基于PROMIS的可部署自适应评估工具（PROMIS-CAT）的开发、校准及临床验证：用于脊柱护理领域中实时患者报告的结局数据

患者报告结局更高效测量工具PROMIS-CAT开发及验证。通过自适应测试与机器学习校准，实现6个维度健康评估，减少80%问题数量且脱离服务器依赖，在887人验证中物理功能等4维度MAE<3，焦虑抑郁经校准后MAE降至4。

　　

摘要 通俗语言总结

---

研究设计

工具开发与验证

研究目的

开发一种基于患者报告的结果测量信息系统（PROMIS-CAT），该系统通过应用自适应题目选择和基于机器学习的校准方法，用更少的问题来估算PROMIS T分数。

背景数据概述

患者报告的结果能够反映通过影像学检查或体检无法测量的健康状况。PROMIS在临床研究和实践中被广泛使用，但PROMIS简表要求患者在每个领域回答8-10个问题，这会增加认知负担，提高调查放弃率，并减缓工作流程。目前的PROMIS CAT版本需要连接外部服务器，限制了其与自定义应用程序、电子病历（EMR）或离线环境的集成。

研究方法

研究使用了三个队列：开发组（n=2,000）、校准组（n=900）和验证组（n=887）。PROMIS-CAT系统自适应地评估了六个领域：身体功能、疼痛干扰、疲劳、焦虑、抑郁以及参与社会角色的能力。每次患者作答后，系统会使用分级响应模型估算其能力水平（θ），并选择在该能力水平下提供最多信息的问题。这一过程持续进行，直到测量精度达到PROMIS CAT的标准。为了将θ转换为PROMIS T分数，对四个领域（身体功能、疼痛干扰、疲劳、社会角色）应用了线性校准模型；而对于焦虑和抑郁领域，则使用了等渗回归方法来校正偏差。

研究结果

在包含887名患者的验证组中，PROMIS-CAT系统的准确性与PROMIS简表相当。身体功能、疼痛干扰、疲劳和社会角色的测量结果均符合所有预定义的可互换性标准，平均绝对误差（MAE）小于3个T分数单位，且偏差极小。焦虑和抑郁的初始测量结果准确性较低（MAE约为12个T分数单位），但在等渗校准后显著提高（MAE约为4个T分数单位），偏差得到消除。

研究结论

PROMIS-CAT系统能够用更少的问题准确估算PROMIS T分数，且无需依赖外部PROMIS服务器，从而实现移动应用程序、患者门户和电子病历中的实时评分。这一工具支持在常规脊柱护理中高效、精确且具有临床意义的结果测量。

通俗语言总结研究人员开发了一种名为PROMIS-CAT的新工具，用于更高效地测量患者报告的结果。该系统通过较少的问题来估算PROMIS T分数，这些分数用于评估身体功能、疼痛干扰等健康指标。该系统利用机器学习根据每个患者的回答情况进行调整，从而提高测量准确性并减轻冗长调查带来的负担。在对887名患者的测试中，PROMIS-CAT在身体功能、疼痛干扰、疲劳和社会角色方面的测量结果显示出高准确性，误差均小于3个T分数单位。焦虑和抑郁的初始测量结果误差较大，但在等渗校准后有所改善。PROMIS-CAT无需依赖外部PROMIS服务器，可在移动应用程序、患者门户和电子病历中实现实时评分。

本文内容由机器生成，可能存在不准确之处。常见问题解答