Resumen Técnico: DELENDA – Estimación de Estados Latentes y Análisis de Decisión No Lineal Diferenciable para la Epidemiología

Planteamiento del Problema

El ajuste de la malaria a nivel subnacional (SNT, por sus siglas en inglés) es fundamentalmente un problema de asignación a nivel poblacional: determinar qué intervenciones (por ejemplo, mosquiteros tratados con insecticida [ITN], quimioprevención estacional de la malaria [SMC], rociado de insecticida en interiores [IRS] y vacunas) deben priorizarse, con qué niveles de cobertura y bajo qué restricciones específicas de presupuesto e incertidumbre.

Los flujos de trabajo actuales enfrentan una dicotomía en los enfoques de modelado:

1. Modelos simples (ej. Ross–Macdonald): Analíticamente tratables pero carecen de la complejidad biológica (inmunidad adquirida, riesgo específico por edad, heterogeneidad) necesaria para una política matizada.
2. Modelos complejos basados en individuos (ej. EMOD, OpenMalaria): Ricos en detalles biológicos pero computacionalmente costosos y a menudo no diferenciables. Esto limita su utilidad en la optimización consciente de la incertidumbre, obligando a los analistas a depender de barridos de escenarios o análisis de sensibilidad local en lugar de una propagación posterior completa.

El cuello de botella central es que los modelos capaces de un riguroso calibrado bayesiano y una optimización restringida continua son a menudo demasiado toscos, mientras que los modelos con representaciones biológicas sofisticadas son difíciles de ajustar e integrar en ciclos de decisión que deben dar cuenta de la incertidumbre en la biología del vector, la eficacia de las intervenciones y los costos.

Metodología

El Modelo DELENDA

DELENDA es un modelo compartimental estructurado y determinista diseñado para cerrar esta brecha. Rastrea la masa poblacional a través de cuatro ejes biológicos clave sin simular historias individuales:

• Edad: 11 grupos que abarcan de 0 a 75 años.
• Heterogeneidad del riesgo de picadura: 5 estratos derivados de una distribución exponencial.
• Inmunidad: Discretizada en 10 niveles.
• Multiplicidad de la Infección (MOI): Hasta 15 infecciones concurrentes.

La dimensión del estado humano es de $5 \times 11 \times 10 \times 16 = 8,800$ compartimentos. El modelo acopla este subsistema humano con un subsistema de vectores estacionales (larvas, susceptibles, expuestos y mosquitos infectados).

Implementación Diferenciable

El modelo está implementado íntegramente en JAX, lo que hace que la simulación hacia adelante sea diferenciable de extremo a extremo.

• Solucionador: Utiliza una actualización de Euler-exponencial con correcciones de conservación de masa para la estabilidad.
• Gradientes: Emplea un método adjunto de producto vector-Jacobiano (VJP) de primer orden para la integración de las EDO, lo que permite la diferenciación de modo inverso a través del solucionador.
• Flujo de trabajo: La misma función compilada se utiliza para:
  1. Calibración Posterior: Utilizando gradientes para el ajuste basado en verosimilitud.
  2. Optimización de Decisiones: Utilizando gradientes para la optimización continua restringida sobre la cobertura de las intervenciones.

Calibración e Inferencia

• Datos: Calibrado conjuntamente en ocho sitios: cinco sitios transversales (Tanzania, Senegal, Kenia) y tres aldeas previas a la intervención del Proyecto Garki (Nigeria). Los datos incluyen prevalencia estratificada por edad e incidencia clínica.
• Verosimilitud: Utiliza beta-binomial para la prevalencia y negativa-binomial para la incidencia.
• Inferencia: Utiliza Inferencia Variacional Estocástica (SVI) para la inicialización y un Muestreador No-U-Turn (NUTS) para la posterior definitiva. La posterior consta de 38 parámetros (30 parámetros de historia natural/observación compartidos y 8 ajustes de EIR específicos de cada sitio).

Marco de Análisis de Decisiones

El marco optimiza la cobertura continua ($\theta_{int} \in [0, 0.9]^4$) para ITN, SMC, IRS y vacunación pediátrica.

• Propagación de la Incertidumbre: El análisis propaga la incertidumbre de cuatro fuentes:
  1. La posterior calibrada (incertidumbre biológica).
  2. Priores de biología del vector (condicionales al EIR observado).
  3. Priores de eficacia de la intervención.
  4. Priores de costos (costos equivalentes a residentes con gastos generales convexos).
• Condicionamiento: Para aislar la incertidumbre del vector, el modelo condiciona a una tasa de inoculación entomológica (EIR) objetivo resolviendo para la amplitud de reclutamiento de larvas ($K_{wet}$) para cada dibujo de la posterior/vector.
• Optimización: Resuelve $\max_{\theta_{int}} E[\Delta Y]$ sujeto a restricciones presupuestarias ($\rho[C] \le B$), donde $\Delta Y$ es los casos evitados. Se prueban tres reglas de presupuesto: Costo Esperado, Percentil 90 ($q_{90}$) y Valor en Riesgo Condicional ($CVaR_{90}$).

Resultados Clave

1. Desempeño de la Calibración

La posterior de NUTS reproduce con éxito la prevalencia estratificada por edad y la incidencia clínica a través de un amplio rango de EIR (13 a 329) y coincide con los objetivos de infectividad del Proyecto Garki. La posterior estrecha los parámetros de escala centrales mientras deja algunos parámetros de forma y maduración débilmente informados, proporcionando una distribución de incertidumbre realista.

2. Clasificación de Intervenciones y Robustez

En un entorno de transmisión altamente estacional (modelado según Dapelogo, Burkina Faso), la clasificación optimizada de las intervenciones es robusta a la incertidumbre:

• Los ITN se priorizan primero, alcanzando el 90% de cobertura con presupuestos de \3–\5.
• La SMC se satura rápidamente para objetivos de menores de cinco años.
• Las Vacunas entran en un nivel de presupuesto moderado.
• El IRS aparece más tarde como un complemento de alto costo.
• Impacto de la Incertidumbre: Añadir incertidumbre de la posterior, del vector, de la eficacia y del costo cambia la mezcla de cobertura optimizada solo modestamente (desplazamiento L1 medio < 0.05). Sin embargo, amplía sustancialmente la distribución de los casos proyectados evitados (desviación estándar de 6.5–7.3 puntos porcentuales).

3. Sensibilidad del Objetivo

La elección de la función objetivo impulsa cambios cualitativos mayores que la incertidumbre:

• Optimización para menores de cinco años: Prioriza la SMC y la vacunación más temprano.
• Optimización para todas las edades: Retrasa la vacunación y favorece el IRS, que protege a la población más amplia mediante la mortalidad del vector.

4. Incertidumbre de Costos y Reglas de Presupuesto

La incertidumbre de los costos actúa principalmente como un problema del lado de las restricciones:

• La optimización de costo esperado conduce a una alta probabilidad (42–52%) de sobregiros presupuestarios.
• Las reglas de riesgo de cola ($q_{90}$ y $CVaR_{90}$): Estas reglas reducen significativamente la probabilidad de sobregiro (a ~10% y ~4.5%, respectivamente) pero requieren sacrificar el impacto esperado (reducción del 8–11% en casos evitados). Este compromiso permite a los programas cuantificar el "margen operativo" requerido para la seguridad presupuestaria.

Significado y Reivindicaciones

El artículo posiciona a DELENDA no como un reemplazo para los simuladores basados en individuos en todos los contextos, sino como una herramienta especializada para problemas de asignación a nivel poblacional donde el objetivo de decisión es una carga agregada.

• La Diferenciabilidad como Facilitador del Flujo de Trabajo: La contribución principal es arquitectónica. Al hacer que el modelo compartimental sea diferenciable, DELENDA permite una inferencia bayesiana eficiente y una optimización restringida continua. Esto permite que todo el espacio de parámetros biológicos se exponga a la calibración de la posterior y se traslade a la optimización de decisiones, una tarea difícil con modelos no diferenciables.
• Enfoque Centrado en la Incertidumbre: El marco demuestra que, para muchas preguntas de ajuste subnacional, la clasificación de las intervenciones es más robusta que el impacto proyectado. El valor del enfoque reside en cuantificar la amplitud de la distribución de impacto alrededor de un portafolio óptimo estable, en lugar de cambiar constantemente el portafolio mismo.
• Relevancia Operativa: El artículo afirma proporcionar un flujo de trabajo reutilizable para el ajuste subnacional que vincula explícitamente el problema de estimación (calibración) con el problema de decisión (optimización), asegurando que las recomendaciones sean robustas a las suposiciones que las generaron.

Los autores declaran explícitamente que los resultados son una "prueba de concepto" y un "caso de estudio metodológico" más que una recomendación lista para el despliegue en un distrito específico, señalando que el uso operativo requeriría entradas locales para costos, resistencia y restricciones de implementación.