Aqui, explicamos como e por que a escala MHQ é construída, incluindo questões comuns, como por que o MHQ usa uma escala negativa-positiva, conforme mostrado abaixo, e por que ela tem uma distribuição bimodal em toda a população.

O objetivo do MHQ

O objetivo final na construção do MHQ foi ter uma pontuação em que um deslocamento de dez pontos na escala de qualquer lugar em qualquer direção tenha significado funcional semelhante. Por significado funcional, nos referimos à capacidade de realizar seu trabalho ou tarefas diárias.

Então, primeiro, vamos dar uma olhada no resultado final. Este gráfico (Figura 1) mostra duas medidas – 1) o número médio de dias que uma pessoa faltou ao trabalho no mês anterior ao MHQ em relação à pontuação do MHQ mostrada em azul (apenas pessoas empregadas) e 2) o número médio de dias no mês anterior à avaliação em que a pessoa faltou ao trabalho ou não conseguiu realizar seu trabalho ou tarefas diárias, mesmo que fosse trabalhar mostrado em vermelho. Como você pode ver, o último é basicamente uma linha reta, o que significa que sua capacidade de funcionar em termos de tempo produtivo muda da mesma forma, onde quer que você comece e se mova na escala. Nos dias trabalhados, o relacionamento é diferente, sugerindo que as pessoas muitas vezes ainda vão trabalhar, mas simplesmente não conseguem fazer as coisas.

Figura 1: Relação entre o escore MHQ e a função

Então, como chegamos aqui?

Pontuações que simplesmente calculam a média das classificações de resposta não podem fazer isso

A maioria das avaliações que pontuaram as respostas em uma escala de classificação simplesmente soma as pontuações das perguntas e relata uma média. Um grande problema com isso é que alguém que está no meio do caminho em todos os elementos classificados terá a mesma pontuação que alguém que tem alguns problemas muito graves em algumas áreas e nenhum problema em outras. Outro problema é que uma pessoa com apenas alguns problemas graves terá uma pontuação menor do que uma pessoa com um número maior de problemas graves, embora ambos possam estar igualmente incapacitados funcionalmente. Para entender por que isso é problemático, considere a analogia com a doença física. Se fôssemos calcular a média das pontuações de classificação em todos os problemas físicos, alguém cujo único sintoma fosse dificuldade respiratória severa teria uma pontuação mais baixa do que alguém que tivesse vários sintomas moderados de febre, tosse, resfriado, dor no corpo e assim por diante. No entanto, a pessoa com dificuldade respiratória provavelmente está em pior situação funcional e tem uma probabilidade muito maior de morrer do que a segunda pessoa. O mesmo vale para a saúde mental. A capacidade funcional não é realmente sobre o número de sintomas. Em vez disso, é sobre quais sintomas você tem e quão graves eles são.

Agora você pode pensar que pode corrigir isso ponderando cada elemento classificado de forma diferente. No entanto, isso não resolve o problema se houver vários sintomas que atendam a um alto limiar de importância funcional. O desafio é, portanto, como você escolhe pessoas com alguns desafios significativos e distingue os desafios mais sérios dos desafios menos sérios?

Agora que você sabe o que estamos resolvendo, vamos orientá-lo na lógica do algoritmo de pontuação do MHQ abaixo.

Etapa 1: Categorizando os sintomas por gravidade e limiar
negativo-positivoLembre-se de que o MHQ avalia 47 elementos mentais em uma escala de impacto na vida que abrange sintomas de dez grandes transtornos de saúde mental, conforme definido pelo DSM, bem como aspectos positivos da função mental. Usamos duas escalas de classificação de 1 a 9 (Figura 2), uma para elementos mentais que podem ter impacto positivo e negativo (escala de espectro acima) e outra para aspectos mentais que são puramente problemáticos, ou seja, uma escala unidimensional de gravidade do impacto. (escala do problema abaixo)

Figura 2: Escalas de classificação para itens de espectro (acima; por exemplo, autoestima e confiança) e problema
itens (por exemplo, pensamentos e intenções suicidas)

Primeiro, invertemos a escala do problema para que um número menor seja pior para alinhá-lo com a direção da escala do espectro. Todos os elementos mentais são então estratificados em três grupos de seriedade. Isso se traduz em três limites diferentes nas escalas de classificação para o que considerar ‘negativo’.

Nos 47 elementos, nós os categorizamos por três níveis de gravidade funcional com base em suas possíveis consequências. Claro, isso começa com um melhor julgamento de quais elementos categorizar em qual camada que podem ser otimizados. Para cada um desses três níveis, definimos um limite de classificação diferente no qual consideraríamos a pessoa em um domínio negativo de funcionamento. Essencialmente, a ideia é que esse limiar negativo distingue aqueles que estão angustiados ou lutando em um nível que requer intervenção para ajudá-los a funcionar melhor daqueles que estão simplesmente gerenciando os altos e baixos normais da vida.

Pensamentos suicidas, por exemplo, estariam em um balde grave e em uma classificação de 1 a 9 teriam um limite mais baixo de, digamos >, 4 para serem chamados como estando em uma categoria ‘negativa’. Por outro lado, você teria que ter uma classificação muito mais severa em algo como Inquietação para ser considerado na faixa negativa. Em seguida, deslocamos a escala de modo que, em vez de 1-9, ela se torne uma escala negativa-positiva, onde 0 é o limite entre negativo e positivo. Um exemplo ilustrativo para três níveis de problemas é mostrado abaixo na Figura 3.

Figura 3: Escala alterada para três níveis de gravidade crescente dos problemas

Por que ter números negativos, você pode perguntar? Por que não ter apenas números positivos? Usamos a distinção negativo-positivo como uma forma de escolher aqueles que seriam considerados em um domínio negativo de funcionamento e precisam de ajuda ou intervenção. Não é estritamente necessário mudar dessa maneira. Isso é mais para a maneira como queremos comunicá-lo.

Etapa 2: Amplificação não linear da escala
Em seguida, aplicamos uma transformação não linear à escala que amplifica as pontuações que estão na extremidade negativa.

Figura 4: A transformação não linear da escala torna os valores negativos mais negativos

Isso significa que cada ponto de classificação que você move para o final da escala negativa, mais negativo ele se torna na pontuação transformada. Essencialmente, estende o lado negativo das pontuações em comparação com o lado positivo Agora, uma vez que essa transformação é feita, as pontuações são somadas e, se você tiver alguns elementos negativos sérios realmente altos, isso pode esbarrar em uma pontuação negativa, mesmo se você estiver indo bem em todo o resto. A distribuição transformada então vai da distribuição normal que você obtém se você apenas somar todas as pontuações para uma distribuição de cauda longa (Figura 5).

Figura 5: Distribuição das pontuações da soma bruta em toda a população em comparação com a distribuição das pontuações da soma transformada (após deslocamento e transformação não linear da escala)

Etapa 3: Normalizando a escala
Agora criamos artificialmente essa cauda longa para garantir que escolhemos todas as pessoas que estão lutando seriamente o suficiente com uma ou mais coisas. Não é que as pessoas estejam realmente 3 ou 4 vezes mais doentes mentalmente na extremidade esquerda. (Pense assim: o quão doente você está não é sobre quantas doenças ou sintomas você tem. Se você tem câncer, está doente, se tem insuficiência cardíaca, está doente, se você tem alguma doença grave, ainda está doente, alguém com câncer terminal e insuficiência cardíaca não está realmente mais doente funcionalmente do que alguém com câncer terminal). Além disso, não é útil assustar as pessoas com números muito baixos. Como trazemos isso de volta à faixa funcional?

Conseguimos isso normalizando de forma diferente os lados negativo e positivo da distribuição, de modo que o lado positivo da escala varie de 0 a 200 e o lado negativo varie de -1 a -100. Essencialmente, estamos esmagando a longa cauda negativa da distribuição à esquerda da linha 0 na distribuição transformada acima, de modo que 99% estejam entre -1 e -100. Isso faz com que a distribuição fique assim. Aqueles que estão no último 1% são forçados a -100, portanto, em nossos dados globais, a última barra será um pouco mais alta. Usamos o valor de 99% para normalizar porque, se o normalizarmos pelo último 1% que se estende muito longe, ele comprime a maioria dos dados em poucos compartimentos.

Figura 6: Escores do MHQ obtidos após a normalização dos lados negativo e positivo dos escores da soma transformada

Observamos que essa pontuação foi calibrada em um conjunto de dados obtido em 2019 da população de língua inglesa dos EUA, Reino Unido e Índia, de modo que a média numérica da população (não os modos) era de 100. Isso forma um ponto de referência daqui para frente. O pico negativo aumentou desde a pandemia, com médias numéricas globais agora em 66. Você pode olhar para a Figura 1 para ver o que isso significa em termos funcionais.

A distribuição é estranha para ter certeza, mas uma distribuição suave não é o ponto. O que queremos é a equivalência funcional de mudanças ao longo da escala – o que conseguimos. Além disso, 89% daqueles que têm pontuações negativas são mapeados para pelo menos um distúrbio, conforme definido pelo DSM (em comparação com <1% na faixa positiva) e, em geral, aqueles com pontuações negativas têm cerca de 5 ou mais ‘sintomas’. Portanto, nesse sentido, a separação negativo-positivo também tem relevância clínica.