Mapping EORTC QLQ-C30 and QLQ-MY20 to EQ-5D in patients with multiple myeloma
Notice bibliographique
Résumé
BACKGROUND: In oncology, health-related quality of life (HRQoL) data are often collected using disease-specific patient questionnaires while generic, patient-level utility data required for health economic modeling are often not collected. METHODS: We developed a mapping algorithm for multiple myeloma that relates HRQoL scores from the European Organization for Research and Treatment of Cancer (EORTC) questionnaires QLQ-C30 and QLQ-MY20 to a utility value from the European QoL-5 Dimensions (EQ-5D) questionnaire. Data were obtained from 154 multiple myeloma patients who had participated in a multicenter cohort study in the UK or Germany. All three questionnaires were administered at a single time point. Scores from all 19 domains of the QLQ-C30 and QLQ-MY20 instruments were univariately tested against EQ-5D values and retained in a multivariate regression model if statistically significant. A 10-fold cross-validation model selection method was also used as an alternative testing means. Two models were developed: one based on QLQ-C30 plus QLQ-MY20 scores and one based on QLQ-C30 scores alone. Adjusted R-squared, correlation coefficients, and plots of observed versus predicted EQ-5D values were presented for both models. RESULTS: Mapping revealed that Global Health Status/QoL, Physical Functioning, Pain, and Insomnia were significant predictors of EQ-5D utility values. Similar results were observed when QLQ-MY20 scores were excluded from the model, except that Emotional Functioning and became a significant predictor and Insomnia was no longer a significant predictor. Adjusted R-squared values were of similar magnitude with or without inclusion of QLQ-MY20 scores (0.70 and 0.69, respectively), suggesting that the EORTC QLQ-MY20 adds little in terms of predicting utility values in multiple myeloma. CONCLUSIONS: This algorithm successfully mapped EORTC HRQoL data onto EQ-5D utility in patients with multiple myeloma. Current mapping will aid in the analysis of cost-effectiveness of novel therapies for this indication.
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 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 | 0,000 |
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 ».