使用调整预测建模方法或纵向验证性因子分析方法估计单条目测量的最小重要变化

《Quality of Life Research》:Estimating the minimal important change of single-item measures using the adjusted predictive modeling method or the longitudinal confirmatory factor analysis method

【字体: 大 中 小 】 时间:2026年01月10日 来源:Quality of Life Research 2.7

编辑推荐:

  目的:最近开发的最小重要变化(MIC)估计方法可以恢复样本中个体平均MIC。这些方法是调整预测建模(APM)方法和纵向验证性因子分析(LCFA)方法。两种方法都需要对患者报告结局测量(PROM)数据进行LCFA。在APM方法中,LCFA用于估计过渡评级的信度,

  
目的:最近开发的最小重要变化(MIC)估计方法可以恢复样本中个体平均MIC。这些方法是调整预测建模(APM)方法和纵向验证性因子分析(LCFA)方法。两种方法都需要对患者报告结局测量(PROM)数据进行LCFA。在APM方法中,LCFA用于估计过渡评级的信度,而在LCFA方法中,LCFA用于估计潜在MIC。然而,如果PROM是一个单条目测量(SIM),则无法进行LCFA。向LCFA模型添加一个与PROM相关的辅助变量可能是一个解决方案。研究人员开发了三种包含辅助变量的不同LCFA模型。在这项仿真研究中,研究人员评估了APM和LCFA方法恢复SIM真实MIC的性能。研究人员将这两种方法应用于一个真实数据集,其中SIM是疼痛的数字评分量表。方法:研究人员模拟了15,552个样本,变化11个参数,并估计了基于APM和基于LCFA的MIC。结果:APM方法表现良好,除非改善比例高或低,且当前状态偏倚(PSB)高。LCFA方法表现良好,无论改善比例和PSB如何。在真实数据中,基于LCFA的MIC为17(在100分量表上),而估计的基于APM的MIC高出4分,可能是由于高改善比例和高PSB。结论:使用辅助PROM可以准确估计SIM的MIC。
论文解读文章

研究背景、问题与意义

在患者报告结局测量(patient-reported outcome measure,PROM)领域,最小重要变化(minimal important change,MIC)代表PROM变化分数中对应于平均患者认为重要的个体内最小变化。现有的MIC估计方法,如调整预测建模(adjusted predictive modeling,APM)方法和纵向验证性因子分析(longitudinal confirmatory factor analysis,LCFA)方法,能够从样本中恢复个体平均MIC。这两种方法均需对PROM数据进行LCFA:APM方法利用LCFA估计过渡评级(transition ratings,TRs)的信度,而LCFA方法直接估计潜在MIC。然而,当PROM为单条目测量(single-item measure,SIM,如数字评分量表或视觉模拟量表)时,LCFA因每个潜在因子至少需要三个指标而无法直接应用。一个可能的解决方案是向LCFA模型中添加一个与SIM相关的辅助变量(auxiliary variable,AUX)。本研究旨在探索是否可利用AUX富集的LCFA模型,通过APM或LCFA方法准确估计SIM的MIC。此研究对临床实践和患者报告结局评估具有重要意义,因为它扩展了MIC估计方法在常见单条目工具中的应用范围。论文发表在《Quality of Life Research》。

关键技术方法

研究人员通过仿真研究(simulation study)评估方法性能,模拟15,552个数据集,变化11个参数(包括样本量、改善比例、当前状态偏倚(present state bias,PSB)、AUX与SIM的共享程度等)。在每一数据集中,采用三种LCFA模型(A、B、C)估计TRs信度以计算APM方法下的MIC(MICAPM),并利用模型C估计潜在MIC以计算LCFA方法下的MIC(MICLCFA)。此外,应用真实数据(来自荷兰Jeroen Bosch医院接受膝关节置换术患者队列,n=411,使用疼痛NRS作为SIM,牛津膝关节评分疼痛子量表或静息NRS作为AUX)进行验证。模型估计使用R包“lavaan”和“mirt”。

研究结果

样本特征与模型收敛性
模拟数据集特征多样:AUX总分与SIM分数的偏度在随访时有差异;SIM分数与AUX总分之间的相关性范围为0.28至0.89。在15,552个数据集中,共估计46,656个LCFA模型,其中1.7%未收敛(模型A为2.7%,模型B为0.9%,模型C为1.5%)。收敛模型拟合良好:比较拟合指数(CFI)均不小于0.988,塔克-刘易斯指数(TLI)在0.26%的模型中低于0.95,均方根近似误差(RMSEA)在0.33%模型中超过0.06,标准化均方根残差(SRMR)均低于0.08。

MIC估计
APM方法(使用模型B或C)和LCFA方法(使用模型C)均能准确恢复真实MIC(0.8),偏倚可忽略。就精度而言,LCFA方法的均方根误差(RMSE)略低于APM方法(LCFA方法的RMSE为0.175,APM方法使用模型C的RMSE为0.192)。回归分析显示,高PSB(>0.4)与高(>0.6)或低(<0.4)改善比例的组合是导致APM方法精度下降的主要原因。

真实数据
在真实数据中,基于LCFA的MIC估计为17(100分量表),而APM方法估计为21,高出4分。由于改善比例较高(0.83)且PSB可能较大,APM估计可能存在高估,因此LCFA估计更可信。非参数自助法(2000次重复)显示LCFA方法95%置信区间宽度更窄(如使用OKS疼痛子量表时LCFA方法95% CI为13.2–20.8,APM方法为15.8–26.2)。

总结讨论与结论

讨论部分指出:LCFA方法在模拟和真实数据中均表现更精确,且不受改善比例和PSB的显著影响,是首选方法。APM方法在改善比例适中或PSB较小时可作为可行替代。不同LCFA模型中,使用AUX总分(模型B或C)比单独AUX条目(模型A)提供更多信息,精度更高。模型C还允许正确估计PSB。局限性包括:假设SIM与TRs针对同一构念;若两者构念不一致可能引入偏倚;此外,仅含最少指标的LCFA模型在样本量较小时易出现非收敛。结论翻译如下:当存在与SIM相关的AUX时,可以使用APM方法或LCFA方法估计SIM的MIC。两种方法均需估计LCFA模型以获得TRs信度(计算MICAPM)或潜在MIC(计算MICLCFA)。较大的PSB(>0.4)与较高(>0.6)或较低(<0.4)改善比例的组合倾向于使MICAPM产生偏倚,但不影响MICLCFA,这使LCFA方法成为首选。APM方法在改善比例不过高或过低或PSB有限时为可行替代。仅模型C允许正确估计PSB。研究人员建议始终估计MIC估计值的精度,非参数自助法为可行方法,并报告95%置信区间以避免基于过小样本量发表粗略估计。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号