Capturing Valuation Study Sampling Uncertainty in the Estimation of Health State Utility Values Using the EQ-5D-3L
Notice bibliographique
Résumé
OBJECTIVES: Utility scores associated with preference-based health-related quality-of-life instruments such as the EQ-5D-3L are reported as point estimates. In this study, we develop methods for capturing the uncertainty associated with the valuation study of the UK EQ-5D-3L that arises from the variability inherent in the underlying data, which is tacitly ignored by point estimates. We derive a new tariff that properly accounts for this and assigns a specific closed-form distribution to the utility of each of the 243 health states of the EQ-5D-3L. METHODS: Using the UK EQ-5D-3L valuation study, we used a Bayesian approach to obtain the posterior distributions of the derived utility scores. We constructed a hierarchical model that accounts for model misspecification and the responses of the survey participants to obtain Markov chain Monte Carlo (MCMC) samples from the posteriors. The posterior distributions were approximated by mixtures of normal distributions under the Kullback-Leibler (KL) divergence as the criterion for the assessment of the approximation. We considered the Broyden-Fletcher-Goldfarb-Shanno (BFGS) algorithm to estimate the parameters of the mixture distributions. RESULTS: We derived an MCMC sample of total size 4,000 × 243. No evidence of nonconvergence was found. Our model was robust to changes in priors and starting values. The posterior utility distributions of the EQ-5D-3L states were summarized as 3-component mixtures of normal distributions, and the corresponding KL divergence values were low. CONCLUSIONS: Our method accounts for layers of uncertainty in valuation studies, which are otherwise ignored. Our techniques can be applied to other instruments and countries' populations. HIGHLIGHTS: Guidelines for health technology assessments typically require that uncertainty be accounted for in economic evaluations, but the parameter uncertainty of the regression model used in the valuation study of the health instrument is often tacitly ignored.We consider the UK valuation study of the EQ-5D-3L and construct a Bayesian model that accounts for layers of uncertainty that would otherwise be disregarded, and we derive closed-form utility distributions.The derived tariff can be used by researchers in economic evaluations, as it allows analysts to directly sample a utility value from its corresponding distribution, which reflects the associated uncertainty of the utility score.
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 | 0,230 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».