基于模拟器的贝叶斯校准CISNET结肠直肠癌模型

科学领域:

• 计算流行病学计算流行病学
• 卫生政策建模 卫生政策建模
• 生物统计学 生物统计学

背景情况:

• 结肠直肠癌 (CRC) 模拟模型对于政策分析至关重要,但计算密集.
• 这些模型的贝叶斯校准需要大量的计算资源.
• 现有的校准复杂模拟模型的方法可能是繁的.

研究的目的:

• 使用基于模拟器的贝叶斯算法校准癌症干预和监视建模网络 (CISNET) 的SimCRC,MISCAN-Colon和CRC-SPIN模型.
• 在内部验证与校准目标对模型预测的结果.
• 为减少个体级模拟模型贝叶斯校准计算负担提供实用解决方案.

主要方法:

• 使用拉丁式超立方采样来生成参数集和模型输出.
• 训练有素的多层感知人造神经网络 (ANN) 作为每个CISNET-CRC模型的模拟器.
• 在概率编程语言中实现了ANN模拟器,并使用基于哈密尔顿的蒙特卡洛算法进行校准.
• 选择了基于最小化验证错误的最佳ANN结构和超参数.

主要成果:

• 对SimCRC (4个隐藏层,360个节点),MISCAN-Colon (4个隐藏层,114个节点) 和CRC-SPIN (1个隐藏层,140个节点) 确定了最佳的ANN.
• 训练和校准时间显著减少 (例如,MISCAN-Colon的4.0小时).
• 模型预测的输出与校准目标密切匹配,模型间的一致率很高 (例如,SimCRC的98/110).

结论:

• ANN模拟器提供了一种实用而有效的方法,可以减少与复杂的CRC模拟模型贝叶斯校准相关的计算负担.
• 这种方法使得健康决策科学家更容易量化参数不确定性.
• 该研究提出了一个逐步指南,用于构建ANN模拟器,用于对个体级模拟模型的贝叶斯校准.