Mapping MOS-HIV to HUI3 and EQ-5D-3L in Patients With HIV
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Objectives: The Medical Outcomes Study HIV Health Survey (MOS-HIV) is frequently used in HIV clinical trials; however, scores generated from the MOS-HIV are not suited for cost-effectiveness analyses as they do not assign utility values to health states. Our objective was to estimate and externally validate several mapping algorithms to predict Health Utilities Index Mark 3 (HUI3) and EQ-5D-3L utility values from the MOS-HIV. Methods: We developed and validated mapping algorithms using data from two HIV clinical trials. Data from the first trial (n = 367) formed the estimation data set for the HUI3 (4,610 observations) and EQ-5D-3L (4,662 observations) mapping algorithms; data from the second trial (n = 168) formed the HUI3 (1,135 observations) and EQ-5D-3L (1,152 observations) external validation data set. We compared ordinary least squares (OLS) models of increasing complexity with the more flexible two-part, beta regression, and finite mixture models. We assessed model performance using mean absolute error (MAE) and mean squared error (MSE). Results: The OLS model that used MOS-HIV dimension scores along with squared terms gave the best HUI3 predictions (mean observed 0.84; mean predicted 0.80; MAE 0.0961); the finite mixture model gave the best EQ-5D-3L predictions (mean observed 0.90; mean predicted 0.88; MAE 0.0567). All models produced higher prediction errors at the lower end of the HUI3 and EQ-5D-3L score ranges (<0.40). Conclusions: The proposed mapping algorithms can be used to predict HUI3 and EQ-5D-3L utility values from the MOS-HIV, although greater error may pose a problem in samples where a substantial proportion of patients are in poor health. These algorithms may be useful for estimating utility values from the MOS-HIV for cost-effectiveness studies when HUI3 or EQ-5D-3L data are not 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.
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 | 0,008 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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 découle