目的：PRE-CISEという事前較正ワークフローを導入する。カバレッジ解析、局所感度、共線性診断を統合し、モデル較正を効率化する。PRE-CISEの利点は、2つのテストベッド（Sick-Sicker MarkovモデルとSIR伝播モデル）およびCOVID-19の事例研究を用いて示す。方法：PRE-CISEは、まず事前分布から生成されたモデル出力が較正ターゲットをカバーしていることをカバレッジ解析で検証し、その後局所感度によりパラメータの影響度を定量化してカバレッジを改善するために事前境界を再設定する。同定可能性は共線性解析で評価する。大きな指標は実用上の非同定可能性を示す。ベイズ較正を用いた。テストベッドモデルでは（それぞれ3パラメータおよび2パラメータ）ターゲットに合わせるため、COVID-19モデルでは（11パラメータ）日次の確認済み新規感染事例に合わせるためである。結果：カバレッジ解析により初期のミスマッチが検出された。局所感度ではSickからSickerへの遷移確率がモデル出力により大きな影響を持つことが示され、その事前分布境界を再調整することでカバレッジが改善した。共線性解析では、異なる時点にまたがる複数の較正ターゲットを用いることで3つのパラメータすべてを同定できることが示された。SIRテストベッドでは、ターゲット点を蓄積するにつれて共線性指標が低下し、データが疫行ピークを含む時点で同定可能性の閾値を超えた。COVID-19モデルでは、局所感度解析により時間変動する検出率と接触削減効果が優先され、探索空間が縮小された。日次の新規感染事例を較正ターゲットにすると、すべてのパラメータ組合せで共線性指標が実用的閾値を下回った。一方、週次ターゲットの指標は大きかった。PRE-CISEは、より密な事後サンプリングおよびより複雑なモデルに対して較正効率の向上が大きかった。結論：PRE-CISEは、集中的な較正の前に、モデラーが事前分布境界と較正ターゲットを洗練させるのを支援する実用的で透明な経路を提供する。不確実性の報告を改善し、モデルに基づく健康政策分析の信頼性を強化する。
https://doi.org/10.64898/2026.02.27.26346591