Calculating Utility Decrements Associated With an Adverse Event
Notice bibliographique
Résumé
BACKGROUND: When calculating the decreases in health utility associated with adverse events, often a number of respondents achieve the upper utility bound of 1. "Marginal" Tobit or CLAD coefficients have been used to account for this. These are calculated by using a Tobit or a CLAD model to estimate the decrease in a latent unbounded variable associated with the event or condition, then to multiply by the proportion of respondents falling below 1 in order to transform back to the utility scale. OBJECTIVE: & METHODS: Starting with the Tobit model, we show mathematically that this procedure is not valid, when calculating decreases in utility associated with binary events. We then generalize the result to the CLAD model. A selection of published studies is used to illustrate the bias in the marginal Tobit decrements. RESULTS: The degree of bias is more severe the greater the decrease in utility associated with the event, and the larger the proportion of individuals at the upper ceiling.In the examples studied, the degree of bias was often greater than 10%. We provide the correct formula for calculating the utility decrement. CONCLUSIONS: The marginal Tobit and CLAD coefficients should not be used as estimates of a utility decrement corresponding to an adverse event or health condition unless the coefficients are small in absolute value, or if the proportion of individuals at the upper utility bound is small. In other settings, the corrected formula or alternative regression methods (e.g. linear models of mean utility) should be considered.
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 | 0,025 | 0,023 |
| 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) | 0,007 | 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 ».