Mapping between 6 Multiattribute Utility Instruments
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
BACKGROUND: Cost-utility analyses commonly employ a multiattribute utility (MAU) instrument to estimate the health state utilities, which are needed to calculate quality-adjusted life years. Different MAU instruments predict significantly different utilities, which makes comparison of results from different evaluation studies problematical. AIM: This article presents mapping functions ("crosswalks") from 6 MAU instruments (EQ-5D-5L, SF-6D, Health Utilities Index 3 [HUI 3], 15D, Quality of Well-Being [QWB], and Assessment of Quality of Life 8D [AQoL-8D]) to each of the other 5 instruments in the study: a total of 30 mapping functions. METHODS: Data were obtained from a multi-instrument comparison survey of the public and patients in 7 disease areas conducted in 6 countries (Australia, Canada, Germany, Norway, United Kingdom, and United States). The 8022 respondents were administered each of the 6 study instruments. Mapping equations between each instrument pair were estimated using 4 econometric techniques: ordinary least squares, generalized linear model, censored least absolute deviations, and, for the first time, a robust MM-estimator. RESULTS: Goodness-of-fit indicators for each of the results are within the range of published studies. Transformations reduced discrepancies between predicted utilities. Incremental utilities, which determine the value of quality-related health benefits, are almost perfectly aligned at the sample means. CONCLUSION: Transformations presented here align the measurement scales of MAU instruments. Their use will increase confidence in the comparability of evaluation studies, which have employed different MAU instruments.
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 | 0,036 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,005 |
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