Prediction of Health Preference Values from CD4 Counts in Individuals with HIV
Notice bibliographique
Résumé
BACKGROUND: A common measure of health benefit in technology assessments is the quality-adjusted life year, which incorporates health preference or utility scores. OBJECTIVE: To build and test a predictive model using CD4 counts to derive health preference scores. DESIGN: Predictive modeling. Setting. Ontario HIV Treatment Network Cohort Study. Measurement. The relationship between HUI3-derived health preference score and HIV health status measured by CD4 count was examined by a regression model. Additional independent variables considered included age, time since HIV diagnosis, AIDS-defining condition, sex, and education level. A polynomial regression model was fit to predict health preference scores. The final model was established using automated backwards stepwise variable elimination using the Akaike information criterion. Tenfold cross-validation was used to assess the model. RESULTS: Data from 841 participants were available. Mean age and time since diagnosis were 46.78 and 11.03 years, respectively. CD4 counts ranged from 2 to 995 cells per mm(3) with 267 (31.75%) individuals having less than 350 cells per mm(3). Mean HUI3 utility score was 0.72 and ranged from -0.25 to 1. The final model retained squared terms for CD4 counts, age, and time since HIV diagnosis and eliminated history of AIDS-defining condition and the nonsquared time since HIV diagnosis. Prediction error was assessed in 14 subgroups using the validation set. Two subgroups had mean prediction errors greater than 0.02. Limitations. All statistical models are limited by the data used to develop and test the model. The model estimates health utility scores primarily through CD4 counts. Therefore, the model may be inappropriate if noninfectious diseases are a significant factor. CONCLUSIONS: Results provide a model for predicting health preference values from CD4 counts.
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 | 0,016 | 0,004 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».