Revisiting Indirect Health Preference Elicitation As A Base Case
Notice bibliographique
Résumé
In the context of constrained health budgets, cost-effectiveness of health technologies has become an important concern. The strengths of this approach include its ability to explicitly model assumptions of what policy makers value when making a decision, to contextualize decisions in terms of absolute versus relative effects, and to use results to inform efficient use of research resources. A key aspect of many cost-effectiveness models is the quality adjusted life year (QALY), which allows analysts to capture the value of reduced mortality and improved quality of life simultaneously. Measurement of QALYs requires the determination of a quality weight which is bound at negative infinity (indicating death or health states worse than death) and one (indicating perfect health). While these weights can be elicited directly from patients through a standard gamble or time trade off, most national bodies recommend that preference for health states be determined by the general public. This recommendation comes despite the empirical evidence that these indirect health state valuations often differ in magnitude, and possibly in direction, to those directly elicited from patients. In this abstract, we assume that the purpose of cost-effectiveness analysis is to maximize population health and argue that recommendations to use indirect preference elicitation render this goal impossible to achieve. We use examples from the published literature to create two scenarios which illustrate how indirect preferences may be preferred for questions of prevention, but may lead to unjust and inefficient resource allocation that will meaningfully decrease population health when evaluating interventions to improve of cure disease. We argue that methods guidelines for cost-effectiveness analysis of health technologies ought to recommend that the source of health preferences match the population that will be most directly affected by the decision problem.
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 | 0,055 | 0,164 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,009 | 0,011 |
| Science ouverte | 0,006 | 0,009 |
| Intégrité de la recherche | 0,006 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 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 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 ».