（n=362）
2.2 计数法分析结果
计数方法下的分析结果见表2。由结果可以看出，在总体水平得分方面，血糖控制效果的最优得分最高，最劣得分最少，两者分别为1 356分、14分；服药频率的最优得分最少，最劣得分最高，两者分别为85分、796分。由标准化BW分值可以看出，11个属性中，重要性程度排在前三位的分别是血糖控制效果、心脑血管健康以及低血糖风险；排在后三位的分别为：服药频率、服药方式以及骨折。在计分方法下，我们将11个纳入的属性进行了相对重要性对比，由图1可以看出，正数分值最高的为血糖控制效果，负数分值最高的为服药频率。总体而言，在11个属性中，血糖控制效果、心脑血管健康、低血糖风险、生殖泌尿道感染、胃肠道不良反应5个属性对患者的治疗偏好具有正向的作用，即该类属性更倾向于被选为“最重要”。自付费用、服药方式、服药频率等6个属性对患者的治疗偏好具有负向作用，即该类属性被选为“最不重要”的频率更高。
表2
BWS-1偏好结果：计数法
图1
各属性标准优劣得分
2.3 模型法分析结果
本研究CLM下的偏好结果见表3，除体重变化和水肿的回归系数值没有统计学意义之外，其他属性均具有统计学意义。本研究将自付费用设置为参照水平，由表3可以看出，与计数方法下的结果一致，在11个属性中，影响T2DM患者二联药物选择偏好的前三位和后三位因素分别为血糖控制效果、心脑血管健康、低血糖风险，以及骨折、服药方式、服药频率。通过计算偏好分配，可以对包括自付费用在内的11个属性进行优先级排序，由表中可以看出，自付费用的相对重要性程度排在第七位。
表3
BWS-1偏好结果：CLM
2.4 偏好异质性结果
本研究在计数分析结果的基础上进一步分析了患者的偏好异质性情况。通过K-Means cluster分层，将样本人群分为两个亚群，其结果见图2。若BW分值为负值，表明该属性被选为最不重要的次数多于最重要的次数。由图中可以看出，两组人群对自付费用和体重变化的偏好存在较大差异，其中尤以自付费用最为明显，除此之外，其他属性在患者间的偏好异质性不强。
图2
偏好异质性分析：基于K-Means cluster分层
3 讨论
目前国际上围绕BWS-1开展了部分研究，近十年国内在食品卫生和医疗卫生服务利用领域开展了少量研究[17-19]，来探究患者对医疗服务的选择偏好、医学生对提供基于互联网的医疗服务偏好以及消费者对食品的选择偏好，结果发现，BWS-1是较为有效的优先级测量工具。但将BWS-1用于确定SP研究属性的研究还尤为匮乏，在已检索到的文献中，仅Webb等[20]针对听障儿童选择替代通讯系统开展了类似研究。本研究发现，BWS-1是较为有效的优先级测量工具，但在确定SP研究的属性时，不宜仅参照BWS-1的优先级排序结果，还需结合研究的目的及政策意义。例如，在Webb等[20]的研究中，纳入DCE中的属性在BWS-1结果中的优先级排序为1、3、4、5、6、7、12。
基于文献回顾、专家咨询、BWS-1、专家咨询以及预实验多阶段循环递进的思路和步骤，本研究最终纳入到BWS-2和DCE的属性为血糖控制效果、心脑血管健康、低血糖风险、胃肠道不良反应风险、自付费用、体重变化以及服药方式，各属性在BWS-1结果中的优先级排序依次为：1、2、3、4、7、8、10。本研究显示后两个纳入的属性并非排在BWS-1的优先级前七位，而最终纳入后两个属性主要基于专家咨询、政策意义和二联降糖药物的实际特性。
以体重变化为例，在胰岛素、口服药以及胰高血糖素样肽-1受体激动剂（glucagon‑like peptide‑1 receptor agonist，GLP-1 RA）3大类的9种降糖药物中，不同的药物对体重的影响差别较大，比如磺脲类、格列奈类、噻唑烷二酮类（thiazolidinediones，TZD）药物会带来轻微的体重增加，胰岛素可能会导致较大的体重增加；二肽基肽酶Ⅳ抑制剂（dipeptidyl peptidase Ⅳ inhibitor，DPP-4i）、α-糖苷酶抑制剂类药物对体重的影响为中性；而钠-葡萄糖协同转运蛋白2抑制剂（sodium‑glucose cotransporter 2 inhibitor，SGLT-2i）、GLP-1 RA会使体重降低。另一方面，不同的患者对于体重变化的偏好可能存在较大的差异，例如BMI不同的患者、男女之间等。因此了解不同患者对体重变化的偏好差异，可以制定更有针对性的药物选择方案，为改善患者的治疗依从性和满意度提供更加科学可靠的患者偏好证据。虽然服药方式在BWS-1中的得分仅位列第十位，但由于该属性是区别口服和注射类药物的首要特征，且已有研究证实，服药史、受教育程度不同的患者对服药方式的偏好存在非常大的差异，因此该属性的纳入可以帮助更好地分析不同患者之间的药物选择偏好是否存在差异。
本研究未纳入生殖泌尿道感染，主要基于以下考虑：不论是口服药还是注射类药物，仅SGLT-2i可能存在泌尿及生殖系统感染的风险，其他药物基本不会导致该风险。此外，虽然FDA于2015年向所有SGLT-2i标签添加了严重生殖泌尿道感染的警告，但SGLT-2i的使用与严重生殖泌尿道感染风险之间的关系尚不清楚。最新一项纳入超过十万例T2DM患者的大规模队列研究结果显示，SGLT-2i治疗T2DM或不会增加尿路感染风险[21]。本研究亦未纳入水肿这一属性，因为在若干降糖药物中，只有TZD可能会带来水肿的风险。此外，虽然水肿的BWS-1分值排在第六位，但其权重仅有0.092，距离排在第四位的胃肠道不良反应有较大差距（0.729），这表明水肿可能并非影响患者治疗意愿的主要因素。
结合BWS-1确定SP研究的属性范围，有以下几点优势。首先，患者在BWS-1中的属性偏好结果可一定程度上预测后续SP研究，如DCE中对各属性的偏好情况，有证据显示从BWS-1和DCE中获得的属性相对偏好结果具有一定的一致性[22]。第二，BWS-1是当前确定属性的方法优化，受访者只需要在一系列选项集中选择最偏好和最不偏好的，克服了传统的排序或分级方法的缺点，减轻了患者的认知负担[23]。第三，随着偏好证据的快速增加，基于文献回顾确定的属性可能远多于最终纳入DCE或BWS-2中的属性，仅通过专家咨询、患者访谈等小规模的定性研究，可能难以将属性数量缩减到合理范围（有综述显示DCE中的属性数量平均为4～6个[24]）且具有代表性，BWS-1能包含较多属性（有综述显示平均17个[25]），并对属性的重要性差异进行统计检验[26]。第四，定量BWS-1调查和定性研究的并行反馈是相互检验的过程，两者共同作用，能够提高最终纳入属性的科学性、合理性和有效性[27]。
本研究存在一定的局限性，如采取非随机抽样仅在江苏省和海南省的部分医疗机构对T2DM患者开展偏好调查，患者的代表性可能不足，研究结果的外推性也有限。但本文为确定SP研究中纳入属性的方法和调查设计提供了思路和借鉴，未来期望能够开展更大规模的深入研究。
BWS-1可以作为确定属性的有效的定量偏好测量工具，但不宜仅依据偏好结果的优先级排序来确定DCE和BWS-2的属性范围，还需结合研究的政策目的及现实情况进行具体分析。目前国内开展DCE研究越来越多，但属性的确定主要依靠文献回顾和定性研究进行，本研究发现借助BWS-1可以通过定量的方式帮助确定一系列属性的优先级顺序，从而提高属性确定过程的科学性和合理性。建议未来在开展SP研究时，对BWS-1用于属性确定过程进行更多的应用和探索。
