Model distinguishability and inference robustness in mechanisms of cholera transmission and loss of immunity
Notice bibliographique
Résumé
Mathematical models of cholera and waterborne disease vary widely in their structures, in terms of transmission pathways, loss of immunity, and other features. These differences may yield different predictions and parameter estimates from the same data. Given the increasing use of models to inform public health decision-making, it is important to assess distinguishability (whether models can be distinguished based on fit to data) and inference robustness (whether model inferences are robust to realistic variations in model structure). We examined the effects of uncertainty in model structure in epidemic cholera, testing a range of models based on known features of cholera epidemiology. We fit to simulated epidemic and long-term data, as well as data from the 2006 Angola epidemic. We evaluated model distinguishability based on data fit, and whether parameter values and forecasts can accurately be inferred from incidence data. In general, all models were able to successfully fit to all data sets, even if misspecified. However, in the long-term data, the best model fits were achieved when the loss of immunity form matched those of the model that simulated the data. Two transmission and reporting parameters were accurately estimated across all models, while the remaining showed broad variation across the different models and data sets. Forecasting efforts were not successful early, but once the epidemic peak had been achieved, most models showed similar accuracy. Our results suggest that we are unlikely to be able to infer mechanistic details from epidemic case data alone, underscoring the need for broader data collection. Nonetheless, with sufficient data, conclusions from forecasting and some parameter estimates were robust to variations in the model structure, and comparative modeling can help determine how variations in model structure affect conclusions drawn from models and data.
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 | 0,108 | 0,279 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,007 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,006 | 0,008 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».