MétaCan
Menu
Retour à la cohorte
Enregistrement W2011300284 · doi:10.1177/0272989x12475092

Predicting the ICECAP-O Capability Index from the WOMAC Osteoarthritis Index

2013· article· en· W2011300284 sur OpenAlexaboutno aff
Paul Mitchell, Tracy Roberts, Pelham Barton, Beth Pollard, Joanna Coast

Notice bibliographique

RevueMedical Decision Making · 2013
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealth Systems, Economic Evaluations, Quality of Life
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésWOMACOsteoarthritisPhysical therapyMultinomial logistic regressionPsychologyMedicineStatisticsPhysical medicine and rehabilitationMathematics

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: There is a growing interest in the application of the capability approach in health economic analysis. The aim of the research reported here is to assess the feasibility of mapping from a condition-specific questionnaire (Western Ontario and McMaster Universities [WOMAC] Osteoarthritis Index) to a capability well-being questionnaire (ICEpop CAPability measure for Older people [ICECAP-O]). METHODS: . One hundred five osteoarthritis patients requiring joint replacement completed the 5 attributes on the ICECAP-O (attachment, security, role, enjoyment, and control) and the 3 WOMAC categories (pain, stiffness, and physical function). The prediction data set consisted of baseline scores, whereas follow-up data were used to validate the predictions. The mapping algorithms used ordinary least squares and multinomial logistic regression models to predict the relationship between WOMAC scores, categories, or items and ICECAP-O scores or the 5 ICECAP-O attributes. RESULTS: . ICECAP-O scores predicted from WOMAC category scores produced the lowest mapping error statistics (mean absolute error = 0.0832; mean squared error = 0.0142) as well as highest goodness of fit (R(2) = 0.3976). Prediction of ICECAP-O attributes from WOMAC category scores was possible for the majority of capability dimensions. The "control" attribute and physical function WOMAC category exhibited the strongest relationship (R(2) = 0.2143). The "attachment" attribute proved difficult to predict from any WOMAC category, which is in line with intuition given this attribute captures psychological well-being rather than pain, stiffness, or physical function. CONCLUSION: . This is the first study to investigate the predictive ability of a condition-specific measure of health onto capability. The results presented here suggest it is feasible to map from condition-specific measures to an overall capability index, although WOMAC cannot predict individual capability in its entirety. Although the results here are encouraging for those interested in using ICECAP-O, given the small validation sample size applied, further research will be required to verify these findings.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,023
score de la tête « metaresearch » (Gemma)0,039
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,122
Score d'incertitude au seuil0,997

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0230,039
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0110,004

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.

Tête enseignante Opus0,153
Tête enseignante GPT0,398
Écart entre enseignants0,245 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations22
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical Decision MakingMême sujetHealth Systems, Economic Evaluations, Quality of LifeTravaux en français237 207