Notice bibliographique
Résumé
BACKGROUND: Health care decisions are often made under uncertainty and modeling is used to inform the choices and possible consequences. State-transition ("Markov") models are commonly used but they represent the problem solely in terms of states; events are not explicitly considered. METHODS: Discretely integrated condition event (DICE) simulation provides for both aspects that persist over time ("conditions") and for those happening at a point in time ("events"). A Markov model can be specified in DICE by representing states as conditions with a recurrent transition event processing transition probabilities, and other events added explicitly. RESULTS: The DICE specification of a Markov model is compact because transitions are enumerated only once; it is very transparent, as these specifications are tabulated rather than programmed in code; and flexibility is enhanced by the ease with which alternative structures are specified. Events can be added to represent clinical occurrences, treatment features, health care activities, and any other relevant aspect of this type. They may coincide with the transition event or occur at their own times. Varying cycle times and structural sensitivity analyses are easy to implement. LIMITATIONS: Execution of a DICE simulation using a macro in spreadsheet software can be slow, especially for complex models requiring stochastic analyses replicated thousands of times. Modelers wishing to use other software can still use the tabular specification ideas to expand their Markov models, but the descriptions provided here may not be entirely applicable. Another limitation is the inability of these simulations to handle constrained resources or interactions among patients. CONCLUSIONS: With DICE simulation, it is possible to expand the Markov formulation to include explicitly many events occurring at various times.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 tête enseignante, 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 ».