Using Discretely Integrated Condition Event Simulation To Construct Quantitative Benefit–Risk Models: The Example of Rotavirus Vaccination in France
Notice bibliographique
Résumé
PURPOSE: Although quantitative benefit-risk models (qBRms) are indisputably valuable tools for gaining comprehensive assessments of health care interventions, they are not systematically used, probably because they lack an integrated framework that provides methodologic structure and harmonization. An alternative that allows all stakeholders to design operational models starting from a standardized framework was recently developed: the discretely integrated condition event (DICE) simulation. The aim of the present work was to assess the feasibility of implementing a qBRm in DICE, using the example of rotavirus vaccination. METHODS: A model of rotavirus vaccination was designed using DICE and implemented in spreadsheet software with 3 worksheets: Conditions, Events, and Outputs. Conditions held the information in the model; this information changed at Events, and Outputs were special Conditions that stored the results collected during the analysis. A hypothetical French birth cohort was simulated for the assessment of rotavirus vaccination over time. The benefits were estimated for up to 5 years, and the risks in the 7 days following rotavirus vaccination versus no vaccination were assessed, with the results expressed as benefit-risk ratios. FINDINGS: This qBRm model required 8 Events, 38 Conditions, and 9 Outputs. Two Events cyclically updated the rates of rotavirus gastroenteritis (RVGE) and intussusception (IS) according to age. Vaccination occurred at 2 additional Events, according to the vaccination scheme applied in France, and affected the occurrence of the other Events. Outputs were the numbers of hospitalizations related to RVGE and to IS, and related deaths. The entire model was specified in a small set of tables contained in a 445-KB electronic workbook. Analyses showed that for each IS-related hospitalization or death caused, 1613 (95% credible interval, 1001-2800) RVGE-related hospitalizations and 787 (95% credible interval, 246-2691) RVGE-related deaths would be prevented by vaccination. These results are consistent with those from a published French study using similar inputs but a very different modeling approach. IMPLICATIONS: A limitation of the DICE approach was the extended run time needed for completing the sensitivity analyses when implemented in the electronic worksheets. DICE provided a user-friendly integrated framework for developing qBRms and should be considered in the development of structured approaches to facilitate benefit-risk assessment.
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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».