MP76-12 DETERMINING PARENTAL PREFERENCES FOR TREATMENT OF VESICOURETERAL REFLUX: PROFILE CASE BEST-WORST SCALING
Notice bibliographique
Résumé
You have accessJournal of UrologyGeneral & Epidemiological Trends & Socioeconomics: Value of Care: Cost & Outcomes Measures I1 Apr 2018MP76-12 DETERMINING PARENTAL PREFERENCES FOR TREATMENT OF VESICOURETERAL REFLUX: PROFILE CASE BEST-WORST SCALING Zachary Dionise, Michael Garcia-Roig, Andrew Kirsch, and Jonathan Routh Zachary DioniseZachary Dionise More articles by this author , Michael Garcia-RoigMichael Garcia-Roig More articles by this author , Andrew KirschAndrew Kirsch More articles by this author , and Jonathan RouthJonathan Routh More articles by this author View All Author Informationhttps://doi.org/10.1016/j.juro.2018.02.2580AboutPDF ToolsAdd to favoritesDownload CitationsTrack CitationsPermissionsReprints ShareFacebookTwitterLinked InEmail INTRODUCTION AND OBJECTIVES Vesicoureteral reflux (VUR) is a common pediatric condition with several potential treatment options, including antibiotic prophylaxis, endoscopic injection, minimally-invasive, or open surgery. Parents must weigh attributes such as effectiveness, cost, and complication rates to make value judgments about the “best” treatment. The objective was to define parental preferences for VUR treatments using profile case best-worst scaling (BWS), a novel technique. METHODS Preference data from a community sample of US parents were collected via survey instrument with multimedia VUR introduction published on Amazon's Mechanical Turk online work interface. The survey used a profile case BWS experiment to evaluate relative desirability of VUR attribute levels. Attributes and their levels were selected based on extensive review of the VUR literature (Table). A balanced, orthogonal BWS design was constructed and data were analyzed using 4 complimentary analysis techniques: best minus worst (frequency a level was chosen best minus frequency it was chosen worst, B-W), multinomial logistic regression (MNL) constructed probability scaled values (scaled values that describe the likelihood a given level is chosen in the survey, LPS), and latent class analysis (LCA) all using Sawtooth Software Lighthouse Studio 9.5.2. RESULTS 248 parents completed the instrument. By B-W and MNL, 97% effectiveness of treatment cure is the most desirable attribute level compared to all other attribute levels (B-W 833, all p<.01), while 53% effectiveness is least desirable (B-W -514, all p<.01). Complication rate <1% and 88% effectiveness are each more desirable than a doctor's recommendation of a given treatment (all p<.05). Further, 88% and 97% effectiveness, doctor recommendation, and complication rate <1% are each more desirable than an outpatient or a lowest societal cost treatment (all p<.02). Two-group LCA revealed a subgroup for which doctor recommendation and minimal hospitalization are particularly desirable, while low effectiveness is especially undesirable (Table, Class A). CONCLUSIONS When evaluating VUR treatment alternatives, high level of clinical cure is by far the most desirable attribute. Along with effectiveness, low complication rate is more desirable than a doctor's treatment recommendation. © 2018FiguresReferencesRelatedDetails Volume 199Issue 4SApril 2018Page: e1023 Advertisement Copyright & Permissions© 2018MetricsAuthor Information Zachary Dionise More articles by this author Michael Garcia-Roig More articles by this author Andrew Kirsch More articles by this author Jonathan Routh More articles by this author Expand All Advertisement Advertisement PDF downloadLoading ...
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 | 0,004 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,036 | 0,006 |
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 ».