将额外证据作为先验信息纳入贝叶斯疾病模型校准以解决非可识别性：一个教程
统计计算
2025-01-24 v2
摘要
疾病模型用于检验治疗、干预和公共政策变更的可能影响。确保这些模型在可用数据的基础上经过良好校准，并且正确量化其投影的不确定性，是该过程中重要的环节。非可识别性问题在疾病模型校准中提出了挑战，因为多个参数集合会产生相同的模型输出。对于评估此类政策干预（如筛查或疫苗接种）的统计学家而言，这是一个关键问题。本研究探索了使用贝叶斯框架为模型校准提供一种自然方式，并以概率方式处理疾病建模中的非可识别性。我们 presented 了两种贝叶斯方法，用于将专家知识和外部数据纳入，以确保在联合参数空间上指定适当信息丰富的先验分布。这两种方法分别应用于两种常见的疾病模型：一个基本的易感-感染-易感 (SIS) 模型，以及一个更为复杂的基于智能体的模型，此前已被用于探讨HPV和宫颈癌中的公共政策问题。我们展示了SIS模型中可以解决非可识别性问题的条件。对于较大的HPV模型，概述了主要发现，但关键在于讨论非可识别性如何影响校准过程。通过案例研究，我们演示了信息丰富的先验如何帮助解决非可识别性并改进模型推断。我们还讨论了敏感性分析如何用于评估先验规范对模型结果的影响。总体而言，本工作为对医生感兴趣的研究人员提供了一份重要的教程，指导他们应用贝叶斯方法校准模型并处理疾病模型中的非可识别性。
引用
@article{arxiv.2407.13451,
title = {Incorporating additional evidence as prior information to resolve non-identifiability in Bayesian disease model calibration. A tutorial},
author = {Daria Semochkina and Cathal Walsh},
journal= {arXiv preprint arXiv:2407.13451},
year = {2025}
}