An Achievable-Region-Based Approach for Kidney Allocation Policy Design with Endogenous Patient Choice
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Problem definition: Deceased-donor kidney transplant candidates in the United States are ranked according to characteristics of both the donor and the recipient. We seek the ranking policy that optimizes the efficiency–equity tradeoff among all such policies, taking into account patients’ strategic choices. Academic/practical relevance: Our approach considers a broad class of ranking policies, which provides approximations to the previously and currently used policies in practice. It also subsumes other policies proposed in the literature previously. As such, it facilitates a unified way of characterizing good policies. Methodology: We use a fluid model to approximate the transplant waitlist. Modeling patients as rational decision makers, we compute the resulting equilibria under a broad class of ranking policies, namely the achievable region. We then develop an algorithm that optimizes the system performance over the achievable region. Results: We show analytically that it suffices to restrict attention to priority scores that are affine in the patient’s waiting time. We also show through a numerical study that the total quality-adjusted life-years can be increased substantially by allowing patient rankings to depend on the kidney quality. Last, we observe that there is almost no improvement if only the healthier patients are prioritized for certain kidney types. Managerial implications: Our results verify that ranking patients differently for kidneys of different quality can reduce the survival mismatch and the kidney wastage significantly. Consequently, the policy change in 2014, that implemented prioritizing the healthiest patients when allocating the highest 20% quality organs, is a step in the right direction. For further improvement, one may consider revising the new policy by also prioritizing the least healthy patients on the waitlist for the lowest-quality organs.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,000 | 0,000 |
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 découle