《Journal of Personalized Medicine》：Visual Complexity Assessment of Clinical Cases Using Health Issue Network Diagrams: Validation of a Method to Support Progressive Case-Based Learning
编辑推荐：
背景/目标： 本研究旨在验证一种新颖的临床病例复杂度评估方法，该方法利用图形化的友好健康问题网络（f-HINe）图，服务于医学教育目的。基于案例的临床学习需要对复杂度进行渐进式校准，以管理认知负荷并支持临床推理能力的发展，尤其是在多病共存（multimorbi
背景/目标： 本研究旨在验证一种新颖的临床病例复杂度评估方法，该方法利用图形化的友好健康问题网络（f-HINe）图，服务于医学教育目的。基于案例的临床学习需要对复杂度进行渐进式校准，以管理认知负荷并支持临床推理能力的发展，尤其是在多病共存（multimorbidity）情境下。方法： 基于双重编码理论（dual coding theory）和HIN图的可视化结构，研究人员假设一个四级视觉排序量表能够提供内在病例复杂度的有效且可靠的测量。十四名不熟悉HIN方法的医师对代表不同结构特征（健康问题数量、分支演化、涉及系统及合并症交互）的六十六幅f-HINe图进行了评估。研究采用Kane效度框架，检验了评分可靠性、概括性、外推性及推论应用。评分者内和评分者间信度分别采用Spearman相关系数和组内相关系数（ICC）评估；一致性采用Kendall's W和加权Cohen's kappa评估；同时进行了概化分析以估计图和评分者对评分变异的贡献，并检验了与Braun评分和CIRS的相关性。结果： 复杂度评分显示出较高的评分者内信度（平均Spearman's rho = 0.862）和良好的评分者间信度（ICC(2,1) = 0.743），平均评分的信度极佳（ICC(2,k) = 0.976）。在不同专业经验和医学专科之间观察到实质性一致性，Kendall's W（0.781）和加权Cohen's kappa（0.887）均证实了这一点。与Braun评分（r = ?0.593）和CIRS（r = ?0.724）存在显著相关，与量表编码方向相反一致。概化分析显示，74.3%的评分变异可归因于图与图之间的差异，而仅有2.3%归因于评分者之间的系统性差异，支持了所提出的结构复杂度评估的可重复性。结论： 研究结果表明，对f-HINe图进行快速视觉评估是估算临床病例结构复杂度的一种可靠且有效的方法。与现有工具相比，HIN方法独特地捕捉了多种疾病的时间演变和交互作用，使教育者能够设计渐进式学习路径，同时降低认知负荷。这种图形化策略也可能扩展到教育之外，为临床实践中复杂病程提供一种简洁的表征方式。然而，仍需在更大、更多元化及多机构的样本中进一步验证，以确立研究发现的普适性，并确定f-HINe是否比现有复杂度测量提供额外价值。
论文解读文章
一、研究背景与问题提出
基于案例的学习（Case-Based Learning, CBL）是医学教育中培养诊断和临床管理能力的重要教学方法。根据认知负荷理论（cognitive load theory），内在负荷源于学科领域的复杂度及其各组成部分之间的交互水平。因此，在教学设计中不仅需要平衡练习数量，还需合理控制临床案例的复杂度，尤其是在慢性多病共存情境下——多种疾病之间存在大量潜在交互，若案例过于复杂，学生容易产生认知过载，影响临床推理能力的发展。
临床案例的复杂度被定义为“患者需求与医疗服务之间的差距，综合考虑影响多慢性病患者的多种因素以及影响服务提供的背景因素”，其核心关注点在于多病共存和可用资源。现有复杂度评估工具，如Charlson合并症指数（Charlson Comorbidity Index）和COMPLEX评分，主要面向临床环境中的患者管理、资源配置和医疗规划，并非专为教学目的设计。据研究人员所知，目前仅有Braun提出的评分方案专门用于评估教学案例的复杂度，且该方法主要评估案例描述中呈现的信息类型和数量，而非案例本身的内在结构复杂度。
健康问题网络（Health Issue Network, HIN）是一种创新性的临床案例图形化表征方法，强调展示患者健康问题随时间推移的整体演变过程。其图形称为f-HINe（friendly HIN exemplary），基于Petri网的数学逻辑构建语法规则，既可进行形式正确性的计算评估，也可用于比较学生解答与教师标准答案之间的差异。f-HINe图具有时间导向性，核心概念是患者临床问题的演变过程，能够帮助学生识别症状和体征、理解共存慢性疾病之间的交互作用，并将患者当前状态置于更长的演变历史中加以理解。
在认知心理学层面，概念图等图形表征方法根植于Ausubel的同化理论和Paivio的双重编码理论（Dual Coding Theory）。双重编码理论认为人类记忆由两个独立但相互关联的系统构成：言语系统处理语言和文字（序列编码），非言语系统处理图像、图示和空间关系（同时编码）。当概念同时在这两个系统中被编码时，学习效果更强。f-HINe图恰好同时激活这两个系统：节点中的文字激活言语通道，空间结构和视觉连接激活非言语通道。
尽管已有多种概念图评估方法被提出，如Novak和Gowin的评分系统、Besterfield的评分量规以及Kinchin的定性分类（辐条型、链型和网型），但这些方法均旨在评估概念图的正确性和完整性，而非其表征的案例复杂度，尤其是随时间演变的临床案例复杂度。因此，为推动HIN方法在本科和研究生教育中的全面整合，亟需开发一种有效且可靠的案例复杂度评估系统，为渐进式学习模块的设计以及案例复杂度与学习困难度关系的研究奠定基础。
二、研究目的
本研究旨在验证一种基于f-HINe图视觉评估的临床案例复杂度分级方法。研究假设：基于双重编码理论，医师仅通过观看f-HINe图即可使用从“简单”到“非常复杂”的四级排序量表一致地对临床案例复杂度进行排序，且该方法在教育情境中具有高效性、可接受性、有效性和可靠性。研究采用Kane效度框架对方法进行系统验证。
三、关键技术与方法
研究采用三阶段抽样与评估流程。首先，从研究团队过去五年开发和测试HIN方法过程中产生的f-HINe图中筛选候选图集，筛选标准包括：健康问题（HI）数量、演变及其分支数量、涉及的不同系统/器官数量（即HIN语言中的“泳道”swimlane）、不同HI之间的相互影响数量（即“合并症”演变）。其次，排除涉及罕见疾病或异常并发症的案例，最终保留66幅f-HINe图作为评估集，由三位作者（两名临床医师FC和FM及一名公共卫生专家FLR）根据结构特征将其独立分为四组：高复杂度（涉及分支、泳道交叉、显著并发症和合并症，18例）、中等复杂度（超过两个泳道的线性路径伴少量并发症和合并症，18例）、低复杂度（不超过10个HI和两个分支泳道的线性结构，16例）和简单（不超过10个HI、线性结构且仅涉及一个系统，14例）。第三，14名来自外科和内科的医师（9名住院医师和5名高级顾问）独立评估全部66幅图，所有评估者均无HIN经验，接受统一简短培训后在90分钟内完成评估。研究依据Kane效度框架的四个组成部分（评分、概括、外推和推论）进行操作化设计。统计方法包括：评分者内信度采用Spearman等级相关系数；评分者间一致性采用Kendall's W和组内相关系数（ICC）；基准一致性采用加权Cohen's kappa；收敛效度在随机抽取的20个案例子集上通过与Braun评分和累积疾病评定量表（CIRS）的相关性检验；概化分析采用以图和评分为随机效应的交叉随机效应模型。
四、研究结果
信度与一致性结果。 评分者内信度较高，全体评估者的平均Spearman相关系数为0.862（95% CI: 0.855–0.868）；初级和高级评估者分别为0.871和0.885；外科医师为0.913，内科医师为0.848。总体Kendall's W为0.781（p < 0.001），高级顾问为0.812，初级顾问为0.801，外科医师为0.874，内科医师为0.790。单个医师评分的评分者间信度良好，ICC(2,1)为0.743（95% CI: 0.671–0.812）；14名医师平均评分的信度极佳，ICC(2,k)为0.976（95% CI: 0.966–0.984）。
基准一致性结果。 14名评估者中位评分与作者基准分类之间的加权Cohen's kappa为0.887（95% CI: 0.814–0.939），表明高度一致；初级与高级评估者之间（k = 0.846）以及内科与外科医师之间（k = 0.788）的一致性同样较高。
收敛效度结果。 四级评分与Braun评分之间的相关系数为?0.593（p = 0.005），与CIRS之间的相关系数为?0.724（p < 0.001）。由于HIN评分中分数越低代表复杂度越高，与Braun和CIRS的编码方向相反，因此相关系数为负值符合预期。
概化分析结果。 74.3%的总评分变异归因于图与图之间的差异，仅2.3%归因于评分者之间的系统性差异，其余23.4%归因于图与评分者的交互变异和残差。该结果表明评分主要由图之间的差异驱动，而非评分者之间评分行为的系统性差异。
五、讨论与结论
本研究验证了一种创新的临床案例复杂度评估方法。主要发现是：应用于f-HINe图的四级排序量表是评估临床案例复杂度既可靠又有效的方法。该方法在不同专业经验和专科背景的评估者之间均表现出高度一致性，评估者中位评分与作者基准分类高度吻合，证实了简单视觉评估能够准确捕捉作者定义的结构复杂度（如健康问题数量、分支和系统参与度）。
与现有工具相比，HIN方法的独特价值在于其能够提供即时、图形化和直观的案例复杂度表征。与基于文本的场景或合并症数字列表不同，f-HINe图使评估者能够一眼掌握临床案例的整体“模式”，绕过阅读和整合长篇文本的认知负荷，直接可视化结构复杂度的关键要素：健康问题数量、随时间推移的演变和分支、多系统性质以及疾病间的交互作用。评估者在90分钟内完成66个案例的评估，体现了该方法的高效性。
与CIRS的比较表明，CIRS本质上是列表式工具，对多个身体系统的严重程度进行评分，但无法捕捉这些问题随时间推移的动态演变或相互影响，而这正是HIN的核心关注点。与Braun评分的比较更为关键：Braun评分主要评估“案例描述中呈现的信息类型和数量”，衡量的是学习工件的复杂度（即学生需要处理多少数据），而HIN方法衡量的是底层临床案例本身的复杂度，可视化患者的实际病程、分支路径、并发症和合并症。两种方法的相关性表明这两个构念相关但不同，HIN方法独特地适用于其既定目的：评估急性和慢性疾病如何演变并相互影响，这是临床年级本科生的核心技能。
研究局限性包括：评估者均来自同一城市的两所大学医院，相似的工作环境可能标准化了其对复杂度的概念；评估者仅获得f-HINe图而未提供临床案例文本；研究团队同时参与f-HINe图开发和基准案例的结构标准定义，可能引入一定程度的循环性；评估者样本相对较小且同质；既往图形表征或概念图经验未系统收集。
研究结论：本验证研究确认了通过图形表征评估临床案例复杂度的有效性和可靠性。所展示的一致性进一步证实了HIN方法在促进临床推理方面的实用性，尤其是在复杂的多病共存情境中。下一步将在临床年级医学生中进行大规模测试，比较案例复杂度与练习困难度（以正确答案与受试人数的比率表示）。未来研究还应在更大、更多元化的跨机构和跨地域样本中验证该方法的普适性，并探讨f-HINe是否在现有复杂度测量之外提供额外解释价值，尤其是在表征时间演变和临床条件交互方面。
