Test 6-minutowego marszu (6MWT) – jak przeanalizować wyniki

Autor: Konrad Hryniewicz · Opublikowano: 27 października 2026 · Aktualizacja: 26 października 2026

Test 6-minutowego marszu: wynik i procedura

W teście 6-minutowego marszu (6-minute walk test, 6MWT) osoba ma w ciągu 6 minut przejść jak najdłuższy dystans po płaskim korytarzu. Wynikiem jest dystans w metrach (6MWD). Służy m.in. do oceny wydolności wysiłkowej i odpowiedzi na leczenie w przewlekłych chorobach układu oddechowego (Holland i in., 2014). Używa się go też u osób starszych: Steffen i in. (2002) u 96 samodzielnych osób w wieku 61–89 lat uzyskali wysoką rzetelność test–retest (ICC(2,1) = .95–.97 dla 6MWT, TUG i prędkości chodu) oraz tendencję do spadku średnich wyników z wiekiem.

Standardową procedurę opisują wytyczne ATS (ATS Committee on Proficiency Standards for Clinical Pulmonary Function Laboratories, 2002) i późniejszy standard techniczny ERS/ATS dla chorób układu oddechowego (Holland i in., 2014). Autorzy standardu podkreślają, że wynik jest wrażliwy na drobne zmiany metodyki i że test należy wykonać dwukrotnie. Przegląd systematyczny, na którym oparto standard, wymienia czynniki zmieniające dystans: długość korytarza, sposób zachęcania, podawanie tlenu i pomoce do chodzenia (Singh i in., 2014). W pracy dyplomowej opisz więc długość toru, formułę zachęty, przerwę między testami i to, który z dwóch wyników analizujesz. Pełny protokół weź z wytycznych, a nie z tego wpisu.

Wpis pokazuje analizę wyników 6MWT: efekt uczenia się, rzetelność, odsetek wartości należnej i porównanie dwóch grup. Ogólne zasady badań przed i po zebraliśmy w przewodniku badania kliniczne i pomiar przed i po, a analizę krótszego testu mobilności – we wpisie o Timed Up and Go.

Badanie przykładowe

60 osób z POChP w wieku 45–80 lat przydzielono do 6-tygodniowego programu treningowego (n = 30) albo do zwykłej opieki (n = 30). Przed okresem badania i po nim każda osoba wykonała dwa testy. Zapisaliśmy też płeć, wiek, wzrost i masę ciała. Wynikiem do porównania grup jest dłuższy dystans z dwóch testów; to decyzja protokołu z przykładu, którą trzeba podjąć przed zebraniem danych. Dane są symulowane i możesz je pobrać jako plik CSV.

Krok 1. Efekt uczenia się między testami

W przeglądzie Singh i in. (2014) dystans w drugim teście był dłuższy średnio o 26 m (13 badań). To efekt uczenia się: osoba lepiej rozkłada tempo i wie, czego się spodziewać. W przykładzie pierwszy test dał średnio 399.8 m, a drugi 419.8 m. Różnica wyniosła 20.0 m, 95% CI [12.7, 27.2], t(59) = 5.52, p < .001. W drugim teście 44 z 60 osób (73.3%) przeszły więcej niż w pierwszym (rysunek 1).

Wniosek praktyczny: jeśli przed interwencją wykonasz jeden test, a po niej kolejny, część „poprawy” będzie po prostu uczeniem się testu. Dlatego standard zaleca dwa testy (Holland i in., 2014). Jak czytać taki wykres, wyjaśnia hasło metoda Blanda–Altmana.

Krok 2. Rzetelność: którą formę ICC wybrać

Efekt uczenia się to błąd systematyczny. Weir (2005) wyjaśnia, że formy ICC różnią się właśnie tym, czy uwzględniają go w mianowniku: ICC(2,1) tak, ICC(3,1) nie. W przykładzie ICC(2,1), czyli zgodność absolutna, wyniósł .858, 95% CI [.601, .936], a ICC(3,1), czyli spójność, .900, 95% CI [.838, .939]. Szeroki przedział dla ICC(2,1) wynika z przesunięcia między testami. Singh i in. (2014) podają, że w siedmiu badaniach ICC dla 6MWD wynosiło od .82 do .99.

Ta sama różnica przenosi się na SEM i MDC:

Którą wartość wybrać? Jeśli w badaniu porównujesz pierwszy test z kolejnym, uczenie się jest częścią błędu i właściwy jest SEM zgodności. Jeśli wykonujesz dwa testy przy każdym pomiarze i analizujesz dłuższy dystans, przyjmij SEM spójności. Tak zrobiliśmy w przykładzie, więc MDC₉₅ = 54.9 m. Napisz w pracy, którą formę wybrałeś i dlaczego. Szczegóły planowania badania rzetelności znajdziesz we wpisie badanie rzetelności pomiaru klinicznego, a MDC z własnego SEM policzysz w kalkulatorze RCI i MDC.

Krok 3. Odsetek wartości należnej

Dystans zależy od wieku, płci, wzrostu i masy ciała, więc sam wynik w metrach trudno ocenić. Enright i Sherrill (1998) opracowali równania dla zdrowych dorosłych w wieku 40–80 lat (117 mężczyzn i 173 kobiety). Równania wyjaśniały około 40% wariancji dystansu:

Odsetek wartości należnej to 100 × dystans / dystans należny. Autorzy zastrzegają, że równania dotyczą osób wykonujących test po raz pierwszy według standardowego protokołu. Dlatego w przykładzie liczymy go z pierwszego testu. Średni dystans należny wyniósł 510.9 m, a średni odsetek 79.5% (SD = 15.2; zakres 55.2–140.6%). Gdybyśmy użyli drugiego testu, średnia wzrosłaby do 83.6%, czyli wynik zostałby zawyżony przez uczenie się.

Tak liczony odsetek to rodzaj standaryzacji względem wieku i budowy ciała. Pamiętaj, że równania powstały w jednej próbie amerykańskiej. Jeśli korzystasz z innych równań referencyjnych, podaj ich źródło i populację. Nie podawaj „norm” bez źródła i nie nazywaj wyniku poniżej 100% patologicznym. Więcej o tym, skąd biorą się granice normy, piszemy w haśle normy wiekowe.

Krok 4. Porównanie grup: ANCOVA z pomiarem wyjściowym

Przed badaniem grupy były podobne: zwykła opieka 426.5 m (SD = 62.1), trening 421.2 m (SD = 60.3). Po 6 tygodniach dystans wyniósł odpowiednio 431.4 m (SD = 74.8) i 456.0 m (SD = 70.9). Średnia zmiana to 4.9 m (SD = 32.9) w grupie zwykłej opieki i 34.8 m (SD = 34.4) w grupie treningowej.

Pomiary przed i po korelowały na poziomie r = .87. Przy tak silnej korelacji pomiarów przed i po najlepszym wyborem jest ANCOVA: wynik po jako zmienna zależna, grupa jako czynnik i wynik przed jako kowariant. Vickers (2001) pokazał w symulacji, że ANCOVA ma największą moc, a zmiana procentowa najmniejszą. Clifton i Clifton (2019) wyjaśniają, że analiza samych różnic nie usuwa wpływu wyniku wyjściowego. Porównanie strategii na jednych danych pokazuje wpis ANCOVA w badaniu przed i po.

Interakcja wynik przed × grupa była nieistotna (F(1, 56) = 0.15, p = .698), więc założenie równoległych nachyleń jest do przyjęcia. Po uwzględnieniu wyniku wyjściowego grupa treningowa przeszła o 30.2 m więcej, 95% CI [12.7, 47.7], F(1, 57) = 11.98, p = .001, cząstkowe η² = .17. Skorygowane średnie wyniosły 428.6 m, 95% CI [416.3, 441.0], i 458.8 m, 95% CI [446.5, 471.2] (rysunek 2). Test t Welcha na różnicach dał podobną różnicę, 29.9 m, 95% CI [12.5, 47.3], t(57.89) = 3.44, p = .001. Gdy grupy różnią się na starcie bardziej niż tu, obie metody mogą prowadzić do różnych wniosków.

Krok 5. Zmiana u pojedynczych osób

Średnia różnica między grupami (30.2 m) jest mniejsza niż MDC₉₅ (54.9 m). To nie sprzeczność. MDC dotyczy jednej osoby, a różnica średnich – grupy, w której błędy pomiaru się uśredniają. Zmianę większą niż MDC₉₅ miało 10 z 30 osób w grupie treningowej i 2 z 30 w grupie zwykłej opieki. Przy dwóch pomiarach i błędzie rzędu 20 m wykrycie rzeczywistej zmiany u konkretnej osoby jest więc trudne.

MDC mówi tylko, czy zmiana przekracza błąd pomiaru. Czy jest ważna dla pacjenta, oceniasz za pomocą MCID z literatury dla tej samej choroby i podobnego protokołu. Wartości MCID dla 6MWT różnią się między populacjami, więc weź je z publikacji, a nie z ogólnych zestawień. Jak łączyć MDC, RCI i MCID w jednej analizie, pokazuje wpis RCI, MDC i MCID, a tworzenie kategorii pacjentów – hasło analiza responderów.

Jak opisać wyniki 6MWT w pracy

# B108 – test 6-minutowego marszu (6MWT): efekt uczenia się, rzetelność, SEM i MDC, odsetek wartości
# należnej (równania z pracy Enright i Sherrill, 1998) oraz ANCOVA w badaniu z dwiema grupami (dane symulowane, set.seed(10808)).
# 60 osób z POChP w wieku 45–80 lat; grupa "trening" (6 tygodni ćwiczeń) i grupa "standard" (zwykła opieka), po 30 osób.
# Przed i po okresie badania każda osoba wykonała dwa testy (t1, t2; dystans w metrach).
# Wynikiem pomiaru jest dłuższy dystans z dwóch testów (decyzja protokołu z przykładu).
suppressPackageStartupMessages({ library(psych); library(emmeans) })
set.seed(10808)
n <- 60
grupa <- factor(rep(c("standard", "trening"), each = n / 2), levels = c("standard", "trening"))
plec <- sample(c("M", "K"), n, replace = TRUE, prob = c(.55, .45))
wiek <- round(runif(n, 45, 80))
wzrost <- round(ifelse(plec == "M", rnorm(n, 173, 6.5), rnorm(n, 161, 6)))
masa <- round(ifelse(plec == "M", rnorm(n, 82, 12), rnorm(n, 70, 11)))
prawdziwy <- 380 - 2.2 * (wiek - 65) + ifelse(plec == "M", 25, 0) + rnorm(n, 0, 55)
efekt <- ifelse(grupa == "trening", 38, 6) + rnorm(n, 0, 25)
test <- function(x, uczenie = 0) round(x + uczenie + rnorm(n, 0, 17))
dane <- data.frame(id = 1:n, grupa, plec, wiek, wzrost, masa,
                   przed_t1 = test(prawdziwy), przed_t2 = test(prawdziwy, 24),
                   po_t1 = test(prawdziwy + efekt, 8), po_t2 = test(prawdziwy + efekt, 16))
write.csv(dane, "../test-6-minutowego-marszu-dane-przyklad.csv", row.names = FALSE)   # plik do pobrania

# Krok 1. Efekt uczenia się: test 2 − test 1 przed badaniem
d12 <- dane$przed_t2 - dane$przed_t1
tt <- t.test(dane$przed_t2, dane$przed_t1, paired = TRUE)
round(c(M_t1 = mean(dane$przed_t1), M_t2 = mean(dane$przed_t2), roznica = unname(tt$estimate),
        lo = tt$conf.int[1], hi = tt$conf.int[2]), 1)
round(c(t = unname(tt$statistic), df = unname(tt$parameter)), 2)
format.pval(tt$p.value, digits = 3)
c(dluzej_w_t2 = sum(d12 > 0), procent = round(100 * mean(d12 > 0), 1))

# Krok 2. Rzetelność: ICC zgodności absolutnej (ICC2) a spójności (ICC3); SEM i MDC95
m <- as.matrix(dane[, c("przed_t1", "przed_t2")])
ic <- ICC(m, lmer = FALSE)
ic$results[ic$results$type %in% c("ICC2", "ICC3"), c("type", "ICC", "lower bound", "upper bound")]
s <- ic$summary[[1]]
mse <- s[3, "Mean Sq"]; var_testu <- max(0, (s[2, "Mean Sq"] - mse) / n)
SEM_spojnosc <- sqrt(mse); SEM_zgodnosc <- sqrt(var_testu + mse)
round(c(SEM_spojnosc = SEM_spojnosc, SEM_zgodnosc = SEM_zgodnosc,
        MDC95_spojnosc = 1.96 * sqrt(2) * SEM_spojnosc, MDC95_zgodnosc = 1.96 * sqrt(2) * SEM_zgodnosc), 1)
MDC95 <- 1.96 * sqrt(2) * SEM_spojnosc         # dla wyniku z drugiego testu / lepszego z dwóch, po wyeliminowaniu uczenia

# Krok 3. Odsetek wartości należnej z równań Enrighta i Sherrilla – z pierwszego testu (Enright i Sherrill, 1998)
nalezny <- ifelse(dane$plec == "M",
                  7.57 * dane$wzrost - 5.02 * dane$wiek - 1.76 * dane$masa - 309,
                  2.11 * dane$wzrost - 2.29 * dane$masa - 5.78 * dane$wiek + 667)
dane$proc_nal <- 100 * dane$przed_t1 / nalezny
round(c(M_naleznego = mean(nalezny), M_proc = mean(dane$proc_nal), SD_proc = sd(dane$proc_nal),
        min = min(dane$proc_nal), max = max(dane$proc_nal)), 1)
round(c(proc_z_t2 = mean(100 * dane$przed_t2 / nalezny)), 1)   # zawyżenie, gdy użyć drugiego testu

# Krok 4. Wynik do analizy: dłuższy dystans z dwóch testów; opis w grupach
dane$przed <- pmax(dane$przed_t1, dane$przed_t2)
dane$po <- pmax(dane$po_t1, dane$po_t2)
dane$zmiana <- dane$po - dane$przed
agg <- function(v) tapply(v, dane$grupa, function(x) sprintf("%.1f (%.1f)", mean(x), sd(x)))
noquote(rbind(przed = agg(dane$przed), po = agg(dane$po), zmiana = agg(dane$zmiana)))
round(c(r_przed_po = cor(dane$przed, dane$po)), 2)

# Krok 5. ANCOVA: wynik po ~ wynik przed + grupa
model <- lm(po ~ przed + grupa, data = dane)
round(summary(model)$coefficients, 3)
round(confint(model)["grupatrening", ], 1)
anova(lm(po ~ przed * grupa, data = dane))[c("przed:grupa", "Residuals"), c("Df", "F value", "Pr(>F)")]   # homogeniczność nachyleń
a <- anova(model)
round(c(F = a["grupa", "F value"], df1 = a["grupa", "Df"], df2 = a["Residuals", "Df"],
        eta2_cz = a["grupa", "Sum Sq"] / (a["grupa", "Sum Sq"] + a["Residuals", "Sum Sq"])), 3)
format.pval(a["grupa", "Pr(>F)"], digits = 3)
em <- as.data.frame(emmeans(model, ~ grupa)); em[, -1] <- round(em[, -1], 1); em
# Dla porównania: test t Welcha na różnicach (po − przed)
tw <- t.test(zmiana ~ grupa, data = dane)
round(c(roznica = unname(diff(tw$estimate)), lo = -tw$conf.int[2], hi = -tw$conf.int[1], t = unname(tw$statistic), df = unname(tw$parameter)), 2)
format.pval(tw$p.value, digits = 3)

# Krok 6. Zmiany indywidualne większe niż MDC95
table(dane$grupa, ifelse(dane$zmiana > MDC95, "poprawa > MDC95", "nie"))

   M_t1    M_t2 roznica      lo      hi 
  399.8   419.8    20.0    12.7    27.2 
    t    df 
 5.52 59.00 
[1] "8.03e-07"
dluzej_w_t2     procent 
       44.0        73.3 
                     type       ICC lower bound upper bound
Single_random_raters ICC2 0.8580232   0.6007356   0.9359151
Single_fixed_raters  ICC3 0.9000928   0.8381911   0.9390979
  SEM_spojnosc   SEM_zgodnosc MDC95_spojnosc MDC95_zgodnosc 
          19.8           24.2           54.9           67.1 
M_naleznego      M_proc     SD_proc         min         max 
      510.9        79.5        15.2        55.2       140.6 
proc_z_t2 
     83.6 
       standard     trening     
przed  426.5 (62.1) 421.2 (60.3)
po     431.4 (74.8) 456.0 (70.9)
zmiana 4.9 (32.9)   34.8 (34.4) 
r_przed_po 
      0.87 
             Estimate Std. Error t value Pr(>|t|)
(Intercept)   -19.552     31.508  -0.621    0.537
przed           1.057      0.072  14.596    0.000
grupatrening   30.206      8.728   3.461    0.001
 2.5 % 97.5 % 
  12.7   47.7 
            Df F value Pr(>F)
przed:grupa  1  0.1518 0.6983
Residuals   56               
      F     df1     df2 eta2_cz 
 11.978   1.000  57.000   0.174 
[1] "0.00103"
 grupa    emmean  SE df lower.CL upper.CL
 standard  428.6 6.2 57    416.3    441.0
 trening   458.8 6.2 57    446.5    471.2

Confidence level used: 0.95 
roznica      lo      hi       t      df 
  29.90   12.50   47.30   -3.44   57.89 
[1] "0.00108"
          
           nie poprawa > MDC95
  standard  28               2
  trening   20              10

Najczęstsze błędy w analizie 6MWT

• Jeden test przed i jeden po. Część poprawy to efekt uczenia się. Wykonaj dwa testy przy każdym pomiarze albo przynajmniej przed interwencją.
• Brak opisu toru i zachęty. Długość korytarza i sposób zachęcania zmieniają dystans (Singh i in., 2014).
• ICC bez nazwy formy. Przy efekcie uczenia się ICC(2,1) i ICC(3,1) wyraźnie się różnią. Podaj formę, 95% CI i SEM w metrach.
• Odsetek wartości należnej z drugiego testu. Równania Enrighta i Sherrilla dotyczą pierwszego testu.
• Zmiana procentowa jako główny wynik. Ma najmniejszą moc (Vickers, 2001). W badaniu z dwiema grupami użyj ANCOVA z wynikiem wyjściowym.
• Myląca interpretacja MDC. Różnica średnich mniejsza niż MDC może być istotna i ważna. MDC służy do oceny pojedynczych osób, a nie grupy.
• MCID z przypadkowego źródła. Bierz wartości z badań w tej samej populacji.

Jeśli chcesz sprawdzić analizę 6MWT w swojej pracy, od wyboru wyniku po ANCOVA i opis rzetelności, możesz skorzystać z konsultacji w ramach oferty analizy statystyczne dla studentów. Wyniki musisz jednak rozumieć i umieć obronić samodzielnie.

Najczęstsze pytania

Jak obliczyć wartość należną w teście 6-minutowego marszu?

Jednym z najczęściej używanych źródeł są równania Enrighta i Sherrilla (1998) dla zdrowych dorosłych w wieku 40–80 lat: dla mężczyzn 7.57 × wzrost [cm] − 5.02 × wiek − 1.76 × masa [kg] − 309 m, dla kobiet 2.11 × wzrost [cm] − 2.29 × masa [kg] − 5.78 × wiek + 667 m. Odsetek wartości należnej to 100 × dystans / wartość należna. Autorzy zastrzegają, że równania dotyczą pierwszego testu wykonanego według standardowego protokołu.

Dlaczego test 6-minutowego marszu wykonuje się dwa razy?

Bo w drugim teście dystans jest zwykle dłuższy: w przeglądzie Singh i in. (2014) średnio o 26 m. Standard ERS/ATS (Holland i in., 2014) zaleca dwa testy. Jeśli przed interwencją zrobisz jeden test, część późniejszej poprawy będzie efektem uczenia się, a nie leczenia.

Które ICC podać dla testu 6-minutowego marszu?

Zależy, czy efekt uczenia się ma być częścią błędu. ICC(2,1) (zgodność absolutna) go uwzględnia, ICC(3,1) (spójność) – nie. W przykładzie we wpisie wyniosły one .858 i .900, a MDC₉₅ 67.1 m i 54.9 m. Podaj formę ICC, 95% CI i SEM w metrach oraz uzasadnij wybór.

Jak porównać dystans 6MWT w dwóch grupach przed i po?

Najlepiej analizą kowariancji: dystans po interwencji jako zmienna zależna, grupa jako czynnik i dystans wyjściowy jako kowariant. Vickers (2001) pokazał, że taka analiza ma większą moc niż porównanie różnic, a zmiana procentowa ma moc najmniejszą. Podaj skorygowaną różnicę grup w metrach z 95% CI.

Dlaczego różnica między grupami w 6MWT jest mniejsza niż MDC, a mimo to istotna?

MDC opisuje błąd pomiaru pojedynczej osoby, a różnica średnich dotyczy grupy, w której błędy się uśredniają. W przykładzie we wpisie skorygowana różnica 30.2 m była istotna (p = .001), choć MDC₉₅ wynosił 54.9 m. MDC służy do oceny zmian u konkretnych pacjentów, a nie do oceny efektu w grupie.

Powiązane hasła

Przeczytaj też

@article{ats2002statement, author={{ATS Committee on Proficiency Standards for Clinical Pulmonary Function Laboratories}}, title={{ATS statement: Guidelines for the six-minute walk test}}, journal={American Journal of Respiratory and Critical Care Medicine}, year={2002}, volume={166}, number={1}, pages={111--117}, doi={10.1164/ajrccm.166.1.at1102}}

@article{clifton2019correlation, author={Clifton, Lei and Clifton, David A.}, title={{The correlation between baseline score and post-intervention score, and its implications for statistical analysis}}, journal={Trials}, year={2019}, volume={20}, number={1}, eid={43}, doi={10.1186/s13063-018-3108-3}}

@article{enright1998reference, author={Enright, Paul L. and Sherrill, Duane L.}, title={{Reference equations for the six-minute walk in healthy adults}}, journal={American Journal of Respiratory and Critical Care Medicine}, year={1998}, volume={158}, number={5}, pages={1384--1387}, doi={10.1164/ajrccm.158.5.9710086}}

@article{holland2014official, author={Holland, Anne E. and Spruit, Martijn A. and Troosters, Thierry and Puhan, Milo A. and others}, title={{An official European Respiratory Society/American Thoracic Society technical standard: Field walking tests in chronic respiratory disease}}, journal={European Respiratory Journal}, year={2014}, volume={44}, number={6}, pages={1428--1446}, doi={10.1183/09031936.00150314}}

@article{singh2014official, author={Singh, Sally J. and Puhan, Milo A. and Andrianopoulos, Vasileios and Hernandes, Nidia A. and others}, title={{An official systematic review of the European Respiratory Society/American Thoracic Society: Measurement properties of field walking tests in chronic respiratory disease}}, journal={European Respiratory Journal}, year={2014}, volume={44}, number={6}, pages={1447--1478}, doi={10.1183/09031936.00150414}}

@article{steffen2002age, author={Steffen, Teresa M. and Hacker, Timothy A. and Mollinger, Louise}, title={{Age- and gender-related test performance in community-dwelling elderly people: Six-Minute Walk Test, Berg Balance Scale, Timed Up \& Go Test, and gait speeds}}, journal={Physical Therapy}, year={2002}, volume={82}, number={2}, pages={128--137}, doi={10.1093/ptj/82.2.128}}

@article{vickers2001use, author={Vickers, Andrew J.}, title={{The use of percentage change from baseline as an outcome in a controlled trial is statistically inefficient: A simulation study}}, journal={BMC Medical Research Methodology}, year={2001}, volume={1}, number={1}, eid={6}, doi={10.1186/1471-2288-1-6}}

@article{weir2005quantifying, author={Weir, Joseph P.}, title={{Quantifying test-retest reliability using the intraclass correlation coefficient and the SEM}}, journal={Journal of Strength and Conditioning Research}, year={2005}, volume={19}, number={1}, pages={231--240}, doi={10.1519/15184.1}}