The 9-item Shared Decision Making Questionnaire (SDM-Q-9). Development and psychometric properties in a primary care sample (閱讀)

閱讀材料:The 9-item Shared Decision Making Questionnaire (SDM-Q-9). Development and psychometric properties in a primary care sample

論文作者: Levente Kristion, Isabelle Scoll, Lars Holzel, Daniela Simon, Andreas Loh, Martin Harter (2010)

前言 introduction (I)：

A. 為何需要從事此研究

在2006年Simon等學者發展出11題的Shared Decision Making Questionnaire (SDM-Q)來評量醫病的共同決策過程，然而此工具仍有不足之處:
1.以item response theory建構，但結果不符合Rasch model。
2.只能測量到共同決策九步驟中的5個步驟。
3.具有天花板效應。
4.在不同類別診斷之間，某些題目會顯示明顯的反應差異。

   共同決策九步驟如下:
   步驟1:展示做決策的需求
   步驟2:形成對等的同伴關係
   步驟3:呈現治療觀點
   步驟4:告知有利及有風險的訊息
   步驟5:確認個案的了解程度與期待
   步驟6:確認彼此的偏好
   步驟7:協商彼此的想法
   步驟8:達成共同決策
   步驟9:安排後續追蹤

B. 研究目的  

改良Shared Decision Making Questionnaire (SDM-Q)，再驗證其工具的心理計量特性(包含:face validity, acceptance, discrimination, difficulties, internal consistency)。

方法 method (M)：
A.工具修訂

1.改變測驗理論:測驗不符合Rasch model，因而改用classical test theory。
2.改善測驗建構:原測驗無法測得所有共同決策步驟，因此重新建構26題包含所有決策步驟的題庫。
3.改善天花板效應:由原先的四分量尺再添加兩個極端選項，如:完全同意及完全不同意。
4.變更次團體分析方式:原以Rasch analysis中的differential item functioning偵測到不同類別診斷在某些題目會有明顯的反應差異，今改以人口學及疾病種類為變項分析各次團體間的心理計量特性。

(作者並沒有特別說明此部份的變更原因，而我自行補腦的結果是--原測驗是以Rasch model建構，因此採用Rasch analysis進行分析，但是本研究改用classical test theory，因此不用Rasch analysis中的differential item functioning進行次團體分析。
而為什麼一定要進行次團體分析呢?這個部份作者也沒有特別說明，而我自行補腦的結果是--原測驗某些題目在不同類別診斷間有明顯的反應差異。而如果作者期望發展出的工具是可以適用於廣泛的醫病大眾，則作者會希望不同診斷間不會再有明顯的反應差異，因此需要持續監測此結果!)

B. 取樣：

在德國某鄉村的醫療保險資料庫中取得6542筆個案資料，並將8頁的研究問卷依據資料寄送到府，請有意願者填妥資料後寄回。並將回收的資料隨機分成發展樣本與驗證樣本。

C. 程序與統計分析：

前置作業程序
1.由3位從事多年共同決策議題的學者，依照共同決策9個步驟擴充問卷題庫，共26題。
2.由2位沒有參與題庫發展的學者，依照題目是否有測到預測量特質給予評分，如:optimal, fair, poor。
3.將建構好的研究問卷寄出，並等待問卷回收。

測驗發展程序
1.在發展樣本中計算SDM-Q(26題)每題項的face validity, acceptance, discrimination (corrected item-total correlation), difficulty (mean for each item)。
2.依據face validity, acceptance, discrimination, difficulty的結果做為題目篩選的標準，選出最具代表性的9個共同決策步驟之題目。
3.確認The 9-item Shared Decision Making Questionnaire (SDM-Q-9)的題目組成。

測驗驗證程序
1.在驗證樣本中計算SDM-Q-9組成題目的項目acceptance、discrimination、difficulty，以及internal consistency。

結果 results (R)：
A.    樣本描述

總共寄出6542份問卷，回收2450份，2351份進入資料分析。其中將樣本隨機分成發展樣
本與工具驗證樣本，有1188份屬發展樣本，1163份屬驗證樣本。且兩組樣本之間的人口學特性並未有明顯差異。

B.     各研究目的所得之數據 

測驗發展結果
1.Face validity:有10題的表面效度為optimal，9題為fair，7題為poor。
2.Acceptance:接受度在78%-93%之間。
3.Discrimination:每題的corrected item-total correlation數據皆在0.70-0.89之間。
4.Difficulty:每題得分平均皆在2.6-4.1之間。

測驗驗證結果
1.Acceptance:每題作答率皆在8成以上。
2.Discrimination:每題的corrected item-total correlation數據皆在0.68-0.82之間。
3.Difficulty:每題得分平均在3.1-3.7之間。
4.Internal consistency: Cronbach’s α 值為 0.938。

次團體分析
疾病類別共分成6類:肌肉骨骼疾患、心血管疾病、內分泌疾病、腸胃疾病、感染相關疾病、神經疾病。
1.Discrimination:各組數據皆在0.519-0.855之間。其中內分泌組涵蓋最低的數據(0.519-0.825)，而神經組涵蓋最高的數據(0.621-0.855)
2.Difficulty:各組數據皆在2.32-4.11之間。其中神經組涵蓋最低的數據(2.32-3.47)，而內分泌組涵蓋最高的數據(3.48-4.11)，且各組數值差異不大。
3.Internal consistency:各組的數據皆在0.91以上。其中感染組為0.91屬最低，腸胃組為0.94屬最高。

(作者針對次團體分析的結果並沒有詳細的說明，而是以Table方式呈現結果。而我原先的假設是--作者希望不同診斷間不會有不同的答題反應，因此進行次團體分析。但是此部分的結果無法呈現不同疾病在不同題項間的答題反應!
而且我覺得已經執行次團體分析，那應該要呈現各組數據間是否有顯著差異，但此部分作者也沒有呈現!
最後，我覺得如果作者能以Picture方式呈現不同疾病在不同題項上的Difficulty數據，應該會比較理想!)

C.  本研究所發展之評估工具 

SDM-Q-9的核心組成為9題的描述句，並搭配六分量尺的選項，如:完全不同意(0分)到完全同意(5分)。原始總分為0-45分。當漏答3題以上，則不建議計算總分；而漏答2題以下，則遺漏值可用項目平均替代。原始分數可經由線性轉換成0-100的分數，且作者建議在解釋共同決策程度時可使用此轉換分數!!此問卷以兩題開放式問題開始，如:討論的問題是什麼?最後達成的決策是什麼?此兩題主要用來收集決策相關的背景訊息。

討論 discussion (D)：

A. 彙整主要研究發現

本研究改良第一版SDM-Q，且發展出9題的SDM-Q-9。SDM-Q-9具良好表現效度、良好題目接受度(作答率超過8成)、良好項目區辨度(corrected item-total correlation數據皆在0.68-0.82之間)、良好內部一致性(Cronbach’s α of 0.938)。

B. 研究結果之重要性

藉由多步驟的研究程序可以解決第一版SDM-Q所遺留的問題。
1.SDM-Q以item response theory 建構，但不符合Rasch model → 改用classical test theory → SDM-Q-9符合此模式。
2.SDM-Q只能測量到共同決策的其中5個步驟 → 重新發展施測題庫 →SDM-Q-9的題目涵蓋所有共同決策九步驟。
3.四分量尺的SDM-Q具天花板性應 → 增加2個極端選項 → SDM-Q-9無天花板效應。

(起初作者以改善4個第一版SDM-Q所遺留下的問題為己任，但是最後只處理了3個問題!而SDM-Q-9的某些題目在不同類別診斷間是否會有明顯的反應差異?此問題目前仍然無解!!)

C. 研究限制及原因

1.本研究結果概化至其他群體能力有限:
 a.大多數樣本年齡均在60歲以上。
 b.樣本都是鄉村居民。

     2.決策內容多元:
      a.受試者的醫療診斷較多元，且需決策的內容具異質性。 (作者本身沒有清楚闡述。)

自問自答:

a. How to describe the item response theory and classical test theory?

 →Classical Test Theory: Analyse the test as a whole rather than on the item. Test only apply to those students taking that test.
    古典理論著重在分析測驗的本身而非項目，且受試者有針對性，無法適用於其他族群。

→Latent Trait Model: Latent trait models aim to look beyond that at the underlying traits which are producing the test performance. They are measured at item level and provide sample-free measurement.

    現代測驗理論著重於分析測驗的項目，且致力於發展不受群體限制的評估工具。

b. What is the principal components analysis?

 →主成分分析（principal components analysis，PCA）又稱：主分量分析，主成分回歸分析法。旨在利用降維的思想，把多指標轉化為少數幾個綜合指標。

 →在實證問題研究中，為了全面、系統地分析問題，我們必須考慮眾多影響因素。這些涉及的因素一般稱為指標，在多元統計分析中也稱為變數。因為每個變數都在不同程度上反映了所研究問題的某些信息，並且指標之間彼此有一定的相關性，因而所得的統計數據反映的信息在一定程度上有重疊。在用統計方法研究多變數問題時，變數太多會增加計算量和增加分析問題的複雜性，人們希望在進行定量分析的過程中，涉及的變數較少，得到的信息量較多。主成分分析正是適應這一要求產生的，是解決這類題的理想工具。

閱讀心得:

本篇論文的論點明確，文章架構完整，且研究程序與邏輯交代清晰，因此閱讀起來不會很吃力，唯一的不足之處是我個人對於item response theory與classical test theory還不熟悉，因此無法自行判斷:將原版測驗的理論架構由IRT換成CTT有什麼好處?而且我也還不熟悉principal components analysis,因此會好奇如何運用主成分分析。而閱讀完本篇論文，我又多認識三個概念了!!

參考文獻

1. Andrew Ainsworth. Introduction to Item Response Theory. PPT from the internet

2.主成分分析。

http://wiki.mbalib.com/zh-tw/%E4%B8%BB%E6%88%90%E5%88%86%E5%88%86%E6%9E%90%E6%B3%95