🧬 biology

Bayesian Inference in Epidemic Modelling: A Beginner's Guide

تقدم هذه المذكرة الدراسية مقدمة ذاتية الاحتواء للاستدلال البايزي وطرق مونت كارلو بمونتي كارلو بسلسلة ماركوف (MCMC) لتقدير المعلمات في النماذج الوبائية، باستخدام نموذج SIR لتوضيح اشتقاق دالة الإمكان، وتحديد التوزيع القبلي، وتنفيذ خوارزمية ميتروبوليس-هستينغز، وذلك لطلاب الدراسات العليا والباحثين ذوي الخبرة المحدودة في الإحصاء البايزي.

المؤلفون الأصليون: Augustine Okolie

نُشر 2026-03-17

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Augustine Okolie

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل

🦠 الصورة الكبيرة: تخمين قواعد اللعبة

تخيل أنك تشاهد لعبة فيديو حيث ينتشر فيروس عبر حشد من الناس. يمكنك رؤية النتائج (كم عدد الأشخاص المرضى كل يوم)، لكن لا يمكنك رؤية القواعد التي تستخدمها اللعبة.

القواعد: ما مدى سرعة انتقال الفيروس من شخص لآخر؟ كم يستغرد الأمر حتى يشفى شخص ما؟
المشكلة: البيانات التي تراها "مشوشة". ربما نسي بعض الناس الإبلاغ عن مرضهم، أو أن العدد غير دقيق بسبب عطلة نهاية الأسبوع.
الهدف: نحتاج إلى اكتشاف القواعد الخفية (المعلمات/Parameters) التي أنتجت هذه البيانات الفوضوية التي نراها.

تشرح هذه الورقة كيفية استخدام الاستدلال البايزي (Bayesian Inference) لحل هذا اللغز، بدلاً من مجرد تخمين رقم واحد.

🧩 الجزء الأول: نموذج SIR (لوحة اللعبة)

قبل أن نتمكن من تخمين القواعد، نحتاج إلى نموذج لكيفية عمل اللعبة. تستخدم الورقة نموذج SIR، الذي يقسم السكان إلى ثلاث فئات (أوعية):

المعرضون للإصابة (Susceptible - S): الأشم الذين لم يصابوا بالعدوى بعد. هم في حالة "هشاشة".
المصابون (Infectious - I): الأشخاص المرضى حالياً والذين ينشرون الفيروس.
المتعافون (Recovered - R): الأشخاص الذين هزموا الفيروس وأصبح لديهم حصانة الآن (لا يمكنهم الإصابة مرة أخرى).

التشبيه: تخيل وعاءً من الماء (المعرضون للإصابة) يصب في وعاء ثانٍ (المصابون)، والذي يفرغ بدوره في وعاء ثالث (المتعافون).

$\beta$ (بيتا): سرعة صب الماء من الوعاء الأول إلى الوعاء الثاني (انتقال العدوى).
$\gamma$ (جاما): سرعة تصريف الماء من الوعاء الثاني إلى الوعاء الثالث (التعافي).

توضح الورقة أنه إذا عرفنا هذين الرقمين، يمكننا التنبؤ بالشكل المستقبلي للوباء. لكننا لا نعرفهما، وعلينا العثور عليهما.

🕵️ الجزء الثاني: عمل المحقق (الاستدلال البايزي)

هناك طريقتان لتكون محققاً:

المحقق "التكراري" (Frequentist): ينظر إلى الأدلة ويقول: "بناءً على هذا، القاتل طوله بالضبط 175 سم". (تخمين واحد هو الأفضل).
المحقق "البايزي" (Bayesian): يقول: "بناءً على هذه الأدلة، بالإضافة إلى ما أعرفه مسبقاً عن الحي، من المرجح أن يكون طول القاتل بين 170 سم و180 سم، ولكن هناك احتمال ضئيل أن يكون طوله 183 سم". (نطاق من الاحتمالات).

المعادلة البايزية:
$\text{الاعتقاد الجديد} = \frac{\text{الاعتقاد القديم} \times \text{الدليل الجديد}}{\text{إجمالي الاحتمالية}}$

الاعتقاد المسبق (Prior - الاعتقاد القديم): قبل النظر في البيانات، ماذا نعتقد؟ (مثلاً: "الفيروسات لا تقتل الجميع في يوم واحد عادةً، لذا يجب أن يكون معدل التعافي معقولاً").
الأرجحية (Likelihood - الدليل الجديد): إذا كان تخميننا للقواعد صحيحاً، فإلى أي مدى سيشرح البيانات الفوضوية التي رأيناها بالفعل؟
الاعتقاد اللاحق (Posterior - الاعتقاد الجديد): التخمين المحدث بعد دمج معرفتنا القديمة مع البيانات الجديدة.

العقبة: حساب "الاعتقاد الجديد" مباشرة مستحيل رياضياً لأن هناك الكثير من التركيبات الممكنة للقواعد التي يجب فحصها. وهنا يأتي دور "الخدعة السحرية".

🎲 الجزء الثالث: المتسلق والجبل (MCMC)

بما أننا لا نستطيع حساب الإجابة مباشرة، فإننا نستخدم خوارزمية حاسوبية تسمى MCMC (ماركوف تشين مونت كارلو). تصف الورقة ذلك باستخدام خوارزمية متروبوليس-هستينغز (Metropolis-Hastings).

التشبيه: المتسلق في الضباب
تخيل أن "الاعتقاد اللاحق" هو سلسلة جبال في ضباب كثيف. تمثل القمم العالية أكثر القواعد احتمالاً للفيروس. أنت متسلق يحاول العثور على أعلى قمة، لكنك لا تستطيع رؤية الجبل بأكمله.

البداية: تقف في مكان عشوائي.
الخطوة: تأخذ خطوة صغيرة وعشوائية في اتجاه عشوائي.
التحقق:
- إذا خطوت للأعلى (باتجاه احتمالية أعلى)، فإنك دائماً تأخذ الخطوة.
- إذا خطوت للأسفل، فقد لا تزال تأخذ الخطوة، فقط للتأكد من أنك لم تفوت وجود وادٍ مخفي قريب.
التكرار: تقوم بهذا آلاف المرات.

النتيجة: بمرور الوقت، ستقضي معظم وقتك واقفاً عند أعلى القمم. إذا رسمت خريطة للأماكن التي وقفت فيها غالباً، فستحصل على خريطة مثالية للجبل (توزيع القواعد الأكثر احتمالاً للفيروس).

فترة الإحماء (Burn-in): الخطوات القليلة الأولى في الرحلة هي مجرد محاولة منك لاستعادة توازنك وفهم المكان. تجاهل هذه الخطوات وابدأ في حساب موقعك فقط بمجرد استقرارك بالقرب من القمة.
مخططات التتبع (Trace Plots): هي رسوم بيانية توضح مسار تسلقك. إذا بدا مسارك مثل "يرقة" تتذبذب حول نقطة ما، فأنت تقوم بعملك بشكل صحيح. أما إذا كنت عالقاً في مكان واحد أو تتحرك بلا هدف، فالخوارزمية معطلة.

📊 الجزء الرابع: ماذا تعلمنا؟ (النتائج)

تقوم الورقة بإجراء محاكاة حيث يتظاهرون بمعرفة القواعد "الحقيقية" ( $\beta=0.3, \gamma=0.1$ ) ثم يضيفون "ضجيجاً" (أخطاء وهمية) إلى البيانات.

تركوا "المتسلق" (MCMC) يحاول العثد على القواعد.

النجاح: وجد المتسلق القمة! كان متوسط جميع الخطوات المتخذة مساوياً تقرياً للقيم الحقيقية.
عدم اليقين: تظهر الورقة "تلاً" (مدرج تكراري) للإجابة. هذا التل ضيق جداً، مما يعني أن البيانات كانت واضحة للغاية. لو كانت البيانات فوضوية، لكان التل عريضاً ومسطحاً، مما يعني "لسنا متأكدين تماماً من القواعد، لكنها على الأرجح في مكان ما ضمن هذه المنطقة الواسعة".

"فحص التنبؤ اللاحق" (Posterior Predictive Check):
هذا هو الاختبار النهائي. يأخذ الكمبيوتر 100 مجموعة عشوائية من القواعد من "خريطة المتسلق" ويحاكي 100 وباء مختلف.

إذا وقعت البيانات الحقيقية (النقاط المشوشة) بوضوح داخل سحابة الـ 100 خط محاكى، فإن النموذج جيد.
إذا كانت البيانات الحقيقية خارج السحابة تماماً، فإن النموذج خاطئ (ربما لا يعمل الفيروس كما يقول نموذج SIR).

💡 دروس رئيسية من الحياة اليومية

لا تكتفِ برقم واحد: في الأوبئة، قول "R0 هو 2.5" أمر محفوف بالمخاطر. قول "من المرجح أن يكون R0 بين 2.1 و 2.9" هو أمر أكثر أمانة وفائدة للتخطيط.
استخدم ما تعرفه: يسمح لك الاستدلال البايزي بخلط "المنطق السليم" (الاعتقادات المسبقة) مع "البيانات الصلبة" (الأرجحية).
الضجيج أمر طبيعي: بيانات العالم الحقيقي فوضوية. هذه الطريقة مصممة للتعامل مع هذه الفوضى دون ذعر.
تحقق من عملك: تماماً كما يتحقق المتسلق من خريطته، يجب على العلماء التحقق من "مخططات التتبع" و"فحوصات التنبؤ" الخاصة بهم للتأكد من أن حاسوبهم لم يضع الطريق.

باخت-القول: تعلمنا هذه الورقة كيف نستخدم متسلقاً حاسوبياً ذكياً لاستكشاف جبل عدم اليقين الضبابي، للعثور على القواعد الأكثر احتمالاً لكيفية انتشار الفيروس، حتى نتمكن من اتخاذ قرارات أفضل لإيقافه.

بناءً على ملاحظات المحاضرة المقدمة، إليك ملخص تقني مفصل لـ "الاستدلال البايزي في نمذجة الأوبئة: دليل للمبتدئين موضح بالنموذج الوبائي (SIR)" بقلم أوغسطين أوكولي.

1. بيان المشكلة

تواجه النمذجة الوبائية تحدياً جوهرياً: المعالم (parameters) التي تقود ديناميكيات الانتقال (مثل معدل الانتقال $\beta$ ومعدل التعافي $\gamma$ ) هي معالم مجهولة ويجب استنتاجها من بيانات المراقبة التي قد تكون صاخبة، غير مكتملة، أو غير مرصودة.

قصور المنهج التكراري (Frequentist): تسعى الطرق التقليدية غالباً إلى إيجاد تقدير نقطي واحد "أفضل" (مثل تقدير الاحتمال الأقصى MLE) وتوفر فترات ثقة يصعب تفسيرها حدسياً. كما أنها تواجه صعوبة في دمج المعرفة السابقة بالمجال.
الحل البايزي: يدعو البحث إلى الاستدلال البايزي، الذي يسعى للوصول إلى التوزيع اللاحق (posterior distribution) الكامل للمعالم. هذا النهج يحدد كمية عدم اليقين في التقديرات، ويدمج المعرفة السابقة مع البيانات الجديدة بشكل رسمي، ويجيب على السؤال: "ما هو توزيع الاحتمالات للمعالم بناءً على البيانات المرصودة؟"

2. المنهجية

يستعرض البحث سير عمل شاملاً يجمع بين النمذجة التقسيمية، والاستدلال الإحصائي، وأخذ العينات الحسابي.

أ. نموذج SIR (النموذج الأمامي)

يستخدم البحث نموذج المعرضين للعدوى-المصابين-المتعافين (SIR) الكلاسيكي، والذي تحكمه مجموعة من المعادلات التفاضلية العادية (ODEs):
$\frac{dS}{dt} = -\frac{\beta SI}{N}, \quad \frac{dI}{dt} = \frac{\beta SI}{N} - \gamma I, \quad \frac{dR}{dt} = \gamma I$

المعالم: $\beta$ (معدل الانتقال)، $\gamma$ (معدل التعافي)، و $R_0 = \beta/\gamma$ (رقم التكاثر الأساسي).
الحل العددي: نظراً لعدم توفر حلول تحليلية بشكل عام، يستخدم البحث التكامل العددي (طريقة Euler أو Runge-Kutta 4) لمحاكاة منحنيات الوباء. يعمل الحل (solver) كجسر بين المعالم المقترحة وأعداد الحالات المتوقعة.

ب. إعداد الاستدلال البايزي

جوهر المنهجية هو مبرهنة بايز:
$P(\theta | y) = \frac{P(y | \theta) \cdot P(\theta)}{P(y)}$
حيث $\theta = (\beta, \gamma)$ و $y$ هي البيانات المرصودة.

الاحتمالية (Likelihood) ( $P(y|\theta)$ ): يفترض البحث وجود ضجيج غاوسي مضاف ( $I_{obs} = I_{model} + \epsilon$ ). ويتم اشتقاق لوغاريتم الاحتمالية كنسبة تتناسب مع مجموع مربعات البواقي السالبة، مما يربط الاستدلال البايزي بالمفهوم المألوف لتقليل المربعات الصغرى.
الاعتقاد السابق (Prior) ( $P(\theta)$ ): يُستخدم توزيع منتظم (Uniform prior) عبر نطاقات منطقية بيولوجياً (على سبيل المثال، $\beta \in [0.05, 1.0]$ ). هذا يجسد معرفة سابقة ضعيفة بأن المعالم يجب أن تكون موجبة وضمن حدود واقعية.
التوزيع اللاحق (Posterior) ( $P(\theta|y)$ ): هو التوزيع المستهدف الذي يمثل المعتقدات المحدثة حول المعالم بعد رصد البيانات.

ج. المحرك الحسابي: MCMC

بسبب كون ثابت التطبيع $P(y)$ يتضمن تكاملاً مستعصياً عبر فضاء المعالم، فإن الحساب المباشر مستحيل. يستخدم البحث طريقة مونت كارلو عبر سلاسل ماركوف (MCMC)، وتحديداً خوارزمية ميتروبوليس-هاستينغز (Metropolis-Hastings)، لأخذ عينات من التوزيع اللاحق.

الآلية: تقترح الخوارزمية قيم معالم جديدة بناءً على "السير العشوائي" (random walk). يتم قبول أو رفض هذه المقترحات بناءً على نسبة الاحتمالات اللاحقة. ومن المهم أن $P(y)$ المستعصي يُختصر في هذه النسبة.
فترة الإحماء (Burn-in): يتم التخلص من العينات الأولية للسماح للسلسلة بالتقارب نحو التوزيع المستقر.
التقارب (Convergence): يتم مراقبة السلسلة عبر مخططات التتبع (trace plots) لضمان استكشافها لفضاء المعالم بفعالية دون التعثر أو الانحراف.

3. المساهمات الرئيسية

الإطار التعليمي: يوفر البحث دليلاً واضحاً خطوة بخطوة يربط الآليات الرياضية للمعادلات التفاضلية العادية بالآلات الإحصائية للاستدلال البايزي، مصمماً خصيصاً لنمذجة الأوبئة.
الوضوح المفاهيمي حول عدم اليقين: يميز البحث بين الفترات الموثوقة (Credible Intervals) (المنهج البايزي: "هناك احتمال 95% أن المعلم يقع هنا") وفترات الثقة (Confidence Intervals) (المنهج التكراري)، مؤكداً على الفائدة الحدسية للأولى في صنع السياسات.
التحقق من النموذج عبر فحص التنبؤ اللاحق: يسلط البحث الضوء على أهمية محاكاة بيانات جديدة من التوزيع اللاحق للتحقق مما إذا كان النموذج يمكنه إعادة إنتاج أنماط البيانات المرصودة، مما يعمل كأداة قوية لنقد النموذج.
الرؤية الخوارزمية: يشرح البحث لماذا تعمل خوارزمية MCMC (استكشاف "مشهد" الاحتمالية) ويقدم نصائح عملية حول الضبط (مثل معدلات القبول، وحجم الخطوات) والبدائل الحديثة (مثل NUTS/HMC، وأخذ عينات جيبس).

4. النتائج

يستعرض البحث المنهجية باستخدام مجموعة بيانات اصطناعية:

الإعداد: مجتمع مكون من $N=1000$ مع المعالم الحقيقية $\beta^*=0.3$ و $\gamma^*=0.1$ ( $R_0=3.0$ ). تم توليد ملاحظات صاخبة عن طريق إضافة ضجيج غاوسي ( $\sigma=15$ ) إلى مسار SIR الحقيقي.
أداء الاستدلال:
- نجح عينة MCMC (8,000 تكرار، 2,000 فترة إحماء) في استعادة المعالم الحقيقية.
- المتوسطات اللاحقة: $\hat{\beta} \approx 0.300$ و $\hat{\gamma} \approx 0.102$ .
- تحديد كمية عدم اليقين: كانت الانحرافات المعيارية اللاحقة ضيقة جداً ( $\sigma_\beta \approx 0.002$ ، $\sigma_\gamma \approx 0.001$ )، مما يشير إلى أن 60 يوماً من البيانات اليومية وفرت قيوداً قوية على المعالم.
التشخيص البصري:
- مخططات التتبع (Trace Plots): أظهرت نمط "اليرقة الكثيفة سريعة الاختلاط"، مما يشير إلى تقارب جيد.
- التوزيعات اللاحقة: بلغت الرسوم البيانية (Histograms) ذروتها بحدة حول القيم الحقيقية.
- فحص التنبؤ اللاحق: شكلت 100 مسار محاكى مستمد من التوزيع اللاحق حزمة احتوت بوضوح على البيانات المرصودة الصاخبة، مما أكد صحة ملاءمة النموذج.

5. الأهمية

هذا العمل ذو أهمية لكل من التطبيقات الأكاديمية والعملية في علم الأوبئة:

الصلة بالسياسات: من خلال توفير توزيعات احتمالية كاملة بدلاً من التقديرات النقطية، يسمح الاستدلال البايزي لصناع السياسات بتقييم المخاطر بدقة أكبر (على سبيل المثال، "هناك احتمال 95% أن $R_0$ يتراوح بين 2.1 و 2.9"). وهذا أمر بالغ الأهمية للتخطيط للتدخلات مثل الإغلاق أو حملات التطعيم.
التعامل مع ندرة البيانات: يدمج هذا الإطار المعرفة السابقة بشكل طبيعي (مثل الأوباء السابقة أو مسوحات الاتصال)، مما يجعله قوياً حتى عندما تكون البيانات الحالية شحيحة أو صاخبة.
نقد النموذج: يضمن التركيز على فحوصات التنبؤ اللاحق أن النماذج ليست فقط ملائمة للبيانات، بل هي قادرة بالفعل على تفسير الديناميكيات الكامنة، مما يمنع الثقة المفرطة في النماذج غير الدقيقة.
سهولة الوصول: من خلال تبسيط MCMC وربطه بالمفاهيم القياسية مثل المربعات الصغرى، يقلل البحث من حواجز الدخول أمام علماء الأوبئة ومسؤولي الصحة العامة لتبني تقنيات النمذجة الإحصائية المتقدمة.

في الختام، يجادل البحث بأنه بينما "كل النماذج خاطئة"، فإن الاستدلال البايزي يوفر الإطار الإحصائي الصارم لتحديد مدى خطئها ومدى فائدتها، محولاً نمذجة الأوبئة من تمرين حتمي إلى أداة احتمالية لاتخاذ القرار.