Underestimation of Uncertainties in Health Utilities Derived from Mapping Algorithms Involving Health-Related Quality-of-Life Measures
Notice bibliographique
Résumé
OBJECTIVES: Mapping algorithms are being developed in increasing numbers to derive health utilities (HUs) from health-related quality-of-life (HRQOL) data. However, the variances of the mapping-derived HUs are observed to be smaller than those of the actual HUs. METHODS: Two reasons are proposed: 1) the presence of important unmeasured predictors leading to a high degree of unexplained variance and 2) ignoring that the regression coefficients are random variables themselves. We derive 3 variance estimators of HUs to account for these causes: 1) R (2)-adjusted estimator, 2) parametric estimator, and 3) nonparametric estimator. We tested these estimators using a simulated dataset and a real dataset involving the EQ-5D-3L and University of Washington Quality of Life questionnaire for patients with head and neck cancers. RESULTS: The R (2)-adjusted estimator can be used in ordinary least squares (OLS)-based mapping algorithms and requires only the R (2) from the derivation study. The parametric estimator can be used in OLS-based mapping algorithms and requires the mean square error (MSE) and design matrix from the derivation study. The nonparametric estimator can be used in any mapping algorithm and requires leave-one-out cross-validation MSE from the derivation study. In the simulated dataset, all 3 estimators are within 1% of the variance of the actual HUs. In the real dataset, the unadjusted variance was 45% less than the actual variance, while all 3 estimators are within 10% of the actual variance. CONCLUSIONS: When conducting cost-utility analyses (CUA) based on mapping algorithms, the variances of derived HUs should be properly adjusted using one of the proposed methods so that the results of the CUAs will correctly characterize uncertainty.
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 | 0,054 | 0,063 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».