Tracey A. Young, PhD, Clara Mukuria, PhD, Donna Rowen, PhD, John E. Brazier, PhD, and Louise Longworth, PhD. Medical Decision Making. 2015; 35(7), 912–926
Background: Gli studi clinici in oncologia includo spesso misurazioni cancro specifiche della salute, ma non misurazioni basate sulle preferenze come l’EQ-5D, I quali sarebbero più adatti per una valutazione economica. Le funzioni di mappatura sono state sviluppate per predire i valori EQ-5D da queste misurazioni, ma c’è una considerevole incertezza riguardo al modello più appropriato da utilizzare e molti modelli esistenti sono scarsamente capaci di prevedere I valori EQ-5D. Questo studio ha l’obiettivo di indagare una serie di eventuali modelli per sviluppare le funzioni di mappatura da due strumenti cancro-specifici ampiamente utilizzati (FACT-G ed EORTC-QLQ-C30) e identificare il modello migliore.
Metodi: I modelli mappati sono stati predisposti per predire I valori EQ-5D utilizzando il comune metodo dei minimi quadrati (OLS), il modello Tobit, i modelli a 2 parti, la funzione spline e gli items di risposta utilizzati per le reazioni di mappatura dal FACT-G e dal QLQ-C30. Sono stati valutati una moltitudine di modelli specifici. Sono state comparate la prestazione del modello e la capacità predittiva. Le analisi si sono basate su 530 pazienti con diverse tipologie di cancro con il FACT-G e 771 con mieloma multiplo, cancro al seno e carcinoma polmonare con il QLQ-C30.
Risultati: Per il FACT-G, i modelli OLS hanno predetto con precisione la media dei valori EQ-5D, con il miglior modello predittivo utilizzato con gli item del FACT-G con risultati simili utilizzando il metodo Tobit. Le risposte di mappatura hanno una scarsa capacità predittiva. Al contrario, per quanto riguarda il QLQ-C30 la risposta di mappatura ha ottenuto la miglior accuratezza di previsione utilizzando le dimensioni del QLQ-C30. Il QLQ-C30 ha una miglior predizione di valori EQ-5D attraverso un range di valori possibili; tuttavia, alcuni intervistati con il FACT-G hanno ottenuto una serie di dati con bassi valori EQ-5D, il che riduce l’accuratezza finale.
Conclusioni: Le funzioni di mappatura OLS e Tobit hanno ottenuto buoni risultati con entrambi gli strumenti. Le risposte di mappatura hanno dato come miglior modello predittivo il QLQ-C30. La generalizzazione per le funzioni di mappatura del FACT-G è limitata ad una popolazione mediamente in buona salute.
Mapping Functions in Health-Related Quality of Life: Mapping from Two Cancer-Specific Health-Related Quality-of-Life Instruments to EQ-5D-3L
Abstract
Background. Clinical trials in cancer frequently include cancer-specific measures of health but not preference-based measures such as the EQ-5D that are suitable for economic evaluation. Mapping functions have been developed to predict EQ-5D values from these measures, but there is considerable uncertainty about the most appropriate model to use, and many existing models are poor at predicting EQ-5D values. This study aims to investigate a range of potential models to develop mapping functions from 2 widely used cancer-specific measures (FACT-G and EORTC-QLQ-C30) and to identify the best model. Methods. Mapping models are fitted to predict EQ-5D-3L values using ordinary least squares (OLS), tobit, 2-part models, splining, and to EQ-5D item-level responses using response mapping from the FACT-G and QLQ-C30. A variety of model specifications are estimated. Model performance and predictive ability are compared. Analysis is based on 530 patients with various cancers for the FACT-G and 771 patients with multiple myeloma, breast cancer, and lung cancer for the QLQ-C30.
Results. For FACT-G, OLS models most accurately predict mean EQ-5D values with the best predicting model using FACT-G items with similar results using tobit. Response mapping has low predictive ability. In contrast, for the QLQ-C30, response mapping has the most accurate predictions using QLQ-C30 dimensions. The QLQ-C30 has better predicted EQ-5D values across the range of possible values; however, few respondents in the FACT-G data set have low EQ-5D values, which reduces the accuracy at the severe end.
Conclusions. OLS and tobit mapping functions perform well for both instruments. Response mapping gives the best model predictions for QLQ-C30. The generalizability of the FACT-G mapping function is limited to populations in moderate to good health.
