流行病学建模中不确定性的决策论框架

估计、理解和传达不确定性是统计流行病学的核心问题，其中基于模型的估计经常为现实世界的决策提供信息。然而，不确定性的来源很少被形式化，现有的分类往往定义不一致。这种缺乏结构的情况阻碍了解释、模型比较和有针对性的数据收集。通过连接机器学习、信息论、实验设计和健康经济学中的思想，我们提出了一个基于第一性原理的决策论框架，将不确定性定义为基于不完整信息做出估计所导致的期望损失，认为这一定义对流行病学非常有用且具有实际意义。我们展示了关于未来数据的推理如何引出一种期望不确定性减少的概念，从而导出了可减少不确定性和不可减少不确定性的正式定义。我们通过新西兰Aotearoa的SARS-CoV-2废水监测案例研究展示了我们的方法，估计了如果废水监测扩展到全部人口所能减少的不确定性。然后，我们将我们的框架与相邻领域的相关文献联系起来，展示了它如何统一和扩展了这些思想，以及它如何将这些思想应用于更广泛的模型。总的来说，我们的框架为传染病流行病学中更可靠、更一致、更具政策相关性的不确定性量化奠定了基础。