Using the health assessment questionnaire to estimate preference‐based single indices in patients with rheumatoid arthritis
Notice bibliographique
Résumé
OBJECTIVE: To estimate the relationship between preference-based measures, EuroQol (EQ-5D) and SF-6D, and the Health Assessment Questionnaire (HAQ) disability index (DI) in patients with rheumatoid arthritis (RA), and to characterize components that are predictors of health utility. METHODS: Patients with RA participating in 2 studies in the UK (n = 151) and Canada (n = 319) completed the HAQ, EQ-5D, and Short Form 36 (SF-36). The SF-36, a generic measure of quality of life, was converted into the preference-based SF-6D. From these results we developed models of the relationship between the HAQ and SF-6D and EQ-5D using various regression analyses. RESULTS: The optimal model developed for the EQ-5D entered levels for each item as independent variables (model 5). A root mean square error (RMSE) of 0.18 suggested relatively good predictive ability. For the SF-6D, RMSEs were lower (0.09), suggesting better predictions than for the EQ-5D, but models with more explanatory variables did not improve results (model 2 or 4 optimal). The models were able to predict actual SF-6D and EQ-5D across the range of the HAQ DI. CONCLUSION: Our approach enabled calculations of quality-adjusted life years from existing trials where only the HAQ was measured. All aspects of the HAQ may not be reflected in the preference-based measures, and this method is suboptimal to direct measurement of health state utility in clinical trials. Given this limitation, our approach provides an alternative for researchers who need health-state utility values, but had not included a preference-based measure in their clinical study because of resource constraints or a desire to limit patient burden.
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 | 0,021 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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; un appel candidat d’une seule tête enseignante, 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 ».