Eliciting individual preferences for health care: a case study of perinatal care
Notice bibliographique
Résumé
OBJECTIVE: To demonstrate how a discrete choice experiment (DCE) can be used to elicit individuals' preferences for health care and how these preferences can be incorporated into a cost-benefit analysis. METHODS: A DCE which elicited preferences for three perinatal services: specialist nurse appointments; home visits from a trained lay visitor; and home-help. Cost was included to obtain a monetary measure of the value that individuals place on the services. In total, 292 women who had previously participated in a randomized trial of alternative forms of pre-natal care were interviewed. RESULTS: The most preferred service configuration consisted of three nurse appointments and two home visits before birth and 4 h of home-help per week for the first 4 weeks after birth. On average, women are willing to pay $371 for this package. A package that excluded home-help was valued at $122 whilst provision of three nurse appointments only was valued at $97. The predicted uptake of the services ranged from 37% to 93% depending on the woman's experience with the service, whether or not it was her first child and her level of education. CONCLUSION: The willingness to pay values were much higher than the costs for nurse appointments, suggesting this service produces a net social benefit. The willingness to pay for the package including both the nurse appointments and home visits only just exceeded the costs of the package, suggesting there is a relatively high chance that this package produces a net social loss.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,020 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».