Preference Heterogeneity in Health Valuation: A Latent Class Analysis of the Peru EQ-5D-5L Values
Notice bibliographique
Résumé
Abstract Background Preference heterogeneity in health valuation has become a topic of greater discussion among health technology assessment agencies. To better understand heterogeneity within a national population, valuation studies may identify latent groups that place different absolute and relative importance (i.e., scale and taste parameters) on the attributes of health profiles. Objective Using discrete choice responses from a Peruvian valuation study, we estimated EQ-5D-5L values on a quality-adjusted life-year (QALY) scale accounting for latent heterogeneity in scale and taste, as well as controlling heteroskedasticity at task level variation. Method We conducted a series of latent class analyses, each including the 20 main effects of the EQ-5D-5L and a power function that relaxes the constant proportionality assumption (i.e., discounting). Taste class membership was conditional on respondent-specific characteristics as well as their experience with the time trade-off tasks. Scale class membership was conditional on behavioral characteristics such as survey duration and self-stated difficulty level in understanding tasks. Each analysis allowed the scale factor to vary by task type and time (i.e., heteroskedasticity). Results The results indicate three taste classes: a quality-of-life oriented class (33.35%) that placed the highest value on levels of severity, a length-of-life oriented class (26.72%) that placed the highest value on life span, and a middle class (39.71%) with health attribute effects lower than the quality class and life span effect lower than the length-of-life oriented class. The EQ-5D-5L values ranged from − 2.11 to 0.86 (quality-of-life oriented class), from − 0.38 to 1.02 (middle class), and from 0.36 to 1.01 (length-of-life oriented class). The likelihood of being a member of the quality-of-life class was highly dependent on whether the respondent completed the time-tradeoff tasks (p-value < 0.001). The results also show two scale classes as well as heteroskedasticity within each scale class. Conclusion Accounting for taste and scale classes simultaneously improves understanding preference heterogeneity in health valuation. Future studies may confirm the differences in taste between classes in terms of the effect of quality of life and life span attributes. Furthermore, confirmatory evidence is needed on how behavioral variables captured within a study protocol may enhance analyses of preference heterogeneity.
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 | 0,024 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».