Utility score mapping from FACT-G to EQ-5D-5L and SF-6Dv2 in breast and colorectal cancer patients: a focus on beta mixture models
Notice bibliographique
Résumé
OBJECTIVE: To develop algorithms mapping the Functional Assessment of Cancer Therapy-General Scale (FACT-G) onto the EuroQol 5-Dimension 5-level (EQ-5D-5 L) and the Short-Form Six-Dimension version 2 (SF-6Dv2) for patients with breast or colorectal cancers. METHODS: An online survey was conducted to collect responses to FACT-G, EQ-5D-5L, and SF-6Dv2 from cancer patients in Quebec, Canada (N = 202). Linear models including ordinary least squares (OLS), Censored Least Absolute Deviations (CLAD), the robust MM-estimator model (MM), as well as mixture models including two-part model (TPM), and beta-based mixture (betamix) model were used. Mean absolute error (MAE), root mean squared error (RMSE), R2, Bayesian information criteria (BIC), and limits of agreement (LOA) calculated using the five cross-validation to assess the predictive ability of the models. Furthermore, the distribution of observed versus predicted values was assessed using Bland-Altman plot. RESULTS: Based on RMSE and MAE, mixture models better performed than linear models. The betamix model with truncation that included domains and squared terms was the best-performing algorithm for EQ-5D-5 L (MAE = 0.0518, RMSE = 0.0744, R2 = 46.40%, and LOA=-0.166 to 0.165) and SF-6Dv2 (MAE = 0.1375, RMSE = 0.1764, R2 = 35.32%, and LOA=-0.356 to 0.337). EQ-5D-5 L and SF-6Dv2 utility scores for better health states and more severe health states were underestimated and overestimated, respectively. CONCLUSION: This study developed robust algorithms to estimate EQ-5D-5 L and SF-6Dv2 utilities from FACT-G. Consistent with the recent literature, the betamix model outperformed all other econometric models considered in this study. This suggests that mixture models generally exhibit higher performance and are the best choice for mapping.
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 | 0,011 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».