目的对腹膜透析照顾者负担量表(Peritoneal Dialysis Care Burden Questionnaire,PDCBQ)进行汉化和信效度检验。方法采用改良版Brislin翻译模型对量表进行翻译、综合、回译、专家检译、原作者审核、文化调试和预调查,形成中文版PDCBQ。...
详细信息
目的对腹膜透析照顾者负担量表(Peritoneal Dialysis Care Burden Questionnaire,PDCBQ)进行汉化和信效度检验。方法采用改良版Brislin翻译模型对量表进行翻译、综合、回译、专家检译、原作者审核、文化调试和预调查,形成中文版PDCBQ。采用便利抽样法,选取2024年1月—4月在天津市某三级甲等综合医院腹膜透析中心复诊的274名腹膜透析患者的照顾者作为调查对象,验证量表的信效度。结果中文版PDCBQ包括患者依赖度、主观负担、客观负担3个维度,共30个条目。探索性因子分析提取3个公因子,累计方差贡献率为77.366%。验证性因子分析结果显示,卡方/自由度比值为2.415,规范拟合指数为0.919,相对适配指数为0.903,卡方准则结合增值拟合指数为0.951,非规范拟合指数为0.941,比较拟合指数为0.950,近似误差均方根为0.072,结构方程拟合度良好。该量表的Cronbach’sα系数为0.984,量表条目水平的内容效度为0.875~1.000;总的折半信度和重测信度分别为0.975、0.984。结论中文版PDCBQ具有良好的信效度,可用于国内腹膜透析照顾者负担状况的调查。
传统代理模型技术在处理高维问题时,由于变量维数增加使得建模所需样本数量呈指数型增长,将导致计算成本显著提高。为了构建适用于高维问题的代理模型,在DIRECT优化算法基础上,改进其初始样本点位置,实现初始样本集的扩充,并将克里金(Kriging)建模方法与高维代理模型(High-dimensional model representation,HDMR)相结合,这样可避免建立的模型陷入局部最优,提出一种改进的Kriging-HDMR建模方法。iKriging-HDMR建模方法利用高维代理模型的优点,将高维问题的响应函数等效为一系列低维函数的叠加,发挥iKriging-HDMR建模方法的优势以减少建模过程所需样本点个数,提出一种新的收敛条件,从而减小代理模型的局部误差以保证建立的代理模型具有较高的精度。通过数值算例和机器人工程应用,验证了提出方法的有效性。结果表明,所提出的iKriging-HDMR建模方法可显著减少建模所需样本点数量,具有很好的计算精度和效率。
暂无评论