TRATADO DE PSIQUIATR A

C apítulo 5

Guías para la descripción y la selección

de instrumentos de evaluación en psiquiatría
L. Salvador Carulla, R. Velázquez Martínez, F. González Saiz

¿Qué diferencias dan origen a la discordia y al enojo? Si discrepamos sobre un

número... ¿no recurrimos inmediatamente a la aritmética, y ponemos fin a la polémica
mediante una suma?... si discrepamos sobre magnitudes, ¿no lo solventamos con una
medición?... ¿No acabamos una discusión sobre lo pesado y lo ligero utilizando
una balanza?... Las discordias surgen cuando la raíz de las diferencias está en
lo que es justo o injusto, malo o bueno, honorable o deshonroso.

Platón. Eutifro

INTRODUCCIÓN metría ha constituido el otro gran pilar de la disci-

plina, aportando las técnicas de validez de criterio
ras la Segunda Guerra Mundial el desarrollo (basada en parámetros externos) que se aplicaron an-

T de la epidemiología psiquiátrica y la psicofar-

macología originó una enorme demanda de
medidas estandarizadas para la cuantifica-
ción de la psicopatología. En las décadas siguientes
fue creciendo el número de instrumentos disponibles
y su diversidad, a medida que se ampliaba su ámbito
de aplicación a todo el rango de actividades relacio-
nadas con la salud mental, desde la medición de la
calidad de vida y la carga familiar hasta las necesida-
des de servicios. En este desarrollo, parejo al ocurri-
do en otras áreas de la medicina, tuvo una gran im-
portancia la psicometría de orientación psicológica.
A ella se deben los fundamentos de esta nueva disci-
plina y los principios del desarrollo y de la construc-
ción de escalas. Sin embargo, conviene recordar que
la psicometría tradicional se asentó sobre un modelo
de constructo, descartando la aplicación de paráme-
tros externos para verificar la cuantificación de los fe-
nómenos observados, y equiparando la validez y la
fiabilidad de una escala a su consistencia interna. La
aplicación de un marco conceptual sólido pero exce-
sivamente estrecho ha supuesto una confusión termi-
nológica que aún perdura (Salvador Carulla, 1996), y
ha condicionado el desarrollo del área al igual que el
marco psicoanalítico condicionó el progreso de la
psiquiatría en la primera mitad de este siglo. La bio-
teriormente en la calibración de aparatos de labora-
torio y de diagnóstico, como la mamografía o las téc-
nicas de recuento leucocitario. La psiquiatría y
epidemiología clínica, por su parte, han efectuado al-
gunas aportaciones fundamentales en cuanto a la
aplicación de las técnicas de validez (p. ej., estandari-
zación del GHQ) y de fiabilidad externa (p. ej., aplica-
ción de índice de acuerdo Kappa). De hecho las disci-
plinas clínicas y la aplicación práctica de los sistemas
que aquí se exponen, han ampliado enormemente el
marco conceptual aportado por la psicometría tradi-
cional. Sin embargo, las distintas aportaciones aún
no se han estructurado de una forma coherente en
un cuerpo de conocimiento que permita un abordaje
sistemático de la construcción y evaluación de los ins-
trumentos de medida en salud mental.
Hoy en día, la ingente cantidad de literatura exis-
tente sobre la materia, la complejidad de las técnicas
de análisis psicométrico y la pléyade de instrumentos
disponibles, han acabado por sedimentar esta nueva
especialidad, que parece asentarse junto a otras dis-
ciplinas “de frontera” bajo el término “evaluación de
desenlaces” (outcome research). En el presente ca-
pítulo se efectúa una aproximación al marco concep-
tual de la evaluación cuantitativa de la salud. Se pro-
pone también un sistema útil para la descripción de

131
 TRATADO DE PSIQUIATR A
la clasificación de los instrumentos utilizados en salud
mental basada en su propósito y diseño, se detallan
sus propiedades psicométricas, y se sugiere una guía
que facilite la selección de los mismos en proyectos
de investigación y en rutina clínica. La enumeración
de los instrumentos actualmente disponibles excede
las posibilidades de esta revisión, por lo que sólo se
citan algunos ejemplos destacados.
MARCO CONCEPTUAL DE LA EVALUACIÓN
SUBJETIVA ESTANDARIZADA
La evaluación puede definirse como aquel proce-
so consistente en aplicar un método sistematizado
para describir fenómenos u objetos. Su grado de sis-
tematización puede ser muy variable, yendo desde la
mera asignación de códigos preestablecidos hasta los
sistemas de cuantificación mediante algoritmos. La
evaluación puede ser subjetiva u objetiva. La evalua-
ción subjetiva se caracteriza por la descripción de
constructos hipotéticos o intangibles (ej. calidad de
vida, depresión) en oposición a las entidades tangi-
bles descritas por las ciencias experimentales como
el peso o la altura (evaluación objetiva). En ciencias
de la salud esta diferenciación no siempre es diáfana,
ya que existe una enorme carga individual en la in-
terpretación de pruebas complementarias complejas
(histología, diagnóstico por la imagen, neurofisiolo-
gía). Ello determina que muchas normas de calidad
sean comunes a los instrumentos objetivos y subjeti-
vos. La evaluación subjetiva es menos precisa, y ha
sido infravalorada hasta muy recientemente, pero la
creciente demanda de parámetros intangibles como
la satisfacción, el apoyo, la autonomía, la calidad de
vida o el nivel de discapacidad del sujeto, ha determi-
nado que en la actualidad la utilización de estos ins-
trumentos sea imprescindible en cualquier área de
salud.
La evaluación puede ser descriptiva o cuantitati-
va. La evaluación cuantitativa consiste en la elabora-
ción de reglas para asignar números a un fenómeno
dado, con el fin de cuantificar uno o varios atributos
del mismo. Las reglas son una serie codificada de
procedimientos para la asignación de números. Al
evaluar un fenómeno concreto, es importante situar-
lo dentro de un modelo categorial o dimensional, y
en este segundo caso delimitar su carácter unidimen-
sional o multidimensional. Los instrumentos de eva-
luación constan de un número variable de items. El
ítem es la unidad básica de información de un instru-
mento de evaluación, y suele componerse de una
pregunta y de una respuesta que generalmente es
cerrada y permite una asignación de un código. El
glosario es un listado adicional de notas explicativas
sobre la definición precisa de cada ítem y sobre
cómo combinarlos en categorías o dimensiones
(Strömgren, 1988).
132
BASES PARA LA DESCRIPCIÓN
Y CLASIFICACIÓN DE LOS INSTRUMENTOS
DE EVALUACIÓN
Bech y cols (1993) proponen una descripción de
las escalas de evaluación basada en los objetivos y la
composición de la escala: 1.- área de evaluación:
escalas diagnósticas, sintomáticas, de personalidad y
escalas para otros propósitos específicos; 2.- tipo de
administración: escalas para el paciente, el médico
u otro personal sanitario; 3.- acceso temporal re-
trospectivo: marco temporal de la evaluación; 4.- se-
lección de items: distingue entre escalas de primera
generación (basadas en experiencia clínica), y de se-
gunda generación (derivadas de las anteriores); 5.-
número de items de la escala; y 6.- definición de
los items individuales. En base a las descripciones
efectuadas por otros autores (Cfr. Thompson, 1989;
Wittchen y Essau, 1991), se ha modificado la pro-
puesta original de Bech para permitir una descrip-
ción más completa de los diferentes instrumentos
utilizados en salud mental en función de su compleji-
dad, propósito y construcción (Salvador-Carulla,
1996). Los cambios en la terminología con respecto
a la utilizada por Bech se detallan en cada apartado.
En términos genéricos es importante considerar el
nivel de complejidad, el propósito del instrumento en
sus diferentes aspectos (patología evaluada, pobla-
ción de referencia, período de evaluación, etc.), y su
estructura, composición de sus items y la prevención
de sesgos potenciales en su cumplimetación.
COMPLEJIDAD
Los instrumentos de evaluación pueden clasificar-
se en una serie de agrupaciones de acuerdo con su
complejidad (Salvador y Roca, 1995). En el primer
grupo pueden situarse los cuestionarios descripti-
vos (ej.: cuestionarios sociodemográficos) y los in-
ventarios de síntomas (ej.: inventario de efectos ad-
versos). Estos instrumentos no permiten una
cuantificación de sus items y pueden considerarse
como meras listas de comprobación o chequeo. En
un segundo nivel se encuentran las escalas de eva-
luación. Como su nombre indica, éstas permiten
una escalación acumulativa de sus items, dando pun-
tajes globales al final de la evaluación. Se componen
de items individuales, cada uno de los cuales descri-
be una característica bien definida del fenómeno
evaluado. Su caracter acumulativo las diferencia de
los cuestionarios de recogida de datos y de los meros
inventarios de síntomas. En un tercer nivel se sitúan
las entrevistas estandarizadas. Estas se clasifican
en función de su objetivo (generales o específicas) y
según el nivel de capacitación requerido para su ad-
ministración, que a su vez depende de la estructura-
ción en la formulación de las preguntas y la codifica-
ción de las respuestas (a mayor estructuración
 GU AS PARA LA DESCRIPCI N Y LA SELECCI N DE INSTRUMENTOS DE EVALUACI N EN PSIQUIATR A
menor nivel de capacitación requerido para la admi-
nistración). Las entrevistas estandarizadas pueden
acompañarse de un sistema informatizado de co-
rrección que permite la asignación de criterios diag-
nósticos. Los sistemas de diagnóstico estandariza-
do, constituyen el cuarto nivel. Estos proporcionan
una codificación de entidades nosológicas, con una
descripción detallada de cada una de ellas a través
de un glosario para facilitar el diagnóstico. Los siste-
mas de diagnóstico se denominan operativos cuan-
do proporcionan una serie de reglas para el diagnós-
tico basadas en criterios de inclusión (presencia de
un número mínimo de características del fenómeno
para su diagnóstico), y de exclusión (despistaje de
otras características no relacionadas con el fenóme-
no). Cuando los criterios de exclusión se refieren a la
presencia de otras entidades sindrómicas se conside-
ra que el sistema es jerárquico, puesto que efectúa
una jerarquía de las entidades nosológicas recogidas
en el sistema para su diagnóstico diferencial. Si ade-
más permite la codificación de varias entidades o as-
pectos relacionados en diversos ejes, se considera
que el sistema es multiaxial. Existen dos sistemas
principales de diagnóstico operativo jerárquico y
multiaxial en vigencia en el momento actual: el siste-
ma de investigación de la CIE-10 y el DSM-IV. Para
algunos autores los sistemas de diagnóstico no de-
ben ser considerados como un instrumento de eva-
luación. Sin embargo, en su construcción y su utili-
zación, los sistemas diagnósticos se ajustan a las
reglas generales de la evaluación subjetiva estandari-
zada. En un sexto nivel podemos situar las baterías
compuestas de evaluación, que constan de un con-
junto de instrumentos diferentes: cuestionario de re-
cogida de datos, escalas de evaluación incorporadas
a la batería, entrevista estandarizada para recogida
de síntomas pasados y/o del estado actual, y sistema
informático para diagnóstico múltiple, que permite
la codificación diagnóstica según sistemas diferen-
tes. Ejemplos de baterías compuestas son el SCAN,
desarrollada a partir del PSE (Pull y Wittchen, 1991,
Vázquez-Barquero, 1993), y la batería CASH para
evaluación de esquizofrenia y trastornos del estado
de ánimo, desarrollada a partir del SANS/SAPS pa-
ra evaluación de síntomas positivos y negativos en la
esquizofrenia, entre otros instrumentos (Andreasen
et al, 1992).
PROPÓSITO DE LA ESCALA
El propósito de una escala va a determinar el con-
tenido de sus items y diversos aspectos relacionados
con su estructura. Una escala debe limitarse siempre
al área para la que ha sido diseñada, a menos que se
efectúe una nueva estandarización de la misma. El
propósito se relaciona con la dimensión evaluada, la
población objeto de estudio, el período de evalua-
ción y el tipo de cumplimentación.
Área evaluada
Las diversas escalas psicosociales evalúan un am-
plio rango de áreas como síntomas (escalas clínicas),
personalidad, adaptación social, familiar, sexual, la-
boral, discapacidad, etc. Bech (1993) efectúa una
distinción entre dos tipos de escalas clínicas: de
diagnóstico y sintomáticas. Esta distinción es con-
flictiva, al existir escalas sintomáticas que han sido
utilizadas para diagnóstico tras calcular el punto de
corte idóneo a través de un estudio de validez pre-
dictiva (ver parámetros de calidad de una escala); y
viceversa.
Objetivo de estudio
Este nos permite diferenciar entre escalas genera-
les (p. ej.: para evaluación de caso psiquiátrico) y es-
calas específicas (p. ej.: para evaluación de depre-
sión). Las escalas específicas pueden tener a su vez
diferentes gradaciones (ej.: HDS para evaluación de
depresión mayor, y escala de Newcastle para evalua-
ción de depresión endógena). Wittchen y Essau
(1991) distinguen entre escalas basadas en un con-
cepto “amplio” o “restrictivo” de trastorno mental.
Los instrumentos más restrictivos priman la especifi-
cidad sobre la sensibilidad y viceversa (este factor es
particularmente importante en el uso de sistemas de
diagnóstico estandarizado).
Marco temporal
En función de la estabilidad del fenómeno eva-
luado podemos diferenciar entre las escalas de ras-
go, que evalúan fenómenos relativamente estables
a lo largo del tiempo (p. ej.: test de personalidad,
locus de control); y escalas de estado, que evalúan
la situación actual del sujeto –generalmente en el
último mes– (p. ej. depresión, síntomas negativos y
positivos), las últimas semanas o la semana ante-
rior, o los tres días anteriores a la evaluación (es-
calas de “aquí y ahora”). El marco temporal debe
detallarse en las instrucciones previas a la adminis-
tración de la escala.
En las escalas de estado, el período de evalua-
ción nos permite diferenciar entre escalas de detec-
ción (p.ej. para identificación de caso psiquiátrico
–GHQ–), escalas de seguimiento no transicionales
y transicionales. Las escalas de seguimiento no
transicionales evalúan el cambio en función de la di-
ferencia del puntaje entre dos evaluaciones (ej:
HDS), mientras que las transicionales evalúan direc-
tamente el grado de mejoría o empeoramiento expe-
rimentado por el paciente entre ambas evaluaciones
(ej: escala de cambio del CGI). En el estudio de una
escala de seguimiento es importante conocer su sen-
sibilidad al cambio.
133
 TRATADO DE PSIQUIATR A
Tipo de administración
Las escalas autoadministradas se diseñan para
ser cumplimentadas por el propio sujeto o por un in-
formante. En ocasiones se incluyen items para cali-
brar la validez de las respuestas en función de la ten-
dencia a disimulación o a simulación (ej.: EPQ de
Eysenck). Bech y cols. (1993) denomina a este gru-
po de instrumentos “cuestionarios”, sin embargo es-
te término es demasiado amplio.
Las escalas heteroadministradas (“escalas de ob-
servador” según Bech), son cumplimentadas por un
examinador. Los instrumentos de evaluación hetero-
administrados requieren diferentes niveles de capaci-
tación profesional para su uso (este factor es particu-
larmente importante en el diseño y administración
de entrevistas estructuradas). Las escalas heteroad-
ministradas requieren una estandarización previa del
examinador a través de un análisis de su acuerdo con
un examinador de referencia (ver fiabilidad interexa-
minadores). Se señalan dos tipos de situaciones ex-
tremas en la administración de una escala heteroad-
ministrada: situación Alfa (investigador experto que
sigue un interrogatorio cerrado y utiliza una escala
con pocos items, bien definidos, y que incluyen crite-
rios de mejoría y de salud); y situación Beta (evalua-
dor inexperto, que realiza una entrevista abierta, y
utiliza una escala con muchos items mal definidos y
sin criterios de mejoría y salud) (Cfr. Bech y cols.,
1993).
Algunos instrumentos de evaluación clínica son de
tipo mixto, incluyendo una sección para síntomas re-
feridos y otra distinta para síntomas observados en la
entrevista.
CONSTRUCCIÓN DE LAS ESCALAS
DE EVALUACIÓN
Como ya se ha indicado, el ítem es la unidad bási-
ca de información de un instrumento de evaluación,
y generalmente consta de una pregunta y de una res-
puesta cerrada.
Número de items
Puede distinguirse entre escalas unitarias o globa-
les, compuestas de un solo ítem (ej: CGI, GAS, esca-
las analógicas de dolor o de bienestar); y escalas
multi-ítem. Como regla general, se considera que
un fenómeno debe ser evaluado con un mínimo de 6
items (Bech y cols., 1993). Generalmente las escalas
constan de entre 10 y 90 items. Diversas escalas es-
tán disponibles en varias versiones. Así, el GHQ de
Goldberg puede utilizarse en su versión de 60, de
30, de 28 o de 12 items; y el HDS de Hamilton en
versiones de 21 o 17 items (a parte de otras escalas
derivadas de esta prueba).
134
Contenido de los items
En función del contenido se distingue entre esca-
las unidimensionales y multidimensionales. En las es-
calas unidimensionales, más del 80% de los items
evalúan una sola dimensión de acuerdo con el mode-
lo de Israel (1983): dimensión física (síntomas rela-
cionados con aspectos médicos, corporales, ej.:
cuestionario de dolor de McGill), dimensión psíqui-
ca (aspectos cognitivos –BDI–), y dimensión social
(ej.: SAS, ADL). En las escalas multidimensionales
los items evalúan dos o tres de las dimensiones seña-
ladas (ej: GHQ, HDS). En las escalas heteroadminis-
tradas se distingue también entre los items referidos
por el paciente y los observados por el evaluador.
El sesgo de ítem u orientación se refiere a la par-
te del síndrome que aparece mejor reflejada en la
escala, y se representa en un porcentaje de la punta-
ción máxima teórica para cada categoría de sínto-
mas (Thompson, 1989).
Definición
La definición de cada ítem debe ser exhaustiva y
mutuamente excluyente (criterios de Guilford) (Cfr.
Bech y cols., 1993). Por otro lado, deben tenerse en
cuenta una serie de factores tanto al formular las
preguntas y las alternativas de respuesta, como al or-
denar el conjunto de items que componen la escala:
Comprensión
Es necesario adaptar el lenguaje y el tipo de formu-
lación de las preguntas y respuestas al entorno socio-
cultural del paciente. Así, por ejemplo, la compren-
sión del uso de análogos líneares tiende a ser mejor
en el medio anglosajón que en la Europa meridional,
donde la comprensión de análogos numéricos deci-
males es mayor. Existen diversos índices de evalua-
ción de la comprensibilidad de un texto (ej.: índice de
Flesch para el idioma inglés). El problema de la com-
prensión es sumamente importante en la evaluación
de poblaciones específicas como la de los sujetos afec-
tos de retraso mental. Por otro lado, la traducción y
adaptación de una escala previamente desarrollada en
otro idioma y entorno cultural debe seguir una tecno-
logía específica que incluya un proceso de retro-tra-
ducción. Recientemente se han aplicado sistemas más
complejos como el de traducción conceptual.
Aceptabilidad
Es fundamental que los items sean aceptables pa-
ra el sujeto evaluado. La desideratividad social es
un tipo de sesgo potencial que puede alterar la vali-
dez de los resultados en las respuestas (Wittchen y
 GU AS PARA LA DESCRIPCI N Y LA SELECCI N DE INSTRUMENTOS DE EVALUACI N EN PSIQUIATR A
Essau, 1991), y que debe tenerse en cuenta al for-
mular las preguntas de determinados items (este ses-
go es importante en la evaluación de las actitudes
ante determinadas enfermedades como el SIDA, en
las que el sujeto tiende a responder aquello que con-
sidera como socialmente más aceptable). También es
necesario limitar el número de items para evitar el
cansancio y favorecer la colaboración del sujeto (es-
te problema es evidente en cuestionarios o en baterí-
as de más de 100 items como el MMPI).
Prevención de sesgos en la cumplimentación
La aquiescencia (tendencia a responder afirmati-
vamente a la pregunta) determina la necesidad de al-
ternar preguntas formuladas “en negativo”. Sin em-
bargo, este tipo de formulación puede disminuir
significativamente la comprensión del paciente y la
fiabilidad de las respuestas (p. ej.: items del tipo: “no
es cierto que Colón descubrió América” = V/F). El
error de tendencia central se refiere a la reticencia a
responder las alternativas extremas en un ítem, dan-
do preferencia a las centrales. Este problema afecta
principalmente a las escalas analógico-verbales de
tres o cinco alternativas (ej: Nada, Algo, Mucho).
Otro tipo de sesgo se relaciona con la tendencia a
responder más a las alternativas situadas a la derecha
o a la izquierda, lo que se incrementa cuando uno de
los dos extremos contiene siempre las alternativas
“deseables”, y puede evitarse alternando primero
items con alternativas positivas a la izquierda y des-
pués items con alternativas positivas a la derecha.
Cuando se diseña una escala heteroadministrada
(cumplimentada por el evaluador), deben tenerse en
cuenta algunos sesgos específicos: el efecto halo se
refiere a la tendencia a efectuar un juicio al inicio de
la entrevista (ej: diagnóstico heurístico) que condicio-
na la cumplimentación de los items siguientes (ello
puede acontecer en el HDS, que agrupa los items di-
rectamente relacionados con depresión y severidad
al inicio de la entrevista). Este efecto es importante
en la evaluación de comorbilidad y en las que utilizan
un único evaluador (Buchanan y Carpenter, 1994).
El error lógico se produce al juzgar que todos los
items aparentemente relacionados deben puntuarse
de forma similar (así, puede asumirse que un pacien-
te con una puntuación elevada en “ideas suicidas”
puntuará también alto en “desesperanza”). El error
de proximidad conduce a puntuar de forma similar
los items adyacentes. Otra fuente de error es la va-
rianza terminológica que se relaciona con la atribu-
ción de un significado diferente a un mismo término.
Este problema afecta sobre todo a las escalas clíni-
cas, dada la diferente interpretación de un término
según la escuela psicopatológica o los conocimientos
de base del evaluador. Este sesgo puede obviarse in-
cluyendo un glosario terminológico anexo a la escala
de evaluación (ej: BPRS).
Selección, análisis y ordenación
de los items
Meehl y Golden (1982) señalan una serie de prin-
cipios o pasos en la construcción de una escala de
evaluación de síntomas:
1. Selección de los items en función de su relevan-
cia clínica y validez.
2. Seleccionar los items en función de la correla-
ción interna de los items cuando se aplican a un gru-
po mixto de pacientes (que incluye a pacientes con y
sin el síntoma evaluado).
3. Selección de items con diferente peso jerárqui-
co (que describan los diversos aspectos del fenóme-
no evaluado), esto es, que no sean redundantes.
4. Ante igualdad de factores, seleccionar los items
con mayor potencial de consenso.
5. Comprobar el rendimiento del grupo de items
seleccionado en función de diversos criterios exter-
nos (edad, sexo, etc.), con el fin de evaluar su trans-
feribilidad.
6. Cuando los pasos 3, 4 y 5 no se puedan efec-
tuar, repetir el análisis con items modificados en
cuanto a definición o contenido.
Los items también pueden seleccionarse en fun-
ción de su utilidad. Esta se evalúa de acuerdo con
tres criterios (Thompson, 1989):
1. Calibrado: frecuencia suficiente de respuestas
en un ítem individual como para garantizar su inclu-
sión en la escala. Arbitrariamente puede fijarse en un
10%.
2. Monotonicidad ascedente: el ítem debe mos-
trar una correlación significativa con la puntuación
global (ver homogeneidad).
3. Baja dispersión: con respecto a la línea de re-
gresión de la correlación anterior.
De hecho, existen varios modelos para el análisis
psicométrico de los items (García-Cueto, 1993,
Martínez-Arias, 1995). La Teoría Clásica del Test
(TCT) es un modelo psicométrico que describe la in-
fluencia de los errores de medida en las puntuacio-
nes observadas en un individuo. Se define la pun-
tuación verdadera como aquella puntuación que
realmente corresponde a un individuo en una varia-
ble determinada. Sin embargo, cuando se mide algo
con cualquier instrumento de medida, siempre se
comete un error de medida, lo que se traduce en
una diferencia entre la puntuación verdadera teóri-
ca y la puntuación observada que se obtiene de una
observación directa con el instrumento de medida.
La TCT parte de una definición de puntuación vera-
dera matemáticamente aceptable y conceptualmen-
te utilizable, y de ciertos supuestos básicos que rela-
cionan la puntuación verdadera con el error de
medida.
La Teoría de Respuesta al Ítem (TRI) o del rasgo
latente, trata de especificar las relaciones entre pun-
tuaciones ”observables” obtenidas por un sujeto en
un test, y los “rasgos latentes” que se supone subya-
135
 TRATADO DE PSIQUIATR A
cen bajo dichas puntuaciones. Los modelos serán
unidimensional o multidimensionales dependiendo
del conjunto de rasgos latentes necesarios para expli-
car la conducta objeto de estudio. Aunque la TRI es-
tablece dos parámetros más a tener en cuenta al es-
tudiar las características psicométricas de un test: el
acierto al azar y los falsos positivos, ambos modelos
son complementarios para el análisis y construcción
de un test. El proceso de construcción de una escala
de evaluación compuesta por items binarios puede
comenzar por la utilización de los índices de correla-
ción ítem-total del modelo clásico del test, para des-
pués plantear un análisis de su estructura latente a
través del modelo de Rasch que permite establecer la
relación mediante las respuestas manifiestas y la di-
mensión latente (Andersen, 89).
La Teoría de la Generalizabilidad (TG), utiliza un
conjunto de técnicas para estudiar el grado en que
una serie de medidas realizadas sobre un grupo de
sujetos puede ser generalizada y hecha extensiva a
un grupo de sujetos diferente al primitivo. La TG tie-
ne en cuenta los múltiples factores que pueden pro-
ducir variaciones en las puntuaciones de los sujetos
mediante la aplicación de un diseño multivariado,
permitiendo estimar la varianza atribuible a cada uno
de ellos así como a sus interacciones. Al diversificar
las condiciones de medida se aumenta la representa-
tividad (generalizabilidad) de los resultados. También
permite diseñar procedimientos de medida en los
que los factores confusores queden representados
(Muñiz, 1992).
El análisis factorial permite comprobar la estructu-
ra unidimensional o multidimensional de un instru-
mento. Su aplicación a instrumentos ya construidos
o a versiones de los mismos hace más adecuada su
mención en el apartado de consistencia.
Sistema de codificación de respuesta
Escalas categoriales dicotómicas
Presentan un sistema de respuesta de dos alterna-
tivas: Sí/No o Verdadero/Falso (ej: test de personali-
dad como el EPQo el MMPI).
Escalas analógicas
Pueden diferenciarse en función del sistema ana-
lógico utilizado para facilitar la respuesta:
—E. analógico-lineal: gradación en una línea de
7 a 10 cm (ej: escalas de bienestar).
—E. analógico-numérica: gradación similar a la
anterior pero con números (de 0 a 7 o a 10). En las
escalas unitarias termométricas los números se colo-
can en posición vertical. Estas pueden también gra-
duarse de 0 a 100 (ej.: GAF para evaluación de fun-
cionamiento general psíquico). En ocasiones se
136
combinan análogos visuales y numéricos para au-
mentar la comprensión.
—E. gráficas: gradación a través de dibujos (ej.
Face scale para evaluación de bienestar). Algunos
autores consideran a las escalas gráficas como esca-
las lineares.
—E. analógico-verbal: gradación en categorías
verbales previamente calibradas (p.e. a través del
sistema de escalación de Guttman). Generalmente
las opciones de respuesta oscilan entre 3 y 7. Likert
consideraba que 5 era el número de alternativas óp-
timo. Goldberg por su parte, prefiere utilizar cuatro
grados de respuesta para evitar el sesgo de tenden-
cia central. Se considera que por encima de 6 gra-
dos, el nivel de fiabilidad disminuye significativa-
mente. Las escalas de severidad usan más grados
que las de detección (ej.: el CGI tiene 7 mientras
que el GHQ tiene 4). Estas escalas también reciben
el nombre de Likert en honor a su introductor, hace
60 años (Cfr. Bech y cols., 1986). Sin embargo,
también se denomina así un sistema específico de
puntuación, por lo que este uso puede prestarse a
confusión. Ejemplo:
No más Algo menos Bastante más Mucho más
de lo habitual de lo habitual de lo habitual de lo habitual
—E. analógico-categoriales: se consideran den-
tro de este grupo una serie de escalas que combinan
gradación númerica y verbal (ej.: CGI, GAF) (Bech y
cols., 1986). También se conocen como escalas DIS-
CAN (Discretized Analogue Scale).
Puntuación de los items
El sistema de puntuación puede variar sustancial-
mente de una escala a otra, e incluso en una misma
escala, cuando se trata de escalas analógico-verbales.
Las escalas unitarias de severidad (no transiciona-
les), suelen tener una puntuación máxima de 8 o 10
cuando son análogos visuales, y de 7 a 10 cuando se
trata de análogos verbales u otras formas combina-
das (DISCAN). El GAF puede puntuarse hasta 99,
pero en realidad presenta 10 grados de respuesta en
decimales.
Las escalas globales unitarias de tipo transicional
generalmente son de tipo bipolar, permitiendo una
puntuación en sentido negativo y positivo (de mayor
empeoramiento a mayor mejoría). Por razones técni-
cas también pueden puntuarse de 1 a 7, aunque la
polaridad de la escala no queda adecuadamente re-
flejada en este sistema.
—Alternativa A: -3 / -2 / -1 / 0 / 1 / 2 / 3
—Alternativa B: 1 / 2 / 3 / 4 / 5 / 6 / 7
Las escalas verbales multi-ítem permiten diversas
asignaciones numéricas. Así el GHQ de Goldberg
permite tres asignaciones diferentes: las dos prime-
ras en base al sistema originariamente propuesto por
Likert en los años 30, y un tercero propuesto por el
 GU AS PARA LA DESCRIPCI N Y LA SELECCI N DE INSTRUMENTOS DE EVALUACI N EN PSIQUIATR A
propio Goldberg. El HDS y el SANS/SAPS se pun-
túan de acuerdo con el sistema de puntuación pro-
puesto por M. Hamilton, que distingue la opción de
ausente (0), dudoso (1), y diversos grados de intensi-
dad (del 2 al 4 o 5).
—Goldberg 0 - 0 - 1 - 1
—Likert I 0-1-2-3
—Likert II 0-0-1-2
—Hamilton 0 - 1 - 2 - 3 - 4
CARACTERÍSTICAS PSICOMÉTRICAS
DE LOS INSTRUMENTOS DE EVALUACIÓN
Existen tres parámetros básicos para evaluar la cali-
dad de un instrumento de medida: su consistencia, su
fiabilidad y su validez. En las escalas de seguimiento
debe añadirse un cuarto: la sensibilidad al cambio.
Otros parámetros a considerar son la redundancia y el
“coste-utilidad” de utilización de un instrumento deter-
minado para el propósito del estudio. Desafortunada-
mente, no existe una definición consensuada de estos
términos en epidemiología, su significado difiere del
uso común y varía según el área de estudio e incluso
entre diversos autores dentro de una misma área. Este
problema se hace especialmente patente en el área
de los instrumentos de evaluación subjetiva.
CONSISTENCIA INTERNA
La consistencia analiza la solidez psicométrica de
la escala, esto es, el nivel en que sus diferentes items
están relacionados entre sí y la posibilidad de efec-
tuar sumatorios de los mismos para obtener puntua-
ciones globales. Algunos autores incluyen a la consis-
tencia dentro de la fiabilidad o de la validez. Según
Hernández-Aguado y cols (1990), consistencia es
aquella “propiedad que define el nivel de acuerdo o
conformidad de un conjunto de mediciones consigo
mismas”. Desafortunadamente este autor no aporta
una definición operacionalizada del término, y en su
revisión llega a referir en un párrafo que la consisten-
cia es sinónimo de fiabilidad para afirmar lo contrario
a reglón siguiente. Para evitar esta confusión termi-
nológica, nos referimos aquí a la consistencia interna
de la prueba.
Algunos métodos estadísticos como el análisis fac-
torial, aportan datos tanto de la estructura interna de
la escala como de su relación con modelos externos.
Tal es el caso de las escalas para evaluación de sínto-
mas positivos y negativos de la esquizofrenia, cuyo
análisis factorial puede servir para validar, revisar, o
incluso refutar los modelos en los que se basa la pro-
pia construcción del instrumento (Liddle, 1987; Bu-
chanan & Carpenter, 1994). Muchos de los aspectos
relacionados con la consistencia han sido menciona-
dos al tratar sobre la selección de los items o sobre la
jerarquía de ordenación de los mismos.
La homogeneidad indica el grado de acuerdo en-
tre los items de la escala, lo que determina si estos
pueden acumularse y dar una puntuación global. Se
puede obtener mediante el estudio de la correlación
de los items con el total (partición media, coeficiente
alfa de Cronbach), análisis factorial o mediante los
modelos de objetividad estadística de Rasch (1980).
La partición media (split-half) estima la homogenei-
dad en función de la correlación entre dos mitades
equivalentes de la escala (ej: items de primera mitad
versus items de segunda mitad, o items impares ver-
sus items pares). El coeficiente alfa de Cronbach in-
dica el grado en que los diferentes items presentan
una correlación positiva (la consistencia interna es al-
ta por encima de 0,7) (Bech y cols, 1993). Otra
prueba menos utilizada para el cálculo de la consis-
tencia interna es el test de Kuder-Richardson. La ho-
mogeneidad a partir del análisis factorial (aceptabili-
dad de la puntuación global como suma de la
obtenida en cada ítem), se confirma si se obtiene una
estructura unidimensional, esto es, todos los items
muestran una carga positiva en el primer factor
(Thompson, 1989). Además de las técnicas factoria-
les como el análisis de componentes principales y el
análisis de factores principales, la estructura de una
escala puede ser evaluada mediante otras técnicas
como el escalado multidimensional no métrico o el
análisis de ecuación estructural (Buchanan, 1994). El
modelo de Rasch unidimensional considera que una
escala es homogénea cuando todos sus items contri-
buyen de forma independiente al total de informa-
ción contenido en la escala. En la teoría del rasgo la-
tente, el nexo entre las respuestas manifiestas
(clínicas) y su dimensión latente (teórica), viene defi-
nida por el requerimiento de que las respuestas pue-
dan combinarse de forma aditiva hasta obtener una
puntuación total (Andersen, 1989). El modelo de
Rasch permite también estudiar la jerarquía interna
de la escala, clasificando los items homogéneos en
un rango jerárquico del más inclusivo (que mide los
síntomas leves o moderados de la dimensión) al más
exclusivo (que mide los síntomas más graves de la di-
mensión). El coeficiente de reproducibilidad indica
hasta qué punto la escala refleja todos los patrones
de respuesta del sujeto con respecto al parámetro
medido (Thompson, 1989). La transferibilidad se
refiere al grado en que la escala puede ser aplicada a
diferentes grupos de población que presenten el fe-
nómeno evaluado, independientemente de la edad,
sexo y otros criterios externos relevantes (Bech y
cols., 1993).
FIABILIDAD EXTERNA
La fiabilidad nos indica el grado en que los resulta-
dos de un test son reproducibles. Esta medida depen-
de de la estabilidad de las medidas del test a pesar del
cambio de diversos parámetros externos (esto es, no
137
 TRATADO DE PSIQUIATR A
inherentes al test). El estudio de la fiabilidad externa
informará sobre la reproducibilidad de los resultados
del test en distintas situaciones. McDowell (1987)
ejemplifica la diferencia entre la validez y la fiabilidad
con un excelente símil: un tirador tiene que aprender
a acertar en el blanco y después hacerlo de forma
consistente. La validez vendría dada por el grado en
que el disparo se acerca a la diana, y la fiabilidad por
el grado de aproximación entre sí de una serie con-
secutiva de disparos. Algunos autores prefieren el
término variabilidad para describir las diferencias
entre resultados obtenidos en dieferentes condicio-
nes de evaluación (Hernández-Aguado et al, 1990).
Un estudio sobre la fiabilidad de una prueba diag-
nóstica debe incluir al menos un análisis del nivel de
acuerdo obtenido al ser evaluada la misma muestra
en las mismas condiciones por dos evaluadores dis-
tintos (fiabilidad interexaminadores). También se
ha denominado variabilidad interobservador (Her-
nández-Aguado et al, 1990). Se ha señalado la im-
portancia de contar con evaluadores de experiencia
similar, en cuanto a formación y uso del instrumento
de evaluación a analizar. Andersen (1989) señala
otros factores, como la actitud ante las escalas de
evaluación y el tipo de preferencia terapéutica, dis-
tinguiendo entre fiabilidad inter-observadores e intra-
observadores.
La estabilidad de la prueba se obtiene al ser eva-
luada la misma muestra por el mismo evaluador en
dos situaciones distintas (fiabilidad test-retest o va-
riabilidad intraobservador). En algunos casos, (psi-
quiatría infantil, minusvalías psíquicas, etc.), se obtie-
nen los datos a partir de informadores, por lo que es
necesario analizar la concordancia entre los datos
obtenidos con el test con la misma muestra y con el
mismo evaluador, pero recabando los datos de dos
informadores distintos (fiabilidad inter-informado-
res). El procedimiento para obtener dicha informa-
ción ha sido extensamente revisado por Costello
(1994).
El índice estadístico utilizado para evaluar la con-
cordancia depende de las características de las varia-
bles a evaluar. La utilización en varios estudios del
coeficiente de concordancia de Kendall (Siegel,
1966) es discutible. En el caso de variables dicotó-
micas o binarias, la concordancia ítem a ítem se
puede analizar mediante el porcentaje de acuerdo y
el kappa no ponderado (Kramer y Feinstein, 1981).
El coeficiente de concordancia kappa nos informa
del nivel de acuerdo obtenido, una vez eliminada la
concordancia que presumiblemente se ha producido
por azar. Ello lo hace más fiable que el simple por-
centaje de acuerdo. Sin embargo, un mismo valor de
kappa puede resultar de patrones diferentes de res-
puesta. Por ello es conveniente señalar también la
frecuencia de aparición cada ítem y el porcentaje de
acuerdo (Costello, 1994), así como el intérvalo de
confianza (IC). Existen diversas propuestas sobre la
relación de un determinado valor de Kappa con el
138
grado de acuerdo. Feinstein (1985) propone la si-
guiente tabla para analizar los resultados del kappa:
Valor de kappa Nivel de acuerdo
<0 pobre
0-0,20 bajo
0,21-0,40 regular
0,41-0,60 moderado
0,61-0,80 fuerte
0,81-1,00 casi perfecto
En el caso de variables ordinales, el análisis de la
concordancia ítem a ítem se puede efectuar utilizan-
do el porcentaje de acuerdo ponderado y el kappa
ponderado (Kw). Estos se consideran más adecua-
dos que sus análogos no ponderados por dar una
medida más real del nivel de acuerdo al ponderar el
desacuerdo según el número de rangos que separa-
ran la puntuación asignada por un evaluador de la
asignada por el otro (así, el peso asignado puede ser
0 para el completo acuerdo, 1 cuando hay 1 rango
de diferencia, 2 cuando hay 2 rangos, etc.) (Kramer
y Feinstein, 1981).
El método de análisis de la concordancia de las
puntuaciones globales de un test es controvertido.
Habitualmente se utilizan los coeficientes de correla-
ción para analizar el grado de acuerdo. Dichos coefi-
cientes no deberían ser utilizados para analizar la con-
cordancia entre dos evaluaciones: la tendencia puede
ser perfecta, con un coeficiente de correlación de 1, y
las medidas obtenidas en un laboratorio ser exacta-
mente el doble o exactamente 10 unidades más altas
que las correspondientes medidas obtenidas en otro
laboratorio, con lo que la concordancia obtenida entre
ambos laboratorios sería inexistente (Feinstein,
1985). En medidas continuas se pueden utilizar diver-
sos métodos de cálculo del coeficiente de correlación
intraclase (ICC) (Bartko y Carpenter, 1976). Bech y
cols (1993) han planteado también la utilización del
ICC para la evaluación de la fiabilidad test-retest cuan-
do las medidas se recogen por evaluadores diferentes,
aunque se trata de una aplicación discutible. En la ac-
tualidad, no existe un acuerdo generalizado sobre el
tamaño de la muestra requerido para un estudio de
fiabilidad de una escala (Bech y cols, 1993).
VALIDEZ
La validez indica qué proporción de la información
recogida es relevante a la cuestión formulada y se de-
fine por el grado en que el instrumento mide aquello
que realmente pretende medir. La validez se demues-
tra cuando la medida predice un criterio (validez de
criterio), o se ajusta de forma consistente con una se-
rie de constructos relacionados en una teoría acepta-
da (validez de constructo), en el caso de que no exis-
ta un criterio externo que sirva de “patrón oro”
(Thiemann, 1987). Existen múltiples formas de vali-
dez, con el agravante de que algunos autores utilizan
un mismo término para definir conceptos diferentes.
 GU AS PARA LA DESCRIPCI N Y LA SELECCI N DE INSTRUMENTOS DE EVALUACI N EN PSIQUIATR A
Las 6 formas principales de validez pueden distribuir-
se en dos ejes: uno relacionado con la presencia o au-
sencia de patrón-oro para la dimensión evaluada (vali-
dez de criterio versus validez de constructo), y otro
relacionado con la aplicación de técnicas matemáti-
cas para su cálculo o la ausencia de estas (validez es-
tadística versus validez descriptiva). Así, un tipo deter-
minado de validez puede ser considerado de criterio o
de constructo dependiendo de la dimensión evaluada.
La validez concurrente de una escala para evaluación
de servicios formará parte de la validez de criterio,
mientras que la validez concurrente de una escala de
calidad de vida, para la que no existe patrón oro, se
considerará como parte de su validez de constructo.
De igual forma, la estimación de la validez discrimi-
nante o la validez convergente puede ser meramente
descriptiva o puede efectuarse a través de un procedi-
miento estadístico.
La ausencia de este marco conceptual de dos ejes
ha llevado a notables confusiones en la definición y la
clasificación de las diferentes formas de validez. Por
ejemplo, incluyen a la validez concurrente y predictiva
dentro de las formas de validez de criterio (Strang et
al, 1989; Martínez Arias, 1995); mientras que otros lo
hacen dentro de la validez de constructo (Thompson,
1989i). De hecho, la mayoría de atributos psicológi-
cos y procesos mentales son parámetros intangibles
que no pueden mesurarse directamente como el peso
o la altura, y que deben considerarse como construc-
tos hipotéticos. Sin embargo, se acepta que muchos
constructos psiquiátricos están próximos al criterio
(p.ej. síntomas somáticos de depresión, anhedonia),
mientras otros no pueden ser contrastados con un pa-
trón-oro (p.e. calidad de vida, integración social).
Teniendo en cuenta las consideraciones y las sal-
vedades antes señaladas, los principales tipos de vali-
dez de un instrumento de evaluación son:
Validez simple (face validity)
Se trata de un tipo de validez descriptiva de crite-
rio que refleja lo que los expertos consideran como
medidas significativas.
Validez de contenido
Define el grado en que el conjunto de items del
test representa adecuadamente un dominio o dimen-
sión previamente definido. Según Thompson
(1989i) este tipo de validez también es descriptivo y
no puede analizarse mediante técnicas estadísticas.
Validez discriminante
Esta se refiere al grado en que un instrumento mi-
de aquellos rasgos propios de un dominio determina-
do y no otros, y al grado en que los rasgos de domi-
nios diferentes no son incluidos dentro del dominio
examinado por el instrumento (validez discriminante
de inclusión y de exclusión). La validez discriminante
puede ser evaluada de forma descriptiva o mediante
procedimientos estadísticos.
Validez convergente
Esta se refiere a la evaluación de un rasgo deter-
minado del dominio mediante dos métodos diferen-
tes (p.ej. evaluación de la depresión mediante una
escala de evaluación y un test biológico). Este térmi-
no también ha sido utilizado para denominar al uso
de dos instrumentos de evaluación que cubren di-
mensiones diferentes para describir una tercera (p.ej
uso de escalas clínicas y de funcionamiento para es-
tudiar la validez de una escala de calidad de vida).
Validez concurrente
Se trata de un tipo de validez estadística que nos
da una medida de la asociación de las puntuaciones
en los distintos items y en las puntuaciones globales
con otras escalas de referencia, con un propósito y
contenido equivalente. Generalmente se limita al es-
tudio de la correlación entre puntuaciones. Czobor
(1991) sugiere la utilización del análisis canónico de
componentes (Canonical component analysis). Es-
te método puede considerarse como una extensión
del análisis factorial para dos grupos de variables.
Validez predictiva
La validez predictiva de observación se refiere a
la probabilidad de la escala de dar un juicio correcto
sobre el fenómeno observado. El análisis de Bayes
permite conocer la validez predictiva de un test, su
utilidad y su comparabilidad, a partir del análisis de la
distribución de los “casos” y “no casos” en una pobla-
ción dada y de su relación con los resultados obteni-
dos en el test estudiado (positivos y negativos). Una
tabla de contingencia de 2 x 2 expresa esta relación
en verdaderos positivos (VP), verdaderos negativos
(VN), falsos positivos (FP) y falsos negativos (FN). En
la Tabla I se definen los coeficientes de validez predic-
tiva obtenidos a partir de la tabla de contingencia:
sensibilidad, especificidad, valor predictivo positi-
vo y valor predictivo negativo. La sensibilidad (x) co-
rresponde a la tasa de verdaderos positivos, y viene
definida como la tasa de resultados positivos correc-
tos en el test en relación al total de casos verdaderos
en la población evaluada (VP/VP+VN). La especifici-
dad (y) corresponde a la tasa de verdaderos negativos
en el test entre todos los no-casos (VN/VN+FN).
Otras medidas relacionadas con las anteriores son la
139
 TRATADO DE PSIQUIATR A

o por debajo del 50% alterarán los valores VPP y

Tabla I VPN. Baldessarini proporciona un claro ejemplo de
Análisis de Bayes y parámetros la influencia de estas variaciones. Otros parámetros
de validez predictiva que pueden obtenerse a través de la aplicación del
teorema de Bayes son la razón predictiva positiva y
A. PREVALENCIA: 50% (P = 0,5) negativa, la proporción de mal clasificados, la efi-
ciencia (proporción de casos bien clasificados en re-
Criterio de referencia (p. ej., diagnóstico -Dx) lación al total de evaluados), el sesgo (cociente entre
(presente) (ausente) los evaluados considerados como positivos y negati-
(+) VP (a) FP (b) vos) y el rendimiento (casos no detectados por el
Resultado del test (-) FN (c) VN (d) test en relación al total de casos).
Estos coeficientes nos permiten ajustar el punto de
Parámetro Definición Fórmula Símbolo corte con respecto al objetivo del estudio. Si se pre-
tende hacer un estudio de muestreo en dos fases, bus-
Sensibilidad VP/todos Dx a/(a + c) x
caremos aquel punto de corte que nos permita captar
Especificidad TN/todos no Dx d/(b + d) y
Tasa falsos pos. FP/todos no Dx b/(b + d) 1-y el máximo número de casos aunque entre ellos se in-
Tasa falsos neg. FN/todos Dx c/(a+c) 1-x cluyan falsos positivos (especificidad aceptable con
Eficiencia VP+VN/todos suj. (a + d)/N Ef una sensibilidad óptima). Si por el contrario pretende-
Valor predictivo pos. VP/VP + FP a/(a + b) PPP mos conocer la morbilidad probable en una pobla-
Valor predíctivo neg. VN/VN + FN d/(c + d) NPP ción a través de la puntuación en el test, seleccionare-
Cociente de error Resultados falsos/VP (b + c)/a ER mos aquel punto de corte que nos permita descartar
Prevalencia Todos Dx/todos suj. (a + c)/N p el mayor número de “no casos”, aunque ello determi-
Tasa de “sanos” Todos no Dx/todos suj. (b + d)/N 1-p ne la pérdida de algunos falsos negativos (sensibilidad
Indice de Youden x+y-1 Yl aceptable con una especificidad óptima).
De forma alternativa, el punto de corte idóneo de
B. TASA DE PREVALENCIA DIFERENTE DE 50% (P ≠ 0,5)
un test se puede calcular a partir del análisis ROC
Criterio de referencia (p. ej., diagnóstico -Dx) (Receiver Operating Characteristics) (Strang et al.,
Presente (P) Ausente (1-p) 1989). Esta técnica fue desarrollada en los años 60
(+) (p)(x) (1 - p)(1 - y) para evaluar la capacidad de discriminación de seña-
Resultado del test (-) (p)(1 - x) (1 - p)(y) les de los controladores de radar. Primero se obtiene
una representación gráfica de la tasa de verdaderos
Parámetro Fórmula Símbolo positivos (sensibilidad) y la tasa de falsos positivos (1-
especificidad) para cada punto de corte. El cálculo
Valor predict. pos. [(p )(x) + (1 - p) (1 - y)] VPP del área bajo la curva resultante nos indica la capaci-
Valor predict. neg. [(1-p) (y) ] / [(1-p) (y) + (p) (1-x)] VPN
dad discriminante del test a través de todo el spec-
C. EJEMPLOS DE EFECTOS DE PREVALENCIA trum de morbilidad. Cuando la capacidad discrimi-
EN EL PODER PREDICTIVO nante es igual a la obtenida aleatoriamente se
obtiene una línea diagonal cuya área inferior es de
Medida Investigación Especialista Cribaje 0,5 (sensibilidad igual a la tasa de falsos positivos).
Un test ideal produciría un 100% de verdaderos po-
Prevalencia 50% 10% 1% sitivos antes de admitir un solo falso negativo, por lo
Sensibilidad 0,70 0,70 0,70 que el área bajo la curva obtenida sería de 1,0. En la
Especificidad 0,95 0,95 0,95 práctica las áreas bajo la curva oscilan entre 0,5 y
Valor predict. pos. 0,93 0,61 0,12 1,0, y permiten una representación gráfica de la ca-
Valor predict. neg. 0,76 0,97 1,00
pacidad discriminante de diferentes test para una
Modificado de Baldessarini et al., 1988. misma dimensión, siendo el mejor aquel que se co-
rresponda con una curva más alejada de la diagonal
(Cfr. Thompson, 1989).
Se denominan “asimétricos” o “excéntricos”
tasa de falsos positivos (1-y), la tasa de falsos negati- aquellos tests en los que las desviaciones estándar
vos (1-x) y el índice de Youden (x+y-1). para los “verdaderos positivos” son muy diferentes
El valor predictivo positivo (VPP) corresponde al de las de los “falsos negativos”. En estos casos puede
cociente de resultados positivos verdaderos con res- ser necesaria la utilización de dos puntos de corte
pecto al total de positivos (VP/VP+FP); y el valor para diferenciar a los sujetos “positivos” y “negati-
predictivo negativo (VPN) corresponde al total de vos” en el test. Somoza (1996), propone una nueva
verdaderos negativos con respecto al total de negati- definición de sensibilidad y especificidad que tiene en
vos (VN/VN+FN). Es importante tener en cuenta la cuenta la existencia de instrumentos de evaluación
prevalencia del criterio de referencia en la población asimétricos, y demuestra las propiedades de los mis-
evaluada, ya que las tasas de prevalencia por encima mos mediante una aplicación del análisis ROC.

140
 GU AS PARA LA DESCRIPCI N Y LA SELECCI N DE INSTRUMENTOS DE EVALUACI N EN PSIQUIATR A
Validez factorial (dimensional)
Cuando la validez de constructo no se refiere a
una entidad nosológica sino a un instrumento de eva-
luación, se plantea en ocasiones el uso de análisis
factorial exploratorio como un método de validez
de constructo, cuando, de hecho, se trata de técnicas
sofisticadas para análisis de su estructura interna o
consistencia. Las técnicas factoriales pueden utilizar-
se para corregir los sesgos en la estimación de la vali-
dez predictiva de un test autoadministrado atribuibles
a un error en el criterio de referencia.
Existe, por otro lado, un grupo de técnicas de
análisis factorial confirmatorio, en las que el investi-
gador trata de verificar una hipótesis explícita que
actúa como “criterio” externo. Entre estas se inclu-
yen diversos modelos de ecuaciones estructurales
(maximum likelihood, generalized and unweigh-
ted least squares) que se incluyen en el programa in-
formático LISREL (Jöreskog & Sörbom, 1993). Un
programa similar (LISCOMP), se ha utilizado para
evaluar la dimensionalidad de los criterios de depen-
dencia y abuso del alcohol en los sistemas CIE-10 y
DSM-IV (Muthen et al, 1993i; 1993ii).
REDUNDANCIA EXTERNA
Generalmente, sólo se evalúa la redundancia o el
solapamiento de los items de una escala en la fase de
construcción de la misma (redundancia interna). Sin
embargo, es importante conocer también la redun-
dancia de los items y de las puntuaciones globales
con otras escalas de contenido similar (redundancia
externa). Este parámetro, no es equivalente al de
asociación obtenido en la validez concurrente (p.ej.
en casos multivariados es posible encontrar una re-
dundancia cercana a cero aunque exista una perfecta
asociación entre dos tests) (Czobor, 1991). La utiliza-
ción de escalas equivalentes con items redundantes
en poblaciones similares, no aumenta la cantidad de
información obtenida, y sin embargo, incrementa la
posibilidad de errores de cumplimentación (ej.: por
cansancio, transcripción), amplifica los errores esta-
dísticos de tipo I y II, y disminuye el costo-utilidad de
la administración de las pruebas (Thiemann et al,
1987; Czobor et al, 1991). De acuerdo con Wollen-
berg (1977), el análisis de redundancia, se puede
considerar como una extensión del análisis factorial
para dos grupos de variables separados. Se constitu-
yen factores a partir de un grupo de variables (ej. test
A) que explique la varianza en otro grupo de varia-
bles (ej. test B). La derivación de variados lineares de
criterio (linear criterion variates) permite valorar la
importancia de cada variado en la relación de redun-
dancia entre dos instrumentos (Johansson, 1981).
Para Thiermann et al. (1987), en cierta medida, la
redundancia viene a equivaler a la “fiabilidad” inter-
test de la prueba. De hecho, la redundancia también
puede evaluarse mediante el acuerdo Kappa entre
los items (Kibel et al, 1993; Fenton y McGlashan,
1992).
SENSIBILIDAD AL CAMBIO
El estudio de sensibilidad al cambio se puede efec-
tuar mediante estudio de correlación y análisis de
componentes principales en la línea base y tras el
período de evaluación (p. ej., después del tratamien-
to), comparando las estructuras factoriales en ambos
puntos.Para estimar la sensibilidad al cambio, puede
ser útil el empleo de una escala transicional como
criterio externo (p. ej., uso del CGI para analizar la
sensibilidad al cambio del índice de Bienestar Gene-
ral). Se puede entonces efectuar un análisis de cova-
rianza (ANCOVA) de la puntuación obtenida tras el
tratamiento, tomando como covariable la puntua-
ción basal, respecto al factor de cambio en la severi-
dad determinado por la variación en la otra escala
(Salvador-Carulla et al, 1996).
TRANSFERABILIDAD Y GENERALIZACIÓN
DE RESULTADOS
Un aspecto relevante al seleccionar un test deter-
minado es el grado de generalización de los resulta-
dos obtenidos con dicha prueba y su transferabili-
dad a otras poblaciones. Estos parámetros vienen
determinados, además de por la metodología em-
pleada en el estudio de validación de la prueba, por
otros factores. Entre estos cabe citar la existencia
de estudios de las propiedades psicométricas del
instrumento diferentes a los efectuados por los au-
tores originales, la aplicación de todo el rango de
pruebas estadísticas útiles para evaluación del ins-
trumento, y su administración a diversas poblacio-
nes que cubran el rango de posibilidades de utiliza-
ción de la prueba. Un aspecto relacionado con la
generalización y transferabilidad es el de la equiva-
lencia transcultural.
EQUIVALENCIA TRANSCULTURAL
La utilización del mismo cuestionario en diferentes
culturas implica una serie de problemas metodológi-
cos sumamente complejos, como el de los niveles de
equivalencia y el de los diferentes sistemas de traduc-
ción.
NIVELES DE EQUIVALENCIA TRANSCULTURAL
Flaherty (1988) ha propuesto 5 niveles de equiva-
lencia:
141
 TRATADO DE PSIQUIATR A
—Equivalencia de contenido: el contenido de ca-
da ítem del instrumento es relevante al fenómeno
evaluado en cada cultura.
—Equivalencia sintáctica: el significado de cada
ítem permanece inalterado al ser traducido al lengua-
je normal (oral y escrito) de cada cultura. Aquí se dan
diversas fuentes de variación (palabras, coloquialis-
mos, tipo de registro).
—Equivalencia técnica: el método de evalua-
ción (p. ej., papel y lápiz o entrevista) es compara-
ble en cada cultura en relación a los datos que se
recogen.
—Equivalencia conceptual: el instrumento mide
el mismo constructo teórico en cada cultura. A veces
la traducción de las palabras concretas puede aproxi-
marse mucho al original a la vez que existe una dife-
rencia notable a nivel conceptual con el texto origi-
nal.
SISTEMAS DE TRADUCCIÓN
El sistema de traducción más difundido es el de la
retraducción (back-translation). Este sistema se dife-
rencia de la traducción directa en que, tras ser tradu-
cido por uno o varios traductores, el test es “retradu-
cido” por un traductor independiente del primero.
Así las dos versiones pueden ser comparadas en el
idioma original. Este sistema, sin embargo, dista de
ser ideal, y sus resultados pueden ser muy poco sa-
tisfactorios en lo referente a la equivalencia concep-
tual (Brislin, 1970). En el campo de la salud mental
se ha intentado complementar este sistema con
otras técnicas que permitan convertir una traducción
meramente lingüística en una traducción conceptual,
como las técnicas de pretest y de traducción concep-
tual por paneles. Existen dos casos recientes de tra-
ducción conceptual por paneles que ilustran esta
metodología: la traducción española del SCAN (Vaz-
quez-Barquero, 1993), y el proyecto internacional
de diagnóstico y clasificación de la OMS y el Institu-
to de Salud de EE.UU. (WHO/NIH) (Room et al,
1996).
La traducción conceptual prima la equivalencia de
concepto sobre la sintáctica, con el fin de conservar
la esencia de la experiencia evaluada en el segundo
idioma. La preparación de estas versiones es mucho
más compleja que la señalada anteriormente. Pri-
mero se efectúa una traducción literal, después dos
grupos independientes efectúan una traducción con-
ceptual sobre la primera. A continuación estas tra-
ducciones se revisan por un nuevo panel para detec-
tar términos conflictivos y conceptos problemáticos
y facilitar un consenso entre los grupos de acuerdo
con la realidad del entorno conceptual en el que se
debe emplear el instrumento. Esta versión se retra-
duce al idioma original y finalmente el coordinador
del proyecto juzga la equivalencia conceptual de ca-
da ítem (Tabla II).
142
Tabla II
Pasos de la traducción transcultural
del CIDI y el SCAN en el proyecto
conjunto WHO/NIH
La traducción del inglés en el otro idioma se prepara
por uno o más traductores ajenos a la salud mental
La versión traducida se discute por un grupo bilingüe de
expertos para identificar areas conflictivas y acordar
los temas que se deben abordar en las discusiones de
los grupos monolingues
El grupo bilingüe discute con los grupos monolingües
aspectos de la versión traducida
Después de revisar la traducción, los líderes de los gru-
pos monolingües indican al grupo bilingüe si la traduc-
ción es comprensible, si encuentran obstáculos cultura-
les para la respuesta a las preguntas, o si existen pro-
blemas relacionados con síntomas específicos que
deban incluirse en las preguntas del CIDI/SCAN
El grupo de expertos bilingües discute estos informes y
decide si existen problemas sustanciales que aconse-
jen una segunda revisión de la traducción por parte
de los grupos monolingües.
Retraducción por un tercer sujeto no relacionado con la
salud mental
Preparación de un informe por parte del grupo bilingüe
en el que se especifican las áreas que requieren un
análisis en profundidad. Discusión de los resultados de
cada componente del estudio y conclusiones para el
informe final
Room et al.,1996.
SELECCIÓN DE UN INSTRUMENTO
DE EVALUACIÓN
La selección apropiada de instrumentos de evalua-
ción subjetiva es primordial para cualquier investiga-
ción clínica en psiquiatría. Sin embargo, sorprende
el escaso número de revisiones metodológicas que
abordan este tema de forma específica. Bech et al.
(1993), mencionan una serie de aspectos clave a te-
ner en cuenta en un ensayo clínico:
1. Identificación del motivo: ¿Por qué es necesa-
ria la utilización de una escala de evaluación en el
estudio?
2. Identificación del problema: ¿Cuál es el objeto
de evaluación?
3. Identificación de la importancia: ¿Cuál es la re-
levancia de las escalas en relación a la hipótesis
que se investiga?
4. Evaluación del coste-utilidad: ¿Cuál es la utili-
dad de la información obtenida através del instru-
mento en relación al coste de su utilización?
Este último aspecto se obvía con excesiva frecuen-
cia en investigación clínica. En este caso, la evalua-
 GU AS PARA LA DESCRIPCI N Y LA SELECCI N DE INSTRUMENTOS DE EVALUACI N EN PSIQUIATR A
ción del coste-utilidad considera la necesidad de en-
trenamiento y preparaciones previas a la utilización
de la escala, el tiempo asignado para la misma, y los
requerimientos para su análisis estadístico. Es nece-
sario evaluar si la información adicional obtenida jus-
tifica los mayores costos y tiempo empleado tanto
para la puntuación como para el análisis de los da-
tos. Debe tenerse en cuenta también la posibilidad
de aumento de sesgos por la adición de un instru-
mento suplementario a una batería de evaluación, ya
sea por la posibilidad de cansancio del entrevistado,
aumento de errores de medida o de errores de tipo I
y II al utilizar escalas redundantes, como la adminis-
tración conjunta del BPRS y el SANS (Czobor et al,
1991; Thiemann et al, 1987).
En función de todo lo expuesto se ha elaborado
un inventario que facilita la elección de instrumentos
de evaluación en investigación y en rutina clínica.
COROLARIO
El uso de las escalas de evaluación psiquiátrica es-
tá bien establecido en diversas áreas, desde la epide-
miología clínica a los estudios farmacológicos (pro-
pósito para el que se desarrollaron muchas de las
escalas clínicas de seguimiento). Sin embargo, dado
su número, diversidad y su continuo desarrollo, es
cada vez más necesario contar con inventarios infor-
matizados y sistemáticos que permitan una orienta-
ción clara al clínico y al investigador sobre las mis-
mas. Una guía para su clasificación, puede obtenerse
en función de una serie de características relacio-
nadas con su complejidad, propósito y diseño. La va-
loración de la calidad de cada instrumento puede
evaluarse en función de una serie de parámetros re-
lacionados con su consistencia, fiabilidad, validez y
sensibilidad al cambio. Por último, es necesario tener
en cuenta aspectos relacionados con el coste-efecti-
vidad en la elección del instrumento y su relación
con otros instrumentos utilizados en un estudio.
Este artículo ha sido financiado parcialmente me-
diante una ayuda del Fondo de Investigaciones Sani-
tarias (FIS 95/1961).
LISTA DE ESCALAS MENCIONADAS
EN EL TEXTO (CF. BECH ET AL, 1993)
—ADL: Activity of Daily Living - Index (Katz,
1976).
—BDI: Beck Deprepression Inventory (Beck et al,
1961).
BPRS: Brief Psychiatric Rating Scale (Overall &
Gorham, 1962).
—CASH: Comprehensive Assessment of History
and Symptoms (Andreasen et al, 1992) CGI: Clinical
Global Impression (Guy, 1976).
—GAS: Global Assessment Scale (Endicott,
1976).
—EPQ: Eysenck Personality Questionnaire (Ey-
senck et al, 1975)
—GHQ: General Health Questionnaire (Gold-
berg, 1972).
—HDRS: Hamilton Depression Rating Scale (Ha-
milton, 1960)
MPQ: McGill Pain Questionnaire (Melzack,
1980).
—MMPl: Minnesota Multiphasic Personality In-
ventory (Hathaway & Mc Kinley, 1937)
—NDS: Newcastle Depression Scale (Carney et
al, 1965).
—PSE: Present State Examination (Cooper et al,
1972).
—SANS/SAPS: Scale for the Assessment of Ne-
gative Symptoms / Scale for the Assessment of Pos-
tive Symptoms (Andreasen, 1981).
—SCAN: Schedules for Clinical Assessment in
Neuropsychiatry (WHO, 1992).
APÉNDICE
CUESTIONARIO PARA LA SELECCIÓN
DE INSTRUMENTOS DE EVALUACIÓN
EN PSIQUIATRÍA
Puntuar en función de la literatura disponible so-
bre el instrumento y en base a las indicaciones efec-
tuadas en la revisión anterior.
A. Construcción
1. ¿El objetivo del instrumento se define de forma
explícita?
No, en absoluto Incompleto Aceptable Muy completo
2. Con la excepción de los instrumentos más sim-
ples, ¿existe un glosario?
No, en absoluto Incompleto Aceptable Muy completo
3. ¿Existe un manual de instrucciones o un aparta-
do equivalente en el test donde se especifican clara-
mente las instrucciones de cumplimentación y las ca-
racterísticas de quién debe cumplimentarlo?
No, en absoluto Incompleto Aceptable Muy completo
4. Teniendo en cuenta otros instrumentos simila-
res, ¿es este un instrumento de fácil uso en cuanto a
la comprensión, cumplimentación, tiempo de admi-
nistración y sistema de obtención de los resultados?
No, en absoluto Regular Aceptable Muy adecuado
B. Propósito
5. ¿Se trata de un instrumento relevante en fun-
ción del objetivo del estudio?
No, en absoluto Regular Aceptable Muy adecuado
143
 TRATADO DE PSIQUIATR A

6. ¿Existe una adecuación entre la complejidad del 17. ¿En qué proporción describe el cuestionario
instrumento y el objetivo para el que se pretende uti- las diferentes características del fenómeno observa-
lizar? do?, (validez de contenido).
No, en absoluto Regular Aceptable Muy adecuado Muy baja Regular Moderada Alta
7. ¿El instrumento cubre las dimensiones que se 18. Si procede, ¿se trata de una descripción preci-
pretende evaluar? sa? ¿En qué proporción se incluyen las característi-
No, en absoluto Insuficiente Aceptable Muy adecuado cas similares en el mismo grupo y las divergentes en
8. En caso negativo, ¿permite su “baterización”? diferentes grupos?
(¿Se puede administrar de forma conjunta con otros Muy baja Regular Moderada Alta
instrumentos para evaluar las diferentes dimensiones
del fenómeno observado?). 19. Si procede, ¿cuál es la calidad de la informa-
No Con dificultades Aceptable Preparado ción sobre la validez convergente?
en absoluto para ello Nula o muy baja Regular Moderada Alta

9. ¿Cuál es la utilidad de la información obtenida 20. Si procede (se cuenta con un instrumento de
en relación al coste en tiempo y personal de su admi- referencia), ¿cuál es la calidad de la información so-
nistración? bre la validez concurrente?
Muy baja Regular Moderada Alta Nula o muy baja Regular Moderada Alta

21. Si procede, ¿cuál es la calidad de la informa-

C. Propiedades psicométricas
ción sobre la validez predictiva de observación?
Nula o muy baja Regular Moderada Alta
10. ¿Se ha efectuado el análisis de las propieda-
des psicométricas en un número adecuado de casos?
No, en absoluto Insuficiente Aceptable Óptimo 22. Si procede, ¿cuál es la calidad de la informa-
ción sobre la validez factorial o dimensional?, (la utili-
11. Si el instrumento da puntuaciones totales, ¿se zación de análisis factorial exploratorio debe consi-
ha analizado su consistencia interna?, (especificar el derarse como regular, salvo cuando existe una gran
método y señalar la calidad de dicho análisis en fun- cantidad de literatura coincidente, en cuyo caso sería
ción de lo expuesto en el capítulo)? moderada).
Muy baja Regular Moderada Alta Nula o muy baja Regular Moderada Alta

12. ¿Se ha evaluado la fiabilidad externa interexa- 23. Si se ha efectuado un análisis de otros tipos
minadores del instrumento?, (especificar el método y de validación ¿cuál es la calidad de dicha informa-
señalar la calidad de dicho análisis en función de lo ción?, (especificar el tipo de validez).
expuesto en el capítulo). Nula o muy baja Regular Moderada Alta
Muy baja Regular Moderada Alta

13. Si procede, ¿se ha evaluado la fiabilidad exter- 24. En general, ¿cuál es la calidad de la informa-
na test-retest del instrumento? (especificar el método ción sobre la validez del test?
y señalar la calidad de dicho análisis en función de lo Nula o muy baja Regular Moderada Alta
expuesto en el capítulo).
Muy baja Regular Moderada Alta 25. Si se trata de un instrumento de seguimiento,
¿cuál es la calidad de información sobre su sensibili-
14. Si procede, ¿se ha evaluado la fiabilidad exter- dad al cambio?
na inter-informadores del instrumento?, (especificar Nula o muy baja Regular Moderada Alta
el método y señalar la calidad de dicho análisis en
función de lo expuesto en el capítulo) 26. Cuando se usan varios instrumentos, ¿en qué
Muy baja Regular Moderada Alta proporción se ha descartado la presencia de redun-
dancia?
15. En función de lo anterior, ¿cómo juzga la cali- Nula o muy baja Regular Moderada Alta
dad global de la información sobre fiabilidad de este
instrumento?
Muy baja Regular Moderada Alta
D. Generalización
16. ¿Cuál es la significación y relevancia de los re-
sultados obtenidos para quienes deben utilizarlos?, 27. ¿En qué proporción se ha analizado la utilidad
(validez simple). del test en diferentes poblaciones y lugares?
Muy baja Regular Moderada Alta Nula o muy baja Regular Moderada Alta

144
 GU AS PARA LA DESCRIPCI N Y LA SELECCI N DE INSTRUMENTOS DE EVALUACI N EN PSIQUIATR A

28. ¿En qué proporción los datos sobre las pro- 30. ¿En que extensión se ha aplicado el test en di-
piedades psicométricas del test proceden de fuentes ferentes culturas?
diferentes de los autores originales? Nula o muy baja Regular Moderada Alta
Nula o muy baja Regular Moderada Alta

E. Equivalencia transcultural 31. ¿Existe información sobre la adaptación del

29. ¿Existen datos sobre la estandarización trans- test al entorno cultural específico y a la población en
cultural del test? la que se pretende utilizar?
Nula o muy baja Regular Moderada Alta Nula o muy baja Regular Moderada Alta

Bibliografía
1. Andersen J, Larsen JK, Schultz V, Nielsen BM, Korner A, Behnke K et al. The Brief Psychiatric Rating Scale: Dimension of schi-
zophrenia-reliability and construct validity. Psychopathology 1989; 22: 168-176.
2. Andreasen NC, Flaum M, Arndt S. The comprehensive assessment of symptoms and history (CASH): An instrument for assessing
diagnosis and psychopathology. Archives of General Psychiatry 1992; 49: 615-623.
3. Baldessarini RJ, Finklestein S, Arana GW. Predictive power of diagnostic tests. En: F Flasch (ed.), Psychobiology and Psychophar-
macology. New York: Norton & Company 1988, 175-189.
4. Bartko JJ, Carpenter WT. On the methods and theory of reliability. J Nerv Ment Dis 1976; 163: 307-317.
5. Bartko JJ. Some issues for consideration in multi-site and international reliability studies. En M Moscarelli, A Rupp and N Sartorius
(eds), Mental Health Economics and Health Policies, vol I: Schizophrenia. Chichester: Wiley & Sons 1996, 113-121.
6. Bech P, Kastrup M, Rafaelsen OJ. Mini compendium of rating scales for states of anxiety, depression, mania, schizophrenia with
corresponding DSM-III syndromes. Acta Psychiatr. Scand 1986; 73 Suppl: 326.
7. Bech P, Malt UF, Dencker SJ, Ahlfors UG, Elgen K, Lewander T, Lundell A, Simpson GM, Lingjaerde O (eds). Scales for assess-
ment of diagnosis and severity of mental disorders. Acta Psychiatrica Scandinavica 1993; 87 (Suppl. 372).
8. Brislin RW. Back-translation forcross-cultural research. Journal of cross-cultural Psychology 1970; 1 (3): 185-216.
9. Buchanan RW, Carpenter WT. Domains of psychopathology. An approach to the reduction of heterogeneity in Schizophrenia. J
Nerv Ment Dis 1994; 182: 193-204.
10. Costello CG. Advantages of the symptom approach to schizophrenia. En: Symptoms of schizophrenia. CG Costello (ed). John Wi-
ley & Sons, New York: 1994; 1-26.
11. Czobor P, Bitter I, Volavka J. Relationship between the Brief Psychiatric Rating Scale and the Scale for the Assessment of Negative
Symptoms: A study of their correlation and redundancy. Psychiatry Research 1991; 36: 129-139.
12. Feinstein AR. Clinical epidemiology. WB Saunders, Philadelphia 1985.
13. Fenton W, McGlashan TH. Testing systems for assessment of negative symptoms in schizophrenia. Arch Gen Psychiatry 1991; 49:
179-184.
14. Flaherty JA, Gaviria FM, Pathak D, Mitchell T, Wintrob R, Richman JA, Birz S. Developing instruments for cross-cultural psychiatric
research. J Nerv Ment Dis 1988; 176: 257-263.
15. García-Cueto E. Introducción a la psicometría. Siglo XXI, Madrid 1993.
16. Hernández-Aguado I, Porta M, Miralles M, García-Benavides F, Bolúmar F. La cuantificación de la variabilidad en las observaciones
clínicas. Medicina Clínica (Barcelona) 1990; 95: 424-429.
17. Hirst M. Multidimensional representation of disablement: A qualitative approach. In Quality of Life: Perspectives and Policies. S
Baldwin, C Godfrey, C Propper (eds). Routledge, London: 1990; 72-83.
18. Israel L, Kozarevic D, Sartorius N. Source book for the geriatric assessment: I. Evaluation in gerontology. World Health Organiza-
tion, Karger, Basel 1984.
19. Karnofsky DA, Burchenal JH. The clinical evaluation of Chemotherapeutic agents. En: Evaluation of chemotherapeutic agents. Co-
lumbia University Press, New York: 1949.
20. Kibel DA, Laffont I, Liddle PF. The composition of thenegative syndrome ofchronic schizophrenia. British Journal of Psychiatry
1993; 162: 744-750.
21. Kind P. Issues in the design and construction of a quality of life measure. En: Quality of Life: Perspectives and Policies. S Baldwin, C
Godfrey, C Propper (eds). Routledge, London: 1990; 63-71.
22. Kramer MS, Feinstein AR. Clinical biostatistics: LIV. The biostatistics of concordance. Clin Pharmacol Ther 1981; 29: 111-123.
23. Liddle PF. Schizophrenic syndromes, cognitive performance and neurological dysfunction. Psychological Medicine 1987; 17: 49-
57.
24. Likert R: A technique for measurement of attitudes. Archives of Psychology 1932; 140: 1-55.
25. Martínez-Arias R. Psicometría: Teoría de los tests psicológicos y educativos. Editorial Síntesis, Madrid: 1995.
26. McDowell I, Newell C. Measuring health: A guide to rating scales and questionnaires. Oxford University Press, Oxford: 1987.
27. Meehl P, Golden RR. Taxonometric methods. En: Handbook of research methodology in clinical psychology. PC Kendall, JN But-
cher (eds.) Wiley & Sons, New York: 1982.
28. Mezzich JE (Dir). Clinical Care and Information Systems in Psychiatry. Washington: American Psychiatric Press, 1986.
29. Muñiz J. Teoría clásica de los test. Ediciones Piramide, Madrid: 1992.

145
 TRATADO DE PSIQUIATR A

30. Muthen BO, Hasin D, Wisnicki K. Factor analysis of ICD-10 symptom items in the 1988 National Health Interview Survey on Al-
cohol Dependence. Addiction 1993i; 88; 1071-1077.
31. Muthen BO, Grant B, Hasin D. The dimensionality of alcohol abuse and dependence: Factor analysis of DSM-III-R and proposed
DSM-IV criteria in the 1988 National Health Interview Survey. Addiction 1993ii; 88: 1079-1090.
32. Pull CB, Wittchen HU. The CIDI, SCAN, and IPDE: Structured diagnostic interviews for ICD-10 and DSM-III-R. European Psy-
chiatry 1991; 6: 227-285.
33. Rasch G. Probabilistic models for some intelligence and attainment tests. University of Chicago Press, Chicago, 1980.
34. Room R, Janca A, Bennet LA, Schmidt L, Sartorius N. WHO cross-cultural aapplicability research on diagnosis and assessment of
substaance use disorders: an overview of methods and selected results. Addiction 1996; 91: 199-220.
35. Salvador-Carulla L, Roca M. Instrumentos de evaluación subjetiva en Salud Mental. Actas Luso-Esp Neurol Psiquiatr 1995; 23, 2:
1-9.
36. Salvador-Carulla L, Huete T, Hernán MA. Validación del Indice de Bienestar General enpacientes con depresión mayor. En “Avan-
ces en depresión”. M Gutiérrez, J Ezcurra y P Pichot (eds). Ediciones en Neurociencias, Barcelona: 1996.
37. Salvador-Carulla L. Assessment of instruments in psychiatry: Description and psychometric properties. En: Mental Health Outcome
Measures, G. Thornicroft & M. Tansella (eds.). Berlin: Springer, 1996; 189-206.
38. Siegel S. Non-parametric statistics for behavioral sciences. New York: McGraw-Hill, 1966.
39. Somoza E. Eccentric diagnostic tests: Redifining sensitivity and specificity. Medical Decision Making 1996; 16: 15-23.
40. Strang J, Bradley B, Stockwell T. Assessment of drug and alcohol use. En C. Thompson, ed. The instruments of psychiatric rese-
arch. Chichester: John Wiley & Sons, 1989; 211-232.
41. Stromgren E. The lexicon and issues in the relation of psychiatric concepts and terms. En International classification in psychiatry.
JE Mezzich, M von Cranach (eds.). Cambridge: Cambridge University Press, 1988; 175-179.
42. Thiemann S, Csernansky JG, Berger P. Rating scales in research: The case of negative symptoms. Psychiatry Research 1987; 20:
47-55.
43. Thompson C (Dir.). The instruments of psychiatric research. John Wiley & Sons, Chichester: 1989.
44. Vázquez-Barquero JL (Dir.). SCAN. Cuestionarios para la evaluación clínica en psiquiatría. Meditor, Madrid: 1993.
45. Ware JE. Measuring health and functional status in mental health services research. CA Taube, D Mechanic y A Hohmann (eds.).
Department of Health & Human Services, Washington: 1989.
46. Ware JE Jr., Sherbourne CD: The MOS 36-item short form health survey (SF-36): I. Conceptual framework and item selection. Me-
dical Care 1992; 30: 473-483.
47. Weltzer S. Medición de las enfermedades mentales: Evaluación psicométrica para los clínicos. Ancora, Barcelona: 1991.
48. Wittchen H-U, Essau CA. Assessment of symptoms and psychosocial disabilities in primary care. En: Psychological disorders in ge-
neral medical settings. Dir. por N. Sartorius, D. Goldberg, G. de Girolamo, J. Costa e Silva, Y. Lecrubier y U. Wittchen. Hogrefe &
Huber Publ., Toronto: 1990; 111-136.
49. Van den Wollenberg AL: Redundancy analysis: An alternative to canonical correlation analysis. Psychometrika 1977; 42: 207-219.

146