Does linear equating improve prediction in mapping? Crosswalking MacNew onto EQ-5D-5L value sets
Notice bibliographique
Résumé
PURPOSE: Preference-based measures are essential for producing quality-adjusted life years (QALYs) that are widely used for economic evaluations. In the absence of such measures, mapping algorithms can be applied to estimate utilities from disease-specific measures. This paper aims to develop mapping algorithms between the MacNew Heart Disease Quality of Life Questionnaire (MacNew) instrument and the English and the US-based EQ-5D-5L value sets. METHODS: Individuals with heart disease were recruited from six countries: Australia, Canada, Germany, Norway, UK and the US in 2011/12. Both parametric and non-parametric statistical techniques were applied to estimate mapping algorithms that predict utilities for MacNew scores from EQ-5D-5L value sets. The optimal algorithm for each country-specific value set was primarily selected based on root mean square error (RMSE), mean absolute error (MAE), concordance correlation coefficient (CCC), and r-squared. Leave-one-out cross-validation was conducted to test the generalizability of each model. RESULTS: For both the English and the US value sets, the one-inflated beta regression model consistently performed best in terms of all criteria. Similar results were observed for the cross-validation results. The preferred model explained 59 and 60% for the English and the US value set, respectively. Linear equating provided predicted values that were equivalent to observed values. CONCLUSIONS: The preferred mapping function enables to predict utilities for MacNew data from the EQ-5D-5L value sets recently developed in England and the US with better accuracy. This allows studies, which have included the MacNew to be used in cost-utility analyses and thus, the comparison of services with interventions across the health system.
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 | 0,054 | 0,003 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».