Psychometric Findings for the SCAR-Q Patient-Reported Outcome Measure Based on 731 Children and Adults with Surgical, Traumatic, and Burn Scars from Four Countries
Notice bibliographique
Résumé
BACKGROUND: Each year, millions of individuals develop scars secondary to surgery, trauma, and/or burns. Scar-specific patient-reported outcome measures to evaluate outcomes are needed. To address the gap in available measures, the SCAR-Q was developed following international guidelines for patient-reported outcome measure development. This study field tested the SCAR-Q and examined its psychometric properties. METHODS: Patients aged 8 years and older with a surgical, traumatic, and/or burn scar anywhere on their face or body were recruited between March of 2017 and April of 2018 at seven hospitals in four countries. Participants answered demographic and scar questions, the Fitzpatrick Skin Typing Questionnaire, the Patient and Observer Scar Assessment Scale (POSAS), and the SCAR-Q. Rasch measurement theory was used for the psychometric analysis. Cronbach's alpha, test-retest reliability, and concurrent validity were also examined. RESULTS: Consent was obtained from 773 patients, and 731 completed the study. Participants were aged 8 to 88 years, and 354 had surgical, 184 had burn, and 199 had traumatic scars. Analysis led to refinement of the SCAR-Q Appearance, Symptoms, and Psychosocial Impact scales. Reliability was high, with person separation index values of 0.91, 0.81, and 0.79; Cronbach alpha values of 0.96, 0.91, and 0.95; and intraclass correlation coefficient values of 0.92, 0.94, and 0.88, respectively. As predicted, correlations between POSAS scores and the Appearance and Symptom scales were higher than those between POSAS and Psychosocial Impact scale scores. CONCLUSIONS: With increasing scar revisions, a scar-specific patient-reported outcome measure is needed to measure outcomes that matter to patients from their perspective. The SCAR-Q represents a rigorously developed, internationally applicable patient-reported outcome measure that can be used to evaluate scars in research, clinical care, and quality improvement initiatives.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».