線形回帰メタモデリングを使用した確率的感度分析からの部分的なサンプル情報の計算期待値

意思決定者は、現在の知識を考慮して、最も費用対効果の高い介入に関する両方のガイダンスと、追加情報を収集するために追加情報を収集することの両方のガイダンスを望んでいます（つまり、情報の価値[VOI]分析から）。残念ながら、VOI分析は、実際の意思決定に十分な複雑さのモデルにベイズの意思決定理論アプローチを実装することの概念的、数学的、および計算上の課題のために使用されていないままです。この研究では、確率的感度分析、線形回帰メタモデリング、および単位正常損失積分関数の組み合わせを使用して、VOI分析へのパラメトリックアプローチの組み合わせを使用してVOI分析を実行するための新しい実用的なアプローチを提案します。線形近似を採用し、VOI分析の基本的な仮定を活用します。これには、事前の不確実性のすべてのソースを正確に指定する必要があります。アプローチの例を提供し、私たちが行う仮定は実質的なバイアスを誘発するのではなく、VOI分析を実行するのに必要な計算時間を大幅に削減することを示します。私たちのアプローチは、ジョイントベイジアンの更新を分析的に解決または近似する必要性を回避し、確率的感度分析シミュレーションのセットのみが必要であり、相関入力パラメーターを持つモデルに適用できます。

Decision makers often desire both guidance on the most cost-effective interventions given current knowledge and also the value of collecting additional information to improve the decisions made (i.e., from value of information [VOI] analysis). Unfortunately, VOI analysis remains underused due to the conceptual, mathematical, and computational challenges of implementing Bayesian decision-theoretic approaches in models of sufficient complexity for real-world decision making. In this study, we propose a novel practical approach for conducting VOI analysis using a combination of probabilistic sensitivity analysis, linear regression metamodeling, and unit normal loss integral function--a parametric approach to VOI analysis. We adopt a linear approximation and leverage a fundamental assumption of VOI analysis, which requires that all sources of prior uncertainties be accurately specified. We provide examples of the approach and show that the assumptions we make do not induce substantial bias but greatly reduce the computational time needed to perform VOI analysis. Our approach avoids the need to analytically solve or approximate joint Bayesian updating, requires only one set of probabilistic sensitivity analysis simulations, and can be applied in models with correlated input parameters.