1

Roel BakkerCreating 010

Hogeschool Rotterdam

Dynamiek van infectieziektenverspreiding

Agent based modelingBesmetting 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