Development, Testing, and Calibration of LINCS: A New Microsimulation Model of Maternal and Fetal Cytomegalovirus Infection in the US
Notice bibliographique
Résumé
ABSTRACT Background Congenital cytomegalovirus (cCMV) is a leading cause of birth defects and the most common cause of non-genetic sensorineural hearing loss in children. There is a lack of decision modeling frameworks that can project cytomegalovirus (CMV)-related patient outcomes and inform health policy. We created, tested, and calibrated a model of CMV acquisition and transmission in pregnancy using linked mother-infant dyads. Methods We developed the L inking IN fants and Mothers in C ytomegalovirus S imulation (LINCS) dyad-level Monte-Carlo microsimulation model of CMV infection among pregnant people and fetuses throughout pregnancy. We parameterized the model with data from the US, Canada and the EU from the existing literature, implemented rigorous code testing procedures, and calibrated a key set of parameters to match model output to external data on cCMV prevalence and symptom risk. Results A fully parameterized model for CMV among pregnant people and fetuses was developed, and the model code was confirmed to perform as specified. The calibration procedure identified parameter sets that generated model output closely matching the target values from the available data on cCMV prevalence and symptom risk. Conclusions The LINCS model’s ability to simulate the natural history of CMV infection during pregnancy was described and demonstrated, and the model was tested and calibrated to ensure proper functioning. Base case parameters were derived for CMV infection natural history to be used in future decision analyses of CMV testing and treatment strategies.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».