Évaluation de la confiance dans les modèles épidémiologiques guidée par la provenance : une approche de manipulation formelle des modèles

Abstract

Les modèles compartimentaux sont fréquemment utilisés en épidémiologie pour simuler la progression des populations à travers différents états de maladie, à l’aide d’équations différentielles régies par des paramètres clés. Lorsqu’il s’agit de prendre des décisions en matière de politique de santé publique, il est essentiel d’évaluer la validité de ces modèles et de déterminer le niveau de confiance que les parties prenantes et les experts peuvent accorder à leurs résultats. Cependant, il est souvent difficile de savoir dans quelle mesure faire confiance à ces modèles compartimentaux, en raison d’un manque de transparence dans la dérivation de leurs paramètres, notamment en l’absence de mécanismes structurés permettant d’intégrer le jugement des experts ou leurs incertitudes. Pour soutenir l’évaluation experte de la fiabilité des paramètres dans les modèles compartimentaux, nous présentons PATINA (Analyse fondée sur la provenance pour l’inférence de confiance et la négociation d’accord), une approche fondée sur des techniques de gestion de modèles issues de l’ingénierie logicielle dirigée par les modèles. PATINA permet aux experts de décomposer les modèles en fragments plus petits en fonction de la provenance des paramètres, puis d’évaluer leur degré de confiance en ceux-ci à l’aide de la logique subjective. Les experts peuvent ainsi exprimer des opinions binomiales (représentant des degrés de croyance, de doute, d’incertitude, ainsi qu’une probabilité a priori) à propos de chaque paramètre, en s’appuyant sur leurs expertises. Le mécanisme de rapport de PATINA met en évidence les paramètres jugés peu fiables et incite à des révisions ciblées afin d’améliorer la confiance dans les itérations futures. Lors d’une phase de réconciliation, les experts peuvent ensuite utiliser PATINA pour agréger leurs opinions en un jugement collectif. À l’aide de deux études de cas réelles, nous montrons que PATINA permet une évaluation transparente de la confiance guidée par des experts, en retraçant la provenance des paramètres, en capturant l’incertitude et en agrégeant des opinions subjectives afin d’identifier les fragments du modèle suscitant peu de confiance. Compartmental models are often used in epidemiology to simulate the progression of populations through disease states using differential equations governed by key parameters. When it comes to decision making for public health policy, it is essential to evaluate the validity of such models and determine the level of trust stakeholders and experts can place in their results. However, it is often difficult to know how well to trust compartmental models, due to limited transparency in the derivation of their parameters, especially in the absence of structured mechanisms to incorporate expert judgment or uncertainty. To support expert review of parameter trustworthiness in compartmental models, we introduce PATINA (Provenancebased Analysis for Trust Inference and Negotiation of Agreement), an approach based on model management techniques developed in Model-Driven Software Engineering. PATINA enables experts to decompose models into smaller fragments based on the origin of the parameters, and to then assess their degree of trust to them using subjective logic. Experts can thus express binomial opinions (representing degrees of belief, disbelief, uncertainty, as well as an a priori probability) about individual parameters based on their domain knowledge. PATINA ’s reporting mechanism highlights untrustworthy parameters, and prompts targeted revisions to improve trust in future iterations. During a reconciliation phase, experts can then use PATINA to aggregate their opinions into a collective judgment. Using two illustrative real-world case studies, we show that PATINA enables transparent, expert-driven trust assessment by tracing parameter origins, capturing uncertainty, and aggregating subjective opinions to highlight low-trust model fragments.