Incorporating Mortality in Health Utility Measures
Notice bibliographique
Résumé
The creation of multiattribute health utility systems requires design choices that have profound effects on the utility model, many of which have been documented and studied in the literature. Here we describe one design choice that has, to the best of our knowledge, been unrecognized and therefore ignored. It can emerge in any multiattribute decision analysis in which one or more essential outcomes cannot be described in terms of the multiattribute space. In health applications, the state of being dead is such an outcome. When the remaining health is conceptualized as a multidimensional space, determining the utility of the state of being dead requires using the interval-scale properties of cardinal utility, combined with elicited utilities for the state of being dead and the all-worst state, to produce a utility function in which the state of being dead has a utility of 0 and full health has a utility of 1 (i.e., the quality-adjusted life-year scale). Although previously unrecognized, there are two approaches to accomplish that step, and they produce different results in almost all cases. As a corollary, the choice of approach determines the proportion of states rated as worse than dead by the system. For example, in the Health Utility Index 3 (HUI3), the method used classifies 78% of the 972,000 unique health states in the classification system as worse than dead, and that proportion increases to 85% when the HUI3 is recalculated using the alternative approach. Studies of populations with significant morbidity are the most likely to be sensitive to the design choice. Those who design utility measures should be aware that they are using a researcher degree of freedom when they decide how to scale the state of being dead.
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 | 0,045 | 0,054 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; les deux têtes enseignantes 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 ».