Reducing Uncertainty in EQ-5D Value Sets: The Role of Spatial Correlation
Notice bibliographique
Résumé
OBJECTIVE: Scoring algorithms for the EQ-5D-3L are constructed subject to a large degree of uncertainty (a credible interval width of 0.152, which is significant in comparison to the reported minimal important differences). The purpose of this work is to explore modeling techniques that will reduce the extent of this uncertainty. METHODS: We used the US valuation study data. A Bayesian approach was used to calculate predicted utilities and credible intervals. A spatial Gaussian correlation structure was used to model correlation among health states (HS), thus allowing directly valued HS to contribute to the predicted utility of nearby unvalued HS. Leave-one-out cross-validation was used to compare model performances. RESULTS: The average posterior standard deviation was 0.039 for the unvalued health states and 0.011 for the valued health states. Using cross-validation, the US D1 model had 31% coverage probability. Models with independent and Gaussian correlation had coverage probabilities of 95% and 93%, respectively. Moreover, the Gaussian correlation structure resulted in a 25.6% reduction in mean squared error (SE) and 13.2% reduction in mean absolute error (AE) compared to the independent correlation structure (mean SE of 0.00131 v. 0.00176 and mean AE of 0.02818 v. 0.03248). CONCLUSION: Uncertainty was substantially lower for the directly valued HS compared to unvalued HS, suggesting direct valuation of as many health states as possible. Incorporation of a spatial correlation significantly reduced uncertainty. Hence, we suggest incorporating this when constructing scoring algorithms.
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 | 0,022 | 0,014 |
| 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 ».