DOI: https://doi.org/10.1007/s40273-025-01571-3
PMID: https://pubmed.ncbi.nlm.nih.gov/41575713
تاريخ النشر: 2026-01-23
المؤلف: Selina Pi وآخرون
الموضوع الرئيسي: عمليات الرعاية الصحية وتحسين جدولة المواعيد
نظرة عامة
يقدم قسم ورقة البحث إطار DESCIPHR، وهو أداة مفتوحة المصدر مصممة لتعزيز اتخاذ القرارات في سياسة الصحة بشأن تدخلات السرطان. من خلال دمج محاكاة الأحداث المنفصلة (DES) مع المعايرة البايزية، يسمح DESCIPHR بنمذجة مرنة لتقدم السرطان وتقدير دقيق للمعلمات يعكس علم الأوبئة والبيانات غير المؤكدة في العالم الحقيقي. يعالج هذا الإطار الفجوة الحالية في الإرشادات الشاملة لهيكلة نماذج DES، ومعايرة المعلمات، وتطبيق النتائج على تقييم السياسات، لا سيما في سياق السرطان، الذي يعد سببًا رئيسيًا للوفيات على مستوى العالم.
لا يسهل إطار DESCIPHR فقط معايرة نماذج السرطان، مثل تلك الخاصة بسرطان المثانة وسرطان القولون والمستقيم، للبيانات الواقعية، بل يقدم أيضًا طريقة آلية لتوليد توزيعات مسبقة مستندة إلى البيانات للمعلمات النموذجية. تصميمه القابل للتعديل ومرونته مع أنواع المدخلات المختلفة تمكن المستخدمين من تخصيص عملية النمذجة وفقًا لاحتياجاتهم المحددة. من خلال توفير مستودع كود مفتوح المصدر مفصل، يعمل DESCIPHR كمورد أساسي لتطوير ومعايرة ونشر نماذج القرار التي تقيم المخاطر والفوائد لتدخلات الصحة، مع السعي في النهاية لتحسين دقة وفائدة نماذج المحاكاة في سياسة الصحة.
مقدمة
تسلط المقدمة الضوء على دور نماذج التحليل القرار في تشكيل سياسة الصحة من خلال استخدام الأطر الرياضية للتنبؤ بالنتائج من استراتيجيات التدخل المختلفة. من الجدير بالذكر أن نماذج المحاكاة الدقيقة قد أثرت بشكل كبير على سياسات فحص السرطان، مثل إرشادات مجموعة الخدمات الوقائية الأمريكية (USPSTF) لفحص سرطان الثدي التي بدأت في عام 2009 والعمر المعدل لبدء فحص سرطان القولون والمستقيم (CRC) في عام 2021. يقارن القسم بين طرق المحاكاة الدقيقة في الوقت المنفصل ومحاكاة الأحداث المنفصلة (DES)، مع التأكيد على كفاءة DES في النمذجة من خلال التركيز على التغيرات المدفوعة بالأحداث في النظام، مما يسمح بدمج أفضل للمخاطر المتنافسة وخصائص المرضى الديناميكية.
علاوة على ذلك، تناقش المقدمة ضرورة معايرة نماذج المحاكاة الدقيقة لتقدير المعلمات العميقة وغير القابلة للرصد التي تتماشى مع مخرجات النموذج مع البيانات السريرية وعلم الأوبئة في العالم الحقيقي. لقد اكتسبت طرق المعايرة البايزية زخمًا في نمذجة السرطان وتطبيقات الصحة الأخرى، حيث توفر توزيعات المعلمات التي تعكس عدم اليقين الكامن في القياسات الواقعية. على الرغم من التحديات الحاسوبية المرتبطة بالمعايرة البايزية، تم الإشارة إلى التقدم في محاكيات النماذج كوسيلة لتعزيز جدواها في التطبيقات العملية.
نقاش
يعالج إطار DESCIPHR فجوة كبيرة في الموارد المفتوحة المصدر لنمذجة تقدم السرطان على المستوى الفردي، مما يمكّن الباحثين من ملاءمة النماذج للبيانات الواقعية وتقييم تأثير تدخلات فحص السرطان مع الأخذ في الاعتبار عدم اليقين في البيانات. تم تصميم هذا الإطار ليكون قابلاً للتكيف مع تطبيقات البحث المختلفة، بما في ذلك التقييمات الاقتصادية والاستفسارات المنهجية. على الرغم من توفر بعض الطرق والأدوات المنشورة لمحاكاة الأحداث المنفصلة (DES) والمعايرة البايزية، لا يزال هناك نقص في الإرشادات الشاملة والمتكاملة والنماذج المفتوحة المصدر المصممة خصيصًا لنمذجة التاريخ الطبيعي للسرطان. لا يسهل إطار DESCIPHR فقط هيكلة نماذج DES، بل يتضمن أيضًا تقنيات متقدمة للمعايرة البايزية والشبكات العصبية الاصطناعية (BayCANN) لتعزيز تقدير المعلمات وقابلية تكيف النموذج.
يقوم نموذج التاريخ الطبيعي للسرطان داخل DESCIPHR بمحاكاة تقدم المرض من خلال حالات صحية مختلفة، ملتقطًا الانتقالات من الحالة الصحية إلى مراحل السرطان ما قبل السريرية والسريرية، مما يؤدي في النهاية إلى الوفاة. يستخدم النموذج نهج محاكاة الأحداث المنفصلة، حيث يتم التعامل مع الوقت المستغرق في كل حالة كمتغير عشوائي، مما يسمح بإدماج العوامل الديموغرافية وعوامل الخطر. تعتبر معايرة معلمات النموذج ضرورية، لا سيما للانتقالات غير الملاحظة، والتي يتم تقديرها باستخدام مصادر البيانات الواقعية. يؤكد الإطار على أهمية التحقق من صحة النموذج وتحليلات الحساسية لضمان التمثيل الدقيق لتقدم السرطان وفعالية تدخلات الفحص. من خلال توفير قاعدة كود منظمة وإرشادات شاملة، يهدف DESCIPHR إلى تعزيز الشفافية وقابلية إعادة إنتاج جهود نمذجة السرطان، مما يدعم في النهاية تقييمات سياسة السرطان المستندة إلى معلومات أفضل.
DOI: https://doi.org/10.1007/s40273-025-01571-3
PMID: https://pubmed.ncbi.nlm.nih.gov/41575713
Publication Date: 2026-01-23
Author(s): Selina Pi et al.
Primary Topic: Healthcare Operations and Scheduling Optimization
Overview
The research paper section presents the DESCIPHR framework, an open-source tool designed to enhance health policy decision-making regarding cancer interventions. By integrating discrete-event simulation (DES) with Bayesian calibration, DESCIPHR allows for flexible modeling of cancer progression and accurate parameter estimation that reflects real-world epidemiology and data uncertainty. This framework addresses the existing gap in comprehensive guidance for structuring DES models, calibrating parameters, and applying results to policy evaluation, particularly in the context of cancer, a leading cause of mortality globally.
The DESCIPHR framework not only facilitates the calibration of cancer models, such as those for bladder and colorectal cancer, to real-world data but also introduces an automated method for generating data-informed prior distributions for model parameters. Its modular design and adaptability to various input types enable users to customize the modeling process according to their specific needs. By providing a detailed, open-source code repository, DESCIPHR serves as a foundational resource for developing, calibrating, and deploying decision models that assess the risks and benefits of health interventions, ultimately aiming to improve the accuracy and utility of simulation models in health policy.
Introduction
The introduction highlights the role of decision-analytic models in shaping health policy by utilizing mathematical frameworks to predict outcomes from various intervention strategies. Notably, microsimulation models have significantly influenced cancer screening policies, such as the US Preventive Services Task Force’s (USPSTF) guidelines for breast cancer screening initiated in 2009 and the revised start age for colorectal cancer (CRC) screening in 2021. The section contrasts discrete-time microsimulation methods with discrete-event simulation (DES), emphasizing DES’s efficiency in modeling by focusing on event-driven changes in the system, which allows for better integration of competing risks and dynamic patient characteristics.
Furthermore, the introduction discusses the necessity of calibrating microsimulation models to estimate deep, unobservable parameters that align model outputs with real-world clinical and epidemiological data. Bayesian calibration methods have gained traction in cancer modeling and other health-related applications, as they provide parameter distributions that reflect the uncertainty inherent in real-world measurements. Despite the computational challenges associated with Bayesian calibration, advancements in model emulators are noted as a means to enhance its feasibility in practical applications.
Discussion
The DESCIPHR framework addresses a significant gap in open-source resources for modeling cancer progression at the individual level, enabling researchers to fit models to real-world data and evaluate the impact of cancer screening interventions while accounting for data uncertainty. This framework is designed to be adaptable for various research applications, including economic evaluations and methodological inquiries. Despite the availability of some published methods and tools for discrete event simulation (DES) and Bayesian calibration, there remains a lack of comprehensive, integrated guidance and open-source models specifically tailored for cancer natural history modeling. The DESCIPHR framework not only facilitates the structuring of DES models but also incorporates advanced Bayesian calibration techniques and artificial neural networks (BayCANN) to enhance parameter estimation and model adaptability.
The cancer natural history model within DESCIPHR simulates disease progression through various health states, capturing the transitions from healthy status to preclinical and clinical cancer stages, ultimately leading to death. The model employs a discrete event simulation approach, where the time spent in each state is treated as a random variable, allowing for the incorporation of demographic and risk factors. Calibration of the model parameters is essential, particularly for unobserved transitions, which are estimated using real-world data sources. The framework emphasizes the importance of model validation and sensitivity analyses to ensure accurate representation of cancer progression and the effectiveness of screening interventions. By providing a structured codebase and comprehensive guidance, DESCIPHR aims to enhance the transparency and reproducibility of cancer modeling efforts, ultimately supporting better-informed cancer policy evaluations.