Assessing the EORTC QLQ-BM22 Module Using Rasch Modeling and Confirmatory Factor Analysis across Countries: a Comprehensive Psychometric Evaluation in Patients with Bone Metastases
Notice bibliographique
Résumé
BACKGROUND: The European Organisation for Research and Treatment of Cancer Quality of Life Questionnaire Bone Metastases Module (EORTC QLQ-BM22) is a recently designed supplement to EORTC Quality of Life Questionnaire-C30 (EORTC QLQ-C30). Additional psychometric properties, especially using confirmatory factor analysis (CFA) and the Rasch model, are warranted. MATERIALS AND METHODS: A total of 573 patients with bone metastases were enrolled from eight countries with a mean±SD age of 55.8±13.7 years. Slightly more than two thirds of them were female (n=383; 66.8%). CFA was used to examine the BM22 framework; Rasch models were applied to understand misfit items and differential item functioning (DIF). RESULTS: The fit indices were satisfactory in CFA (comparative fit index=0.972, Tucker-Lewis index=0.964, root mean square error of approximation=0.076, and standardized root mean square residual=0.045). All items fit well in the Rasch models (mean square values were between 0.5 and 1.5), and only one item (number 17) displayed DIF across gender. However, there were six DIF items across Canada and Taiwan, ten across Canada and Iran, and six across Taiwan and Iran. CONCLUSIONS: The BM22 has satisfactory psychometric properties, and could assess the QoL of patients with bone metastases specifically focusing on their symptoms. Clinicians may want to use it to capture the underlying QoL for patients with bone metastases. However, the score of item 17 should be interpreted with caution when comparing male and female patients. In addition, researchers should note that variation in DIF items may occur when conducting an international study.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».