PCS – skala katastrofizacji bólu: jak policzyć wynik

Autor: Konrad Hryniewicz · Opublikowano: 1 listopada 2026

Czym jest PCS

PCS (Pain Catastrophizing Scale), czyli skala katastrofizacji bólu, to kwestionariusz samoopisowy, który mierzy katastroficzne myślenie o bólu. Opracowali ją Sullivan, Bishop i Pivik (1995). Katastrofizację opisuje się jako przesadnie negatywne nastawienie umysłowe w czasie bólu albo w jego oczekiwaniu (Sullivan i in., 2001). Wiąże się z silniejszym bólem i dystresem (Sullivan i in., 2001) oraz z wieloma wynikami leczenia bólu (Quartana i in., 2009).

PCS pojawia się najczęściej w pracach z fizjoterapii (ból krzyża, rehabilitacja po urazach i operacjach), medycyny (ból przewlekły, ból pooperacyjny) i psychologii zdrowia. Ogólne zasady analiz w tych dziedzinach opisują wpisy statystyka dla fizjoterapeuty, statystyka dla lekarza i statystyka dla psychologa. PCS zwykle towarzyszy pomiarowi natężenia bólu. Jak analizować samą skalę bólu, wyjaśnia wpis jak analizować skale bólu NRS i VAS. Często używa się jej też razem z miarą lęku przed ruchem (TSK).

Wpis pokazuje, co wiadomo o budowie PCS ze źródeł, które sprawdziliśmy, jak policzyć i opisać wynik oraz czego nie wolno z niego wnioskować. Treści pozycji nie przytaczamy.

Licencja: PCS nie jest w domenie publicznej

Zacznij od licencji, bo od niej zależy, skąd weźmiesz formularz i klucz. Według strony autora PCS jest licencjonowana i dystrybuowana przez Mapi Research Trust w imieniu Michaela Sullivana (Sullivan, b.d.). Strona dystrybutora w serwisie ePROVIDE (Mapi Research Trust, 2026; obie strony sprawdzono 1 listopada 2026 r.) podaje następujące warunki:

• studenci, praktyka kliniczna i niefinansowane badania akademickie mogą pobrać kwestionariusz i dostępne tłumaczenia po bezpłatnej rejestracji;
• przy finansowanych projektach akademickich, w organizacjach ochrony zdrowia i przy użyciu komercyjnym mogą obowiązywać opłaty i umowa licencyjna;
• egzemplarz poglądowy służy tylko do oceny narzędzia i nie wolno go używać w badaniu;
• bez zgody nie wolno zmieniać, przepisywać ani tłumaczyć skali, a wersja elektroniczna (np. w ankiecie online) wymaga umowy licencyjnej.

Na liście tłumaczeń jest wersja polska. Nie znaleźliśmy natomiast zweryfikowanej publikacji walidacyjnej polskiej wersji, dlatego nie podajemy jej autorów ani właściwości. Jeśli robisz ankietę online, przeczytaj warunki dla wersji elektronicznych przed zbieraniem danych. Formularza nie przepisuj z prac innych osób ani ze stron z „darmowymi testami”.

Budowa: 13 pozycji i trzy podskale

W pracy źródłowej analiza pozycji dała trzy składowe: ruminację, wyolbrzymianie (magnification) i bezradność (Sullivan i in., 1995). Walton, Wideman i Sullivan (2013) analizowali wynik 13 pozycji i nazywają łączny wynik 13 pozycji standardową praktyką. Szczegóły kodowania podaje artykuł współautorstwa twórcy skali (Morris i in., 2012).

Według Morrisa i in. (2012) każdą pozycję ocenia się na 5-stopniowej skali od 0 do 4, a wynik ogólny to suma odpowiedzi. Wyższy wynik oznacza silniejszą katastrofizację. Opis nie przewiduje pozycji odwróconych. Numerów pozycji należących do podskal tu nie podajemy. Klucz, instrukcję i ewentualne zasady dla braków weź z podręcznika użytkownika udostępnianego z kwestionariuszem przez Mapi. Jeśli podręcznik różni się od tego opisu, obowiązuje podręcznik.

Jak policzyć wynik krok po kroku

Krok 1. Zapisz odpowiedzi jako 0–4

Formularz online często zapisuje odpowiedzi jako 1–5. Odejmij wtedy 1 od każdej odpowiedzi, zanim policzysz sumę. Inaczej wynik będzie miał zakres 13–65 i nie da się go porównać z literaturą. Sprawdź, czy w kolumnach są tylko wartości 0–4 albo braki.

Krok 2. Zsumuj 13 pozycji

Wynik ogólny to suma 13 pozycji, czyli 0–52. To główny wynik PCS. Ma najlepiej udokumentowaną rzetelność: w metaanalizie 229 badań średnia alfa wyniku ogólnego wyniosła .92, a stabilność test–retest .88. Podobnie dobrych wartości nie stwierdzono dla podskal (Wheeler i in., 2019).

Krok 3. Podskale – jeśli hipoteza tego wymaga

Podskale to sumy ich pozycji według klucza z podręcznika. Mają różną liczbę pozycji, więc ich sum nie porównuj bezpośrednio. Do porównania przelicz je na procent maksymalnego wyniku (POMP) albo podaj średnią na pozycję. Pamiętaj, że to podskale wyniku ogólnego, a nie osobne narzędzia.

Krok 4. Ustal regułę braków

W sprawdzonych źródłach nie znaleźliśmy reguły dla braków. W przykładzie przyjęliśmy własną: przy jednym braku wynik ogólny to średnia z 12 odpowiedzi razy 13, przy dwóch i więcej – brak wyniku. Podskale liczymy tylko z kompletu odpowiedzi. Opisz taką regułę w metodzie (zob. braki danych). Ogólną procedurę opisuje wpis jak policzyć wynik kwestionariusza.

Interpretacja: bez progu ze strony autora

Wyższy wynik oznacza silniejsze katastroficzne myślenie o bólu. W abstrakcie pracy źródłowej osoby dzielono na katastrofizujące i niekatastrofizujące według wyniku PCS (Sullivan i in., 1995), ale ani strona autora, ani strona dystrybutora nie podają punktu odcięcia. W literaturze spotkasz różne progi „wysokiej katastrofizacji”, a różne prace podają różne wartości. Dlatego progu nie podajemy. Jeśli go potrzebujesz, weź go z podręcznika i zacytuj.

W pracy dyplomowej analizuj wynik jako ciągły. Podział na „katastrofizujących” i pozostałych traci informację i moc testów (Altman i Royston, 2006; zob. dzielenie medianą). Wynik PCS nie jest diagnozą. Wheeler i in. (2019) pokazali też, że średnie zależą od rodzaju bólu i wersji językowej, więc porównuj się z badaniami w podobnych grupach.

Przykład: 210 pacjentów z bólem krzyża

W badaniu symulowanym 210 osób z przewlekłym bólem dolnego odcinka kręgosłupa, leczonych w poradni fizjoterapii, wypełniło PCS. Podały też średni ból z ostatniego tygodnia na skali NRS 0–10 i wynik kwestionariusza niepełnosprawności 0–100. Dane są w pliku CSV. Kolumny pozycji ułożyliśmy według podskal, a nie według numerów na formularzu.

Dwanaście osób pominęło jedną pozycję, a dwie – trzy pozycje. Wynik ogólny ma więc 208 osób. Średnia wyniosła M = 22.76 (SD = 10.26; Me = 22), zakres 0–47. Tylko jedna osoba miała 0 punktów i nikt nie osiągnął 52, więc nie ma efektu sufitu ani podłogi. Ruminacja miała M = 7.79 (SD = 3.89), wyolbrzymianie M = 4.38 (SD = 2.54), a bezradność M = 10.53 (SD = 5.31). W przeliczeniu na POMP najwyżej wypadła ruminacja (48.7%), a najniżej wyolbrzymianie (36.5%), co pokazuje rysunek 1.

Rzetelność: wynik ogólny i podskale

Na 196 pełnych rekordach alfa i omega McDonalda wyniku ogólnego wyniosły .93. Dla podskal: ruminacja .87, wyolbrzymianie .76, bezradność .89. Niższa wartość wyolbrzymiania wynika częściowo z tego, że ma tylko 3 pozycje. Dlaczego warto podać omegę obok alfy, wyjaśnia McNeish (2018), a interpretację alfy wpis alfa Cronbacha.

Czy wynik ogólny ma sens, mimo że są trzy podskale? Pomaga model bifactor z czynnikiem ogólnym i trzema czynnikami grupowymi. Omega hierarchiczna wyniosła .82 przy omedze całkowitej .94. Większość wariancji wyniku ogólnego wyjaśnia więc jeden wspólny czynnik, co wspiera sumowanie 13 pozycji (zob. model bifactor i ESEM). Podobny wniosek dali Walton i in. (2013) w ujęciu modelu Rascha: łączny wynik można traktować jak miarę przedziałową.

Czy PCS wyjaśnia coś ponad natężenie bólu?

To typowe pytanie w pracy z fizjoterapii. Podobną logikę przyjęto w pracy źródłowej, gdzie PCS przewidywała natężenie bólu ponad inne miary (Sullivan i in., 1995). W przykładzie PCS korelowała z bólem r = .34, 95% CI [.21, .45], a z niepełnosprawnością r = .50, 95% CI [.39, .59]. Rysunek 2 pokazuje, że związek z niepełnosprawnością występuje w każdej grupie natężenia bólu.

W regresji hierarchicznej pierwszy blok (wiek i NRS) wyjaśnił R² = .24 wariancji niepełnosprawności. Dodanie PCS zwiększyło R² do .36: ΔR² = .12, F(1, 204) = 38.21, p < .001. W pełnym modelu każdy punkt PCS wiązał się z wynikiem niepełnosprawności wyższym o 0.53 punktu, 95% CI [0.36, 0.70]; β = .37, 95% CI [.25, .49], t(204) = 6.18, p < .001. Ból miał podobną wagę, β = .37, 95% CI [.25, .48], t(204) = 6.07, p < .001, a wiek nie był istotny, β = .07, p = .192. Badanie jest przekrojowe, więc nie wiemy, czy katastrofizacja zwiększa niepełnosprawność, czy odwrotnie.

Jak opisać PCS w pracy

Pierwszy wzór opisuje narzędzie, drugi – wyniki. Uzupełnij nawiasy kwadratowe. Budowę takiego akapitu omawia wzór opisu narzędzia badawczego.

# B253 – PCS: wynik ogólny (suma 13 pozycji) i trzy podskale (ruminacja, wyolbrzymianie, bezradność), braki,
# rzetelność (alfa, omega, omega hierarchiczna), korelacje i regresja hierarchiczna (dane symulowane, set.seed(25301)).
# 210 osób z przewlekłym bólem dolnego odcinka kręgosłupa w fizjoterapii ambulatoryjnej.
# Odpowiedzi zapisano jako liczby 0–4 (0 = najniższa kategoria). Treści pozycji nie odtwarzamy.
# Kolumny ułożono według podskal: r1–r4 (ruminacja), w1–w3 (wyolbrzymianie), b1–b6 (bezradność).
# Numery pozycji na formularzu są inne – przypisanie pozycji do podskal weź z podręcznika użytkownika PCS.
suppressPackageStartupMessages({ library(psych) })
set.seed(25301)
n <- 210
wiek <- round(pmin(pmax(rnorm(n, 52, 12), 22), 80))
nrs  <- pmin(pmax(round(rnorm(n, 5.6, 1.7)), 1), 10)              # średni ból w ostatnim tygodniu, NRS 0–10
ogolny <- 0.35 * as.numeric(scale(nrs)) + rnorm(n, 0, 0.94)       # ogólna skłonność do katastrofizacji
pozycje <- function(k, lad_g, lad_s, przes) {
  spec <- rnorm(n)
  sapply(1:k, function(j) {
    y <- lad_g[j] * as.numeric(scale(ogolny)) + lad_s * spec + rnorm(n, 0, 0.6) + przes[j]
    findInterval(y, c(-1.1, -0.2, 0.7, 1.6))                      # odpowiedź 0–4
  })
}
R <- pozycje(4, c(.75, .80, .78, .72), 0.40, c(.3, .4, .2, .1))
M <- pozycje(3, c(.60, .55, .62), 0.45, c(-.3, -.1, -.4))
B <- pozycje(6, c(.78, .74, .80, .70, .76, .72), 0.30, c(0, .1, -.1, .2, 0, -.2))
colnames(R) <- paste0("r", 1:4); colnames(M) <- paste0("w", 1:3); colnames(B) <- paste0("b", 1:6)
pcs_ukryte <- rowSums(cbind(R, M, B))
niepeln <- round(pmin(pmax(8 + 3.2 * nrs + 0.55 * pcs_ukryte + 0.10 * wiek + rnorm(n, 0, 11), 0), 100))  # 0–100
dane <- data.frame(id = 1:n, wiek, nrs, niepelnosprawnosc = niepeln, R, M, B)
dane[sample(n, 5), "b4"] <- NA; dane[sample(n, 4), "r2"] <- NA; dane[sample(n, 3), "w3"] <- NA
dane[sample(n, 2), c("b1", "b2", "b3")] <- NA                     # 2 osoby pominęły trzy pozycje
write.csv(dane, "../pcs-dane-przyklad.csv", row.names = FALSE, na = "")
r <- paste0("r", 1:4); w <- paste0("w", 1:3); b <- paste0("b", 1:6); poz <- c(r, w, b)

# Krok 1. Kontrola: każda odpowiedź to 0–4 albo brak; liczba braków na osobę
all(as.matrix(dane[, poz]) %in% c(0:4, NA))
table(braki_na_osobe = rowSums(is.na(dane[, poz])))

# Krok 2. Wynik ogólny = suma 13 pozycji (0–52 przy kodowaniu 0–4).
# Reguła braków (nasza decyzja, nie autorów): przy 1 braku – średnia z 12 odpowiedzi × 13; przy 2+ – brak wyniku.
suma_z_brakami <- function(m, maks_brakow = 1) {
  ile_brak <- rowSums(is.na(m))
  ifelse(ile_brak <= maks_brakow, rowMeans(m, na.rm = TRUE) * ncol(m), NA)
}
dane$pcs <- suma_z_brakami(dane[, poz])
c(wazne = sum(!is.na(dane$pcs)), braki = sum(is.na(dane$pcs)))

# Krok 3. Podskale = suma ich pozycji (tylko pełne odpowiedzi) i procent maksymalnego wyniku (POMP)
dane$ruminacja      <- suma_z_brakami(dane[, r], 0)
dane$wyolbrzymianie <- suma_z_brakami(dane[, w], 0)
dane$bezradnosc     <- suma_z_brakami(dane[, b], 0)
maks <- c(pcs = 52, ruminacja = 16, wyolbrzymianie = 12, bezradnosc = 24)
sk <- names(maks)
round(t(sapply(sk, function(s) { v <- na.omit(dane[[s]])
  c(n = length(v), M = mean(v), SD = sd(v), Me = median(v), min = min(v), max = max(v),
    POMP_M = 100 * mean(v) / maks[[s]], skosnosc = skew(v), proc_zero = 100 * mean(v == 0),
    proc_max = 100 * mean(v == maks[[s]])) })), 2)

# Krok 4. Rzetelność: alfa i omega wyniku ogólnego oraz podskal (osoby z kompletem 13 odpowiedzi)
pelne <- na.omit(dane[, poz])
omega1 <- function(m) { l <- as.numeric(fa(m, nfactors = 1)$loadings); sum(l)^2 / (sum(l)^2 + sum(1 - l^2)) }
round(t(sapply(list(pcs = poz, ruminacja = r, wyolbrzymianie = w, bezradnosc = b), function(p) {
  a <- suppressMessages(psych::alpha(pelne[, p], warnings = FALSE))
  c(n = nrow(pelne), pozycje = length(p), alfa = a$total$raw_alpha, omega = omega1(pelne[, p])) })), 2)

# Krok 5. Model bifactor (czynnik ogólny + trzy czynniki grupowe): omega hierarchiczna i całkowita
om <- suppressWarnings(suppressMessages(omega(pelne, nfactors = 3, plot = FALSE)))
round(c(omega_h = om$omega_h, omega_calkowita = om$omega.tot), 2)

# Krok 6. Korelacje wyniku PCS z bólem (NRS) i niepełnosprawnością (Pearson, 95% CI)
kor <- function(x, y) { ct <- cor.test(dane[[x]], dane[[y]])
  c(r = unname(ct$estimate), lo = ct$conf.int[1], hi = ct$conf.int[2], n = unname(ct$parameter) + 2) }
round(rbind(pcs_nrs = kor("pcs", "nrs"), pcs_niepelnosprawnosc = kor("pcs", "niepelnosprawnosc"),
            nrs_niepelnosprawnosc = kor("nrs", "niepelnosprawnosc")), 2)

# Krok 7. Regresja hierarchiczna: czy PCS wyjaśnia niepełnosprawność ponad wiek i natężenie bólu?
d <- na.omit(dane[, c("niepelnosprawnosc", "wiek", "nrs", "pcs")])
m1 <- lm(niepelnosprawnosc ~ wiek + nrs, d)
m2 <- lm(niepelnosprawnosc ~ wiek + nrs + pcs, d)
a12 <- anova(m1, m2)
round(c(n = nrow(d), R2_blok1 = summary(m1)$r.squared, R2_blok2 = summary(m2)$r.squared,
        dR2 = summary(m2)$r.squared - summary(m1)$r.squared, F_zmiany = a12$F[2], df1 = a12$Df[2],
        df2 = a12$Res.Df[2]), 3)
format.pval(a12$`Pr(>F)`[2], digits = 3, eps = .001)
dz <- as.data.frame(scale(d))
mz <- lm(niepelnosprawnosc ~ wiek + nrs + pcs, dz)
round(cbind(b = coef(m2), beta = coef(mz), confint(m2)), 3)[-1, ]
round(cbind(beta_lo = confint(mz)[-1, 1], beta_hi = confint(mz)[-1, 2],
            t = summary(m2)$coefficients[-1, "t value"]), 2)
format.pval(summary(m2)$coefficients[-1, "Pr(>|t|)"], digits = 3, eps = .001)

[1] TRUE
braki_na_osobe
  0   1   3 
196  12   2 
wazne braki 
  208     2 
                 n     M    SD Me min max POMP_M skosnosc proc_zero proc_max
pcs            208 22.76 10.26 22   0  47  43.77     0.14      0.48     0.00
ruminacja      206  7.79  3.89  8   0  16  48.70     0.00      3.40     0.97
wyolbrzymianie 207  4.38  2.54  4   0  11  36.47     0.26      4.35     0.00
bezradnosc     203 10.53  5.31 10   0  23  43.86     0.20      0.99     0.00
                 n pozycje alfa omega
pcs            196      13 0.93  0.93
ruminacja      196       4 0.87  0.87
wyolbrzymianie 196       3 0.76  0.76
bezradnosc     196       6 0.89  0.89
        omega_h omega_calkowita 
           0.82            0.94 
                         r   lo   hi   n
pcs_nrs               0.34 0.21 0.45 208
pcs_niepelnosprawnosc 0.50 0.39 0.59 208
nrs_niepelnosprawnosc 0.48 0.37 0.58 210
       n R2_blok1 R2_blok2      dR2 F_zmiany      df1      df2 
 208.000    0.242    0.361    0.120   38.208    1.000  204.000 
[1] "<0.001"
         b  beta  2.5 % 97.5 %
wiek 0.092 0.074 -0.047  0.231
nrs  3.189 0.366  2.153  4.226
pcs  0.533 0.369  0.363  0.702
     beta_lo beta_hi    t
wiek   -0.04    0.19 1.31
nrs     0.25    0.48 6.07
pcs     0.25    0.49 6.18
[1] "0.192"  "<0.001" "<0.001"

Najczęstsze błędy przy PCS

• Suma z kodowania 1–5. Daje zakres 13–65 i średnie nieporównywalne z literaturą. Najpierw przekoduj odpowiedzi na 0–4.
• Formularz „z internetu”. PCS ma licencję. Pobierz wersję i klucz od dystrybutora i sprawdź warunki, zwłaszcza dla ankiety online.
• Porównywanie sum podskal. Podskale mają 4, 3 i 6 pozycji. Porównuj procent maksimum albo średnią na pozycję.
• Próg bez źródła. Nie pisz „40% pacjentów katastrofizuje” na podstawie granicy z cudzej pracy bez cytowania i uzasadnienia.
• Podskale jako główny wynik bez uzasadnienia. Najlepiej udokumentowaną rzetelność ma wynik ogólny.
• Przyczynowość z badania przekrojowego. Związek PCS z niepełnosprawnością nie pokazuje kierunku wpływu.

Zmianę wyniku PCS po terapii analizuje się tak jak inne wyniki przed i po; wskaźniki zmiany indywidualnej omawia wpis RCI, MDC i MCID. Plan całej analizy kwestionariusza znajdziesz w przewodniku po analizie kwestionariusza. Jeśli chcesz, żeby ktoś sprawdził liczenie PCS i dobór analiz w Twojej pracy, możesz skorzystać z konsultacji w ramach oferty analizy statystyczne dla studentów. Wyniki musisz jednak rozumieć i umieć obronić samodzielnie.

Najczęstsze pytania

Jaki zakres ma wynik skali katastrofizacji bólu PCS?

Przy odpowiedziach kodowanych od 0 do 4 suma 13 pozycji ma zakres 0–52, a podskale: ruminacja 0–16, wyolbrzymianie 0–12, bezradność 0–24. Jeśli formularz online zapisał odpowiedzi jako 1–5, odejmij 1 od każdej odpowiedzi przed sumowaniem.

Od ilu punktów PCS oznacza wysoką katastrofizację?

Ani strona autora, ani strona dystrybutora nie podają progu, a w literaturze krążą różne wartości. Dlatego w tym wpisie progu nie podajemy. W pracy analizuj wynik ciągły, a jeśli musisz użyć progu, weź go z podręcznika użytkownika i zacytuj źródło.

Czy PCS można użyć w ankiecie internetowej do pracy magisterskiej?

Według strony dystrybutora wersja elektroniczna wymaga umowy licencyjnej dla wszystkich użytkowników. Przed zbieraniem danych złóż wniosek przez serwis ePROVIDE i nie przepisuj formularza samodzielnie do narzędzia ankietowego bez zgody.

Lepiej analizować wynik ogólny PCS czy podskale?

Wynik ogólny ma najlepiej udokumentowaną rzetelność, a analiza Rascha z udziałem autora skali wspiera sumowanie 13 pozycji. Podskale analizuj, gdy hipoteza dotyczy np. samej ruminacji, i porównuj je w procentach maksimum, bo mają różną liczbę pozycji.

Czy PCS mierzy natężenie bólu?

Nie. PCS mierzy sposób myślenia o bólu, a natężenie bólu mierzy się osobno, np. skalą NRS. W przykładzie PCS wyjaśniała dodatkowe 12% wariancji niepełnosprawności ponad natężenie bólu i wiek.

Powiązane hasła

Przeczytaj też

@article{altman2006cost, author={Altman, Douglas G. and Royston, Patrick}, title={{The cost of dichotomising continuous variables}}, journal={BMJ}, year={2006}, volume={332}, number={7549}, pages={1080}, doi={10.1136/bmj.332.7549.1080}}

@misc{pcsmapi2026, author={{Mapi Research Trust}}, title={{Pain Catastrophizing Scale (PCS)}}, howpublished={ePROVIDE}, year={2026}, publisher={Mapi Research Trust}, url={https://eprovide.mapi-trust.org/instruments/pain-catastrophizing-scale}}

@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{morris2012cross, author={Morris, Linzette D. and Grimmer-Somers, Karen A. and Louw, Quinette A. and Sullivan, Michael J.}, title={{Cross-cultural adaptation and validation of the South African Pain Catastrophizing Scale (SA-PCS) among patients with fibromyalgia}}, journal={Health and Quality of Life Outcomes}, year={2012}, volume={10}, number={1}, eid={137}, doi={10.1186/1477-7525-10-137}}

@article{quartana2009pain, author={Quartana, Phillip J. and Campbell, Claudia M. and Edwards, Robert R.}, title={{Pain catastrophizing: A critical review}}, journal={Expert Review of Neurotherapeutics}, year={2009}, volume={9}, number={5}, pages={745--758}, doi={10.1586/ern.09.34}}

@misc{sullivanpcsnd, author={Sullivan, Michael J. L.}, title={{The Pain Catastrophizing Scale (PCS)}}, howpublished={Centre for Research on Pain, Disability and Social Integration}, publisher={McGill University}, url={https://sullivan-painresearch.mcgill.ca/pcs.php}}

@article{sullivan1995pain, author={Sullivan, Michael J. L. and Bishop, Scott R. and Pivik, Jayne}, title={{The Pain Catastrophizing Scale: Development and validation}}, journal={Psychological Assessment}, year={1995}, volume={7}, number={4}, pages={524--532}, doi={10.1037/1040-3590.7.4.524}}

@article{sullivan2001theoretical, author={Sullivan, Michael J. L. and Thorn, Beverly and Haythornthwaite, Jennifer A. and Keefe, Francis and Martin, Michelle and Bradley, Laurence A. and Lefebvre, John C.}, title={{Theoretical perspectives on the relation between catastrophizing and pain}}, journal={The Clinical Journal of Pain}, year={2001}, volume={17}, number={1}, pages={52--64}, doi={10.1097/00002508-200103000-00008}}

@article{walton2013rasch, author={Walton, David M. and Wideman, Timothy H. and Sullivan, Michael J. L.}, title={{A Rasch analysis of the Pain Catastrophizing Scale supports its use as an interval-level measure}}, journal={The Clinical Journal of Pain}, year={2013}, volume={29}, number={6}, pages={499--506}, doi={10.1097/ajp.0b013e318269569c}}

@article{wheeler2019meta, author={Wheeler, Claire H. B. and Williams, Amanda C. de C. and Morley, Stephen J.}, title={{Meta-analysis of the psychometric properties of the Pain Catastrophizing Scale and associations with participant characteristics}}, journal={Pain}, year={2019}, volume={160}, number={9}, pages={1946--1953}, doi={10.1097/j.pain.0000000000001494}}