Predicting EQ-5D Utility Scores from the Seattle Angina Questionnaire in Coronary Artery Disease
Notice bibliographique
Résumé
BACKGROUND: The Seattle Angina Questionnaire (SAQ), a descriptive quality of life instrument, is often used in coronary artery disease studies. In its current form, however, it cannot be used in economic evaluations. The investigators sought to create a mapping algorithm that would allow translation of SAQ scores into EQ-5D utility scores. METHODS: Data from the Alberta Provincial Project for Outcome Assessment in Coronary Heart Disease (APPROACH) database were used to examine the relationship between scores in each of the 5 domains of the SAQ (physical limitation, anginal stability, anginal frequency, treatment satisfaction, and disease perception) and the EQ-5D utility score. The cohort was divided into 80% derivation and 20% validation sets. Mapping algorithms were developed using simple linear regression and Tobit models. To account for the skewed distribution of the EQ-5D scores and the presence of heteroscedasticity, Bayesian extensions were applied to each model by specifying a nonconstant variance for the error term. Model performance was assessed by comparing predicted and observed mean EQ-5D scores in the validation set, and the unadjusted R2. RESULTS: The cohort consisted of 1992 patients. The simple linear regression model had the best predictive performance, with an R2 of 0.38. The nonconstant variance term did not improve overall performance for any of the models. The linear regression model accurately estimated the mean EQ-5D score in the validation set (predicted score 0.81 v. observed score 0.81). CONCLUSIONS: Mean EQ-5D utility weights can be accurately estimated from the SAQ using a simple linear regression mapping algorithm.
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 | 0,017 | 0,039 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; 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 ».