Parallel Valuation: A Direct Comparison of EQ-5D-3L and EQ-5D-5L Societal Value Sets
Notice bibliographique
Résumé
OBJECTIVE: To compare and contrast EQ-5D-5L (5L) and EQ-5D-3L (3L) health state values derived from a common sample. METHODS: Data from the 2017 US EQ-5D valuation study were analyzed. Value sets were estimated with random-effects linear regression based on composite time trade-off (cTTO) valuations for 3L and 5L health states with 2 approaches to model specification: main effects only and additional N3/N45 terms. Properties of the descriptive system and value set characteristics were compared by examining distributions of predicted index scores, ceiling effects, and single-level transition values from adjacent corner health states. Mean transition values were calculated for all predicted 3L and 5L health states and plotted against baseline index scores. RESULTS: A total of 1062 respondents were included in the analysis. The observed mean cTTO values for the worst possible 3L and 5L health states were -0.423 and -0.343, respectively. The range of scale was larger with the 3L, compared to the 5L, for both main effects and N term models. Values for the mildest 5L health states (range, 0.857-0.924) were similar to 11111 for the 3L. Parameter estimates for matched dimension levels differed by <|0.07| except for the most severe level of Mobility. For the main effects model, 3L mean transition values were greater for more severe baseline 3L index scores, whereas 5L mean transition values remained constant irrespective of the baseline index score. CONCLUSIONS: Compared to the 3L, the 5L exhibited a lower ceiling effect and improved measurement properties. There was a larger range of scale for the 3L compared to 5L; however, this difference was driven by differences in preference for the most severe level of problems in Mobility.
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 | 0,023 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».