Design and sample size considerations for valuation studies of multi‐attribute utility instruments
Notice bibliographique
Résumé
The EQ-5D, a widely used multiattribute utility instrument, is commonly used in health economic evaluations where the goal is to decide on which treatments to reimburse. Like other instruments, value sets of the EQ-5D are constructed using valuation studies typically valuing a subset of the health states and using predicted values from a regression model for the unvalued health states. In current practice the prediction errors associated with the value sets are substantial. The goal of this work is 2-fold. First, derive a formula of the mean squared error (MSE) of a value set assuming that the value set is estimated using a linear mixed model with either an independent or a Gaussian spatial correlation on the model misspecification error. Second, explore the effect of the number of health states directly valued, the number of participants and the correlation structure on the MSE. Keeping the total number of participants and the total number of valuations fixed, valuing all 242 health states of the EQ-5D-3L was found to reduce the MSE considerably compared with the common practice of valuing only 42 health states. Furthermore, an independent correlation structure with 3773 participants valuing 42 health states produced the MSE that can be achieved with less than 600 participants valuing all 242 health states under a Gaussian spatial correlation structure. Based on the comparison of the MSE values of some of the well-known designs our suggestion is to value more health states and to use a model with spatially correlated misspecification errors.
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 | 0,288 | 0,458 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».