25.05.2013
В то время как весь мир готовится к осенней волне свиного гриппа (H1N1), относительно новый инструмент – агент-ориентированные модели могут сыграть важную роль в прогнозировании распространения болезни, а также в оценке мер по ее локализации.

Классические модели распространения эпидемий, получившие развитие в 1920-х гг., преимущественно основывались на использовании дифференциальных уравнений, однако такой инструментарий затрудняет учет связей между отдельными агентами и их многочисленных индивидуальных особенностей. В этих моделях менялось количество людей, относящихся к различным группам – восприимчивым к болезни, заразившимся, излечившимся или умерших. Однако в рамках этих групп все люди одинаковы и не отличаются своими характеристиками (к примеру, иммунным статусом) а также не адаптируют свое поведение в зависимости от меняющейся ситуации. Таким образом, данный подход позволяет выявить значения пороговых параметров для эпидемии определенной болезни, после превышения которых, последствия могут иметь необратимый характер.

Модели этого класса не способны учитывать взаимодействие между людьми, а также возможную иррациональность в их поведении, способную оказать заметное влияние на скорость распространения заболевания.

В свою очередь агент-ориентированные модели позволяют реализовать сложное поведение отдельных индивидуумов, которые в совокупности представляют собой искусственной общество. Агентная модель, воплощенная в виде компьютерной программы, способна отслеживать каждого агента: его (ее) контакты, состояние здоровья, информацию о перемещениях и т.д. Для тестирования и калибровки параметров модели, ее можно запускать много раз (иногда и больше тысячи) с целью совпадения со статистическими данными относительно распространения известной болезни (к примеру, знакомого штамма гриппа). В рамках построенной агентной модели отслеживаются передачи инфекции от одного человека к другому, но самое главное, агенты настроены таким образом, что их поведение напоминает действия реальных людей со свойственными им ошибками, предвзятостями и прочими «слабостями».

Такое поведение агентов имеет огромное значение на развитие болезни. Каковы последствия того, что большинство американцев может отказаться от вакцинации от штамма H1N1 из-за банального страха? Статистические обследования показывают, что это вполне возможно. Боязнь болезни также может быть сама по себе заразительна. Так, в 1994 г. в индийском городе Сурат сотни тысяч людей бежали из-за эпидемии легочной чумы, хотя на момент массового бегства Всемирная организация здравоохранения не подтвердила ни одного случая.

Основная проблема при разработке агентных моделей заключается в необходимости симбиоза различных знаний нескольких научных направлений. В 1996 Роберт Экстелл и я (Джошуа Эпштейн) опубликовали статью с описанием агентной модели с небольшим количеством агентов (несколько тысяч), в которой индивидуумы отличаются друг от друга иммунным статусом, а их поведение, зависящее от развития болезни, оказывает влияние на динамику развития эпидемии.

В Центре социальной и экономической динамики Брукингского института (Center on Social and Economic Dynamics at Brookings), возглавляемым мною (Джошуа Эпштейн), была разработана Глобальная Агентная Модель (Global-Scale Agent Model (GSAM)), включающая 6,5 млрд. агентов, которые взаимодействуют друг с другом, а также осуществляют передвижения в соответствии с доступной для разработчиков статистической информацией. Руководителем проекта по ее разработке является Джон Паркер. По сути, эта модель, представляющая все население планеты, на данный момент является самой большой агент-ориентированной моделью.

Результаты расчетов отображаются на карту планеты, имеющую динамическую цветовую маркировку в соответствии со статусом агентов, проживающей в той или иной местности. Черный цвет обозначает восприимчивых к заболеванию агентов, красный используется для выделения инфицированных, а синий для выздоровевших или умерших агентов. На рис. 1 показано состояние агентов – жителей планеты по прошествии 4,5 месяцев с начала пандемии вируса H1N1 в Токио.

epstein1.jpg
Рис. 1. Симуляция пандемии вируса H1N1, начавшейся в Токио 4,5 месяца назад

Для США подмодель GSAM содержит 300 млн. агентов – членов искусственного общества, а также учитывает все больницы и койко-места в стране. Агенты модели, перемещающиеся по карте страны в соответствии с матрицей корреспонденций размерностью 4000×4000, специфицированной с помощью гравитационной модели. На модели был проведен вычислительный эксперимент, имитирующий 300-дневный процесс распространения болезни, которая характеризуется 96-часовым периодом инкубации и 48-часовым периодом заражения. В исследовании, в частности, было установлено, что распространение заболевания идет на спад, после того как 65% зараженных выздоровели и приобрели иммунитет.

Эту модель неоднократно использовали специалисты Университета Джонса Хопкинса (Johns Hopkins University), а также Департамента национальной безопасности США для исследований, посвященных стратегии быстрого реагирования на различного рода эпидемии. 

Стоит отметить, что разработанная модель, по сути, являются «базовым вариантом» и нуждается в дальнейшей доработке, поскольку в ней не рассматриваются важные элементы социальной системы, оказывающие серьезное влияние на развитие пандемии. Имеются в виду действия специальных агентов по внедрению соответствующих фармацевтических препаратов, по закрытию объектов на карантин и др.

Брукингский институт тесно сотрудничает с Национальным институтом здравоохранения, разработавшим агентные модели инфекционных заболеваний (Models of Infectious Disease Agent Study (MIDAS)), которые уже использовались для предсказания последствий распространения птичьего гриппа (H5N1). В свою очередь, модель GSAM была недавно представлена должностным лицам из Центра по контролю и профилактике заболеваний в Атланте (штат Джрджия), а также ряду других центров соответствующего профиля. В перспективе предполагается, что GSAM станет частью MIDAS в вопросах прогнозирования пандемии H1N1 и некоторых других вирусов. 

Описанный выше запуск GSAM, в которой рассматривалось население США, занял около 10 минут. Это вполне приемлемое время для проведения самых разных экспериментов, позволяющих принимать взвешенные решения по ликвидации негативных последствий. Поскольку вирусы постоянно мутируют, то и арсенал инструментов для борьбы с ними должен постоянно расширяться. В том числе и за счет агентных моделей – перспективного средства компьютерного моделирования.

Более подробно про описанное исследование можно прочитать в статье: [Epstein J.M. (2009): Modelling to contain pandemics / Nature 460, 687, 6 August 2009.]
rss
Назад

Статьи
Суперкомпьютерные технологии Транспортные модели пешеходная модель Монография Биомедицина Parallel computing Параллельные вычисления Axum Repast Агент-ориентированные модели Исследования Модель экономики Евросоюза Пространственно-распределенные агентные модели большие данные CUDA Russian Supercomputing Days Агент-ориентированный подход Исторические процессы Мониторинг планеты Пространственные модели FuturICT SEGMEnT БРИКС Контакты Публикации Экономические процессы GPU SSC Междисциплинарное исследование Новости Революция Эксафлопная производительность HPABM SWAGES Высокопроизводительные вычисления Методология запуска О проекте Социальная сеть Эпидемия Microsoft Social Simulation Conference ГИС Механизм раделяемой памяти Пандемия Ссылки Ядерная атака на США POLARIS TSUBAME Демография Моделирование мира Пандора Стратегии распараллеливания автоматическое распараллеливание XAXIS Иерархическая платформа Моделирование эпидемий Суперкомпьютерная Академия агентная модель