Calculating <i>ex-ante</i> Utilities From the Neck Disability Index Score: Quantifying the Value of Care For Cervical Spine Pathology
Notice bibliographique
Résumé
STUDY DESIGN: General population utility valuation study. OBJECTIVE: To develop a technique for calculating utilities from the Neck Disability Index (NDI) score. METHODS: We recruited a sample of 1200 adults from a market research panel. Using an online discrete choice experiment (DCE), participants rated 10 choice sets based on NDI health states. A multi-attribute utility function was estimated using a mixed multinomial-logit regression model (MIXL). The sample was partitioned into a training set used for model fitting and validation set used for model evaluation. RESULTS: The regression model demonstrated good predictive performance on the validation set with an AUC of .77 (95% CI: .76-.78). The regression model was used to develop a utility scoring rubric for the NDI. Regression results also revealed that participants did not regard all NDI items as equally important. The rank order of importance was (in decreasing order): pain intensity = work; personal care = headache; concentration = sleeping; driving; recreation; lifting; and lastly reading. CONCLUSIONS: This study provides a simple technique for converting the NDI score to utilities and quantify the relative importance of individual NDI items. The ability to evaluate quality-adjusted life-years using these utilities for cervical spine pain and disability could facilitate economic analysis and aid in allocation of healthcare resources.
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 | 0,014 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
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 ».