LEFS – skala funkcji kończyny dolnej: jak policzyć wynik

Autor: Konrad Hryniewicz · Opublikowano: 1 listopada 2026

Czym jest LEFS i gdzie się ją stosuje

Skala funkcji kończyny dolnej (Lower Extremity Functional Scale, LEFS) to kwestionariusz samooceny, w którym pacjent ocenia, jak trudno mu wykonać różne czynności angażujące nogi. Opublikowali ją Binkley i in. (1999) i od początku była pomyślana jako narzędzie regionalne: jedna skala dla różnych problemów biodra, kolana, stawu skokowego i stopy, a nie dla jednej diagnozy. W pracach dyplomowych spotkasz ją przede wszystkim na fizjoterapii, a także w pracach z ortopedii i rehabilitacji po urazach i zabiegach. Plan analiz w takich pracach opisuje poradnik statystyka dla fizjoterapeuty, a narzędzia dla innych okolic ciała – wpisy o kwestionariuszu Rolanda-Morrisa (RMDQ) dla bólu krzyża i NDI dla szyi.

W badaniu źródłowym Binkley i in. (1999) podali LEFS 107 pacjentom z 12 poradni fizjoterapii, z różnymi dysfunkcjami narządu ruchu kończyny dolnej. Skala korelowała z podskalą funkcjonowania fizycznego SF-36 na poziomie r = .80 i lepiej niż SF-36 wychwytywała zmianę stanu pacjentów. Stratford i in. (2004) porównali ją z podskalą funkcji WOMAC u osób przed endoprotezoplastyką i po niej. Narzędzie regionalne nie było gorsze od swoistego dla choroby, a jako jedyne pokazało pogorszenie tuż po operacji.

Budowa: 20 pozycji, odpowiedzi 0–4

Pełny tekst publikacji źródłowej jest płatny, a jej abstrakt nie podaje klucza. Klucz opisujemy więc według publikacji współautorstwa twórcy skali. Kennedy i in. (2006) – wśród autorów jest Stratford, współautor LEFS – piszą w metodach otwartego artykułu, że LEFS ma 20 pozycji. Każdą ocenia się na pięciostopniowej skali od 0 (skrajna trudność albo niemożność wykonania czynności) do 4 (brak trudności). Pozycje się sumuje, a wynik może wynosić od 0 do 80. Ten sam zakres 0–80 podają Yeung i in. (2009), także ze Stratfordem jako współautorem.

Uwaga na kierunek. W wielu kwestionariuszach niepełnosprawności wyższy wynik oznacza większy problem. W LEFS jest odwrotnie: wyższy wynik to lepsza funkcja, czyli poprawa po terapii daje dodatnią zmianę. Kennedy i in. (2006) podkreślają, że WOMAC ma orientację przeciwną. Jeśli w pracy korelujesz LEFS z narzędziem o odwrotnym kierunku, ujemna korelacja jest oczekiwana.

Jak policzyć wynik LEFS krok po kroku

Krok 1. Sprawdź kodowanie 0–4

Formularze online często zapisują pierwszą odpowiedź jako 1, a nie 0. Przy kodowaniu 1–5 każda suma przesunie się o 20 punktów, a maksimum wyniesie 100. Zanim zaczniesz liczyć, zrób tabelę częstości każdej pozycji i upewnij się, że widzisz tylko wartości 0–4. Jak przenieść dane z ankiety do R i nadać im właściwe kody, pokazuje wpis o danych z Google Forms i LimeSurvey.

Krok 2. Nie odwracaj pozycji

Wszystkie pozycje mają ten sam kierunek: 4 zawsze oznacza brak trudności. Odwracanie pozycji zepsułoby wynik. Kontrola jest prosta: każda pozycja powinna dodatnio korelować z sumą pozostałych.

Krok 3. Zsumuj 20 pozycji

Nie dziel sumy przez liczbę pozycji i nie przeliczaj jej na procenty, jeśli nie masz ku temu powodu. Źródła raportują wynik w punktach 0–80 i w tych punktach podano MDC i MCID. Średnia z pozycji albo procent maksimum utrudniłyby porównanie z literaturą.

Krok 4. Ustal regułę dla braków

W źródłach, które zweryfikowaliśmy, nie ma reguły dla brakujących odpowiedzi. Musisz ją ustalić przed analizą i opisać w pracy. W przykładzie przy jednym braku liczymy średnią z 19 dostępnych pozycji i mnożymy ją przez 20, a przy dwóch i więcej brakach wyniku nie liczymy. To nasza decyzja, nie zalecenie autorów skali. Uśrednianie dostępnych pozycji przyjmuje silne założenia i może obciążać wyniki nawet przy brakach całkowicie losowych (Mazza i in., 2015). Dlatego dopuszczaj najwyżej pojedyncze braki i podawaj liczbę osób, którym je uzupełniono. Szerzej omawia to wpis braki danych w ankiecie.

Interpretacja: zmiana o 9 punktów i błąd pomiaru

W zweryfikowanych źródłach nie ma przedziałów typu „lekka”, „umiarkowana” czy „ciężka” niepełnosprawność ani punktów odcięcia dla pojedynczego pomiaru. Jeśli takie progi krążą w materiałach z zajęć, znajdź publikację, w której je wyznaczono, i zacytuj ją. W porównaniach grup i w korelacjach analizuj wynik ciągły.

Lepiej udokumentowana jest interpretacja zmiany. Binkley i in. (1999) podali, że błąd pojedynczego wyniku wynosi ±5.3 punktu przy 90-procentowym przedziale ufności. Minimalna wykrywalna zmiana wyniosła 9 punktów, a minimalna klinicznie istotna różnica – także 9 punktów, oba przy 90% CI. Dlatego w pracach z fizjoterapii poprawa o co najmniej 9 punktów jest najczęściej przyjmowanym kryterium. Cytuj je zawsze z publikacji źródłowej i pamiętaj, że wyznaczono je na jednej próbie pacjentów ambulatoryjnych.

W innych grupach błąd pomiaru bywa inny. Yeung i in. (2009) badali pacjentów oddziału rehabilitacji ortopedycznej i podali ICC = .88 oraz standardowy błąd pomiaru 4 punkty. LEFS okazała się tam rzetelna i trafna do oceny zmiany zarówno w grupie, jak i u pojedynczego pacjenta. Różnicę między MDC a MCID wyjaśniają de Vet i in. (2006). MDC mówi, czy zmiana przekracza błąd pomiaru. MCID mówi, czy zmiana jest ważna dla pacjenta. Szerzej piszemy o tym we wpisie RCI, MDC i MCID.

Przykład: 180 pacjentów przed fizjoterapią i po 4 tygodniach

Dane są symulowane i możesz je pobrać jako plik CSV. Kolumny l1–l20 to pomiar na początku fizjoterapii, a l1_po–l20_po pomiar po 4 tygodniach. Dwie osoby pominęły po jednej pozycji na początku i ich wynik policzono z 19 pozycji. Jedna osoba pominęła dwie pozycje po terapii, więc nie ma wyniku końcowego.

Alfę i omegę policzono na 178 osobach z kompletem odpowiedzi na początku terapii. Skorygowane korelacje pozycja–reszta wyniosły od .65 do .84, więc żadna pozycja nie odstaje. Obok alfy podaj omegę McDonalda, bo alfa zakłada równe ładunki pozycji (McNeish, 2018). Tak wysoka rzetelność przy 20 pozycjach nie jest zaskoczeniem. Nikt nie uzyskał wyniku 0 ani 80, więc w tej próbie nie ma efektu sufitu ani podłogi.

Zmiana po terapii

Wynik LEFS wzrósł średnio o 11.38 punktu (SD = 12.11), 95% CI [9.59, 13.16]. Test t dla prób zależnych: t(178) = 12.56, p < .001, d_z = 0.94. Poprawę o co najmniej 9 punktów uzyskało 58.7% osób (rysunek 1). SEM policzony z alfy wyniósł 3.14 punktu, a MDC przy 90% CI – 7.30 punktu. Według tego kryterium poprawiło się 63.7% osób.

Nasze MDC jest niższe niż 9 punktów z publikacji źródłowej. To typowe, bo SEM policzony z alfy to tylko przybliżenie. Do oceny zmiany u pojedynczych osób lepszy jest SEM z badania test–retest w podobnej grupie. W pracy podaj kryterium z literatury jako główne, a MDC z własnej próby jako uzupełnienie, i napisz, skąd pochodzi każda liczba. Do obliczeń dla pojedynczego pacjenta możesz użyć kalkulatora RCI i MDC.

Wynik wyjściowy a zmiana

Przy skali z górną granicą 80 punktów osoba, która zaczyna od wyniku wyższego niż 71, nie może poprawić się o 9 punktów. W przykładzie dotyczyło to 5 osób (2.8%). Wynik wyjściowy korelował ze zmianą na poziomie r = −.47 (rysunek 2). Część tej zależności to regresja do średniej, a część – brak miejsca na poprawę u osób w dobrej formie. Dlatego odsetek „poprawionych” zależy od tego, kogo zrekrutujesz, a porównanie grup lepiej oprzeć na analizie wyniku końcowego z kontrolą wyniku wyjściowego. Pisze o tym przewodnik po badaniach przed i po.

Jedna grupa bez kontroli nie pozwala przypisać poprawy terapii, bo część zmiany mogłaby nastąpić bez niej. Tempo powrotu funkcji zmienia się w czasie: po endoprotezoplastyce biodra i kolana wynik LEFS rósł najszybciej w pierwszych tygodniach po zabiegu (Kennedy i in., 2006). Dlatego termin drugiego pomiaru wpływa na wielkość „efektu”. Napisz o tym w ograniczeniach.

Jak opisać LEFS w pracy

Wzór zawiera liczby z przykładu. W nawiasach kwadratowych wpisz dane swojej wersji.

Ogólny schemat opisu narzędzia znajdziesz we wpisie opis narzędzia badawczego – wzór.

Licencja i polska wersja

Nie znaleźliśmy oficjalnej strony twórców LEFS z warunkami użycia. Publikacja źródłowa ukazała się w czasopiśmie Physical Therapy z prawami autorskimi wydawcy, a jej pełny tekst jest płatny. Formularz krąży w wielu materiałach klinicznych, ale przedruk w internecie nie jest zgodą na użycie. Przed badaniem sprawdź warunki u źródła swojej wersji językowej, a jeśli chcesz dołączyć formularz do aneksu pracy, zapytaj autorów tej wersji albo wydawcę.

Polski przekład i adaptację kulturową opisali Krześniak i in. (2026) na próbie 84 aktywnych fizycznie dorosłych. W eksploracyjnej analizie czynnikowej otrzymali dwa czynniki: czynności dnia codziennego i aktywność sportową. To wynik jednej małej próby, a twórcy skali sumują wszystkie pozycje do jednego wyniku. Bez klucza podskal z pełnego tekstu publikacji zostań przy wyniku ogólnym, a o tym, kiedy podskale mają sens, przeczytasz w haśle podskala i wynik ogólny. Norm polskich nie podajemy. Etapy adaptacji opisuje wpis adaptacja kulturowa kwestionariusza.

# B285 – LEFS: wynik 0–80, kontrola kodowania, rzetelność, efekt sufitu i zmiana po fizjoterapii (dane symulowane, set.seed(28511)).
# 180 osób z dolegliwościami kończyny dolnej: pomiar na początku fizjoterapii i po 4 tygodniach; 20 pozycji (l1–l20) kodowanych 0–4.
# Klucz (Kennedy i in., 2006 – współautor P. W. Stratford): 0 = skrajna trudność albo niemożność, 4 = brak trudności;
# suma 20 pozycji, zakres 0–80, wyżej = lepsza funkcja. Pozycji się nie odwraca. Treści pozycji nie podajemy.
suppressPackageStartupMessages({ library(psych); library(lavaan) })
set.seed(28511)
n <- 180
poz <- paste0("l", 1:20)
lam <- round(runif(20, .70, .86), 2)                    # ładunki pozycji
trud <- seq(-0.9, 1.1, length.out = 20)[sample(20)]     # trudność czynności: dodatnia = trudniejsza
prog <- c(-1.5, -0.6, 0.3, 1.2)
generuj <- function(F) sapply(1:20, function(j) {
  y <- lam[j] * F + rnorm(n, 0, sqrt(1 - lam[j]^2)) - trud[j] * 0.6
  findInterval(y, prog) })                              # 0–4
F0 <- rnorm(n, -0.2, 1)
F1 <- 0.70 * F0 + rnorm(n, 0, 0.65) + 0.75             # po 4 tygodniach: przeciętna poprawa funkcji
przed <- generuj(F0); po <- generuj(F1)
colnames(przed) <- poz; colnames(po) <- paste0(poz, "_po")
dane <- data.frame(id = 1:n, przed, po)
dane$l14[c(17, 102)] <- NA; dane$l6_po[55] <- NA; dane$l9_po[55] <- NA   # braki: dwie osoby po 1, jedna z 2 brakami po terapii
write.csv(dane, "../lefs-dane-przyklad.csv", row.names = FALSE, na = "")   # plik do pobrania

# Krok 1. Kontrola kodowania: tylko 0–4 albo brak (eksport 1–5 przesunąłby sumę o 20 punktów)
all(sapply(dane[, -1], function(x) all(x %in% c(0:4, NA))))
colSums(is.na(dane[, -1]))[colSums(is.na(dane[, -1])) > 0]

# Krok 2. Wynik: suma 20 pozycji; przy jednym braku (nasza reguła, opisana w pracy) średnia pozycji × 20; więcej braków = brak wyniku
suma <- function(d, p, max_brak = 1) { k <- rowSums(is.na(d[, p]))
  ifelse(k <= max_brak, rowMeans(d[, p], na.rm = TRUE) * length(p), NA) }
dane$LEFS <- suma(dane, poz); dane$LEFS_po <- suma(dane, paste0(poz, "_po"))
opis <- function(x) { x <- na.omit(x); round(c(n = length(x), M = mean(x), SD = sd(x), Me = median(x),
  min = min(x), max = max(x), proc_80 = 100 * mean(x == 80), proc_0 = 100 * mean(x == 0)), 2) }
rbind(LEFS_start = opis(dane$LEFS), LEFS_po = opis(dane$LEFS_po))

# Krok 3. Rzetelność na początku: alfa z 95% CI Feldta i omega z jednoczynnikowej CFA (estymator MLR)
kpl <- na.omit(dane[, poz])
a <- alpha(kpl, warnings = FALSE)
fit <- cfa(paste("F =~", paste(poz, collapse = " + ")), data = kpl, estimator = "MLR", std.lv = TRUE)
s <- standardizedSolution(fit); l <- s$est.std[s$op == "=~"]; th <- s$est.std[s$op == "~~" & s$lhs == s$rhs & s$lhs %in% poz]
round(c(n = nrow(kpl), alfa = a$total$raw_alpha, lo = a$feldt$lower.ci[[1]], hi = a$feldt$upper.ci[[1]],
        omega = sum(l)^2 / (sum(l)^2 + sum(th)), r_drop_min = min(a$item.stats$r.drop), r_drop_max = max(a$item.stats$r.drop)), 3)

# Krok 4. Zmiana po 4 tygodniach: test t dla prób zależnych, d_z i odsetek poprawy o co najmniej 9 punktów
pp <- na.omit(dane[, c("LEFS", "LEFS_po")]); zm <- pp$LEFS_po - pp$LEFS
nrow(pp)
tt <- t.test(pp$LEFS_po, pp$LEFS, paired = TRUE)
round(c(M_zmiany = mean(zm), SD_zmiany = sd(zm), lo = tt$conf.int[1], hi = tt$conf.int[2], t = unname(tt$statistic),
        df = unname(tt$parameter), d_z = mean(zm) / sd(zm)), 2)
format.pval(tt$p.value, digits = 3)
round(100 * mean(zm >= 9), 1)                           # poprawa ≥ 9 punktów: MDC i MCID (Binkley i in., 1999)

# Krok 5. SEM z alfy w tej próbie i MDC na poziomie 90% (jak w publikacji źródłowej); lepiej: SEM z badania test–retest
SEM <- sd(pp$LEFS) * sqrt(1 - a$total$raw_alpha); MDC90 <- qnorm(.95) * sqrt(2) * SEM
round(c(SEM = SEM, MDC90 = MDC90, proc_powyzej_MDC90 = 100 * mean(zm >= MDC90)), 2)

# Krok 6. Efekt sufitu: kto na starcie miał więcej niż 71 punktów, nie może poprawić się o 9
round(c(n_powyzej_71 = sum(pp$LEFS > 71), proc_powyzej_71 = 100 * mean(pp$LEFS > 71)), 1)
round(cor(pp$LEFS, zm), 2)                              # korelacja wyniku wyjściowego ze zmianą

[1] TRUE
  l14 l6_po l9_po 
    2     1     1 
             n     M    SD Me min max proc_80 proc_0
LEFS_start 180 41.25 16.97 41   1  76       0      0
LEFS_po    179 52.68 15.57 55   6  79       0      0
         n       alfa         lo         hi      omega r_drop_min r_drop_max 
   178.000      0.966      0.958      0.973      0.966      0.654      0.843 
[1] 179
 M_zmiany SD_zmiany        lo        hi         t        df       d_z 
    11.38     12.11      9.59     13.16     12.56    178.00      0.94 
[1] "<2e-16"
[1] 58.7
               SEM              MDC90 proc_powyzej_MDC90 
              3.14               7.30              63.69 
   n_powyzej_71 proc_powyzej_71 
            5.0             2.8 
[1] -0.47

Najczęstsze błędy przy LEFS

• Kodowanie 1–5 zamiast 0–4. Suma rośnie o 20 punktów, a wyniki przestają być porównywalne z literaturą.
• Odwrotna interpretacja kierunku. W LEFS wyższy wynik to lepsza funkcja; spadek wyniku oznacza pogorszenie.
• Progi „niepełnosprawności” bez źródła. Zweryfikowane publikacje ich nie podają; analizuj wynik ciągły.
• Kryterium 9 punktów bez cytowania. Podaj Binkleya i in. (1999) i zaznacz, że MDC i MCID wyznaczono przy 90% CI.
• Odsetek poprawy bez kontroli wyniku wyjściowego. Osoby z wysokim wynikiem na starcie nie mają miejsca na poprawę o 9 punktów.

Pełną ścieżkę analizy narzędzia porządkuje przewodnik po analizie kwestionariusza. Jeśli chcesz, żeby ktoś sprawdził liczenie LEFS i analizę zmiany w Twojej bazie, skorzystaj z oferty analizy statystyczne dla studentów. Wyniki musisz jednak rozumieć i umieć obronić samodzielnie.

Najczęstsze pytania

Ile punktów można uzyskać w LEFS i co oznacza wyższy wynik?

Od 0 do 80. Skala ma 20 pozycji kodowanych od 0 (skrajna trudność lub niemożność wykonania czynności) do 4 (brak trudności), a wynik to ich suma (Kennedy i in., 2006). Wyższy wynik oznacza lepszą funkcję kończyny dolnej, więc poprawa po terapii daje dodatnią zmianę.

Jaka zmiana wyniku LEFS jest klinicznie istotna?

Binkley i in. (1999) podali, że minimalna wykrywalna zmiana i minimalna klinicznie istotna różnica wynoszą po 9 punktów, oba przy 90-procentowym przedziale ufności. Najczęściej liczy się więc odsetek osób z poprawą o co najmniej 9 punktów. Cytuj to kryterium ze źródła i pamiętaj, że wyznaczono je na pacjentach ambulatoryjnych.

Czy wynik LEFS przelicza się na procenty?

Publikacje, które zweryfikowaliśmy, podają wynik w punktach 0–80 i w tych punktach określają kryterium zmiany. Procent maksimum to tylko przeskalowanie, które utrudnia porównanie z literaturą. Jeśli promotor go wymaga, podaj obok wynik w punktach.

Co zrobić z brakującymi odpowiedziami w LEFS?

Zweryfikowane źródła nie podają reguły dla braków. Ustal ją przed analizą i opisz w pracy, np. przy jednym braku średnia z 19 pozycji pomnożona przez 20, a przy większej liczbie braków brak wyniku. To decyzja badacza, nie zalecenie autorów skali.

Czy LEFS ma podskale?

Twórcy sumują wszystkie 20 pozycji do jednego wyniku. W polskiej adaptacji Krześniak i in. (2026) otrzymali w analizie czynnikowej dwa czynniki (czynności codzienne i aktywność sportowa), ale na małej próbie 84 osób. Bez klucza podskal z pełnego tekstu publikacji analizuj wynik ogólny.

Powiązane hasła

Przeczytaj też

@article{binkley1999lower, author={Binkley, Joseph M. and Stratford, Paul W. and Lott, Sue Ann and Riddle, Daniel L.}, title={{The Lower Extremity Functional Scale (LEFS): Scale development, measurement properties, and clinical application}}, journal={Physical Therapy}, year={1999}, volume={79}, number={4}, pages={371--383}, doi={10.1093/ptj/79.4.371}}

@article{devet2006minimal, author={de Vet, Henrica C. W. and Terwee, Caroline B. and Ostelo, Raymond W. J. G. and Beckerman, Heleen and Knol, Dirk L. and Bouter, Lex M.}, title={{Minimal changes in health status questionnaires: Distinction between minimally detectable change and minimally important change}}, journal={Health and Quality of Life Outcomes}, year={2006}, volume={4}, number={1}, eid={54}, doi={10.1186/1477-7525-4-54}}

@article{kennedy2006modeling, author={Kennedy, Deborah M. and Stratford, Paul W. and Hanna, Steven E. and Wessel, Jean and Gollish, Jeffrey D.}, title={{Modeling early recovery of physical function following hip and knee arthroplasty}}, journal={BMC Musculoskeletal Disorders}, year={2006}, volume={7}, number={1}, eid={100}, doi={10.1186/1471-2474-7-100}}

@article{krzesniak2026polish, author={Krześniak, Hanna and Truszczyńska-Baszak, Aleksandra and Cygańska, Anna Katarzyna}, title={{Polish translation and cultural adaptation of the Lower Extremity Functional Scale (LEFS) for adults with lower extremity complaints}}, journal={Scientific Reports}, year={2026}, volume={16}, number={1}, eid={655}, doi={10.1038/s41598-025-28319-5}}

@article{mazza2015addressing, author={Mazza, Gina L. and Enders, Craig K. and Ruehlman, Linda S.}, title={{Addressing item-level missing data: A comparison of proration and full information maximum likelihood estimation}}, journal={Multivariate Behavioral Research}, year={2015}, volume={50}, number={5}, pages={504--519}, doi={10.1080/00273171.2015.1068157}}

@article{mcneish2018thanks, author={McNeish, Daniel}, title={{Thanks coefficient alpha, we’ll take it from here}}, journal={Psychological Methods}, year={2018}, volume={23}, number={3}, pages={412--433}, doi={10.1037/met0000144}}

@article{stratford2004condition, author={Stratford, Paul W. and Kennedy, Deborah M. and Hanna, Steven E.}, title={{Condition-specific Western Ontario McMaster Osteoarthritis Index was not superior to region-specific Lower Extremity Functional Scale at detecting change}}, journal={Journal of Clinical Epidemiology}, year={2004}, volume={57}, number={10}, pages={1025--1032}, doi={10.1016/j.jclinepi.2004.03.008}}

@article{yeung2009reliability, author={Yeung, Teresa S. M. and Wessel, Jean and Stratford, Paul and MacDermid, Joy}, title={{Reliability, validity, and responsiveness of the Lower Extremity Functional Scale for inpatients of an orthopaedic rehabilitation ward}}, journal={Journal of Orthopaedic \& Sports Physical Therapy}, year={2009}, volume={39}, number={6}, pages={468--477}, doi={10.2519/jospt.2009.2971}}