1. Dynamiek van infectieziektenverspreiding
Agent based modeling
Besmetting in netwerken
Roel Bakker
Creating 010
Hogeschool Rotterdam
1

2. Inhoud
 Wie is Roel Bakker?
 Overzicht werk voor Creating 010
2

3. Wie is Roel Bakker ?
http://www.linkedin.com/in/roelbakker10
http://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

4. 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 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

6. 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, 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)
6

7. Recente toepassingen STDSIM
(submitted to The Lancet)
7

8. Recente toepassingen STDSIM
(to be resubmitted to PLoS Medicine)
8

9. STDSIM - example sexual networks
WB profile 1: monogamy, CS
9

10. STDSIM - example sexual networks
WB profile 3: concurrency, no CS
10

11. STDSIM - example sexual networks
WB profile 2: concurrency, CS
11

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
12

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)
13

14. Soorten modellen
 deterministisch compartimentenmodel; macroscopisch
S I R
 stochastisch, discrete; microscopisch
14

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
15

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?)
16

17. 17

18. 18

19. 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
20

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
21

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
22

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 R
M
23

24. Infectiedruk in netwerken
(waar ik wakker van lig...)
 bij constante contact rate en transmissiekans
 Pm(t) = 1 – exp(-bt)
L R
M
24

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
25

26. Simulatie terrasbezetting
 Demo – sorry, (nog) geen mooie visualisatie..
26

27. Toekomst
 SIA Raak
 aansluiten van simulatie op Data Space API
 Agent based modeling
 nieuwe toepassingen (netwerk modellen)
 publiceren
27

28. Vragen / discussie
28