可靠的、具有实用价值的心理健康测评工具是指导临床诊疗、研究和政策制定的必要条件。然而，很多常用工具的概念基础已经过时，开发过程缺乏相关方参与，且使用超出了预设范围，甚至造成了意想不到的负面影响。

本项10月26日在线发表于Aust N Z J Psychiatry.的专家观点文章中，作者归纳了当前心理健康测评工具的五类主要局限，并以多种常用量表为例，说明这些局限如何损害构念效度、降低临床实用性，并使患病率、结局和服务效果的估计出现偏差。

作者指出，改善心理健康测评需要各方共同设计、充分考虑使用情境且符合具体用途的工具，使其与当代概念及不同人群的需求相适应。以下简要介绍作者归纳的五项局限性。

如今，我们对心理健康的认识较过去已有很大的拓展。然而，不少量表仍停留在早年开发时的疾病观念上。监管部门、服务机构和资助方要求继续使用既有工具，对新工具则较为谨慎。为统一数据、方便比较而保留旧工具，有时会牺牲测评质量。

例如，当年研发汉密尔顿抑郁量表（HAM-D），是为了评估严重忧郁型抑郁住院患者的病情及抗抑郁疗效；该量表对躯体症状关注颇多，对认知和情感症状着墨较少。贝克抑郁量表（BDI）则来自精神动力学治疗中的临床观察。两者侧重点不同，却都带有当时的印记，对情感迟钝等特征反映得不够充分。

后来的BDI-II修订了症状内容，采用两周回顾期，使其更贴近DSM-IV的重性抑郁诊断标准。然而，此举仍是在既有基础上加以调整，并未全面重建概念。BDI-II的心理测评学依据较为充分，但使用固定的一组症状和相加后的总分表示严重度，仍不足以反映抑郁的多维性和个体差异。

一个量表看上去是否在测它声称要测的东西，属于表面效度的范畴。人们往往更看重信效度的统计指标，反而忽视了这一点。条目如果让使用者感觉不贴切，就可能影响其接受、信任和参与意愿，数据质量也会受影响。

开发量表需要不同人的经验。此时可以借用「4L」框架，即吸收患者的亲身经历（lived），家属、伴侣及支持者的陪伴经历（loved），临床人员和服务提供者的工作经验（laboured），以及研究、教学人员的专业知识（learned）。这些人群可以重叠，也可以参与概念界定、条目编写、预测试及应用评价，判断问卷是否易懂、可接受，填写负担是否合理。

大体功能评定量表（GAF）的一个问题，是将症状严重度和功能放进同一个分数，致使两者不容易分清。社会及职业功能评定量表（SOFAS）试图避开症状的干扰，但仍以一个分数概括功能。事实上，即便得分相同，患者的人际关系、工作学习和日常生活能力未必处在同一水平。已有研究显示，医生的GAF评分与患者自评的症状、残疾及生活质量相关性很低。

世界卫生组织残疾评定量表2.0（WHODAS 2.0）曾在19个国家开展现场试验，但该工具并未与精神疾病患者共同设计。一些条目询问的事项，如「站立30分钟」，未必能反映这类患者的功能困难；要求受评者判断困难由哪种疾病引起，在复杂的临床情况下也不容易做到。未就业或未就学者的工作、学习条目会被跳过，功能受损的信息可能因此漏掉。自知力有限者使用自评工具，临床上能从中获得的信息也可能受限。

很多量表是在受过教育的西方成年人中开发和验证的。换到其他年龄或文化背景下或用于少数群体时，常常没有充分地重新验证。12至25岁的年轻人就是一个例子：适合这一发育阶段的专门工具不足，给治疗反应和结局评估带来困难。有学习障碍、注意缺陷障碍或孤独症谱系障碍的人，体验和表达心理痛苦的方式也可能不同；现有量表的用语、作答形式及其预设未必适合他们。

文化差异还会影响症状的解释。阳性与阴性症状量表（PANSS）依照西方精神医学框架编制，某些文化所认可的灵性体验或特殊信念，在另一文化中则可能被当作病理现象。研究者发现，不同文化下的PANSS条目分、分量表分和总分均有差异。这些差异可能与译本和原版的等价性不足有关，也涉及文化对条目理解及评分的影响，因而给组间分数的解释带来困难。

此外，西方工具也难以充分反映原住民重视整体及关系的社会与情感健康观念。例如，澳大利亚部分原住民男性将抑郁理解为「Kurunpa spirit」的虚弱或受损，较少关注无望感和躯体症状。面向原住民的PHQ-9已有文化适配版本，使用了与精神力量减弱、愤怒、担忧、思乡等有关的条目。

使用场景的差异也可能带来问题。例如，国家健康结局量表（HoNOS）开发于二十世纪九十年代中期，用于评估专科服务中严重精神疾病患者的健康和社会功能，后来也经常用于社区，包括症状较轻、刚出现症状或症状处于阈下水平的人。住院与社区对日常生活活动的评定可能存在偏差，结果也就不容易比较。有些分数差异看似说明需求或服务效果不同，实际可能来自测评本身的局限性。

1. 过度病理化

凯斯勒心理困扰量表（K10）原本用于在人群调查中筛查心理痛苦，其分数还常被当作精神障碍的指标。然而，丧失、创伤或社会经济困境带来的痛苦可能是与处境相称的反应。如果将这样的痛苦直接视为精神障碍，患病率估值就可能偏高，也可能给人贴上不恰当的标签，甚至带来不合适的干预。

2. 筛查工具使用不当

一个量表的界值设在哪里、筛查谁、在哪种场景中使用，以及拿什么作参照，都会影响筛查结果。以人格障碍为例，有些特征可能与自我协调，患者也可能不了解这些特征造成的影响，用K10这样的心理痛苦量表代替诊断并不合适。

使用PHQ-9筛出的抑郁病例会比诊断访谈所确诊的多很多。一项纳入17,357人的个体参与者数据Meta分析发现，以针对抑郁症的半结构化或结构化访谈为基准，PHQ-9的阳性预测值仅为24%至66%，即筛查阳性者中只有24%至66%经访谈确诊为抑郁症。即便PHQ-9筛出阳性结果，仍需诊断性访谈确认。至于筛查工具能否用于诊断分类，能否敏感地反映病情变化，也不能想当然地认为「没问题」。

3. 过度依赖自评

自评问卷的确更省时间，但一次填表很难充分反映症状的起伏和情境变化。有人天生容易赞同题干所说内容，还有人自知力不足，这些都可能影响回答。与诊断访谈不同，固定问卷不能继续追问，不能澄清回答，也缺少临床判断的参与。问卷格式还可能妨碍深入交流，致使一些社会因素被忽略，因而不能取代全面评估。

4. 简短未必更好

缩短量表可以减轻作答负担，但也可能丢失重要内容。本文作者团队在主动求助的年轻人中发现，PHQ-2、GAD-2虽与完整版本高度相关，且内部一致性良好，但两者分别存在疑似抑郁识别不足、疑似焦虑识别过多的问题。

将各条目得分相加，通常隐含着一个假设：这些条目反映同一种心理特征，因此可以用总分概括其程度。然而，不少量表混合了认知、情感和躯体等不同领域；作者团队研究发现，K6、PHQ-9和GAD-7并非单一维度量表，只看总分的合理性存疑。

显然，相同的总分可以来自差异很大的症状组合，从而掩盖制定治疗计划所需的信息。简单相加还默认各症状对严重度贡献相同，忽略条目在不同人群中的表现及权重差异；快感缺失、自杀意念等症状可能具有更突出的临床或预后意义。总分还有可能掩盖特定症状领域随时间的变化，降低对有临床意义变化的敏感性。

作者建议，选择心理健康测评工具时，需要回顾该工具研发的初始目的，审视内容和表面效度、适用人群及场景、计分依据，听取使用者意见，并考虑语言、文化及可及性。研发新量表则需充分明确学术概念，及早邀请患者和专业人员参与，持续投入并定期修订，兼顾与既有数据的可比性。

文献索引：Cotton SM, Jackson HJ, Filia KM. Time to face the music: Mental health measures are failing us. Aust N Z J Psychiatry. 2026 Oct 26:48674261496100. doi: 10.1177/00048674261496100. Epub ahead of print. PMID: 42934491.

点击「阅读原文」可查看及检索历史文章。