Notice bibliographique
Résumé
New health technologies are being developed, while public healthcare resources are limited. This situation makes prioritizing in the healthcare sector inevitable.\nHealth benefit, resource use and severity are the priority criteria on which the allocation of healthcare resources in Norway should be based. The quality-adjusted life-year (QALY) is used to operationalize these criteria. The QALY provides a combined measure of life length and health-related quality of life (HRQoL). This thesis addresses methodological challenges when measuring and valuing health for QALY calculations.\nInsights from psychometrics and health economics have been applied to help explain why different values get assigned to the same health state when using different instruments.\nQualitative research methods have been used to explore to what extent a patient group with mobility impairments can describe their mobility-related health status with currently used instruments. The findings indicate that not all instruments allow all respondent groups to represent their health states adequately.\nQuantitative research methods have been applied to achieve the following:\n- replicate the original 15D valuation method,\n- compare Finnish and Norwegian 15D health state values,\n- suggest a new 15D valuation method that reflects respondent’s preferences more adequately.\nThe new 15D valuation method has been used to estimate the first value algorithm based on preferences of the general Norwegian population. This allows decision makers to incorporate Norwegian preferences in the allocation of health care resources.
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 | 0,588 | 0,737 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,007 | 0,011 |
| Études des sciences et des technologies | 0,004 | 0,013 |
| Communication savante | 0,013 | 0,008 |
| Science ouverte | 0,007 | 0,010 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».