Change score – så tolkar du förändring mellan två testtillfällen

Sammanfattning

Change score visar om en patients resultat har förändrats mer än förväntat mellan två testtillfällen. En förändring som ligger utanför det förväntade markeras med en röd eller grön pil.

Två testresultat skiljer sig nästan alltid åt, även när förmågan är oförändrad. Det beror på mätfel (slumpmässig variation i testsituationen), övningseffekt (i vissa test presterar man bättre andra gången) och regression mot medelvärdet (ett ovanligt högt eller lågt första resultat följs ofta av ett mer typiskt). En jämförelse av två råpoäng kan därför göra det svårt att avgöra om skillnaden speglar en verklig förändring eller normal variation. Man riskerar då både att missa en verklig försämring och att tolka normal variation som förändring.

För varje deltest visar portalen:

• Förväntad förändring: den förändring som är typisk för friska personer med samma resultat vid T1. Den tar alltså hänsyn till patientens eget utgångsläge.
• 90 % prediktionsintervall: spannet där 90 % av de friska studiedeltagarnas förändringar hamnade.
• Förändring: skillnaden mellan resultatet vid andra (T2) och första (T1) testtillfället.
• Bedömning av förändring: en pil visar om förändringen ligger under (↓), inom (→) eller över (↑) prediktionsintervallet. Ett streck (–) betyder att det saknas en förändringsmodell för deltestet.

Underlaget är en test–retest-studie med 149 friska svensktalande vuxna (20–79 år) som testades två gånger med ungefär fyra veckors mellanrum (Bergman et al., 2025). Change score är ett stöd i bedömningen, inte ett facit. Tolka det tillsammans med anamnes och övrig klinisk information, och var särskilt försiktig vid längre intervall och hos patienter med kognitiv sjukdom (se När ska du vara försiktig?).

I exemplet nedan har en patient försämrats på tre deltest mellan ett nybesök och en uppföljning fyra veckor senare. Två av försämringarna är större än vad som är vanligt hos friska.

• RAVLT igenkänning: Den förväntade förändringen är nära noll, men intervallet är brett. Patientens försämring på 3 poäng ligger inom intervallet, 0,7 poäng från nedre gränsen. En sådan nedgång är inte ovanlig vid omtest och markeras med en grå pil åt höger (→).
• SDPT korrekta matchningar: Friska förbättras i genomsnitt med drygt 1 poäng. Patienten försämrades med 8 poäng, 1,5 poäng under nedre gränsen, och förändringen markeras med en röd pil nedåt (↓).
• CTMT B-tid: Friska med samma utgångsläge blir i genomsnitt drygt 4 sekunder snabbare. Patienten blev 20 sekunder långsammare, 4,5 sekunder över intervallets övre gräns. För ett tidsmått är det en försämring, och förändringen markeras med en röd pil nedåt (↓).

Tänk på riktningen. För tids- och felmått, till exempel CTMT-tider eller antal missar i PASAT, betyder ett högre värde sämre prestation. En positiv förändring är då en försämring, som i CTMT-exemplet ovan.

Change score är mest tillförlitligt när situationen liknar studiens: friska vuxna, omtest efter ungefär fyra veckor och samma testförhållanden vid båda tillfällena. Ju mer patientens situation avviker, desto mer ungefärlig blir bedömningen.

Längre intervall eller upprepad testning. Klinisk uppföljning sker ofta efter 6–12 månader. Övningseffekten minskar vid längre intervall och efter flera omtester (Bergman et al., 2025; Calamia et al., 2012). Modellen kan då förvänta sig en större förbättring än vad som är rimligt. Ett oförändrat resultat kan då markeras som en försämring, eftersom den övningseffekt som modellen räknar med har uteblivit, och risken för falskt positiva fynd ökar (Bergman et al., 2025).

Patientgrupper som skiljer sig från studiegruppen. Studien omfattade bara friska. Den förväntade förändringen från friska gäller därför inte självklart för patienten, av två skäl:

• Andra övningseffekter. Övningseffekten kan skilja sig från friskas, både uppåt och nedåt. Till exempel visar personer som utreds för misstänkt demens ofta mindre övningseffekter, redan inom samma testtillfälle (Duff et al., 2012), och hos personer med amnestisk MCI har uteblivna övningseffekter efter en vecka förutsagt sämre kognitivt utfall efter ett år (Duff et al., 2011). Att en patient inte förbättras som en frisk person kan alltså vara kliniskt informativt i sig.
• Lägre utgångsläge. Ligger patientens resultat vid T1 långt under studiegruppens, förväntar sig modellen en större förbättring än vad som är rimligt, eftersom ett lågt resultat hos friska oftare beror på slumpen. En försämring kan då se större ut än den är.

Många deltest. Eftersom intervallet rymmer 90 % av de friskas förändringar hamnar även hos friska 1 av 20 under den nedre gränsen och 1 av 20 över den övre. När många deltest jämförs kan en enstaka pil därför uppstå av en slump. Ett mönster över flera närliggande deltest väger tyngre än ett enskilt utfall.

Statistisk förändring är inte samma sak som kliniskt betydelsefull förändring. En pil uppåt eller nedåt visar att förändringen sannolikt inte är brus, inte att den påverkar patientens vardag. På samma sätt kan en förändring inom intervallet (→) ändå vara kliniskt betydelsefull.

Gå igenom följande, särskilt när change score och den kliniska bilden inte stämmer överens:

• Hur långt var intervallet, och har patienten testats flera gånger tidigare?
• Skilde sig testförhållandena åt, till exempel byte av inmatningsenhet (mus, pekplatta eller pekskärm), testmiljö, trötthet, sjukdom, stress eller ändrad medicinering?
• Låg resultatet vid T1 nära golvet eller taket för testet?
• Skiljer sig patientens bakgrund från studiegruppens, till exempel låg utbildningsnivå eller annat modersmål än svenska?
• Hur långt från gränsen ligger förändringen?

När change score och den kliniska bilden går isär bör den samlade kliniska bilden väga tyngst. En avvikande change score kan vara skäl att följa upp med ny testning eller kompletterande bedömning, men bör inte ensam ligga till grund för en diagnos eller ett behandlingsbeslut (Heilbronner et al., 2010).

Fördjupning

Hur beräkningen görs

Mindmore använder den regressionsbaserade förändringsansatsen (McSweeny et al., 1993; Van der Elst et al., 2008), tillämpad på Mindmores testbatteri av Bergman et al. (2025). Beräkningen görs i tre steg per deltest:

1. Förväntad förändring. En regressionsmodell förutsäger förändringen (T2 − T1) utifrån T1. För RAVLT igenkänning är förväntad förändring = 2,228 − 0,200 × T1, vilket vid T1 = 12 ger −0,17. Den negativa koefficienten speglar regression mot medelvärdet: ju högre T1, desto mindre förväntad förbättring.
2. Spridning. Skillnaden mellan förändringen och den förväntade förändringen sätts i relation till modellens standardfel (SEest). För CTMT D-tid, RAVLT igenkänning och PASAT varierar standardfelet med storleken på den förväntade förändringen.
3. Prediktionsintervall. Gränserna motsvarar 5:e och 95:e percentilen av de standardiserade avvikelserna i studien, omräknade till testets poängskala. Därför ligger intervallet inte alltid symmetriskt kring den förväntade förändringen.

Vilka deltest omfattas

Bergman et al. (2025) tog fram förändringsmodeller för 21 deltestpoäng i sju test. Det finns inte modeller för alla deltest i Mindmore, och alla modeller finns ännu inte i resultatportalen; saknas en modell visas ett streck (–).

• CTMT: A-tid, B-tid, D-tid
• RAVLT: inlärning, omedelbar återgivning, fördröjd återgivning, igenkänning
• Corsi: index, Fw partial credit-poäng
• FAS: index samt bokstäverna F, A och S
• PASAT: index, antal rätt, antal missar
• Stroop: index, interferens, W-tid, CW-tid
• SDPT: korrekta matchningar

För SDPT korrekta matchningar, Stroop index och Stroop W-tid hade T1 inget samband med förändringen. För dessa är den förväntade förändringen densamma för alla patienter, nämligen studiegruppens genomsnitt.

Vilka faktorer påverkar förändringen

Bergman et al. (2025) undersökte ålder, utbildning, kön, inmatningsenhet (mus, pekplatta eller pekskärm), datortyp, skärmstorlek och testplats (online eller i labbmiljö). För nästan alla deltest var T1 den enda faktor som påverkade förändringen. Undantaget är Corsi index, där användare av pekplatta i genomsnitt presterade cirka 15 poäng sämre vid omtestet än användare av mus eller pekskärm. Urvalet var dock för litet för att undersöka administrativa faktorer fullt ut, så de fynden är preliminära. Håll därför testförhållandena så lika som möjligt mellan tillfällena.

Studiegrupp

Av 252 screenade personer ingick 149 friska, svensktalande vuxna, 20–79 år (medelålder 46,2 år, SD 19,8), varav 98 kvinnor och 51 män. Utbildningstiden var 7–26 år (medelvärde 15,0, SD 2,8): 118 hade minst 13 års utbildning, 27 hade 10–12 år och 4 hade 6–9 år. 112 testades online (21–79 år) och 37 i labbmiljö på pekskärm (20–55 år, rekryterade bland studenter). Omtestet gjordes i genomsnitt efter 27,9 dagar (SD 6,1).

Exkluderade var bland annat personer med tidigare erfarenhet av Mindmore, otillfredsställande testförhållanden, bristande flyt i svenska, tecken på kognitiv svikt, uttalade depressions- eller utmattningssymtom, ADHD/ADD, pågående psykiatrisk eller neurologisk sjukdom samt tidigare stroke, skallskada eller missbruk. Nästan alla deltagare hade svensk språklig och kulturell bakgrund. De golv- och takeffekter som sågs beror troligen på att deltagarna var friska, och kan se annorlunda ut i kliniska grupper.

Referenser

Bergman, I., Franke Föyen, L., Gustavsson, A., & Van den Hurk, W. (2025). Test–retest reliability, practice effects and estimates of change: A study on the Mindmore digital cognitive assessment tool. Scandinavian Journal of Psychology, 66(1), 1–14. https://doi.org/10.1111/sjop.13054

Calamia, M., Markon, K., & Tranel, D. (2012). Scoring higher the second time around: Meta-analyses of practice effects in neuropsychological assessment. The Clinical Neuropsychologist, 26(4), 543–570. https://doi.org/10.1080/13854046.2012.680913

Duff, K., Chelune, G., & Dennett, K. (2012). Within-session practice effects in patients referred for suspected dementia. Dementia and Geriatric Cognitive Disorders, 33(4), 245–249. https://doi.org/10.1159/000339268

Duff, K., Lyketsos, C. G., Beglinger, L. J., Chelune, G., Moser, D. J., Arndt, S., Schultz, S. K., Paulsen, J. S., Petersen, R. C., & McCaffrey, R. J. (2011). Practice effects predict cognitive outcome in amnestic mild cognitive impairment. The American Journal of Geriatric Psychiatry, 19(11), 932–939. https://doi.org/10.1097/JGP.0b013e318209dd3a

Heilbronner, R. L., Sweet, J. J., Attix, D. K., Krull, K. R., Henry, G. K., & Hart, R. P. (2010). Official position of the American Academy of Clinical Neuropsychology on serial neuropsychological assessments: The utility and challenges of repeat test administrations in clinical and forensic contexts. The Clinical Neuropsychologist, 24(8), 1267–1278. https://doi.org/10.1080/13854046.2010.526785

McSweeny, A. J., Naugle, R. I., Chelune, G. J., & Lüders, H. (1993). "T scores for change": An illustration of a regression approach to depicting change in clinical neuropsychology. The Clinical Neuropsychologist, 7(3), 300–312. https://doi.org/10.1080/13854049308401901

Van der Elst, W., Van Boxtel, M. P. J., Van Breukelen, G. J. P., & Jolles, J. (2008). Detecting the significance of changes in performance on the Stroop Color-Word Test, Rey's Verbal Learning Test, and the Letter Digit Substitution Test: The regression-based change approach. Journal of the International Neuropsychological Society, 14(1), 71–80. https://doi.org/10.1017/S1355617708080028