Estimating an EQ-5D-5L Value Set for China
Notice bibliographique
Résumé
OBJECTIVES: To estimate a five-level EuroQol five-dimensional questionnaire (EQ-5D-5L) value set for China using the health preferences of residents living in the urban areas of the country. METHODS: The values of a subset of the EQ-5D-5L-defined health states (n = 86) were elicited using the time trade-off (TTO) technique from a sample of urban residents (n = 1271) recruited from five Chinese cities. In computer-assisted personal interviews, participants each completed 10 TTO tasks. Two additive and two multiplicative regression models were evaluated for their performance in describing the relationship between TTO values and health state characteristics using a cross-validation approach. Final values were generated using the best-performed model and a rescaling method. RESULTS: The 8- and 9-parameter multiplicative models unanimously outperformed the 20-parameter additive model using a random or fixed intercept in predicting values for out-of-sample health states in the cross-validation analysis and their coefficients were estimated with lower standard errors. The prediction accuracies of the two multiplicative models measured by the mean absolute error and the intraclass correlation coefficient were very similar, thus favoring the more parsimonious model. CONCLUSIONS: The 8-parameter multiplicative model performed the best in the study and therefore was used to generate the EQ-5D-5L value set for China. We recommend using rescaled values whereby 1 represents the value of instrument-defined full health in economic evaluation of health technologies in China whenever the EQ-5D-5L data are available.
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 | 0,009 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».