Aqui explicamos como e por que a escala MHQ é construída, incluindo abordar questões comuns, como por que o MHQ usa uma escala negativa-positiva, como 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 era ter uma pontuação onde um desvio de dez pontos na escala de qualquer lugar em qualquer direção tivesse um significado funcional semelhante. Por significado funcional referimo-nos à capacidade de realizar o seu trabalho ou tarefas diárias.

Então, primeiro, vamos olhar para o resultado final. Este gráfico (Figura 1) mostra duas medidas – 1) o número médio de dias que uma pessoa faltou ao trabalho no mês anterior à realização do MHQ em comparação com a 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 o seu trabalho ou tarefas diárias, mesmo que fosse trabalhar mostrada a vermelho. Como você pode ver, este último é basicamente uma linha reta, o que significa que sua capacidade de funcionar em termos de seu tempo produtivo muda aproximadamente o mesmo onde quer que você comece e se mova na escala. Durante os dias trabalhados, a relação é diferente, sugerindo que as pessoas muitas vezes ainda vão trabalhar, mas simplesmente não são capazes de fazer as coisas.

Figura 1: Relação entre a pontuação MHQ e a função

Então, como chegamos aqui?

Pontuações que simplesmente medem as classificações de resposta não podem fazer isso

A maioria das avaliações que pontuaram respostas em uma escala de classificação simplesmente somam as pontuações nas perguntas e relatam 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 ser igualmente incapacitados funcionalmente. Para entender por que isso é problemático, considere a analogia com a doença física. Se fôssemos aumentar a média das pontuações de classificação em todos os problemas físicos, alguém cujo único sintoma fosse dificuldade respiratória grave 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 é provavelmente pior funcionalmente e tem uma probabilidade muito maior de morrer do que a segunda pessoa. O mesmo se aplica à 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 avaliado de forma diferente. No entanto, isso não resolve o problema se houver uma série de sintomas que atendam a um alto limiar de importância funcional. O desafio é, portanto, como escolher as pessoas com alguns desafios significativos e distinguir os desafios mais sérios dos desafios menos sérios?

Então, agora que você sabe o que estamos resolvendo, vamos orientá-lo através da lógica do algoritmo de pontuação MHQ abaixo.

Etapa 1: Categorizar 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 aspetos 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 aspetos mentais que são puramente problemáticos, ou seja, uma escala unidimensional de gravidade de impacto. (escala do problema abaixo)

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

Primeiro, invertemos a escala de problemas para que um número menor seja pior para alinhá-la com a direção da escala de espectro. Todos os elementos mentais são então estratificados em três grupos de gravidade. Isto traduz-se em três limiares diferentes nas escalas de notação para o que considerar «negativo».

Entre os 47 elementos, categorizamo-los por três níveis de gravidade funcional com base nas suas potenciais consequências. Claro, isso começa com um melhor julgamento de quais elementos categorizar em qual nível que podem ser otimizados. Para cada um desses três níveis, estabelecemos um limiar 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 altos e baixos normais da vida.

Pensamentos suicidas, por exemplo, estariam em um balde severo e em uma classificação de 1-9 teriam um limiar mais baixo de dizer >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, mudamos a escala de tal forma que, em vez de 1-9, ela se torna uma escala negativa-positiva, onde 0 é o limiar entre negativo e positivo. A figura 3 apresenta um exemplo ilustrativo de três níveis de problemas.

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

Por que ter números negativos que 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. No entanto, não é estritamente necessário mudar essa maneira. Isto é mais para a forma como queremos comunicá-lo.

Passo 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 se move para o final da escala negativa, mais negativo ele se torna na pontuação transformada. Essencialmente, ele 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 até mesmo alguns elementos negativos sérios realmente altos, isso pode esbarrar em uma pontuação negativa, mesmo que você esteja indo bem em tudo o resto. A distribuição transformada então passa da distribuição normal que você obtém se você apenas somar todas as pontuações para uma distribuição de cauda longa (Figura 5).

Figura 5: Distribuição dos escores da soma bruta pela população em comparação com a distribuição dos escores da soma transformada (após a mudança e transformação não linear da escala)

Etapa 3: Normalizando a escala
Agora criámos artificialmente esta cauda longa para garantir que escolhemos todas as pessoas que estão a lutar seriamente com uma ou mais coisas. Não é que as pessoas sejam 3 ou 4 vezes mais doentes mentais do lado esquerdo. (Pense assim: o quão doente você está não é sobre quantas doenças ou sintomas você tem. Se você tem câncer você está doente, se você tem insuficiência cardíaca você está doente, Se você tem qualquer doença grave você ainda está doente, alguém com câncer terminal e insuficiência cardíaca não é realmente funcionalmente mais doente do que alguém com câncer terminal). Além disso, não é útil assustar as pessoas com números realmente baixos. Como trazer isso de volta à gama funcional?

Conseguimos isso normalizando de forma diferente os lados negativo e positivo da distribuição, de modo que o lado positivo da escala varia de 0 a 200 e o lado negativo varia de -1 a -100. Essencialmente, estamos esmagando de volta a longa cauda negativa da distribuição à esquerda da linha 0 na distribuição transformada acima, de modo que 99% estão entre -1 e -100. Isso faz com que a distribuição pareça assim. Aqueles que estão nesse último 1% apenas são forçados a -100, então em nossos dados globais a última barra será um pouco maior. Usamos o valor de 99% para normalizar, porque se normalizarmos por esse último 1% que se estende muito longe, ele esmaga 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 obtidos em 2019 da população de língua inglesa dos EUA, Reino Unido e Índia, de modo que a média numérica da população (não os modos) foi de 100. Isto constitui então um ponto de referência no futuro. O pico negativo tornou-se maior 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 parecendo ter certeza, mas uma distribuição suave não é o ponto. O que queremos é equivalência funcional de turnos ao longo da escala – o que conseguimos. Além disso, 89% daqueles que têm escores negativos mapeiam pelo menos um distúrbio conforme definido pelo DSM (em comparação <com 1% na faixa positiva), e em geral aqueles com escores negativos têm cerca de 5 ou mais ‘sintomas’. Então, nesse sentido, a separação negativo-positivo também tem uma relevância clínica.