Longitudinal predictive ability of mapping algorithms: Secondary analysis of NRG Oncology/RTOG 0415.
Notice bibliographique
Résumé
60 Background: Mapping algorithms informing economic evaluations are often derived using baseline data from clinical trials. It is unclear if these algorithms can predict health utilities accurately in post-intervention data. Thus, this study examines the longitudinal predictive ability of mapping algorithms derived from baseline trial data and explores the factors associated with prediction errors. Methods: This methodological study utilized data from an international, multicenter, randomized controlled trial of patients with low-risk prostate cancer (PC), conducted by NRG Oncology (NCT00331773). In addition to patient demographic and clinical data, this study utilized PRO data collected at baseline and 6, 12 and 24 months post-intervention. The Expanded Prostate Cancer Index Composite (EPIC) questionnaire measures health-related quality-of-life (HRQoL) and has four domains (urinary, sexual, hormonal, and bowel) and two subdomains per domain (function and bother); EuroQOL-5D-3L (EQ5D) captures health utilities. Ordinary Least Squares (OLS) regression models were used to map EPIC scores to EQ5D utilities in the baseline data through 5-fold cross-validation. Predictive performance was tested in the post-intervention data; predicted and reported utilities were compared using t-tests, and the absolute prediction error was modeled using fixed effects, as a function of baseline demographic and clinical covariates, as well as observed and predicted EQ5D utilities. Results: A total of 267 (199) patients had complete EQ5D and EPIC domain (or subdomain) data at baseline and all subsequent assessments. In the EPIC domain sample, mean ± standard deviation observed EQ5D utility was 0.90±0.13 at baseline, 0.92±0.11 at 6 months, 0.90±0.13 at 12 months and 0.89±0.14 at 24 months. Mean absolute differences (MDs) between reported and predicted were lower for models using EPIC subdomain data compared to EPIC domain data, and generally decreased as the time of assessment increased. The mapping functions over-predicted utilities for patients in perfect health while the prediction errors were increasingly negative for lower reported EQ5D scores. According to the fixed effects model for EPIC domain data, lower observed and predicted baseline EQ5D scores, and time of assessment were significant predictors of the absolute prediction error; for EPIC subdomain data, lower observed and predicted baseline EQ5D scores, hormonal bother and function, and bowel function significantly predicted the absolute prediction error. Conclusions: This study is the first to demonstrate the longitudinal validity of EPIC questionnaire, and builds upon existing research on longitudinal validity of mapping functions. The low MDs in prediction errors in post-intervention data indicate that the mapping functions are sensitive to treatment effect, thereby increasing confidence in their use in economic evaluations in PC.
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 | 0,062 | 0,128 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,004 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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; 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 ».