Establishing disability weights from pairwise comparisons for a US burden of disease study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
To determine valid and reliable disability weights for a U.S. burden of disease study, a convenience sample of 68 clinical experts was recruited, including representatives from over 20 NIH institutes and Centers for Disease Control and Prevention. Experts were given various health state valuation tasks including pairwise comparison, ranking, and Person Trade Off. Materials consisted of standardized descriptions of 11 attributes per health state (Classification and Measurement System of Functional Health, CLAMES). Attributes comprised up to 5 ordinal levels of disability. All states were displayed either with or without health state labels. Health state descriptions were taken from an existing comprehensive Canadian system. Conditional Logistic (CLR) and Probit Regression (PR) were used to derive disability weights. CLR and PR converged in yielding stable regression weights to construct disability weights, with a correlation of 0.816. The overall test-retest reliability amounted to 92.5% identical decisions. No significant difference was found for the presentation of health states with or without labels. A comparison of the expert valuations from our study with a standard gamble based valuation in the general population resulted in agreement of r = 0.61. The chosen methodology yielded valid and reliable and disability weights. As it is based on a modularized set of attributes, this methodology will allow derivation of disability weights on the basis of existing descriptions using the CLAMES.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,102 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle