A methodological guide for implementing and interpreting results of probabilistic analysis
Notice bibliographique
Résumé
INTRODUCTION: Probabilistic analysis, also referred to as probabilistic sensitivity analysis (PSA), is used extensively in cost-effectiveness evaluations of health technologies. We present methodological guidance for implementing probabilistic analysis and interpreting its results for policy and decision-making. METHODS: We review the methodological issues related to common practices in probabilistic analysis, explore aspects that are currently not widely addressed in the health economics literature, and provide an overview of recent methodological developments. RESULTS: We use examples to highlight the advantages and disadvantages of common tools used for presenting probabilistic analysis results, including the cost-effectiveness acceptability curve (CEAC), cost-effectiveness acceptability frontier (CEAF), and value of information (VOI) analysis. We raise and address issues related to using Monte Carlo standard error to determine the number of iterations required, the implications of large uncertainty, and the credibility and meaningfulness of small differences in quality-adjusted life-years (QALYs). We then discuss evolving methods in probabilistic analysis, cautious uses of probabilistic analysis, and factors impacting parameter uncertainty. CONCLUSIONS: A deeper understanding of probabilistic analysis methods enables health economists and decision-makers to more effectively address and interpret parameter uncertainty in health economic evaluations, which is essential for making informed policy decisions.
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 | 0,140 | 0,336 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,006 |
| Bibliométrie | 0,012 | 0,010 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,007 | 0,005 |
| Intégrité de la recherche | 0,008 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,036 | 0,023 |
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 ».