DPR01 - practicum - Kenniscentrum Creating 010

Dynamiek van infectieziektenverspreiding
Agent based modeling
Besmetting in netwerken
Roel Bakker
Creating 010
Hogeschool Rotterdam
1
Inhoud


Wie is Roel Bakker?
Overzicht werk voor Creating 010
2
Wie is Roel Bakker ?
http://www.linkedin.com/in/roelbakker10
http://scholar.google.nl/citations?user=GKPr_tAAAAAJ&hl=nl

Hoofddocent bij Informatica


big data (Hadoop), data science (statistiek, R, Twitter data), Java,
databases, cryptografie
modelleren van infectieziektenverspreiding, met name HIV/SOA
Eigen bedrijf: Skardahl BV

(0.1 fte)
simulatiesoftware
Onderzoeker bij Creating 010
Achtergrond:



CMI, HR
Onderzoeker bij afd. Maatschapplijke Gezondheidszorg,
Erasmus MC (0.2 fte)


(0.5 fte),
(0.2 fte)
UvA (promotie, biologie/(elektro)fysiologie), RU Nijmegen, Univ
Wageningen
ABN Amro: technisch IT-specialist, IT-architect
Werk voor Creating 010

SIA Raak project – professsionals supported



architectuur
SunnyApp (simulatieterrasbezetting)
Techniek van agent based modeling

ligt in het verlengde van werk Erasmus MC




meer gericht op software architectuur van simulatiemodellen
'magic tree' data structuur
ontwerp complexe agent based (netwerk) modellen vs eenvoudige
deterministische modellen
CyberDEW project (vanaf 1 feb 2013)

vergelijking IDS (intrusion detecten systems)
Achtergrond: modelleren van infectieziektenverspreiding
http://anintroductiontoinfectiousdiseasemodelling.com/
 MGZ, Erasmus MC
infectieziektenmodellen

STDSIM (HIV/SOA)
Onchosim (rivierblindheid)
Schistosim (schistosomiasis)
Lymfasim (elephantiasis)
Lepra, TB





kankerscreeningsmodellen

diverse varianten van MISCAN:


borstkanker, baarmoederhalskanker, colonkanker, etc
5
Modelleren van
infectieziektenverspreiding
http://anintroductiontoinfectiousdiseasemodelling.com/STD
 STDSIM
STDSIM is een complex model, het simuleert
hypothetische individuen in een bevolking
inclusief:





geboorte, sterfte, immigratie, emigratie
seksuele relaties (incl concurrency), prostitutiecontacten, oneoff contacten
verschillende SOA en HIV
interventies: condoomgebruik, minder partners, SOA
behandeling tgv symptomen, massabehandeling, vaccinatie,
circumcision (M), screening, behandeling met AIDS remmers
(incl UTT)
6
Recente toepassingen STDSIM
(submitted to The Lancet)
7
Recente toepassingen STDSIM
(to be resubmitted to PLoS Medicine)
8
STDSIM - example sexual networks
WB profile 1: monogamy, CS
9
STDSIM - example sexual networks
WB profile 3: concurrency, no CS
10
STDSIM - example sexual networks
WB profile 2: concurrency, CS
11
STDSIM: te complex ???
STDSIM: complex model, complexe software


te veel een 'black box'

risico op fouten

verborgen 'geheimen'
(klein) deel van mijn werk voor Creating 010


zoeken naar een oplossing voor het algemene probleem
van complexe modellen / software
12
Soorten modellen
deterministisch compartimentenmodel; macroscopisch


simulatie van fracties vd bevolking dmv continue toestandsvariabelen

model beschreven door stelsel differentiaalvergelijkingen

eenvoudig te implementeren, documenteren en verifieren

SIR model (vgl reactiekinetiek van chemische reacties)
stochastisch, discrete; microscopisch


simulatie van aantallen individuen in een bepaalde toestand mbv
discrete variabelen en stochastiek (RNG, trekkingen uit verdelingen)

relatief eenvoudig te implementeren, documenteren en valideren

voordelen: discrete bevolkingsgrootte, betrouwbaarheidsintervallen
(bijv bij eliminatievraagstukken)

nadelen: complexer, minder snel (elke toestandsovergang is een
event)

vgl reactiekinetiek waar het gedrag van individuele moleculen wordt
gesimuleerd, bijv (stochastic simulations algorithms, Gillespie)
13
Soorten modellen

deterministisch compartimentenmodel; macroscopisch
S

I
R
stochastisch, discrete; microscopisch
14
SIR model
http://www.epidemics.elsevier.com/
http://demonstrations.wolfram.com/SIREpidemicDynamics/

S
simple SIR (susceptible, infected, removed) model :
deterministic and compartmental
I
R
15
Soorten modellen
individual / agent based model


simulatie van individuen

heterogeniteit ('niet alle moleculen van een soort zijn gelijk')

realistisch (maar veel parameters)

andere processen dan Poisson processen (Poisson proces: vaste kans
per tijdseenheid => duur tot event uit exp verdeling)

'alles is mogelijk'

nadelen: validatie/verificatie van model
netwerk model


als individueel model, niet alleen random contacten tussen individuen
(in groepen), maar contact via relaties (links)

voordelen: realistisch

nadelen: complex, dynamiek van netwerk (begin/einde van link, links
tussen wie?)
16
17
18
19
Agent Based Modeling
Agent Based Modeling (incl network modeling)




is nodig (zie Nature, Doyne Farmer)
wordt populairder (oa tgv rekenkracht van PCs)
is de enige voor de hand liggende manier om processen in
netwerken te bestuderen
20
Complexiteit van ABM - 1
 Hoe om te gaan met software complexiteit?
goede applicatieve infrastructuur

software libraries voor agent based modeling (Skardahl)





onderdelen van de Apache Commons Math library getest mbv R
slimme event scheduler (2x sneller dan Java PQ)
'Abstract Finite State Machine'
'Magic Tree' (publicatie in voorbereiding)
gedeeltelijk genereren van applicatie

specificeer model als deterministisch compartimenten model
genereer het discrete stochastische model (uit de 'rates' vd
differentiaalvergelijkingen)
genereer een ABM zonder heterogeniteit maar met agents
(objecten) ipv alleen aantallen





vergelijk met stochastisch model en deterministisch model
voeg heterogeniteit toe
21
Open issues
netwerk aspecten zijn niet eenvoudig te verifieren


misschien wel te toetsen aan theorie als alle 'nodes' gelijk
zijn?
visualisatie


veel inzicht in dit soort complexe modellen is te krijgen door
het gedrag te visualiseren
22
Infectiedruk in netwerken
(waar ik wakker van lig...)



NB vervang 'infectie' door alles wat 'besmettelijk' is
(gedrag, nieuws, trend, malware)
Is het mogelijk om op een willekeurig moment i/d
tijd te voorspellen wat de kans op besmetting is
van M (midden) en R (rechts)?
Vooral het risico dat R loopt is interessant.....
L
R
M
23
Infectiedruk in netwerken
(waar ik wakker van lig...)
bij constante contact rate en transmissiekans

Pm(t) = 1 – exp(-bt)

L
R
M
24
Simulatie terrasbezetting
Hoe werkt de simulatie?

Mensen in verschillende toestanden:


Terrassen van verschillende grootten, bijv





op zoek (10 min), op terras (30 min), winkelen (2u)
10, 20, 40, 100 stoelen
Aantal terrassen
Aantal mensen
Mensen kiezen terras at random, gewogen naar grootte
25
Simulatie terrasbezetting

Demo – sorry, (nog) geen mooie visualisatie..
26
Toekomst
SIA Raak





aansluiten van simulatie op Data Space API
Agent based modeling
nieuwe toepassingen (netwerk modellen)
publiceren
27
Vragen / discussie
28