Koopman Representations for Early Outbreak Warning and Minimal Counterfactual Intervention in Multi-Agent Epidemic Simulations

Resumen Técnico: Representaciones de Koopman para la Advertencia Temprana de Brotes y la Intervención Contrafactual Mínima

Enunciado del Problema
El artículo aborda el desafío de predecir y controlar los resultados epidémicos en sistemas complejos de múltiples agentes cerca de puntos de inflexión críticos. En regímenes donde la transmisibilidad no es lo suficientemente baja para garantizar la extinción ni lo suficientemente alta para garantizar un brote generalizado, el resultado final (contención de la propagación vs. brote mayor) es altamente sensible a pequeñas perturbaciones en las condiciones iniciales, el momento o las interacciones locales. Los modelos de compartimentos agregados tradicionales (por ejemplo, SIR) a menudo oscurecen la heterogeneidad individual y las estructuras de contacto espaciales, mientras que los modelos basados en agentes (ABM) generan dinámicas no lineales de alta dimensión que son difíciles de resumir o predecir tempranamente. El problema central es doble: (1) ¿Pueden las observaciones agregadas tempranas de una trayectoria epidémica en desarrollo predecir de manera confiable si el sistema cruzará un umbral de brote mayor? y (2) Si se predice que una trayectoria es peligrosa, ¿pueden intervenciones contrafactuales mínimas y localizadas (por ejemplo, restringir la movilidad de un solo agente durante un día) alterar la trayectoria a largo plazo del sistema para prevenir el brote?

Metodología
Los autores proponen un marco computacional de tres componentes:

1. Simulador Epidémico de Múltiples Agentes:

   • Entorno: Una cuadrícula espacial ($50 \times 50$) con 200 ubicaciones de vivienda fuera de la cuadrícula y 500 agentes.
   • Dinámica: Los agentes siguen rutinas diarias fijas con desplazamientos de fase, creando patrones de contacto heterogéneos. La transmisión ocurre mediante la co-localización en celdas de la cuadrícula.
   • Progresión de la Enfermedad: Los agentes tienen categorías de susceptibilidad e inmunidad heterogéneas (fuerte, media, baja, comprometida), que dictan las curvas de carga viral individuales. La carga viral determina la infectividad y las restricciones conductuales (por ejemplo, los agentes con cargas virales altas se vuelven confinados al hogar).
   • Transmisión: Una regla de umbral determinista basada en el producto de la carga viral de la fuente y la susceptibilidad del objetivo.
   • Observables: El sistema registra conteos agregados diarios (susceptibles, infectados, recuperados, muertos, nuevos casos, infectados móviles vs. confinados al hogar) en lugar de estados microscópicos completos para la tarea de predicción.

2. Representación de Koopman y Advertencia Temprana:

   • Aprendizaje de Koopman: Los autores aprenden una representación latente de baja dimensión ($z_d \in \mathbb{R}^6$) de trayectorias epidémicas tempranas (ventanas de 5 días) utilizando un codificador neuronal. Las dinámicas en este espacio latente se aproximan mediante una matriz de transición lineal ($A$), lo que permite pronósticos de corto horizonte ($h=5$ días) mediante $z_{d+1} \approx A z_d$.
   • Objetivo de Entrenamiento: El modelo minimiza la pérdida de reconstrucción, la pérdida de linealidad latente y la pérdida de predicción de múltiples pasos.
   • Clasificación: Un clasificador de Random Forest utiliza características derivadas de la ventana de observación temprana (estadísticas directas) y del espacio latente de Koopman (coordenadas latentes y pronósticos) para predecir la probabilidad de un brote mayor (definido como una tasa de ataque final $\rho \ge 0.3$).

3. Intervención Contrafactual:

   • Protocolo: Para las trayectorias predichas como de alto riesgo, el sistema realiza simulaciones contrafactuales. Un solo agente es puesto en cuarentena (obligado a quedarse en casa) durante un día seleccionado, mientras que todos los demás parámetros (semillas aleatorias, condiciones iniciales, rutinas) permanecen idénticos a la línea base.
   • Métricas: El éxito de la intervención se mide por la reducción en la tasa de ataque final ($\Delta \rho$) y el conteo máximo de infectados. Una intervención se considera "preventiva de brotes" si desplaza la tasa de ataque final de $\ge 0.3$ a $< 0.3$.

Contribuciones Clave

• Advertencia Temprana Basada en Koopman: El artículo demuestra que el aprendizaje del operador de Koopman puede comprimir eficazmente trayectorias epidémicas no lineales de múltiples agentes de alta dimensión en un espacio latente de baja dimensión que preserva la información relevante para los resultados a largo plazo.
• Integración de Características: Muestra que las características derivadas de Koopman (estados latentes y pronósticos) son tan informativas como los resúmenes epidemiológicos directos (por ejemplo, conteos de infecciones activas) para clasificar el riesgo de brote, logrando una alta precisión con ventanas de observación cortas.
• Análisis de Intervención Mínima: El estudio proporciona un método sistemático para probar la modificabilidad de trayectorias cercanas a lo crítico. Establece que perturbaciones mínimas (un agente, un día) pueden alterar cualitativamente el régimen del sistema, desplazándolo de un brote mayor a la extinción, siempre que la intervención ocurra antes de que la cadena de transmisión se vuelva autosostenible.
• Caracterización del Punto de Inflexión: El trabajo caracteriza el régimen "cercano a lo crítico" donde configuraciones de parámetros similares producen resultados divergentes, destacando la sensibilidad del sistema a secuencias de contacto específicas en lugar de solo a las tasas de transmisión agregadas.

Resultados Experimentales

• Conjunto de Datos: Se generaron 10,200 ejecuciones de simulación con parámetros de susceptibilidad barridos estrechamente alrededor de un punto de transición (1.3015–1.3025), resultando en un conjunto de datos casi equilibrado de ejecuciones contenidas (4,825) y de brote mayor (5,375).
• Rendimiento de Predicción:
  • El modelo de Koopman por sí solo logró un ROC AUC de 0.9980 a nivel de ejecución.
  • El clasificador Random Forest, que utiliza tanto características directas como derivadas de Koopman, logró una precisión de prueba de 0.9958 y un ROC AUC de 0.9999 en ventanas de 5 días retenidas.
  • El análisis de importancia de características confirmó que las características derivadas de Koopman contribuyeron significativamente (22.49%) a la clasificación, comparable a las características de series de infectados directos (23.57%).
• Resultados de Intervención:
  • En casos contrafactuales ilustrativos, una cuarentena de un solo día de un agente seleccionado previno con éxito brotes mayores en varios casos, reduciendo la tasa de ataque final de ~0.69 a cerca de cero.
  • En otros casos, el mismo tipo de intervención solo retrasó el pico epidémico o redujo la carga activa máxima sin prevenir el brote final, demostrando que la eficacia de las intervenciones mínimas depende en gran medida de la posición dinámica específica de la trayectoria.

Significado y Afirmaciones
El artículo afirma proporcionar un marco computacional para estudiar comportamientos similares a transiciones de fase en sistemas de múltiples agentes. Su significado principal radica en el uso conjunto de la predicción temprana y la simulación contrafactual:

1. Identificación de Trayectorias Modificables: El marco identifica trayectorias donde el resultado aún no está predeterminado y permanece sensible a pequeñas perturbaciones.
2. Viabilidad de Intervención Mínima: Demuestra que en regímenes cercanos a lo crítico, intervenciones extremadamente localizadas y temporales pueden ser suficientes para redirigir un sistema lejos de un resultado catastrófico, desafiando la noción de que solo las medidas amplias y a nivel poblacional son efectivas.
3. Puente Metodológico: El trabajo une la dinámica no lineal, el análisis espectral (a través de operadores de Koopman) y el apoyo a la toma de decisiones basado en datos, mostrando que las representaciones latentes aprendidas pueden servir tanto como herramientas de pronóstico como fuentes de características para la planificación de intervenciones.

Los autores declaran explícitamente que este es un estudio computacional controlado que utiliza agentes abstractos y reglas de transmisión simplificadas. No afirman que los resultados constituyan un sistema de decisión epidemiológico calibrado para la aplicación en el mundo real, sino más bien una prueba de concepto para analizar puntos de inflexión y sensibilidad a intervenciones en sistemas adaptativos complejos. Se sugiere que el trabajo futuro incluya suposiciones más ricas (vacunación, redes detalladas) y políticas con restricciones de costos.