US Valuation of the EQ-5D Health States
Notice bibliographique
Résumé
PURPOSE: The EQ-5D is a brief, multiattribute, preference-based health status measure. This article describes the development of a statistical model for generating US population-based EQ-5D preference weights. METHODS: A multistage probability sample was selected from the US adult civilian noninstitutional population. Respondents valued 13 of 243 EQ-5D health states using the time trade-off (TTO) method. Data for 12 states were used in econometric modeling. The TTO valuations were linearly transformed to lie on the interval [-1, 1]. Methods were investigated to account for interaction effects caused by having problems in multiple EQ-5D dimensions. Several alternative model specifications (eg, pooled least squares, random effects) also were considered. A modified split-sample approach was used to evaluate the predictive accuracy of the models. All statistical analyses took into account the clustering and disproportionate selection probabilities inherent in our sampling design. RESULTS: Our D1 model for the EQ-5D included ordinal terms to capture the effect of departures from perfect health as well as interaction effects. A random effects specification of the D1 model yielded a good fit for the observed TTO data, with an overall R of 0.38, a mean absolute error of 0.025, and 7 prediction errors exceeding 0.05 in absolute magnitude. CONCLUSIONS: The D1 model best predicts the values for observed health states. The resulting preference weight estimates represent a significant enhancement of the EQ-5D's utility for health status assessment and economic analysis in the US.
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 | 0,005 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».