MétaCan
Menu
Retour à la cohorte
Enregistrement W4407924818 · doi:10.1177/0272989x251319808

Changing Time Representation in Microsimulation Models

2025· article· en· W4407924818 sur OpenAlexaff
Eric Wong, Wanrudee Isaranuwatchai, Joanna E. M. Sale, Andrea C. Tricco, Sharon E. Straus, David Naimark

Notice bibliographique

RevueMedical Decision Making · 2025
Typearticle
Langueen
DomaineDecision Sciences
Thématiquedemographic modeling and climate adaptation
Établissements canadiensHealth Sciences CentreSunnybrook Health Science CentrePublic Health OntarioUniversity of TorontoSt. Michael's Hospital
Organismes subventionnairesnon disponible
Mots-clésMicrosimulationTime horizonConstraint (computer-aided design)EconometricsComputer scienceInefficiencyDiscrete event simulationResource (disambiguation)EconomicsSimulationMathematical optimizationMathematicsMicroeconomicsEngineering

Résumé

récupéré en direct d'OpenAlex

BackgroundIn microsimulation models of diseases with an early, acute phase requiring short cycle lengths followed by a chronic phase, fixed short cycles may lead to computational inefficiency. Examples include epidemic or resource constraint models with early short cycles where long-term economic consequences are of interest for individuals surviving the epidemic or ultimately obtaining the resource. In this article, we demonstrate methods to improve efficiency in such scenarios. Furthermore, we show that care must be taken when applying these methods to epidemic or resource constraint models to avoid bias.MethodsTo demonstrate efficiency, we compared the model runtime among 3 versions of a microsimulation model: with short fixed cycles for all states (FCL), with dynamic cycle length (DCL) defined locally for each state, and with DCL features plus a discrete-event-like hybrid component. To demonstrate bias mitigation, we compared discounted lifetime costs for 3 versions of a resource constraint model: with a fixed horizon where simulation stops, with a fixed entry horizon beyond which new individuals could not enter the model, and with a fixed entry horizon plus a mechanism to maintain a constant level of competition for the resource after the horizon.ResultsThe 3 versions of the microsimulation model had average runtimes of 515 (95% credible interval [CI]: 477 to 545; FCL), 2.70 (95% CI: 1.48 to 2.92; DCL), and 1.45 (95% CI: 1.26 to 2.61; DCL-pseudo discrete event simulation) seconds, respectively. The first 2 resource constraint versions underestimated costs relative to the constant competition version: $20,055 (95% CI: $19,000 to $21,120), $27,030 (95% CI: $24,680 to $29,412), and $33,424 (95% CI: $27,510 to $44,484), respectively.LimitationsThe magnitude of improvements in efficiency and reduction in bias may be model specific.ConclusionChanging time representation in microsimulation may offer computational advantages.HighlightsShort cycle lengths may be required to model the acute phase of an illness but lead to computational inefficiency in a subsequent chronic phase in microsimulation models.A solution is to create state-specific cycle lengths so that cycle lengths change dynamically as the simulation progresses.Computational efficiency can be enhanced further by using a hybrid model containing discrete-event-simulation-like features.Hybrid models can efficiently handle events subsequent to exit from an epidemic or resource constraint model provided steps are taken to mitigate potential bias.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,008
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,901
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0070,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,098
Tête enseignante GPT0,448
Écart entre enseignants0,350 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeAutre devis
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical Decision MakingMême sujetdemographic modeling and climate adaptationTravaux en français237 207