SCL-9-NR VS K10

31/12/16 00:28 Относится к категории: Результаты исследований | Шкалирование | Психологический дистресс

Методика Р. Кесслера базируется на двух основных симптоматических измерениях – депрессия (5 индикаторов) и тревожность (4 индикатора). Еще один индикатор представляет симптоматическое измерение соматизации. Таким образом, в содержательном смысле К10 значительно отличается от SCL-9-NR (9 симптоматических измерений, по одному индикатору на каждый). И поскольку К10 является общепризнанным измерительным инструментом, возникает вопрос о целесообразности еще одной шкалы, решающей аналогичные задачи и при этом использующей отличный концептуальный подход.

По этой причине я включил обе методики в онлайн опрос обычных респондентов, а также в опрос среди пациентов Черниговской областной психоневрологической больницы. Не имея возможности провести такую же многостороннюю валидизацию для К10, как и для SCL-9-NR я использовал подход, известный под названием ROC-curve [заключается в построении кривой, демонстрирующей результаты бинарной классификации; в данном случае классифицировались респонденты с психиатрическим диагнозом и без него]. Такое решение было обусловлено тем, что сам Р. Кесслер в рамках обоснования валидности своих шкал использовал именно его, получив при этом значение AUC (площадь под кривой) равное 0,87 – 0,88. В своем же исследовании я получил для К10 показатель на порядок ниже – всего 0,73. В то время как AUC для SCL-9-NR равен 0,80:

ROC-кривая для К10

ROC-кривая для SCL-9-NR

При использовании бинарной логистической регрессии для прогнозирования наличия у респондента психиатрического диагноза как SCL-9-NR (log odds ratio = 0,27; z = 7,4; p < 0,001), так и К10 (log odds ratio = –0,11; z = –5,7; p < 0,001) показывают статистически значимые результаты. Вместе с тем, значение AIC говорит в пользу более высокого качества модели, построенной на базе SCL-9-NR (AIC для SCL-9-NR = 280,9; AIC для К10 = 318,0). Аналогичный вывод можно сделать на основании анализа чувствительности, специфичности и общей эффективности моделей [в данном случае чувствительность модели демонстрирует эффективность предсказания наблюдений с психиатрическим диагнозом, специфичность – обычных наблюдений, а под общей эффективностью имеется ввиду общее количество правильно предсказанных случаев]:

Чувствительность, специфичность и эффективность модели для SCL-9-NR и К10, %

Вероятность наличия диагноза на основании модели	Чувствительность		Специфичность		Эффективность
Вероятность наличия диагноза на основании модели	SCL-9-NR	К10	SCL-9-NR	К10	SCL-9-NR	К10
0,9	7	0	100	100	73	71
0,8	14	5	99	99	74	71
0,7	27	5	97	98	76	71
0,6	37	14	96	97	79	72
0,5	50	23	92	93	79	72
0,4	54	50	89	87	79	76
0,3	71	64	78	73	76	70
0,2	80	80	61	42	67	54
0,1	93	99	24	7	45	34

Краткие выводы: в общем и целом наши побеждают =)

Тэги: SCL-9-NR, K10, ROC-curve