1

Roel Bakker

Creating 010

Hogeschool Rotterdam

Dynamiek van infectieziektenverspreidingAgent based modeling

Besmetting in netwerken

2

Inhoud

Wie is Roel Bakker? Overzicht werk voor Creating 010

Wie is Roel Bakker ?http://www.linkedin.com/in/roelbakker10http://scholar.google.nl/citations?user=GKPr_tAAAAAJ&hl=nl

Hoofddocent bij Informatica (0.5 fte), CMI, HR big data (Hadoop), data science (statistiek, R, Twitter data), Java,

databases, cryptografie

Onderzoeker bij afd. Maatschapplijke Gezondheidszorg, Erasmus MC (0.2 fte)

modelleren van infectieziektenverspreiding, met name HIV/SOA

Eigen bedrijf: Skardahl BV (0.1 fte)

simulatiesoftware

Onderzoeker bij Creating 010 (0.2 fte)

Achtergrond:

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)

5

Achtergrond: modelleren van infectieziektenverspreidinghttp://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

6

Modelleren van infectieziektenverspreidinghttp://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, one-

off contacten verschillende SOA en HIV interventies: condoomgebruik, minder partners, SOA

behandeling tgv symptomen, massabehandeling, vaccinatie, circumcision (M), screening, behandeling met AIDS remmers (incl UTT)

7

Recente toepassingen STDSIM

(submitted to The Lancet)

8

Recente toepassingen STDSIM

(to be resubmitted to PLoS Medicine)

9

STDSIM - example sexual networks

WB profile 1: monogamy, CS

10

STDSIM - example sexual networks

WB profile 3: concurrency, no CS

11

STDSIM - example sexual networks

WB profile 2: concurrency, CS

12

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

13

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)

14

Soorten modellen

deterministisch compartimentenmodel; macroscopisch

stochastisch, discrete; microscopisch

S I R

15

SIR model http://www.epidemics.elsevier.com/http://demonstrations.wolfram.com/SIREpidemicDynamics/

simple SIR (susceptible, infected, removed) model : deterministic and compartmental

S I R

16

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?)

17

18

19

20

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

21

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

22

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

23

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

M

R

24

Infectiedruk in netwerken(waar ik wakker van lig...)

bij constante contact rate en transmissiekans Pm(t) = 1 – exp(-bt)

L

M

R

25

Simulatie terrasbezetting

Hoe werkt de simulatie? Mensen in verschillende toestanden:

op zoek (10 min), op terras (30 min), winkelen (2u)

Terrassen van verschillende grootten, bijv 10, 20, 40, 100 stoelen

Aantal terrassen Aantal mensen Mensen kiezen terras at random, gewogen naar grootte

26

Simulatie terrasbezetting

Demo – sorry, (nog) geen mooie visualisatie..

27

Toekomst

SIA Raak aansluiten van simulatie op Data Space API

Agent based modeling nieuwe toepassingen (netwerk modellen) publiceren

28

Vragen / discussie