Methods for Reproducible Comparison of Strategies in Stochastic Modelling

Este artículo demuestra cómo los métodos de coincidencia basados en hash y de generación de números pseudoaleatorios, específicamente el enfoque de hash de Bernoulli, permiten comparaciones eficientes y reproducibles de estrategias de simulación estocástica a través de diversas complejidades de modelos, al tiempo que abordan eficazmente escenarios contrafactuales.

Lo esencial

Imagina que eres un formulador de políticas tratando de decidir entre dos estrategias diferentes para detener una enfermedad, como la Estrategia A (una nueva vacuna) y la Estrategia B (no hacer nada). Tienes un modelo informático que simula cómo se propaga la enfermedad. Dado que la vida real es desordenada e impredecible, tu modelo utiliza simulaciones "estocásticas" (aleatorias). Es como lanzar dados para decidir quién se enferma a continuación.

El problema es que, cuando ejecutas el modelo para la Estrategia A y luego lo vuelves a ejecutar para la Estrategia B, los "lanzamientos de dados" son totalmente diferentes cada vez. Es como comparar dos pronósticos del tiempo diferentes donde uno predice lluvia porque la computadora lanzó un 3, y el otro predice sol porque lanzó un 6. No puedes determinar si la diferencia en los resultados se debe a que la estrategia es realmente mejor, o simplemente a que los lanzamientos aleatorios de dados resultaron ser desafortunados para uno de ellos. Este "ruido" dificulta saber qué estrategia es realmente la ganadora.

Este artículo presenta una forma inteligente de corregir ese ruido para que puedas comparar las estrategias de manera justa.

La Idea Central: El Truco del "Universo Paralelo"

Los autores proponen un método llamado Emparejamiento Basado en Hash. Imagínalo de la siguiente manera:

Imagina que estás probando dos coches diferentes (Estrategia A y Estrategia B) en una pista de carreras.

• La Vieja Forma (Estocástica Regular): Conduces el Coche A en un día soleado con viento a favor, y el Coche B en un día lluvioso con viento en contra. Si el Coche A gana, no sabes si es porque el coche es mejor o porque el clima fue más agradable.
• La Nueva Forma (Basada en Hash): Conduces ambos coches en el mismo día exacto, en la misma pista exacta, con el mismo viento exacto. Lo único que cambia es el coche en sí.

En el modelo informático, el "clima" es la generación de números aleatorios. Los autores utilizan una herramienta matemática llamada Función Hash para actuar como una "máquina del tiempo" o una "realidad compartida".

Así es como funciona en términos sencillos:

1. La Sal: Asignan una "sal" única (como un número de identificación secreto) a cada ejecución de la simulación.
2. El Hash: Antes de que la computadora lance los dados para cualquier evento (como una persona infectándose), examina la hora actual, el tipo de evento y el ID secreto. Ejecuta estos datos a través de una "máquina hash" para crear una semilla específica.
3. El Resultado: Dado que las entradas son las mismas para ambas estrategias en el mismo momento, los "lanzamientos de dados" resultan idénticos. Si 5 personas se infectan en la Estrategia A, el modelo asegura que la aleatoriedad subyacente habría causado que 5 personas se infectaran en la Estrategia B si las condiciones hubieran sido las mismas.

Esto permite que el modelo vea la verdadera diferencia entre las estrategias, eliminando la confusión causada por la suerte aleatoria.

Los Tres Métodos Propuestos

El artículo sugiere tres formas específicas de hacer esto, dependiendo de la complejidad de tu modelo:

1. El Método de Hashing Predeterminado (El Enfoque "Proporcional")

• Cómo funciona: Utiliza el generador de números aleatorios estándar, pero reinicia la semilla utilizando la función hash antes de cada evento.
• La Analogía: Imagina dos cubos de agua. Si viertes agua en el Cubo A, el método hash asegura que, si el Cubo B tiene el doble de agua, recibe exactamente el doble de "salpicadura aleatoria".
• Pros/Contras: Es rápido y fácil de usar. Sin embargo, tiene una pequeña peculiaridad: asume que la aleatoriedad escala perfectamente con el número de personas. Es como decir que si tienes 100 personas, la "mala suerte" es exactamente 100 veces peor que si tienes 1 persona. Esto suele ser aceptable, pero no es perfectamente realista para cada individuo.

2. El Método de Hashing Bernoulli (El Enfoque "Individual")

• Cómo funciona: En lugar de lanzar un dado grande para todo el grupo, lanza una pequeña moneda para cada persona individual en el modelo para ver si se infecta.
• La Analogía: En lugar de adivinar cuántas personas en una multitud se resfriarán, te acercas a cada persona individualmente y preguntas: "¿Te contagiaste?", utilizando la misma lógica de lanzamiento de moneda para ambas estrategias.
• Pros/Contras: Es el más preciso porque trata a cada persona como un individuo. Sin embargo, es muy lento. Si tienes una ciudad de 1 millón de personas, la computadora tiene que lanzar una moneda 1 millón de veces por cada paso de la simulación. Es como intentar contar cada grano de arena en una playa uno por uno.

3. El Método Bernoulli Recortado (El "Atajo Inteligente")

• Cómo funciona: Es un compromiso. Sabe que en la mayoría de los casos, solo unas pocas personas se enfermarán a la vez. Por lo tanto, en lugar de lanzar monedas para todos, solo lanza monedas para los "probables" pocos y salta el resto.
• La Analogía: Imagina una lotería con 1 millón de boletos, pero sabes que solo 5 personas ganarán. En lugar de revisar los 1 millón de boletos, utilizas un truco inteligente para revisar solo los 5 boletos que tienen posibilidades de ganar.
• Pros/Contras: Es mucho más rápido que el método Bernoulli completo, pero sigue siendo muy preciso para enfermedades que se propagan lentamente. Es la solución "justa" para modelos complejos.

Lo Que Encontraron (Los Resultados)

Los autores probaron estos métodos en dos modelos:

1. Un Modelo Simple (SEIRV): Un modelo básico de una enfermedad prevenible por vacunación.
   • Resultado: Los nuevos métodos de hashing fueron mucho más claros. El "ruido" desapareció. Pudieron ver claramente que la vacuna funcionaba, mientras que los métodos antiguos a veces hacían parecer que la vacuna era inútil o incluso dañina simplemente debido a la mala suerte aleatoria en la simulación.
2. Un Modelo Complejo (gHAT): Un modelo detallado de la Tripanosomiasis Africana (enfermedad del sueño), que involucra moscas, humanos y diferentes intervenciones.
   • Resultado: El método "Bernoulli Recortado" fue el ganador aquí. Les permitió comparar estrategias (como el cribado activo frente al control de vectores) sin que el ruido aleatorio confundiera los resultados. Pudieron afirmar con confianza: "La Estrategia X es mejor", sin preocuparse de que la computadora simplemente hubiera lanzado los dados mal.

Por Qué Esto Importa

El artículo argumenta que sin estos métodos, los formuladores de políticas podrían tomar malas decisiones.

• El Riesgo: Si el ruido aleatorio hace que una buena estrategia parezca mala, un formulador de políticas podría rechazar una vacuna que salva vidas.
• El Beneficio: Al utilizar estos métodos de hashing de "universo paralelo", la comparación se vuelve justa. Estás comparando la estrategia, no la suerte.

Resumen

El artículo no afirma curar enfermedades ni inventar nuevas vacunas. Simplemente proporciona una mejor regla para medir qué tan bien funcionan diferentes estrategias en modelos informáticos. Asegura que cuando los científicos dicen "La Estrategia A es mejor que la Estrategia B", realmente lo signifiquen, y no simplemente que tuvieron suerte con los lanzamientos de dados.

• Modelos simples: Utiliza el método Bernoulli para máxima precisión.
• Modelos complejos: Utiliza el método Bernoulli Recortado para un equilibrio entre velocidad y precisión.
• Uso general: El método de Hashing Predeterminado es una opción sólida y rápida para la mayoría de las situaciones.

Los autores enfatizan que estos métodos son específicamente para simulaciones de tau-leaping (una forma común de ejecutar modelos de enfermedades) y están diseñados para hacer que el "contrafactual" (lo que habría pasado si hubiéramos hecho algo diferente) sea mucho más claro y menos ruidoso.

Resumen técnico

A continuación se presenta un resumen técnico detallado del artículo "Métodos para la comparación reproducible de estrategias en modelado estocástico" de Sunnucks, Davis y Rock.

1. Planteamiento del Problema

Las simulaciones estocásticas son esenciales para modelar fenómenos del mundo real, como la dinámica de enfermedades infecciosas, ya que capturan la incertidumbre y producen salidas enteras discretas (cruciales para modelar eventos de extinción). Sin embargo, surge un desafío significativo al comparar diferentes estrategias de intervención (por ejemplo, Estrategia A vs. Estrategia B) utilizando estos modelos.

• El Problema Central: En las simulaciones estocásticas estándar, el "ruido" introducido por la generación de números aleatorios (RNG) es independiente entre las ejecuciones de diferentes estrategias. Al comparar dos estrategias, esta independencia crea ruido estadístico que oscurece la diferencia real entre ellas.
• La Consecuencia: Los responsables de la formulación de políticas pueden concluir incorrectamente que una estrategia superior es inferior (o viceversa) debido a la variación aleatoria en lugar de la dinámica real del modelo. Esto es particularmente problemático al calcular métricas como la probabilidad de que una estrategia sea mejor que otra, o al evaluar escenarios contrafactuales (por ejemplo, "¿Qué habría pasado si hubiéramos intervenido antes?").
• Limitaciones de las Soluciones Existentes:
  • RNG con semilla fija: Establecer la misma semilla inicial para diferentes estrategias falla porque las trayectorias de la simulación divergen inmediatamente, rompiendo la dependencia entre los escenarios de la "misma realidad".
  • Contrafactuales perfectos (por ejemplo, Kaminsky et al.): Estos métodos rastrean a cada individuo para garantizar una alineación perfecta, pero son computacionalmente prohibitivos (requieren memoria RAM masiva y tiempo) y a menudo incompatibles con los modelos compartimentales estándar.

2. Metodología

Los autores proponen un conjunto de métodos de generación de números pseudoaleatorios (PRNG) basados en hash. Estos métodos aseguran que, cuando dos simulaciones (estrategias) encuentran el mismo "evento" (definido por tiempo, estado y tipo de evento), generen el mismo resultado aleatorio, creando así una dependencia estadística (acoplamiento) entre las realizaciones.

El artículo se basa en el paquete hashprng (Pearson & Abbott) e introduce tres enfoques específicos:

A. Método de Hashing Predeterminado

• Mecanismo: Antes de extraer un número aleatorio para un evento (típicamente de una distribución Poisson en algoritmos de salto tau), la semilla aleatoria se establece en la salida de una función hash.
• Entradas: La función hash toma el paso de tiempo, una "sal" única (que identifica la trayectoria de simulación específica) y el tipo de evento.
• Propiedad: Esto asegura que, si dos estrategias tienen el mismo número de individuos y tasas en un momento específico, extraigan del mismo percentil de la distribución.
• Limitación: Exhibe "proporcionalidad". Si la Estrategia B tiene $N$ individuos más que la Estrategia A, el número de eventos en B será aproximadamente proporcional a los individuos extra, en lugar de ser una realización independiente del riesgo adicional.

B. Método de Hashing Bernoulli

• Mecanismo: Reemplaza la extracción Poisson con una suma de ensayos de Bernoulli. Para $N$ individuos, el algoritmo extrae $N$ variables aleatorias de Bernoulli (0 o 1) para determinar si cada individuo experimenta el evento.
• Dependencia: Los números aleatorios uniformes subyacentes para las extracciones de Bernoulli se generan mediante la misma función hash.
• Ventaja: Esto elimina el problema de la "proporcionalidad". Si la Estrategia A tiene $k$ infecciones, la Estrategia B (con más susceptibles) tendrá entre $k$ y $k + \Delta N$ infecciones, asegurando una resolución consistente de eventos (más personas $\neq$ menos eventos).
• Desventaja: Computacionalmente costoso para poblaciones grandes, ya que requiere extraer un número aleatorio para cada individuo en cada paso de tiempo.

C. Método de Hashing Bernoulli Truncado

• Mecanismo: Una optimización computacional del método Bernoulli diseñada para poblaciones grandes con tasas de eventos bajas. En lugar de extraer $N$ variables de Bernoulli, extrae un número limitado ($m$) de variables de la cola de la distribución utilizando estadísticas de orden (distribución Beta).
• Lógica: Dado que el número esperado de eventos suele ser mucho menor que el tamaño de la población ($E \ll N$), el algoritmo solo simula la porción "activa" de la distribución.
• Compensación: Es significativamente más rápido que el hashing Bernoulli completo, pero introduce una probabilidad muy baja de "resolución inconsistente" (donde agregar una persona podría teóricamente causar más de $m$ eventos). Esta probabilidad se acerca a cero a medida que disminuye el paso de tiempo.

3. Contribuciones Clave

1. Algoritmos Nuevos: Introducción de los métodos de Hashing Bernoulli y Hashing Bernoulli Truncado, ampliando el marco existente hashprng para abordar la proporcionalidad y la escalabilidad computacional.
2. Marco Teórico: Definición formal de la "resolución consistente de eventos" y las propiedades matemáticas requeridas para las comparaciones contrafactuales en modelos estocásticos.
3. Análisis Comparativo: Una comparación rigurosa de estos nuevos métodos frente a enfoques estocásticos estándar, estocásticos con semilla fija y de "contrafactuales perfectos".
4. Implementación Práctica: Demostración de cómo integrar estos métodos en modelos epidemiológicos complejos (SEIRV y gHAT) sin requerir modelado basado en individuos (IBM).

4. Resultados

Los autores probaron sus métodos en dos modelos epidemiológicos:

Estudio de Caso 1: SEIRV (Infección Simple Prevenible por Vacuna)

• Configuración: Comparación de estrategias de vacunación frente a ninguna intervención.
• Hallazgos:
  • Reducción de Varianza: Ambos métodos de hashing redujeron drásticamente la varianza en "infecciones evitadas" en comparación con los métodos estocásticos estándar y con semilla fija.
  • Superioridad de Bernoulli: El método Bernoulli proporcionó la varianza más baja (mejor acoplamiento estadístico) manteniendo tiempos de ejecución razonables para este modelo simple.
  • Realismo: Los métodos estándar y con semilla fija ocasionalmente produjeron "infecciones evitadas negativas" (implicando que la vacunación causó más infecciones), una imposibilidad lógica. Los métodos de hashing eliminaron estos artefactos.
  • Rendimiento: Los métodos de hashing fueron más lentos que el estocástico estándar (2–4 veces), pero se consideró necesario el intercambio en precisión.

Estudio de Caso 2: gHAT (Modelo Complejo de la Enfermedad del Sueño Africana)

• Configuración: Un modelo complejo de enfermedad transmitida por vectores que involucra cribado activo y control de vectores.
• Hallazgos:
  • Escalabilidad: El método Bernoulli completo fue demasiado lento (100 veces más o más). El método Bernoulli Truncado se implementó con éxito, ofreciendo un equilibrio entre velocidad y precisión.
  • Toma de Decisiones: En los análisis de costo-efectividad (Beneficio Monetario Neto), los métodos de hashing produjeron una separación más clara entre estrategias. Los métodos estándar mostraron un ruido alto, lo que dificultaba determinar la estrategia óptima en diferentes umbrales de disposición a pagar.
  • Último Evento de Transmisión (LTE): Los métodos de hashing proporcionaron predicciones más precisas y con menos ruido para el año del último evento de transmisión, una métrica crítica para los objetivos de eliminación.

5. Significado e Implicaciones

• Impacto en Políticas: Los métodos permiten a los responsables de la formulación de políticas tomar decisiones aversas al riesgo con mayor confianza. Al reducir el "ruido" entre estrategias, la probabilidad de que una estrategia sea realmente mejor que otra puede estimarse con mayor precisión, evitando el rechazo de intervenciones beneficiosas debido a artefactos de simulación.
• Eficiencia Computacional: Los métodos propuestos ofrecen un "punto dulce" entre los "contrafactuales perfectos" inviables (basados en individuos) y los enfoques estocásticos "estándar" ruidosos. Son aplicables a modelos compartimentales estándar sin requerir una reescritura completa del modelo.
• Generalización: Aunque se probaron en epidemiología, el enfoque es aplicable a cualquier simulación estocástica donde se requiera comparar escenarios contrafactuales (por ejemplo, ecología, economía).
• Limitaciones: Los métodos son específicos para algoritmos de salto tau. El enfoque Bernoulli sigue siendo computacionalmente pesado para modelos de alta tasa y gran población, lo que hace necesario el uso de la versión truncada, que conlleva un pequeño riesgo teórico de inconsistencia.

Conclusión: El artículo establece que el emparejamiento basado en hash es un método robusto, computacionalmente viable y estadísticamente superior para comparar estrategias estocásticas, mejorando significativamente la fiabilidad de la evidencia utilizada en políticas de salud pública.