康复测量属性：信度、效度、测量误差与响应性
区分康复与运动评估中 reliability、validity、measurement error、responsiveness 等测量属性，避免把可重复、准确与能检测变化混为一谈。
[!info] related notes
- 所属 MOC:
- 相关概念:
- 易混淆概念:
- 相关资源:
康复测量属性：信度、效度、测量误差与响应性
范围
一个测试“能给出数字”不代表这个数字适合用于判断个体状态或变化。
评估工具至少要区分几个不同问题：
它测的是我要测的东西吗？ → validity
重复测量足够稳定吗？ → reliability
数字本身有多大随机/系统误差？ → measurement error
真实发生变化时它能检测出来吗？ → responsiveness这些问题不能互相替代。
Validity：测到的是目标构念吗
Validity 关注测量结果是否能够合理代表目标 construct。
例如你真正想知道的是：
physical function就不能因为某个单项力量测试容易测，就默认它等于整体 physical function。
COSMIN 特别强调，选择 outcome measurement instrument 前要先明确到底想测什么 construct。对于 PROM，content validity 是非常基础的一层：题目是否相关、完整并且可理解。
Reliability：没变化时能否得到相近结果
Reliability 关注在被测对象没有真实变化时，重复测量是否足够稳定。
常见维度包括：
- test-retest；
- intra-rater；
- inter-rater；
- 某些量表中的 internal consistency。
需要注意：
high reliability
≠ no measurement error
≠ high validity一个方法完全可能“每次都很稳定地测错”。
Measurement Error：变化可能只是噪声吗
Measurement error 是不能归因于 construct 真实变化的系统误差和随机误差。
实际追踪时最重要的问题之一是：
本次 5° / 5 N / 5 分的变化
到底是真实变化
还是测量波动？因此 longitudinal monitoring 不应该只保存当前值，还应该尽量知道该工具和协议对应的误差范围。
常见统计概念包括：
- SEM：Standard Error of Measurement；
- MDC / SDC：Minimal / Smallest Detectable Change；
- Limits of Agreement。
它们和“最小有意义变化”不是同一个概念。
Responsiveness：真实变化时能不能看出来
Responsiveness 关注一个 instrument 对随时间发生的目标构念变化是否敏感。
所以一个适合 baseline classification 的测试，不一定适合 outcome tracking。
例如：
测试可以区分 A 与 B 两类人不等于：
测试可以可靠检测同一个人 4 周后的微小变化Relative Reliability 与 Absolute Reliability
相对可靠性关注个体在群体中的排序或区分是否稳定，常见指标如 ICC。
绝对可靠性更关注数字误差本身，例如 SEM、MDC/SDC。
对于 BodySense 的个体 longitudinal tracking，后者尤其重要，因为系统最终需要判断：
这个用户真的变化了吗？
而不仅是：
这个工具在群体研究中 ICC 很高吗？
Measurement Property 是协议相关的
不能把可靠性写成某个工具永恒不变的属性。
结果往往会受到：
- body region；
- tested movement；
- population；
- examiner；
- positioning；
- stabilization；
- instrument；
- repeated-trial aggregation；
- measurement interval
影响。
因此知识库更合理的表达是：
instrument + protocol + population + outcome
→ measurement property evidence而不是：
“goniometer 很可靠”对 BodySense 的数据契约含义
未来 assessment evidence 可以保留：
assessment_id: ...
construct: hip_internal_rotation_rom
instrument: universal_goniometer
protocol_version: ...
value: 32
direction: degree
rater_type: self | clinician | computer_vision
measurement_context: ...而测量属性证据属于外部知识：
reliability:
population: ...
protocol: ...
estimate: ...
measurement_error: ...
responsiveness: ...
source_id: ...不要把群体层面的 reliability 自动变成当前用户 observation 的 certainty。