A Comparison of EQ-5D Index Scores Derived from the US and UK Population-Based Scoring Functions
Notice bibliographique
Résumé
The authors recently introduced a new preference-based scoring function for the EQ-5D (D1 model) based on time tradeoff valuations from the general adult US population: In this study, they compared the EQ-5D index scores derived from the US (D1) algorithm to the more familiar UK (N3) algorithm. They compared preference-based EQ-5D index scores for all possible EQ-5D health states and differences in EQ-5D index scores between pairs of EQ-5D health states predicted by the D1 and N3 models. The responsiveness of D1- and N3-predicted EQ-5D index scores was assessed using simulated transitions between EQ-5D health states. The mean (SD) EQ-5D index scores for all 243 health states predicted by the D1 and N3 models were 0.37 (0.23) and 0.14 (0.31), respectively. The mean (SD) absolute difference in EQ-5D index scores for all 29,403 pairs of health states was 0.25 (0.19) and 0.35 (0.27), according to the D1 and N3 models, respectively. The D1 and N3 models were consistent in predicting gains/losses for 27,592 (94%) transitions between EQ-5D health state pairs; Cohen effect size, calculated using these 27,592 consistent transitions, was 1.58 and 1.59 for the D1 and N3 models, respectively. Based on these simulation results, it appears that the D1 model would lead to smaller gains in quality-adjusted life years than the N3 model; however, their responsiveness appears to be similar. Empirical studies are needed to examine whether these 2 EQ-5D scoring functions would lead to different conclusions in cost-utility analyses.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,023 | 0,097 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».