Agentic Framework for Epidemiological Modeling

Ce papier présente EPIAGENT, un cadre agentique qui automatise la synthèse, l'étalonnage et la vérification de simulateurs épidémiologiques via une représentation intermédiaire de graphes de flux, permettant ainsi de générer des modèles mécanistes robustes et interprétables capables de s'adapter dynamiquement aux évolutions des pathogènes et des politiques de santé.

L'essentiel

Imaginez que vous essayez de prédire comment une épidémie va se propager dans une ville, un peu comme un météorologue essaie de prévoir la météo. Traditionnellement, pour faire cela, les scientifiques doivent construire des modèles mathématiques complexes à la main. C'est comme si chaque fois qu'un nouveau virus arrivait ou qu'une nouvelle règle (comme le port du masque) changeait, ils devaient démolir leur maison de cartes et en reconstruire une nouvelle, brique par brique. C'est lent, épuisant et sujet aux erreurs.

C'est là qu'intervient EPIAGENT, présenté dans cet article.

🤖 Le Chef d'Orchestre Automatique

Imaginez EPIAGENT non pas comme un simple ordinateur, mais comme une équipe de chefs d'orchestre intelligents (des agents) qui travaillent ensemble pour composer une symphonie épidémique parfaite.

Voici comment ils fonctionnent, étape par étape, avec des analogies simples :

1. Le Dessin Préliminaire (Le Graphique de Flux)

Avant d'écrire une seule ligne de code, l'équipe ne se lance pas directement dans la construction. Ils dessinent d'abord un plan ou un schéma de circulation.

• L'analogie : Imaginez un plan de métro. Vous avez des stations (les compartiments : Sains, Exposés, Infectés, Guéris) et des lignes qui les relient.
• Le rôle de l'IA : Au lieu de demander à l'IA de tout inventer d'un coup, on lui demande d'abord de dessiner ce plan de métro. Si le plan montre un train qui va directement de la station "Sain" à la station "Guéri" sans passer par "Infecté", l'équipe dit : "Attendez, c'est impossible ! On ne peut pas guérir sans être malade." Ils rejettent le plan et demandent de le redessiner. Cela évite les erreurs fondamentales avant même de commencer le travail réel.

2. La Construction du Modèle (Le Code)

Une fois que le plan de métro est validé et approuvé par les experts, un autre agent (le "Bâtisseur") prend ce plan et construit la machine réelle : le code informatique qui va simuler la maladie.

• L'analogie : C'est comme un architecte qui prend le plan validé et construit le bâtiment. Si le plan était bon, le bâtiment a de grandes chances d'être solide.

3. Les Inspecteurs de Contrôle Qualité (Vérification et Validation)

C'est la partie la plus géniale. Avant de laisser le modèle tourner, une équipe d'inspecteurs rigoureux vient vérifier tout.

• L'inspecteur Mathématique : "Est-ce que le nombre de gens est négatif ? Impossible !" (Si le modèle dit qu'il y a -5 personnes infectées, il est rejeté).
• L'inspecteur Logique : "Est-ce que le nombre total de gens reste constant ?" (Si des gens disparaissent ou apparaissent de nulle part, c'est un problème).
• L'inspecteur de Scénario : "Si on augmente la vaccination, le nombre de malades devrait baisser. Si votre modèle dit qu'il augmente, c'est faux."

Si quelque chose ne va pas, le système ne se contente pas de dire "Erreur". Il envoie un message précis au "Bâtisseur" : "Tu as oublié la ligne qui relie les gens vaccinés à la protection. Ajoute-la et réessaie." C'est une boucle d'apprentissage continue, comme un élève qui corrige ses devoirs avec l'aide d'un professeur.

🎯 Pourquoi est-ce si important ?

Dans le monde réel, les situations changent vite. Un nouveau variant du virus apparaît, ou les règles de vaccination changent.

• L'ancienne méthode : Les scientifiques doivent tout réécrire à la main. C'est comme si chaque fois qu'il pleuvait, vous deviez réinventer l'ombrelle.
• La méthode EPIAGENT : Le système adapte automatiquement le modèle. Il prend la nouvelle information ("Il y a un nouveau variant"), met à jour le "plan de métro", vérifie que c'est logique, et reconstruit le simulateur en quelques minutes.

🌟 Le Résultat

Grâce à cette approche, EPIAGENT produit des modèles qui sont :

1. Fiables : Ils respectent les lois de la biologie (pas de gens négatifs, pas de magie).
2. Interprétables : On comprend pourquoi le modèle dit ce qu'il dit, car il est basé sur un plan logique clair.
3. Rapides : Il peut tester des milliers de scénarios (que se passe-t-il si on vaccine les enfants ? Et si on ferme les écoles ?) beaucoup plus vite qu'un humain.

En résumé : EPIAGENT est comme un assistant de génie qui aide les épidémiologistes à construire des "simulateurs de réalité" pour le futur. Il ne remplace pas les experts, mais il leur donne des super-pouvoirs pour tester des idées, éviter les erreurs bêtes et prendre de meilleures décisions pour protéger la santé publique. C'est passer de la construction manuelle d'une maison de cartes à l'impression 3D d'un gratte-ciel solide et sécurisé.

Résumé technique

1. Problématique

La modélisation épidémiologique est un outil essentiel pour la planification de la santé publique, permettant d'évaluer les stratégies d'intervention et de prédire la dynamique des maladies. Cependant, les approches traditionnelles reposent sur des classes de modèles fixes qui nécessitent une conception manuelle et une refonte par des experts à chaque évolution des agents pathogènes, des politiques ou des hypothèses de scénario. Ce processus itératif est lent, peu évolutif et limite la réactivité face aux crises sanitaires.

Bien que les grands modèles de langage (LLM) et les systèmes d'IA agentique aient démontré leur potentiel dans la synthèse de code et la découverte scientifique, leur application directe à la modélisation épidémiologique s'est révélée problématique. Une simple incitation (prompting) des LLM pour générer des modèles compartimentaux (comme SEIR) conduit souvent à :

• Des incohérences structurelles (transitions de compartiments invalides, par exemple une guérison directe sans infection).
• Des comportements fragiles et des solutions mathématiquement valides mais épidémiologiquement absurdes (ex. : populations négatives).
• Une difficulté à intégrer les contraintes physiques et les mécanismes causaux spécifiques aux scénarios.

L'objectif de ce travail est de déterminer si des systèmes agentiques peuvent être développés pour automatiser la construction, l'étalonnage et la vérification de modèles épidémiologiques tout en garantissant leur validité scientifique.

2. Méthodologie : EPIAGENT

Les auteurs introduisent EPIAGENT, un cadre agentique qui traite la synthèse de simulateurs épidémiologiques comme un problème de synthèse de programmes itérative. L'architecture repose sur une boucle de rétroaction multi-agents et une représentation intermédiaire clé : le graphe de flux épidémiologique.

Le processus se déroule en plusieurs étapes :

A. Représentation Intermédiaire : Le Graphe de Flux

Au lieu de générer directement du code, le système génère d'abord un graphe de flux épidémiologique ($G = (V, E)$).

• Ce graphe est une représentation abstraite des compartiments (S, E, I, R, etc.) et des transitions autorisées.
• Il sert de "squelette" structurel qui lie les spécifications du scénario (en langage naturel) à la structure mathématique du modèle.
• Cette étape permet de vérifier la validité structurelle avant la génération de code.

B. Pipeline Agentique

Le système utilise plusieurs agents spécialisés orchestrant le flux de travail :

1. Synthèse de Graphes Augmentée par la Connaissance (RAG) :

   • Les descriptions de scénarios sont enrichies par des connaissances épidémiologiques extraites d'une base de données (via FAISS et des embeddings).
   • Un agent génère un graphe de flux conditionné par ces connaissances et les contraintes du scénario.

2. Vérification du Graphe (Graph Verification) :

   • Un agent de vérification valide le graphe contre des contraintes structurelles strictes (ex. : pas de transition directe S $\to$ R, conservation de la masse, validité des transitions de vaccination).
   • Si le graphe échoue, un feedback structuré est renvoyé pour régénérer le graphe.

3. Génération de Code et Planification (LLM Planner) :

   • Une fois le graphe validé, un agent planificateur (LLM) transforme le graphe en code exécutable (simulateur dynamique, souvent des équations différentielles ordinaires - EDO).
   • Le code est généré à partir d'un squelette de code fixe (PyTorch) qui définit l'interface d'exécution, garantissant la reproductibilité et la différenciabilité.
   • Un module de récupération d'erreurs gère les erreurs d'exécution (types, stabilité numérique) et demande des corrections au code.

4. Étalonnage et Calibration :

   • Les paramètres du modèle ($\theta$) sont optimisés via une descente de gradient pour minimiser l'erreur entre les trajectoires simulées et les données observées (MSE sur les infections et décès).
   • Le système peut choisir entre des paramètres invariants dans le temps, variables dans le temps, ou des modèles hybrides intégrant des réseaux de neurones pour plus de flexibilité.

5. Validation et Vérification Multi-Agents (V&V) :

   • Module de Vérification : Vérifie la validité mathématique (non-négativité, conservation de la population, stabilité numérique).
   • Module de Raisonnement : Explique la structure du modèle pour assurer l'interprétabilité.
   • Module de Validation : Évalue la fidélité au scénario (ex. : une politique de vaccination doit réduire les infections).
   • Module de Feedback : Fournit des directives concrètes pour réviser la structure du modèle si les résultats sont valides numériquement mais incohérents épidémiologiquement.

3. Contributions Clés

1. Synthèse de graphes de flux augmentée par la récupération (RAG) : Une méthode pour combler le fossé entre les spécifications de scénarios en langage naturel et la structure mathématique, en générant des graphes respectant des contraintes structurelles rigides.
2. Mécanisme de compilation Graphe-à-Modèle : Un processus qui transforme les graphes vérifiés en simulateurs mécanistiques, fournissant un échafaudage explicite pour l'apprentissage des paramètres.
3. Architecture de Vérification et Validation (V&V) Multi-Agents : Un système où des agents spécialisés imposent la validité mathématique, la fidélité aux scénarios et l'interprétabilité mécanique, imitant le flux de travail des experts humains.
4. Évaluation Empirique : Démonstration que le cadre génère des simulateurs précis, capables de projections contrefactuelles cohérentes et de converger vers des structures valides plus rapidement que la génération non guidée.

4. Résultats

Les auteurs ont évalué EPIAGENT sur deux études de cas :

• Étude I : Modélisation de scénarios du COVID-19 Scenario Modeling Hub (19 rounds de scénarios).
• Étude II : Calibration d'un modèle comportemental SEIR standard sur des données réelles de surveillance épidémiologique.

Résultats principaux :

• Précision de l'étalonnage : Les simulateurs générés par EPIAGENT atteignent une précision élevée (faible erreur quadratique moyenne) sur les trajectoires observées, y compris pour des dynamiques complexes à plusieurs pics.
• Validité Structurelle : L'ajout de la vérification de graphes réduit drastiquement les erreurs structurelles. Sans vérification, plus de 87 % des projections étaient incorrectes en raison de graphes invalides.
• Cohérence Contrefactuelle : Les modèles répondent correctement aux variations de scénarios (ex. : augmentation de la couverture vaccinale entraîne une baisse monotone des infections ; forte évasion immunitaire augmente les cas). Ces comportements émergent de la structure apprise et non d'un encodage manuel.
• Impact de la boucle de feedback : La boucle de rétroaction agentique accélère significativement la convergence vers des modèles valides en corrigeant les violations structurelles (ex. : ajout de voies d'immunité décroissante) que la génération naïve omettrait.
• Ablation : L'étude montre que l'absence de graphes intermédiaires ou de récupération de connaissances conduit à des modèles simplistes ou structurellement erronés.

5. Signification et Impact

Ce travail marque une avancée significative dans l'automatisation de la modélisation scientifique :

• Passage de la génération de code à la génération de modèles valides : EPIAGENT ne se contente pas de produire du code qui "fonctionne", mais garantit que le code respecte les lois épidémiologiques fondamentales.
• Scalabilité et Réactivité : Le cadre permet de générer rapidement des modèles adaptés à de nouveaux variants ou politiques sans intervention manuelle lourde, crucial pour la réponse aux pandémies.
• Interprétabilité : Contrairement aux modèles "boîte noire" (comme les réseaux de neurones purs), EPIAGENT produit des modèles mécanistiques interprétables, essentiels pour la prise de décision en santé publique.
• Mimétisme de l'expertise : En intégrant des boucles de vérification et de feedback similaires à celles des épidémiologistes humains, le système démontre le potentiel des agents IA pour reproduire et amplifier l'expertise humaine dans des domaines scientifiques complexes.

En conclusion, EPIAGENT propose une nouvelle approche robuste pour la modélisation épidémiologique, combinant la puissance générative des LLM avec des contraintes structurelles rigides et une vérification multi-niveaux pour produire des outils d'aide à la décision fiables et scientifiques.