PHQ-9的项目反应理论分析

《Journal of Affective Disorders Reports》：An item response theory analysis of phq-9

　　

摘要
背景：患者健康问卷-9（PHQ-9）在临床实践和研究中被广泛用于评估抑郁症状严重程度，并获多项指南推荐。然而，大多数心理测量学评估在一般人群或混合临床样本中进行，且主要依赖经典测量理论（CTT）。鉴于CTT假设条目权重相等，并将有序反应视为等距数据，这可能掩盖条目表现的差异，并限制总分可解释性，尤其在诊断同质的人群中。
方法：研究人员对来自两家门诊的628例重性抑郁障碍（MDD）患者临床样本，采用非参数和参数项目反应理论（IRT）方法评估PHQ-9的测量属性。
结果：PHQ-9基于总分对个体进行可信排序的能力较弱，尤其在存在精神共病时。剔除较弱条目仅带来适度改善。其他失拟来源（包括年龄效应和非均匀条目权重）仍然存在。
局限性：研究结果基于临床门诊样本，可能无法推广至其他环境或人群。
结论：PHQ-9在临床确诊MDD人群中作为症状严重程度测量工具可能存在重要局限。通过在诊断受限样本中应用IRT方法，本研究对量表在其主要目标群体中的表现进行了更严格的评估。结果对临床和研究背景下PHQ-9评分的解释具有意义。

论文解读

**研究背景与问题**
患者健康问卷-9（PHQ-9）是临床和研究中应用最广泛的抑郁症状严重程度自评工具，基于DSM-IV重性抑郁障碍的9项标准，采用0-3四级评分，总分0-27分。尽管其应用广泛，但既往心理测量学评估大多基于一般人群或混合临床样本，且主要依赖经典测量理论（CTT）。CTT假设各条目权重相等，将有序分类反应视为等距数据，这可能导致参数估计偏差，并限制总分解释的准确性。仅有少数研究采用项目反应理论（IRT）方法，而针对确诊重性抑郁障碍（MDD）患者的诊断受限样本评估尤其缺乏。已有研究提示PHQ-9在混合样本中可能出现维度问题、条目内容含糊（如“多管齐下”的条目）以及躯体症状非特异性等局限。为此，本研究旨在通过整合非参数和参数IRT方法，在临床确诊MDD患者群体中系统评估PHQ-9的测量属性，以弥补现有证据空白。

**研究设计与方法**
研究数据来源于瑞典斯德哥尔摩市内两家精神科门诊（WeMind运营），纳入628例经DSM-5标准确诊的成年MDD患者。所有患者均接受标准化自评量表（包括PHQ-9）评估，并由经验丰富的精神科医生和心理医生进行诊断。主要统计方法包括：非参数IRT（Mokken量表分析）用于评估量表的整体可扩展性系数（H）、条目可扩展性系数（H_i）、局部独立性、单调性及不变条目排序；参数IRT（分级反应模型，GRM）用于估计各条目的信息量差异；同时采用Molenaar-Sijtsma（MS）方法评估信度，并通过移动H系数检验年龄效应。所有分析基于R软件完成。

**研究结果**
- **样本特征**：患者平均年龄37.5岁（SD=13.1），女性占63.4%，中位治疗时间6.0个月。共病诊断显示，77.2%患者伴有神经症、应激相关及躯体形式障碍（F40-F48），11.7%伴有童年起病的行为和情绪障碍（F90-F98）。
- **可扩展性与信度**：整体可扩展性系数H=0.381，属于“弱”量表水平（阈值≥0.50为强，0.40-0.50为中等，0.30-0.40为弱）。所有条目H_i>0.3，但条目3（睡眠）和条目5（食欲）构成次级尺度，提示存在次级潜在变量影响。MS信度为0.818，可接受。
- **局部独立性与单调性**：条目2、8、9违反局部独立性，删除条目2后MS信度降至0.78，提示局部依赖轻微。条目6（无价值感）显示非单调性，且不满足不变条目排序，但偏差较小。
- **性别与年龄效应**：性别间H_i差异微小，可忽略DIF；但年龄效应显著，尤其男性中H值随年龄变化波动大，提示条目解释随年龄不同。
- **参数IRT模型**：评级量表模型（RSM）拟合差，而Samejima非约束GRM拟合良好。各条目信息量差异巨大，条目2（情绪）贡献总信息量的28.9%，而条目8（精神运动）仅贡献4.7%，表明条目权重不均。
- **剔除弱条目**：剔除H_i最低的三个条目（睡眠、食欲、精神运动）后，整体H提升至0.45，仍仅达“中等”水平，改善有限。

**讨论与结论**
研究证实PHQ-9在确诊MDD患者中作为连续严重度测量工具存在明显局限。弱点源于多重因素：次级潜在变量干扰、局部依赖、年龄相关DIF以及条目权重高度变异。睡眠和食欲条目因在一般人群和其他精神障碍中常见，易受其他潜在变量影响；而情绪和兴趣减退（快感缺失）作为MDD核心症状，心理测量表现最佳。剔除弱条目仅带来适度改善，反映年龄效应和剩余条目权重差异难以通过简单删除解决。研究局限性包括：诊断基于常规临床实践可能欠精确，高共病率可能影响结果，且样本源于瑞典斯德哥尔摩，推广性受限。但研究具有高生态效度、缺失数据少、样本量大，且采用适合有序数据的统计方法，提供了诊断受限样本中PHQ-9的严格评估。结论指出：在常规临床护理中，PHQ-9对MDD患者基于总分的排序能力弱，尤其在高共病环境下；部分弱点可通过剔除弱条目缓解，但年龄效应等无法通过此方式解决。未来需开发更适合MDD临床样本的抑郁严重度评估工具。本研究发表于《Journal of Affective Disorders Reports》，对临床和研究中PHQ-9评分的合理解释具有重要启示。