Measuring Health Preferences for Health Utilities Index Mark 3 Health States: A Study of Feasibility and Preference Differences among Ethnic Groups in Singapore
Notice bibliographique
Résumé
BACKGROUND: Little is known about the health preferences of Southeast Asians. The authors therefore investigated the feasibility of measuring health preferences of Chinese, Malays, and Indians in Singapore and compared their preference scores. METHODS: A stratified random sample of the Singaporean general population was interviewed to measure preferences for a set of health states defined by the Health Utilities Index Mark 3 (HUI3) using both the rating scale (RS) and the standard gamble (SG) methods. Feasibility of preference measurement was assessed using ratings of measurement tasks, task completion rates, and ranking of preference scores. Differences in preference scores across Chinese, Malays, and Indians were examined using analysis of variance models. RESULTS: Among 245 interviewed respondents (Chinese: 110, Malays: 73, Indians: 62), 97.1% and 95.1% successfully completed all the RS and SG measurement tasks, respectively; 70.1% and 75.3% judged the RS and SG tasks as "easy" or "very easy," respectively. Interviewers rated 69.4% and 75.0% of these respondents as having "full comprehension" for the RS and SG tasks, respectively; "full concentration" was observed in 84.1% and 84.0% of these respondents for the RS and SG tasks, respectively. There were no significant differences in mean preference scores across Chinese, Malays, and Indians, with and without adjustment for effects of confounding variables. CONCLUSIONS: RS and SG are feasible methods for measuring health preferences for Asians in Singapore; it appears that Chinese, Malays, and Indians in Singapore have similar preferences for HUI3 health states.
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 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 | 0,082 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».