Bayesian Models with Spatial Correlation Improve the Precision of EQ-5D-5L Value Sets
Notice bibliographique
Résumé
BACKGROUND: Health utilities from value sets for the EQ-5D-5L are commonly used in economic evaluations. We examined whether modeling spatial correlation among health states could improve the precision of the value sets. METHODS: Using data from 7 EQ-5D-5L valuation studies, we compared the predictive precision of the published linear model, a recently proposed cross-attribute level effects (CALE) model, and 2 Bayesian models with spatial correlation. Predictive precision was quantified through the root mean squared error (RMSE) for out-of-sample predictions of state-level mean utilities on omitting individual states, as well as omitting blocks of states. RESULTS: In all 7 countries, on omitting single health states, Bayesian models with spatial correlation improved upon the published linear model: the RMSEs for the originally published models, 0.050, 0.051, 0.060, 0.061, 0.039, 0.050, and 0.087 for Canada, China, Germany, Indonesia, Japan, Korea, and the Netherlands, respectively, could be reduced to 0.043, 0.042, 0.051, 0.054, 0.037, 0.037, and 0.085, respectively. On omitting blocks of health states, Bayesian models with spatial correlation led to smaller RMSEs in 3 countries, while the CALE model led to smaller RMSEs in the remaining 4 countries. DISCUSSION: Bayesian models incorporating spatial correlation and CALE models are promising for improving the precision of value sets for the EQ-5D-5L. The differential performance of the Bayesian models on omitting single states versus blocks of states suggests that designing valuation studies to capture more health states may further improve precision. We suggest that Bayesian and CALE models be considered as candidates when creating value sets and that alternative designs be explored; this is vital as the prediction errors in value sets need to be smaller than the minimal important difference of the instrument. HIGHLIGHTS: The accuracy of value sets of multi-attribute utility instruments is typically of the same order of magnitude as the instrument's minimal important difference and would benefit from improvement.Bayesian models with spatial correlation have been shown to improve value set accuracy in isolated cases.We showed that Bayesian approaches with spatial correlation improved predictive precision in 7 EQ-5D-5L valuation studies.We recommend that Bayesian models incorporating spatial correlation be considered when creating value sets and have provided code for fitting them.
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 | 0,071 | 0,203 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,004 |
| 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; 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 ».