The decision uncertainty toolkit: Risk measures and visual outputs to support decision making during public health crises
Notice bibliographique
Résumé
BACKGROUND: During public health crises such as the COVID-19 pandemic, decision-makers relied on infectious disease models to evaluate policy options. Often, there is a high degree of uncertainty in the evidence base underpinning these models. When there is increased uncertainty, the risk of selecting a policy option that does not align with the intended policy objective also increases; we term this decision risk. Even when models adequately capture uncertainty, the tools used to communicate their outcomes, underlying uncertainty, and associated decision risk have often been insufficient. Our aim is to support infectious disease modellers and decision-makers in interpreting and communicating decision risk when evaluating multiple policy options. METHODS: We developed the Decision Uncertainty Toolkit by adapting methods from health economics and infectious disease modelling to improve the interpretation and communication of uncertainty. Specifically, we developed a quantitative measure of decision risk as well as a suite of risk visualizations. We refined the toolkit contents based on feedback from early dissemination through conferences and workshops. RESULTS: The Decision Uncertainty Toolkit: (i) adapts and extends existing health economics methods for characterization, estimation, and communication of uncertainty to infectious disease modelling, (ii) introduces a novel risk measure that quantitatively captures the downside risk of policy alternatives, (iii) provides visual outputs for dissemination and communication of uncertainty and decision risk, and (iv) includes instructions on how to use the toolkit, standard text descriptions and examples for each component. The use of the toolkit is demonstrated through a hypothetical example. CONCLUSION: The Decision Uncertainty Toolkit improves existing methods for communicating infectious disease model results by providing additional information regarding uncertainty and decision risk associated with policy alternatives. This empowers decision-makers to consider and evaluate decision risk more effectively when making policy decisions. Improved understanding of decision risk can improve outcomes in future public health crises.
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 | 0,012 | 0,070 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,045 | 0,008 |
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 ».