A methodological comparison of mapping algorithms to obtain health utilities derived using cross-sectional and longitudinal data: Secondary analysis of NRG/RTOG 0415.
Notice bibliographique
Résumé
55 Background: To compare the predictive ability of health utility mapping algorithms derived using cross-sectional and longitudinal data specific to the Expanded Prostate Cancer Index Composite (EPIC). Methods: This mapping study utilized data from an international, multicenter, randomized controlled trial of patients with low-risk prostate cancer conducted by NRG Oncology (NCT00331773). Health-related quality-of-life (HRQoL) data were collected using EPIC, and health utilities were obtained using EuroQOL-5D (EQ5D) at baseline and 6, 12 and 24 months post-intervention. Data were split into an estimation sample (70%) and a validation sample (30%). Ordinary Least Squares (OLS) regression models were estimated using baseline cross-sectional data as well as pooled data from all assessment periods. Random effects (RE) specifications that explicitly model the longitudinal nature of the data were also estimated. Candidate models were selected based on root mean square error (RMSE). Results: A total of 196 (147) patients in the estimation sample had complete EQ5D and EPIC domain (subdomain) data at all time points. OLS models using combined data outperformed the counter-part RE models as well as OLS models using baseline data in the five-fold cross-validation. Addition of covariates to the models resulted in improved predictive ability. In the external validation, when only EPIC domain/ subdomain data are available, the OLS model using combined data predicted EQ5D utilities better than the counterpart RE model and OLS model using baseline data (RMSE=0.121108 & 0.111345). OLS model using baseline data outperformed other model types for algorithms with EPIC domains and demographics (RMSE=0.121757), while RE models outperformed the other two model types for algorithms with EPIC subdomains and demographic data, (0.112782) and for algorithms with EPIC domains/ subdomains, demographics, and clinical covariates (RMSE=0.123589 & 0.163093). Conclusions: While algorithms using pooled data outperformed other model types in internal validation, RE models showed better predictive ability in external validation for algorithms with covariates. Clinical trial information: NCT00331773.
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 | 0,229 | 0,345 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,006 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; 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 ».