Estimation of preference-based measures of health from disease-specific clinical outcome measures for total hip and knee arthroplasty patients
Notice bibliographique
Résumé
Transfer to utility (TTU) or mapping methodology allows researchers to estimate a health utility from a disease-specific measure and calculate quality adjusted life years for economic evaluations. The purpose of this study was to develop regression algorithms to map five common disease specific TJA outcome measures to three preference-based health utility scores. An online survey was completed by 438 total hip arthroplasty (THA) patients and 550 total knee arthroplasty patients (TKA). THA patients completed ® the Western Ontario and McMaster Universities Osteoarthritis Index (WOMAC ), Harris Hip Score (HHS), and the Hip Disability and Osteoarthritis Outcomes Score (HOOS). ® Knee patients completed the WOMAC , Knee Society Score (KSS), and Knee Disability and Osteoarthritis Outcomes Score (KOOS). All patients completed three preference based questionnaires, the SF-6D, EQ-5D and HUI-3, and responses were used to calculate health utilities. A total of 30 THA mapping models and 30 TKA mapping models were developed and validated. Forecast error measures including ME, MAE, RMSE were defined as our prediction performance criterion. For the THA models, the regression model with HOOS subscores most precisely estimated an EQ-5D health utility. The best performing TKA model mapped the KSS to the EQ-5D. Clinician- researchers can input their disease specific data into these models to estimate health utilities to consider the cost-effectiveness of osteoarthritis-related interventions relative to interventions for very different diseases and conditions.
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 | 0,009 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,000 | 0,001 |
| 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 ».