Scale Characteristics and Mapping Accuracy of the US EQ-5D, UK EQ-5D, and SF-6D in Patients with Rheumatoid Arthritis
Notice bibliographique
Résumé
OBJECTIVE: To compare the US EQ-5D with the UK EQ-5D and the SF-6D in patients with rheumatoid arthritis (RA). To provide mappings for each of the scales based on clinical variables. METHODS: We studied 12,424 patients with RA with 66,958 longitudinal observations using linear regression. In our mapping models we used the Health Assessment Questionnaire (HAQ) as a continuous predictor variable and as individual items. More complex models included the addition of a visual analog pain scale, the mood scale from the SF-36, and demographic and comorbidity covariates. We compared various models using root mean squared error (RMSE), in-sample and out-of-sample mean absolute error (MAE), and other measures of prediction accuracy and model fit. RESULTS: At any level of clinical severity, the US EQ-5D always had a higher utility score than the UK EQ-5D; and overall, the US scores were 0.094 units higher. The best models explained 64% to 72% of variance in utility scores, with RMSE values of 0.07 (SF-6D), 0.11 (EQ-5D US), and 0.17 (UK EQ-5D). There was a substantial increase in predictive accuracy by using pain and mood as predictor variables in the mapping. CONCLUSION: The US EQ-5D differs from the UK version and from the SF-6D in mean scores and ranges. When determined by mapping, the US EQ-5D has a much lower prediction error than the UK EQ-5D. Simple mapping models that use HAQ and pain have acceptable error rates, although more complex models that include mood scores and individual HAQ items substantially improve predictive accuracy.
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 | 0,013 | 0,073 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».