“Cardinalizing” self-assessed health in studies of health inequalities: Risks and challenges of scaling on health utility measures
Bibliographic record
Abstract
L’auto-évaluation de la santé (SAH) est une mesure de la santé largement utilisée. Elle est facile à administrer, permet d’obtenir une évaluation générale et subjective de la santé et présente une bonne corrélation avec les mesures objectives de la santé et de l’état de santé futur. Toutefois, sa nature ordinale a posé un défi analytique, en particulier pour la mesure des inégalités en matière de santé, et le débat se poursuit sur la meilleure façon de dériver une valeur cardinale sur la base des informations ordinales. La méthode la plus récente, proposée par van van Doorslaer et Jones, 2003, utilise la régression par intervalles avec les limites dérivées de la distribution empirique d’une mesure de l’utilité de la santé. Dans cet article, nous montrons que la méthode est sensible à de nombreux choix qui sont souvent négligés, notamment le choix de la variable d’échelle. Comme la variable d’échelle est souvent une mesure cardinale de l’utilité de la santé, nous mettons en doute l’hypothèse sous-jacente à la méthode selon laquelle l’HSA et toute mesure de l’utilité de la santé capturent le même concept de santé. À l’aide de l’Enquête nationale sur la santé de la population canadienne, de l’Enquête sur la santé dans les collectivités canadiennes et de l’Enquête nationale sur les mesures de la santé aux États-Unis, nous montrons empiriquement que la mesure des inégalités de santé est très sensible au choix de la population sur laquelle la variable d’échelle est mesurée et au choix de la mesure de l’utilité de la santé elle-même. Nous démontrons empiriquement le manque de concordance des classements de santé entre le SEP et quatre mesures de l’utilité de la santé couramment utilisées dans la littérature (EQ-5D, SF-6D, HUI3 et QWB). Cela suggère que la grande sensibilité de l’inégalité de santé aux choix d’échelles peut être due aux différents concepts capturés par le SEP et l’utilité de la santé.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.029 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.002 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".