Direct Mapping of the QLQ-C30 to EQ-5D Preferences: A Comparison of Regression Methods
Notice bibliographique
Résumé
BACKGROUND: Several mapping or cross-walking algorithms for deriving utilities from the European Organisation for Research and Treatment of Cancer Quality of Life Questionnaire for Cancer (EORTC QLQ-C30) scores have been published in recent years. However, the large majority used ordinary least squares (OLS) regression, which proved to be not very accurate because of the specifics of the quality-of-life measures. OBJECTIVE: Our objective was to compare regression methods that have been used to map EuroQol 5 Dimensions 3 Levels (EQ-5D-3L) utility values from the general EORTC QLQ-C30 using OLS as a benchmark while fixing the number of explanatory variables and to explore an alternative three-part model. METHODS: We conducted a regression analysis of predicted EQ-5D-3L utilities generated using data from an observational study in ambulatory patients with non-small-cell lung cancer in a Toronto hospital. Six alternative regression methods were compared with a simple OLS regression as benchmark. The six alternative regression models were Tobit, censored least absolute deviation, normal mixture, beta, zero-one inflated beta and a mix of piecewise OLS and logistic regression. RESULTS: The best predictive fit was obtained by a mix of OLS regression(s) for utilities lower than 1 with a cut-off point of 0.50 and a separate binary logistic regression for utilities equal to one. Zero-one inflated beta regression was also promising. However, OLS regression proved to be the most accurate for the mean. The prediction of utilities equal to one was poor in all regression approaches. CONCLUSIONS: Three-part regression methods that separately target low, medium and high (<0.50, 0.51-0.99 or 1) utilities seem to have better prediction power than OLS with EQ-5D-3L data, although OLS also seems quite robust. Exploration of three-part approaches compared with single (OLS) regression should be further tested in other similar datasets or using individual pooled data from various clinical or observational studies. The use of alternative goodness-of-fit measures for mapping studies and their influence on the choice of the best performing methods should also be investigated.
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 | 0,020 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».