Predictive models to estimate utility from clinical questionnaires in schizophrenia: findings from EuroSC
Notice bibliographique
Résumé
OBJECTIVE: The clinical symptoms of schizophrenia are associated with serious social, quality of life and functioning alterations. Typically, data on health utilities are not available in clinical studies in schizophrenia. This makes the economic evaluation of schizophrenia treatments challenging. The purpose of this article was to provide a mapping function to predict unobserved utility values in patients with schizophrenia from the available clinical and socio-demographic information. METHODS: The analysis was performed using data from EuroSC, a 2-year, multi-centre, cohort study conducted in France (N = 288), Germany (N = 618), and the UK (N = 302), totalling 1208 patients. Utility was calculated based on the EQ-5D questionnaire. The relationships between the utility values and the patients' socio-demographic and clinical characteristics (Positive and Negative Syndrome Scale--PANSS, Calgary Depression Scale for Schizophrenia--CDSS, Global Assessment of Functioning--GAF, extra-pyramidal symptoms measured by Barnes Akathisia Scale-BAS, age, sex, country, antipsychotic type) were modelled using a random and a fixed individual effects panel linear model. RESULTS: The analysis demonstrated the prediction ability of the used parameters for estimating utility measures in patients with schizophrenia. Although there are small variations between countries, the same variables appear to be the key predictors. From a clinical perspective, age, gender, psychopathology, and depression were the most important predictors associated with the EQ-5D. CONCLUSION: This paper proposed a reliable, robust and easy-to-apply mapping method to estimate EQ-5D utilities based on demographic and clinical measures in schizophrenia.
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 | 0,111 | 0,078 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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 ».