Mapping between 6 Multiattribute Utility Instruments
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.
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 | 0,021 | 0,083 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».