Raschova analýza dotazníku Q-LES-Q-SF na podkladě odpovědí pacientů s neuropatickou bolestí

Stáhnout PDF English version

Autoři: J. Kožený ^1,2; L. Tišanská ^1,2; J. Bednařík ³; C. Höschl ^1,2
Vyšlo v časopise: Cesk Slov Neurol N 2019; 82(1): 60-67
Kategorie: Původní práce
doi: https://doi.org/10.14735/amcsnn201960

Souhrn

Cíl: Cílem studie bylo ověření měřících vlastností dotazníku kvality života Quality of Life Enjoyment and Satisfaction Questionnaire short form (Q-LES-Q-SF) na podkladě Raschova modelu parciálního kreditu. Soubor a metody: Konsekutivní soubor pacientů s neuropatií (N = 1 301) byl vyšetřen 86 ambulantními neurology. Lékaři zaznamenali pacientův věk, pohlaví, vzdělání, hlavní a přidruženou diagnózu, délku choroby, hodnotu Clinical Global Impression (CGI)-Severity scale a pacienti vyplnili dotazník Q-LES-Q-SF. Výsledky: Nálezy podpořily a) existenci jednodimenzionální struktury nástroje; b) monotónní vzestup volby kategorií na 5bodové hodnotící stupnici; c) adekvátnost operacionalizace konstruktu kvality života; d) absenci podlahového i stropního efektu; e) adekvátní zacílení stupnice; f) absenci různého fungování položek s ohledem na věk, pohlaví a CGI s výjimkou položky referující o spokojenosti se sexuálním životem – starší pacienti byli méně spokojeni v této oblasti života. Závěr:Nálezy přinesly podporu pro uspokojivou shodu dotazníku Q-LES-Q-SF mezi teoretickým očekáváním Raschova modelu a našimi daty. Nástroj je možno akceptovat jako spolehlivý instrument pro odhad kvality života pacientů s neuropatií.

Klíčová slova

Q-LES-Q-SF – Raschův model – neuropatická bolest

Autoři deklarují, že v souvislosti s předmětem studie nemají žádné komerční zájmy.

Redakční rada potvrzuje, že rukopis práce splnil ICMJE kritéria pro publikace zasílané do biomedicínských časopisů.

Zdroje

1. Pietersma S, van den Akker-van Marle ME, de Vries M. Generic quality of life utility measures in health-care research: conceptual issues highlighted for the most commonly used utility measures. Int J Wellbeing 2013; 3(2): 173–181. doi: 10.5502/ ijw.v3i2.4.
2. Chen TH, Li L, Kochen MM. A systematic review: how to choose appropriate health-related quality of life (HRQOL) measures in routine general practice? J Zhejiang Univ Sci B 2005; 6(9): 936–940. doi: 10.1631/ jzus.2005.B0936.
3. Lu G, Brazier JE, Ades AE. Mapping from disease-specific to generic health-related quality-of-life scales: a common factor model. Value Health 2013; 16(1): 177–184. doi: 10.1016/ j.jval.2012.07.003.
4. Petrillo J, Cano SJ, McLeod LD et al. Using classical test theory, item response theory, and Rasch measurement theory to evaluate patient-reported outcome measures: a comparison of worked examples. Value Health 2015; 18(1): 25–34. doi: 10.1016/ j.jval.2014.10.005.
5. Mick E, Faraone SV, Spencer T et al. Assessing the validity of the Quality of Life Enjoyment and Satisfaction Questionnaire – short form in adults with ADHD. J Atten Disord 2008; 11(4): 504–509. doi: 10.1177/ 1087054707308468.
6. Wyrwich KW, Harnam N, Revicki DA et al. Assessment of Quality of Life Enjoyment and Satisfaction Questionnaire – short form responder thresholds in generalized anxiety disorder and bipolar disorder studies. Int Clin Psychopharmacol 2011; 26(3): 121–129. doi: 10.1097/ YIC.0b013e3283427cd7.
7. Stevanovic D. Quality of Life Enjoyment and Satisfaction Questionnaire – short form for quality of life assessments in clinical practice: a psychometric study. J Psychiatr Ment Health Nurs 2011; 18(8): 744–750. doi: 10.1111/ j.1365-2850.2011.01735.x.
8. Lee YT, Liu SI, Huang HC et al. Validity and reliability of the Chinese version of the short form of Quality of Life Enjoyment and Satisfaction Questionnaire (Q-LES-Q-SF). Qual Life Res 2014; 23(3): 907–916. doi: 10.1007/ s11136-013-0528-0.
9. Bourion-Bédès S, Schwan R, Epstein J et al. Combination of classical test theory (CTT) and item response theory (IRT) analysis to study the psychometric properties of the French version of the Quality of Life Enjoyment and Satisfaction Questionnaire – short form (Q-LES-Q-SF). Qual Life Res 2015; 24(2): 287–293. doi: 10.1007/ s11136-014-0772-y.
10. Bourion-Bédès S, Schwan S, Laprevote V et al. Differential item functioning (DIF) of SF-12 and Q-LES-Q-SF items among french substance users. Health Qual Life Outcomes 2015; 13: 172. doi: 10.1186/ s12955-015-0365-7.
11. Hambleton KH, Russell W. Jones. An NCME instructional module on: comparison of classical test theory and item response theory and their applications to test development. Educ Meas 1993; 12(3): 38–47. doi: 10.1111/ j.1745-3992.1993.tb00543.x.
12. ICD-10 Version: 2016. [online]. Available from: http:/ / apps.who.int/ classifications/ icd10/ browse/ 2016/ en.
13. Freynhagen R, Baron R, Gockel U et al. PainDETECT: a new screening questionnaire to identify neuropathic components in patients with back pain. Curr Med Res Opin 2006; 22(10): 1911–1920.
14. Endicott J, Nee J, Harrison W et al. Quality of Life Enjoyment and Satisfaction Questionnaire: a new measure. Psychopharmacol Bull 1993; 29(2): 321–326.
15. Dotazník kvality života (Q-LES-Q): kvalita prožívání radosti a spokojenosti ze života: informace pro terapeuta. Praha: Academia Medica Pragensis – Amepra 2003.
16. De Ayala RJ. The theory and practice of item response theory. New York: The Guilford Press 2009.
17. Linacre JM. Winsteps® Rasch measurement computer program. User‘s Guide. [online]. Available from: www.winsteps.com/ winman/ copyright.htm.
18. Velicer WF. Determining the number of components from the matrix of partial correlations. Psychometrika 1976; 41(3): 321–327.
19. Timmerman ME, Lorenzo-Seva U. Dimensionality assessment of ordered polytomous items with parallel analysis. Psychol Methods 2011; 16(2): 209–220. doi: 10.1037/ a0023353.
20. Muthén LK, Muthén BO. Mplus user’s guide: statistical analysis with latent variables. 7th ed. Los Angeles: CA Muthén & Muthén 1998–2012.
21. Linacre JM, Tennant A. More about critical eigenvalue sizes (variances) in standardized-residual principal components analysis (PCA). Rasch Meas Transact 2009; 23(3): 1228.
22. Tennant A, Pallant JF. Unidimensionality matters! Rasch Meas Transact 2006; 20(1): 1048–1051.
23. Lorenzo-Seva U, Timmerman ME, Kiers HA. The Hull method for selecting the number of common factors. Multivariate Behav Res 2011; 46(2): 340–364. doi: 10.1080/ 00273171.2011.564527.
24. Fischer GH, Molenaar IW (eds). Rasch models: foundations, recent developments, and applications. New York: Springer Science & Business Media 2012.
25. ten Berge JM, Snijders TA, Zegers FE. Computational aspects of the greatest lower bound to the reliability and constrained minimum trace factor analysis. Psychometrika 1981; 46(2): 201–213.
26. Lorenzo-Seva U, Ferrando PJ. FACTOR 9.2. A comprehensive program for fitting exploratory and semiconfirmatory factor analysis and IRT models. Appl Psych Meas 2013; 37: 497–498. doi: 10.1177/ 0146621613487794.
27. Raîche G. Critical eigenvalue sizes (Variances) in standardized residual Principal Components Analysis. Rasch Meas Transact 2005; 19(1): 1012.
28. Linacre JM. Optimizing rating scale category effectiveness. J Appl Meas 2002; 3(1): 85–106.
29. Linacre JM. Item Discrimination and Rasch-Andrich thresholds. Rasch Meas Transact 2006; 20(1): 1054.
30. Smith EV. Detecting and evaluating the impact of multidimensionality using item fit statistics and principal component analysis of residuals. J Appl Meas 2002; 3(2): 205–231.
31. Wright BD, Linacre JM. Reasonable mean-square fit values. Rasch Meas Transact 1994; 8(3): 370.
32. Gustafson JE. Testing and obtaining fit of data to the Rasch model. Br J Math Stat Psychol 1980; 33(2): 220. doi: 10.1111/ j.2044-8317.1980.tb00609.x.
33. Crawford JR, Garthwaite PH. Comparison of a single case to a control or normative sample in neuropsychology: development of a Bayesian approach.Cogn Neuropsychol 2007; 24(4): 343–372. doi: 10.1080/ 02643290701290146.
34. Crawford JR, Garthwaite PH, Slick DJ. On percentile norms in neuropsychology: proposed reporting standards and methods for quantifying the uncertainty over the percentile ranks of test scores. Clin Neuropsychol 2009; 23(7): 1173–1195. doi: 10.1080/ 13854040902795018.
35. Solomon SR, Sawilowsky SS. Impact of rank-based normalizing transformations on the accuracy of test scores. J Mod Appl Stat Meth 2009; 8(2): 448–462.
36. Crawford JR, Garthwaite PH. On the „optimal“ size for normative samples in neuropsychology: capturing the uncertainty when normative data are used to quantify the standing of a neuropsychological test score. Child Neuropsychol 2008; 14(2): 99–117. doi: 10.1080/ 09297040801894709.