Bridging the gap between evidence and policy for infectious diseases: How models can aid public health decision-making
Notice bibliographique
Résumé
The dominant approach to decision-making in public health policy for infectious diseases relies heavily on expert opinion, which often applies empirical evidence to policy questions in a manner that is neither systematic nor transparent. Although systematic reviews are frequently commissioned to inform specific components of policy (such as efficacy), the same process is rarely applied to the full decision-making process. Mathematical models provide a mechanism through which empirical evidence can be methodically and transparently integrated to address such questions. However, such models are often considered difficult to interpret. In addition, models provide estimates that need to be iteratively re-evaluated as new data or considerations arise. Using the case study of a novel diagnostic for tuberculosis, a framework for improved collaboration between public health decision-makers and mathematical modellers that could lead to more transparent and evidence-driven policy decisions for infectious diseases in the future is proposed. The framework proposes that policymakers should establish long-term collaborations with modellers to address key questions, and that modellers should strive to provide clear explanations of the uncertainty of model structure and outputs. Doing so will improve the applicability of models and clarify their limitations when used to inform real-world public health policy decisions.
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 | 0,043 | 0,098 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,004 |
| Bibliométrie | 0,009 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,010 | 0,012 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,007 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».