Mapping the FACT-G cancer-specific quality of life instrument to the EQ-5D and SF-6D
Notice bibliographique
Résumé
OBJECTIVE: To help facilitate economic evaluations of oncology treatments, we mapped responses on cancer-specific instrument to generic preference-based measures. METHODS: Cancer patients (n = 367) completed one cancer-specific instrument, the FACT-G, and two preference-based measures, the EQ-5D and SF-6D. Responses were randomly divided to form development (n = 184) and cross-validation (n = 183) samples. Relationships between the instruments were estimated using ordinary least squares (OLS), generalized linear models (GLM), and censored least absolute deviations (CLAD) regression approaches. The performance of each model was assessed in terms of how well the responses to the cancer-specific instrument predicted EQ-5D and SF-6D utilities using mean absolute error (MAE) and root mean squared error (RMSE). RESULTS: Physical, functional, and emotional well-being domain scores of the FACT-G best explained the EQ-5D and SF-6D. In terms of accuracy of prediction as measured in RMSE, the CLAD model performed best for the EQ-5D (RMSE = 0.095) whereas the GLM model performed best for the SF-6D (RMSE = 0.061). The GLM predicted SF-6D scores matched the observed values more closely than the CLAD and OLS. CONCLUSION: Our results demonstrate that the estimation of both EQ-5D and SF-6D utility indices using the FACT-G responses can be achieved. The CLAD model for the EQ-5D and the GLM model for the SF-6D are recommended. Thus, it is possible to estimate quality-adjusted life years for economic evaluation from studies where only cancer-specific instrument have been administered.
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 | 0,007 | 0,041 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».