Agentic Framework for Epidemiological Modeling

Das Paper stellt EPIAGENT vor, ein agentic Framework, das durch die automatische Synthese, Kalibrierung und Verifizierung von epidemiologischen Simulatoren auf Basis eines expliziten Flussgraphen-Intermediats die Modellierung von Krankheitsausbrüchen effizienter und robuster gegenüber sich wandelnden Szenarien macht.

Das Wesentliche

Stellen Sie sich vor, Sie sind ein Architekt, der ein riesiges, komplexes Gebäude entwerfen muss – aber nicht aus Stein, sondern aus unsichtbaren Regeln, die beschreiben, wie sich eine Krankheit wie ein Feuer im ganzen Land ausbreitet.

Normalerweise müssen Epidemiologen (die Experten für Seuchen) diese Gebäude manuell entwerfen. Wenn sich die Regeln ändern (z. B. ein neuer Virus-Stamm auftaucht oder eine neue Impfung kommt), müssen sie das ganze Gebäude abreißen und neu bauen. Das ist langsam, mühsam und fehleranfällig.

Die Autoren dieses Papers haben eine Lösung namens EPIAGENT entwickelt. Man kann es sich wie einen super-intelligenten, roboterhaften Bauleiter vorstellen, der nicht nur baut, sondern auch ständig prüft, ob das Gebäude sicher ist.

Hier ist die Erklärung in einfachen Schritten mit ein paar bildhaften Vergleichen:

1. Das Problem: Der manuelle Bauplan

Stellen Sie sich vor, ein Seuchen-Modell ist wie eine Rezeptur für einen Kuchen.

• Früher: Wenn sich die Zutaten ändern (z. B. statt Mehl jetzt Gluten-freies Mehl), muss ein Bäcker das Rezept von Hand umschreiben. Er muss überlegen: "Wie viel Backpulver brauche ich jetzt?" und "Wie lange muss ich backen?". Das dauert lange.
• Das Risiko: Wenn der Bäcker einen Fehler macht (z. B. vergisst, dass der Teig nicht flüssig sein darf), ist der Kuchen ungenießbar oder gar giftig. In der Seuchenkunde wären das falsche Vorhersagen, die zu falschen Entscheidungen führen könnten.

2. Die Lösung: EPIAGENT (Der Roboterbau-Manager)

EPIAGENT ist ein System, das aus mehreren KI-Agenten besteht. Sie arbeiten zusammen wie eine hochspezialisierte Baufirma:

Schritt A: Der Entwurf (Der "Flow-Graph")

Bevor der Roboter auch nur einen einzigen Stein (Code-Zeile) setzt, zeichnet er erst eine Skizze.

• Die Metapher: Stellen Sie sich einen U-Bahn-Plan vor. Die Stationen sind die Gruppen von Menschen (z. B. "Gesund", "Infiziert", "Genesen"). Die Linien sind die Wege, auf denen sich die Krankheit bewegt.
• Was EPIAGENT tut: Der Roboter liest den Text (z. B. "Es gibt eine neue Impfung für Senioren") und zeichnet diesen U-Bahn-Plan. Aber er macht das nicht einfach so. Er nutzt ein Wissensbuch (eine Datenbank mit medizinischen Fakten), um sicherzustellen, dass die Linien logisch sind.
  • Beispiel: Er weiß, dass man nicht direkt von "Gesund" zu "Tot" springen kann, ohne vorher "Infiziert" gewesen zu sein. Wenn der Plan das zeigt, wird er sofort verworfen.

Schritt B: Der Bau (Code-Generierung)

Sobald der U-Bahn-Plan (der Flow-Graph) von einem Prüfer freigegeben wurde, baut der Roboter das eigentliche Gebäude (den Computercode).

• Die Metapher: Der Roboter nimmt den Plan und füllt ihn mit Ziegelsteinen. Aber er hat einen Bauleiter, der ständig auf die Baustelle schaut.
• Der Sicherheits-Check: Wenn der Roboter einen Fehler baut (z. B. eine Wand, die in die Luft führt, oder eine Zahl, die negativ ist – was bei Menschenanzahlen unsinnig ist), sagt der Bauleiter: "Stopp! Das geht nicht!" und schickt den Roboter zurück, um es zu reparieren.

Schritt C: Der Test (Simulation)

Jetzt wird das fertige Modell getestet. Man füttert es mit echten Daten (z. B. wie viele Menschen letzte Woche krank waren).

• Die Metapher: Es ist wie ein Flugsimulator. Man fliegt das Modell durch verschiedene Szenarien: "Was passiert, wenn wir alle impfen?" oder "Was passiert, wenn der Virus mutiert?".
• Das Ziel: Das Modell muss nicht nur gut aussehen, es muss sich auch logisch verhalten. Wenn man die Impfung erhöht, müssen die Krankheitszahlen im Modell sinken. Wenn sie steigen, weiß der Roboter, dass etwas an der Struktur falsch ist, und beginnt von vorne.

3. Warum ist das so besonders?

Früher haben Computer versucht, einfach nur Zahlen zu raten (wie ein Wahrsager, der zufällig Glück hat). EPIAGENT hingegen versteht die Logik.

• Der "Agentic"-Aspekt: Das System ist nicht passiv. Es denkt nach, macht Fehler, lernt daraus und korrigiert sich selbst. Es ist wie ein Junior-Architekt, der von einem erfahrenen Mentor (den KI-Prüfern) begleitet wird. Der Mentor sagt: "Nein, diese Wand trägt nicht. Mach es so." Und der Junior versucht es erneut, bis es perfekt ist.

4. Das Ergebnis

In Tests hat EPIAGENT gezeigt, dass es:

1. Schneller ist: Es baut Modelle in Minuten, die Menschen Tage brauchen würden.
2. Sicherer ist: Es macht weniger logische Fehler, weil es den "U-Bahn-Plan" (die Struktur) zuerst prüft, bevor es baut.
3. Zuverlässiger ist: Es kann Szenarien durchspielen, die noch nie passiert sind (z. B. eine neue Pandemie), und liefert plausible Vorhersagen, die den Regeln der Biologie folgen.

Zusammenfassung in einem Satz

EPIAGENT ist wie ein KI-gesteuertes Team aus Architekten und Bauherren, das automatisch, fehlerfrei und logisch konsistente Modelle für Seuchenentwürfe erstellt, indem es erst einen sicheren Plan zeichnet und diesen dann Schritt für Schritt in einen funktionierenden Simulator verwandelt – ganz ohne dass ein Mensch jedes Detail manuell programmieren muss.

Technische Zusammenfassung

1. Problemstellung

Die traditionelle epidemiologische Modellierung ist ein manueller, zeitaufwändiger Prozess, der stark von Expertenwissen abhängt. Wenn sich Pathogene, politische Maßnahmen oder Szenarioannahmen ändern (z. B. neue Varianten oder Impfstoffstrategien), müssen Epidemiologen die Modellstruktur, die Übergangslogik und die Simulatoren manuell neu entwerfen und implementieren.

Das Hauptproblem besteht darin, dass herkömmliche Ansätze auf festen Modellklassen basieren, die nicht flexibel genug sind, um sich schnell an neue Bedingungen anzupassen. Der naive Einsatz von Large Language Models (LLMs) zur direkten Generierung von Simulationscode führt häufig zu strukturellen Inkonsistenzen, fragileren Verhaltensweisen und epidemiologisch unsinnigen Ergebnissen (z. B. negative Populationszahlen oder unmögliche Übergänge zwischen Kompartimenten). Es fehlt ein System, das die Komplexität epidemiologischer Theorien mit der Automatisierungsfähigkeit von KI-Agenten verbindet, ohne dabei die mechanistische Interpretierbarkeit und Validität zu opfern.

2. Methodik: EPIAGENT

EPIAGENT ist ein agentic Framework, das die Synthese, Kalibrierung, Verifizierung und Verfeinerung von epidemiologischen Simulatoren automatisiert. Der Kernansatz besteht darin, die Krankheitsprogression als iteratives Programm-Synthese-Problem zu modellieren, wobei ein explizites epidemiologisches Flussdiagramm (Flow Graph) als intermediäre Darstellung dient.

Der Workflow gliedert sich in folgende Hauptphasen:

A. Szenario-Parsing und Wissensabruf (RAG)

• Natürlichsprachliche Szenario-Beschreibungen werden mit domänenspezifischem Wissen angereichert.
• Ein Retrieval-Augmented Generation (RAG)-System extrahiert relevantes epidemiologisches Wissen aus kuratierten Texten (z. B. Lehrbücher, MIDAS Network-Daten) und erstellt einen kontextreichen Prompt für die nachfolgenden Agenten.

B. Synthese des Flussdiagramms (Flow Graph Synthesis)

• Anstatt direkt Code zu generieren, erstellt ein Agent zunächst ein gerichteter Graph $G=(V, E)$, der die Kompartimente (z. B. S, E, I, R) und erlaubte Übergänge darstellt.
• Dieser Graph unterliegt einem strengen Verifikationszyklus:
  • Strukturelle Prüfung: Einhaltung harter epidemiologischer Constraints (z. B. keine direkten Übergänge von Suszeptibel zu Genesen ohne Infektion, Massenerhaltung).
  • Szenario-Konsistenz: Der Graph muss die spezifischen Annahmen des Szenarios (z. B. Immunitätsverlust, Impfkampagnen) widerspiegeln.
• Nur validierte Graphen werden zur Code-Generierung weitergeleitet.

C. Generierung des Simulators (Code Synthesis)

• Ein LLM-Planer-Agent übersetzt den verifizierten Graphen in ausführbaren Code (basierend auf einem festen PyTorch-Skelett).
• Der Code implementiert ein System gewöhnlicher Differentialgleichungen (ODEs).
• Ein Error-Recovery-Modul überwacht die Ausführung. Bei Fehlern (z. B. numerische Instabilität, Shape-Mismatches) wird der Fehlertrace strukturiert zurückgemeldet, und der Agent korrigiert den Code, ohne die zugrundeliegende Struktur zu verletzen.

D. Kalibrierung und Training

• Die Parameter $\theta$ (z. B. Übertragungsrate $\beta$, Genesungsrate $\gamma$) werden mittels gradientenbasierter Optimierung an beobachtete Zeitreihendaten angepasst.
• Es werden verschiedene Parametrisierungsstrategien unterstützt: zeitinvariant, zeitvariant oder hybride Modelle mit neuronalen Komponenten für nichtlineare Effekte.

E. Multi-Agenten-Verifizierung und Validierung (V&V)

Ein spezialisierter Agenten-Cluster führt eine mehrstufige Prüfung durch:

1. Verifikations-Modul: Prüft mathematische Korrektheit (Nicht-Negativität, Massenerhaltung, numerische Stabilität).
2. Reasoning-Modul: Erklärt die Modellstruktur und liefert Begründungen für gewählte Übergänge.
3. Validierungs-Modul: Bewertet die Plausibilität und Szenario-Treue (z. B. reagieren die Projektionen konsistent auf Änderungen der Impfstrategie?).
4. Feedback-Modul: Gibt gezieltes Feedback zur strukturellen Verbesserung, falls das Modell zwar gut passt, aber epidemiologisch inkonsistent ist.

3. Schlüsselbeiträge

1. Wissensgestützte Synthese von Flussdiagrammen: Einführung eines Retrieval-Augmented-Verfahrens, das Szenario-Spezifikationen mit mathematischen Strukturen verbindet, indem es Graphen generiert, die harte strukturelle Constraints erfüllen.
2. Graph-zu-Modell-Kompilierung: Ein Mechanismus, der verifizierte Flussdiagramme in mechanistische Simulatoren übersetzt, was eine explizite Struktur für das Lernen von Parametern bietet.
3. Multi-Agenten-Architektur für V&V: Ein System spezialisierter Agenten, die mathematische Gültigkeit, Szenario-Treue und mechanistische Interpretierbarkeit erzwingen und so den Workflow von Experten nachahmen.
4. Empirische Validierung: Demonstration, dass EPIAGENT komplexe Wachstumsdynamiken erfasst und epidemiologisch konsistente kontrafaktische Projektionen liefert, die besser sind als ungesteuerte Generierung.

4. Ergebnisse

Die Evaluation erfolgte anhand von zwei Fallstudien:

• Fallstudie I (COVID-19 Szenario Modeling Hub): EPIAGENT generierte Simulatoren für 19 Szenariorunden. Die Modelle zeigten eine hohe Genauigkeit bei der Anpassung an historische Daten und lieferten konsistente kontrafaktische Projektionen für verschiedene Impfszenarien und Immunitätsflucht.
  • Ergebnis: Modelle mit Graph-Verifizierung vermieden in über 87 % der Fälle epidemiologisch ungültige Projektionen, die bei direkter Code-Generierung auftreten würden.
• Fallstudie II (Verhaltens-SEIR-Modell): EPIAGENT konnte ein standardmäßiges verhaltensbasiertes SEIR-Modell (basierend auf Mobilitätsdaten) erfolgreich rekonstruieren und auf reale Daten aus vier verschiedenen Regionen kalibrieren.
  • Ergebnis: Die probabilistischen Projektionen erfassten wichtige Epidemietrends und Gipfelzeitpunkte genau.

Ablationsstudien zeigten, dass das Entfernen der Graph-Verifizierung, des externen Wissens (RAG) oder des Flussdiagramms als Zwischenschicht zu einer drastischen Verschlechterung der Modellqualität, häufigen strukturellen Fehlern und nicht konvergierenden Lösungen führt.

5. Bedeutung und Ausblick

EPIAGENT stellt einen Paradigmenwechsel in der epidemiologischen Modellierung dar, indem es die manuelle Redesign-Phase automatisiert und beschleunigt.

• Interpretierbarkeit: Im Gegensatz zu reinen „Black-Box"-KI-Modellen behält EPIAGENT mechanistische Strukturen bei, was für die politische Entscheidungsfindung essenziell ist.
• Robustheit: Durch die Trennung von Strukturvalidierung (Graph) und Code-Generierung werden Fehler frühzeitig erkannt, bevor sie in die Simulation einfließen.
• Skalierbarkeit: Das Framework ermöglicht es, schnell auf neue Pathogene oder sich ändernde politische Rahmenbedingungen zu reagieren, ohne dass Experten die gesamte Modellarchitektur neu schreiben müssen.

Zukünftige Arbeiten sollen sich auf adaptive Stoppkriterien konzentrieren, um Regressionen in späteren Iterationen zu vermeiden, und die Konvergenzgeschwindigkeit weiter optimieren. Das Framework dient primär als Entscheidungsunterstützungstool und verbessert die Skalierbarkeit und Interpretierbarkeit von Public-Health-Analysen.