PROMIS-mittaristo lasten ja nuoren toimintakyvyn arvioinnissa – mittausominaisuudet ja käytettävyys

Riittävän tarkka elämänlaatumittaristo lasten ja nuorten terveyspalveluissa tukee hoitojen suunnittelua ja voinnin seurantaa. Eri sairausryhmille soveltuva geneerinen mittaristo tarvitaan pohdittaessa etuisuuksia sekä tietojohtamiseen, vertailukehittämiseen ja hoidon laadun seurantaan. Lasten toimintakyvyn arviointiin soveltuvia, helppoja ja nopeita välineitä on rajoitetusti (1).

Toimintakyvyn mittaamisen ja arvioinnin kansallisen asiantuntijaverkoston TOIMIA-tietokannasta (2) löytyvät Child Health Questionnaire, KINDL-R sekä ammattilaisille suunnattu Lene eli Leikki-ikäisen neurologinen arvio. Kliinisessä käytössä ovat myös 16D ja 17D (3) sekä tutkimuksissa PedsQL:n (Pediatric Quality of Life Inventory) yleiset tai tautikohtaiset lomakkeet (4), joista suomeksi on validoitu yleisosa (5). Huomionarvoista on, että PedsQL:n kehittäjä J. W. Varni on keskeinen henkilö tässä katsauksessa käsiteltävän uuden välineen kehittämisessä.

Patient-Reported Outcome Measurement Information System (PROMIS) on moderniin testiteoriaan (IRT, item response theory) ja kysymyspankitukseen perustuva elämänlaatumittaristo. Se kehitettiin yhdysvaltalaisen National Institutes of Healthin (NIH) julkisella rahoituksella vuosina 2004–2014. PROMIS:n tarkoituksena on tuottaa käytäntöön ja tutkimukseen vertailtavaa tietoa, jota voidaan yhdistää eri sairausryhmien välillä. PROMIS-viitekehys perustuu WHO:n kolmijakoon fyysisestä, psyykkisestä ja sosiaalisesta toimintakyvystä (8).

Useimmat aiemmat mittarit on kehitetty klassisella ja vain harva modernilla testiteorialla (7). Jälkimmäiseen perustuvilla mittareilla on useita etuja, muun muassa tietokonepohjainen mukautuva arviointi (CAT, computerized adaptive testing) (taulukko 1) (8,9).

Kysymyspankit 8–17-vuotiaille lapsille ja nuorille kehitettiin viidelle geneeriselle ulottuvuudelle (fyysinen toiminta, kipu, väsymys, mielenterveys ja sosiaalinen toiminta) sekä astmaan monipuolisilla laadullisilla ja määrällisillä menetelmillä (10). Pankkien osiot tunnistettiin aiemmista kyselyistä, ryhmiteltiin ja muokattiin, sekä uusia laadittiin. Pankkien kattavuutta ja ymmärrettävyyttä tutkittiin lapsilla ja nuorilla (11,12,13).

Tämän jälkeen muodostettiin iältään ja etnisesti erilaisista lapsista suuri otos (n = 4 129), jolla tutkittiin asteikkojen faktorirakenne, verrattiin PedsQL:n yleiseen ja astmamoduuliin, KIDSCREEN-52:een ja DISABKIDS-astmamoduuliin. Lisäksi poistettiin toimimattomat osiot sekä kalibroitiin osiopankit (10).

Kalibrointi tuotti osioparametrit IRT-pohjaista arviointia ja CAT:ia sekä lomakkeita varten. Niiden tarkkuus on yhtä hyvä kuin koko pankissa, lukuunottamatta uupumus-lomaketta, jossa koko pankin käyttö CAT:n avulla antaa tarkemman tuloksen (12,13,14,15,16,17,18,19). Lisäksi kehitettiin yleisen terveyden mittari PGH-7 (Pediatric Global Health) (20). Lapset ymmärtävät kysymykset hyvin, asteikot ovat yksiulotteisia koko ikäryhmässä ja niiden ääripäät erottelevat hyvin toimintakyvyn tasoja. Valmiita osiopankkeja syntyi 9; niiden osioiden määrät ja IRT-pohjainen testitieto ovat taulukossa 2.

Osioihin vastataan viimeisten 7 päivän ajalta viisiportaisilla standardoiduilla vastausasteikoilla: ei/en koskaan, harvoin, joskus, usein, melkein aina. Liikkumisen ja yläraajojen toiminnan kohdalla asteikko on: vaikeuksitta, lähes vaikeuksitta, kohtalaisin vaikeuksin, suurin vaikeuksin, en pysty tekemään. Kaikissa mittareissa käytetään samaa standardoitua T-arvoa (0–100). Se on keskitetty yhdysvaltalaiseen väestöön siten, että keskiarvo on 50 ja keskihajonta 10. Käytännössä tulokset vaihtelevat 20–80 pisteen välillä. Suuremmat arvot tarkoittavat enemmän mitattavaa oiretta/toimintakykyä.

Kysymyspankkien osioista kehitettiin 5–17-vuotiaiden lasten huoltajien osiot (21). Niistä jätettiin pois tiettyjä osioita huonomman toimivuuden (LD, local dependence; DIF, differential item function) takia. Vanhempien vastaukset ovat kohtalaisesti tai heikosti yhteydessä lasten antamiin vastauksiin (taulukko 2). Erot ovat samankaltaisia kuin on aiemmin johdonmukaisesti raportoitu: itsearvioinnin ja toisen puolesta arvioinnin välillä on huono yhtenevyys (22).

Kyse ei ole mittausvirheestä, vaan siitä, että vanhemmat eivät kykene arvioimaan lapsen tuntemuksia asioissa, jotka eivät ole konkreettisesti nähtävissä. Suurimmat korrelaatiot nähdään selvästi havainnoitavissa aiheissa, kuten fyysinen toiminta ja pienimmät sisäisiin tuntemuksiin liittyvissä, kuten tunne-elämä, kipu ja väsymys.

PROMIS-standardien mukaisessa kehittämisessä on kuvattu kattavasti mittarien sisällön, rakenteen ja kulttuurien välistä validointia sekä reliabiliteettia kuvaavat tunnusluvut. Tässä katsauksessa perehdytään lasten ja nuorten PROMIS-mittareita käsittelevään tutkimukseen mittareiden julkaisemisen jälkeen.

Aineisto ja menetelmät

Tutkimusten tuli koskea lasten ja nuorten yleistä terveyttä mittaavaa PROMIS Pediatric/Parent Proxy Global Healthiin (7 ja 7 + 2) sekä profiileihin (PROMIS Pediatric/Parent Proxy Profile 25, 37 ja 49) kuuluvia kysymyspankkeja ja niistä koottuja lomakkeita: ahdistuneisuus, masentuneisuus, liikkuminen, väsymys, kivun häiritsevä vaikutus, kaverisuhteet sekä kivun voimakkuus. Tutkimusten tuli olla vertaisarvioituja alkuperäisartikkeleita.

Tutkimuskohteena tuli olla hypoteesien testaus rakennevalidoinnissa (yhtäpitävä validiteetti, kyky erotella ryhmiä, muutosherkkyys eli validiteetti muutoksen mittaamiseen) tai tulosten tulkittavuus. Tutkittavien tuli olla 5–18-vuotiaita tai heidän vanhempiaan. Pois suljettiin tutkimukset, joissa tarkasteltiin interventioiden tuloksia tai PROMIS:ia jonkin toisen mittarin validoinnissa.

Haimme tutkimuksia Pubmed-, Medline- ja CINAHL-tietokannoista sekä Healthmeasures.net-sivuston julkaisulistasta maalis–joulukuussa 2019 (kuvio 1). Hakusanoina olivat mittarien nimien eri muodot. Käytimme TOIMIA:n hakusuodatinta, joka perustuu Terween ym. 2009 hakusuodattimeen (23). Lisäksi tarkastettiin lähdeluettelot. Kaksi tutkijaa valitsi artikkelit ensin tiivistelmien ja sitten kokotekstien perusteella. Epäselvyydet ratkaistiin kolmannen tutkijan kanssa.

Tiedot kerättiin PROM:n psykometristen ominaisuuksien tiedonkeruun ja arvioinnin COSMIN-suosituksen (Consensus-based standards for the selection of health status measurement instruments) (24) mukaan tarkastelluista mittausominaisuuksista, mittareista, otoskoosta, iästä, sukupuolesta, sairauksista ja niiden vakavuudesta, tuloksista sekä niiden tulkittavuudesta, kuten pienimmästä kliinisesti merkittävästä muutoksesta (MID, minimal important difference) sekä lattia- ja kattoefekteistä.

Tutkimusten laatu arvioitiin COSMIN Risk of Bias -tarkistuslistan kohdilla 9 ja 10 (25). Kaikki kriteerit arvioitiin asteikolla: erittäin hyvä, riittävä, epävarma ja riittämätön. Tutkimusta arvioitiin asetelmasta riippuen 3–4 kriteerillä ja kokonaislaaduksi otettiin heikoin arvio.

Vertasimme jokaista tulosta hypoteeseihin hyvien mittausominaisuuksien kriteereistä (26) (taulukko 3). Arvioimme tuloksen riittäväksi, jos tulos on hypoteesien mukainen tai kultaiseen standardiin verrattaessa AUC (Area Under Curve) ≥ 0,70, riittämättömäksi, jos tulos ei ole hypoteesien mukainen tai AUC < 0,70, tai epäselväksi, jos hypoteesia ei voitu määrittää. Sitten yhdistimme tulokset laadullisesti (24).

Jos 75 % tuloksista oli hypoteesien mukaisia, pidimme yhteenlaskettua tietoa riittävänä, muutoin riittämättömänä. Jos tulokset olivat ristiriitaisia, haimme selitystä tutkimusten menetelmien tai kohderyhmän eroista. Jos selitystä ei löytynyt, yhteenlaskettu arvio jäi ristiriitaiseksi. Jos tietoa ei ollut tarpeeksi, yhteenlaskettu arvio jäi epäselväksi.

Tämän jälkeen käytimme mukautettua GRADE-menetelmää (Grading of Recommendations, Assessment, Development and Evaluation). Näytön aste arvioitiin yhteenlasketuille tuloksille asteikolla "vahva, kohtalainen, niukka, hyvin niukka" jokaisesta mittausominaisuudesta ja PROM:sta erikseen. Lähtöoletus oli, että näytön aste on vahva.

Jos tuloksissa oli vähintään vakavan harhan mahdollisuus tai tulokset ovat joko epäyhtenäisiä, epätarkkoja tai epäsuoria, arviota madallettiin kussakin tapauksessa 1–3 asteella kohtalaiseksi, niukaksi tai erittäin niukaksi (24,25). Kriteerit näytön asteesta olivat: 1) ei harhan riskiä, jos mittausominaisuudesta on vähintään yksi laadultaan hyvä tutkimus, 2) tulokset ovat epäyhteneväisiä (–1 aste, jos alle 75 % hypoteeseista toteutui; –2 astetta, jos alle 50 % hypoteeseista toteutui), 3) epätarkkuus (–1 aste, jos n < 100; –2 astetta, jos n < 50), 4) epäsuoruus, jos konteksti ei sovellu mittausominaisuuden arviointiin.

Tulokset

Tutkimusten kuvailu

Haussa löytyi 138 artikkelia, joista sisäänottokriteerit täytti 32 (kuvio 1) (27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58). Useimmissa artikkeleissa oli arvioitu 3–8 mittaria. Profiileihin sisältyviä mittareita oli arvioitu 18–25 tutkimuksessa, yleistä terveyttä vain yhdessä ja kivun voimakkuus -kysymystä ei lainkaan.

Kohderyhmänä olivat 8–17-vuotiaat lapset ja nuoret, jotka olivat terveitä tai joilla oli kroonisia sairauksia, kuten ADHD, aivovamma, allergia, astma, autismikirjon häiriö, Crohnin tauti, CP-vamma, diabetes, dystrofia, epämuodostuma, huuli- tai suulakihalkio, idiopaattinen kampurajalka, keuhkosairaus, krooninen kipu, korkea verenpaine, lihavuus, lymfooma, mielenterveysongelma (masennus, ahdistuneisuus), munuaissairaus, nefroottinen oireyhtymä, reuma, sirppisolutauti, skolioosi, spinaalinen lihasrappeuma, syöpä, systeeminen lupus erythematosus (SLE, punahukka) tai tapaturma.

Kaikkiaan tutkimuksiin oli osallistunut 10 267 lasta tai nuorta ja 3 820 huoltajaa. Lasten täyttämiä mittareita arvioitiin 16:ssa, huoltajien täyttämiä 3:ssa ja molempien täyttämiä 5 tutkimuksessa. Kohderyhmät ja tutkimusasetelmat ovat liitetaulukossa 1.

Tutkimusten laatu

COSMIN:n mukaisesti arvioituna (liitetaulukko 2) otoksessa oli laadultaan erittäin hyviä tutkimuksia liikkumisen osa-alueelta (10/15 tutkimuksesta), ahdistuneisuudesta (10/13), masentuneisuudesta (9/13), uupumuksesta (8/13), kivun häiritsevästä vaikutuksesta (8/13), kaverisuhteista (10/14) ja yleisestä terveydentilasta (1/1). Kysymysprofiileista (profiili-37) oli vain yksi tutkimus, jonka laatu jäi epävarmaksi.

Mittausominaisuudet

Yhteenveto rakennnevaliditeetista ja muutosherkkydestä on taulukossa 4. Rakennevalidoinnissa hypoteesit vahvistettiin suurimmassa osassa mittareita, yhdistetty arvio oli riittävä ja rakennevaliditeetista saatiin vahvaa näyttöä. Vain kaverisuhteet-mittarin näyttö jäi kohtalaiseksi. Muutosherkkyydestä hypoteesit vahvistettiin riittävästi ja vahvaa näyttöä saatiin liikkuminen- ja yleinen terveys -mittareista. Muissa näyttö oli kohtalaista.

Rakennevalidoinnissa PedsQL:ia lukuunottamatta muita mittareita oli vertailumittarina vain yksittäisissä tutkimuksissa (liitetaulukko 3). PedsQL oli PROMIS:n vertailukohde 5 julkaisussa, kohderyhminä aivovamma (43), ADHD, autismikirjo, astma/allergia, diabetes, korkea verenpaine, mielenterveysongelmat (47), SLE (41), CP-vamma (29), reuma (53), huuli-suulakihalkio (56) tai syöpä (51).

Kaikissa raportoiduissa tutkimusasetelmissa PROMIS täytti odotukset vertailussa PedsQL:iin. Käytetyt mittarit erottelivat ryhmät toisistaan vertailtaessa aktiivisessa syöpähoidossa olevia syövästä selviytyneisiin (28,32,51), kroonisen munuaissairauden vaikeampaa ja lievempää muotoa (31,32), reumaa sairastavilla aktiivista ja ei-aktiivista taudin vaihetta (44,53), hyvässä ja huonossa tasapainossa olevia astmapotilaita (32), astmaa sairastavia ja terveitä (37), sirppisoluanemiaa sairastavien tuloksia kipuepisodin ja normaalitilanteen välillä (32) ja verenpainetautia, ADHD:ta tai mielenterveysongelmia potevia oireettomiin (37).

Kun verrattiin aktiivista ja ei-aktiivista munuaissairautta (27) sairastavia, liikkuminen-, ahdistuneisuus-, uupuneisuus- ja kivun häiritsevä vaikutus -mittarit erottelivat ryhmät toisistaan, mutta masentuneisuus ja kaverisuhteet eivät. Uupuneisuus-mittari erotteli anemiaa sairastavat ja ei-aneemiset (50) ja kolmessa eri hoitovaiheessa olevat syöpäpotilaat (48). Liikkuminen-, masentuneisuus- ja uupumus-mittarit erottelivat sairaalloisen lihavat ylipainoisista, mutta ahdistuneisuus, kaverisuhteet ja kivun häiritsevä vaikutus eivät (30,32). Liikkuminen- ja kivun häiritsevä vaikutus -mittarit erottelivat skolioosipotilaiden kipuryhmät toisistaan (52). Kaverisuhteet-mittari erotteli vaikeimmista autismin oireista kärsivät lieväoireisemmista (38).

Muutosherkkyyttä arvioitiin asetelmissa, joissa tarkasteltiin samanaikaisia muutoksia taudin kuvassa ja oireissa tai ankkurimittareissa (liitetaulukko 4). Kohderyhminä oli lapsia ja nuoria, joilla oli diagnosoitu astma (36,47), syöpä (49,54), sirppisoluanemia (34,49), nefroottinen oireyhtymä (45,49), CP-vamma (40), krooninen kipu (39), SLE (41) tai Crohnin tauti (33).

Tulkittavuus

Pienintä merkittävää eroa (MID) tutkittiin kahdessa tutkimuksessa (57,58) liikkuminen-, masentuneisuus-, uupumus- ja kivun häiritsevä vaikutus -mittareilla nuorten, vanhempien ja kliinikoiden arvioimana sekä nivelreuman vaikeusasteen mukaan (liitetaulukko 5). Yleisesti ottaen vanhemmat arvioivat MID:n suuremmaksi (1,3–12,7 pistettä) kuin kliinikot (0,01–5,3 pistettä).

Eri arvioitsijoiden välillä MID-arvot olivat yhtenäisimmät uupumus-mittarissa ja eniten vaihtelua oli liikkuminen- ja kivun häiritsevä vaikutus -mittareissa (57). Toisessa tutkimuksessa MID oli samansuuntainen nuorten, vanhempien sekä kliinikoiden arvioimana (noin 2 pistettä) (58).

Lattia- ja kattoefektejä arvioitiin neljässä tutkimuksessa liikkuminen-, ahdistuneisuus-, kivun häiritsevä vaikutus- ja kaverisuhteet-lomakkeilla ja CAT:lla (29,40,42,56). Yhdessä tutkimuksessa (liikkuminen, räätälöity CAT), lattiaefekti oli 15,8 % (42). Muutoin lomakkeiden ja CAT:n lattiaefekti oli 0 %. Kattoefektiä havaittiin enemmän ja se vaihteli 2,1–41,9 %. Alhaisin kattoefekti todettiin CP-vammaisilla liikkuminen-CAT:lla (40) ja korkein huuli- ja suulakihalkiopotilailla masentuneisuus-lomakkeilla (56). Eri tutkimuksissa saatujen pisteiden vaihteluvälien perusteella mittarit pystyvät havaitsemaan hajontaa.

Pohdinta

Tämä katsaus kokosi yhteen ja arvioi tutkimuksia lasten ja nuorten PROMIS-mittarien rakennevalidoinnista, niiden kyvystä erotella olennaisia ryhmiä ja havaita muutoksia sekä kliinistä käytettävyyttä. Arvioinnissa käytettiin COSMIN-kriteereitä, jotka asettavat psykometrisiä ominaisuuksia arvioiville tutkimuksille erittäin tiukat laatuvaatimukset.

Tutkimukset osoittivat, että PROMIS on pätevä geneerinen mittaristo ja toimii myös sairausspesifisesti. Puolet tutkimuksista oli laadultaan erittäin hyviä ja niiden perusteella PROMIS-mittarit osoittautuvat vahvoiksi sekä toimivat yhtä hyvin tai paremmin kuin vertailumittarit. Mittarit myös erottelevat pääsääntöisesti ryhmiä toisistaan sekä näyttivät havaitsevan erilaisissa kohderyhmissä tapahtuneita muutoksia. Tulkittavuutta ja käytettävyyttä lisää se, että tulokset eivät kasaudu asteikon ääripäihin.

Näyttö mittausominaisuuksista kertyy tutkimusten mukana. Tuloksiin vaikuttavat aina kohderyhmä ja mittaukselle asetetut hypoteesit esimerkiksi ryhmien välisistä eroista tai odotetusta muutoksesta (24). Muutosherkkyyttä sekä kliinisesti merkitsevän muutoksen suuruutta eri kohderyhmissä oli tutkittu vielä vähän. Kliinisesti merkitsevän muutoksen tulokset myös vaihtelevat riippuen siitä, tekeekö arvion lapsi tai nuori itse, vanhempi tai kliinikko. Tarvitaankin sellaisia tutkimuksia kliinisesti merkittävien muutosten raja-arvoista, joissa havaittu merkittävä muutos määritellään tarkasti.

PROMIS-mittareilla on selkeä kliininen hyöty sekä potilaille että ammattilaisille: Potilas voi helposti kertoa voinnistaan ja ammattilaiset voivat seurata muutoksia hoitoprosessin aikana. PROMIS soveltuu eri sairausryhmissä hoidon terveyshyödyn ja vaikuttavuuden arviointiin sekä kuntoutuksen kansalliseksi lasten ja nuorten mittaristoksi (59).

PROMIS-mittaristolla on etuja verrattuna muihin mittareihin. Yleinen terveys -mittarissa on neljä samaa kysymystä kuin aikuisilla. Aikuisten kysymyspankit samoista aiheista on linkitetty lasten pankkeihin (60). Linkityskertoimilla voi laskea aikuisten tuloksia lasten mittareista ja päinvastoin (61). Tämä voi johtaa tarkempaan mittaamiseen, kun kohderyhmä on koko elämänkaaren ajalta tai kun vaaditaan vertailtavia tuloksia eri-ikäisenä. Aikuisilla seitsemän PROMIS-mittarin tuloksista voi laskea preferenssipohjaiset tulokset (PROMIS-Pr) (62) – toivottavasti tämä kehitetään myös lapsille ja nuorille.

Yhdysvalloissa vastaaminen hyödyntäen CAT-toiminnallisuutta on arkea ja tulokset saadaan suoraan asiakkaan ja ammattilaisen näytöille. Kliinistä käytettävyyttä ja potilasmyöntyvyyttä tukee, että osiot ovat ymmärrettäviä, helppoja ja nopeampia vastata (ajan tarve noin 0,5–2 minuuttia/asteikko) kuin muissa mittareissa (17,41). Lapsi jaksaa vastata useisiin mittareihin ja saadaan laaja toimintakykyprofiili, jossa yksittäiset tulokset voidaan tulkita samalta standardoidulta asteikolta.

Euroopan maista Hollannissa osiopankkien käyttöönotto on pisimmällä. Muissa maissa käyttöönoton esteenä on huono tunnettuus sekä käännösten ja CAT:n puute. Ruotsissa käännös- ja validointityö on valmistumassa ja lasten syöpärekisteri suunnittelee profiilien käyttöön ottamista. Suomessa useiden lomakkeiden käännökset ovat valmistumassa ja ne otetaan ensimmäisenä käyttöön lasten ja nuorten syöpien laaturekisterissä Turun yliopistollisessa keskussairaalassa.

Katsauksen heikkoutena on, että se rajoittuu ajallisesti. Analyysimme jälkeen on julkaistu useita tutkimuksia, muun muassa lasten unimoduulin käyttökelpoisuudesta syöpähoitoa saavilla lapsilla (63), sekä useamman PROMIS-mittarin hyvästä kyvystä erotella Crohnin taudin vaikeusasteita (64).

Johtopäätöksenä on, että lasten ja nuorten PROMIS-mittarit ovat yhtä päteviä ja muutosherkkiä kuin vertailumittarit. Niitä voidaan hyödyntää lasten ja nuorten toimintakykyprofiilin muodostamisessa kliinisessä ja tutkimustyössä erilaisissa kohderyhmissä. Jatkotutkimusta tarvitaan muutosherkkyyden ja kliinisesti pienimpien merkitsevyystasojen määrittämiseksi eri kohderyhmissä sekä suomalaisten viitearvojen muodostamiseksi.