Agentic Framework for Epidemiological Modeling

Il paper presenta EPIAGENT, un framework agentic che automatizza la sintesi, la calibrazione e la verifica di simulatori epidemiologici attraverso un'intermediazione a grafo di flusso, garantendo modelli meccanicistici coerenti e accelerando la convergenza verso proiezioni valide rispetto ai metodi tradizionali.

L'essenziale

Immagina di dover costruire un modello di un'auto per prevedere come si comporterà in una gara. Tradizionalmente, gli ingegneri (gli epidemiologi) dovevano disegnare ogni singolo ingranaggio a mano, cambiare le ruote se cambiava la strada e riscrivere tutto se il motore si rompeva. Era un lavoro lento, costoso e soggetto a errori umani.

EPIAGENT è come un capo officina robotico super-intelligente che non solo costruisce l'auto, ma la ripara, la testa e la migliora da solo mentre guida.

Ecco come funziona, passo dopo passo, con delle metafore:

1. Il Problema: Il "Cantiere" Tradizionale

Fino a poco tempo fa, per studiare un virus (come il COVID o l'influenza), gli scienziati dovevano scrivere manualmente equazioni matematiche complesse. Se il virus mutava o se cambiava una regola (es. "tutti devono vaccinarsi"), gli scienziati dovevano fermarsi, cancellare il vecchio disegno e ricominciare da capo.

• Il rischio: Se sbagliavi un ingranaggio nel disegno, l'auto si rompeva e le previsioni erano sbagliate, ma nessuno se ne accorgeva subito.

2. La Soluzione: EPIAGENT (Il Team di Robot)

Gli autori hanno creato un sistema chiamato EPIAGENT. Non è un singolo robot, ma un team di esperti artificiali che lavorano insieme, proprio come un reparto di un ospedale o una redazione di un giornale.

Ecco i "personaggi" di questo team:

A. Il Traduttore (RAG & Knowledge Retrieval)

Prima di costruire, il sistema legge tutti i libri di medicina e le regole del virus.

• Metafora: È come se il robot consultasse un'enciclopedia medica prima di toccare un cacciavite. Se gli chiedi di modellare un virus che si nasconde nei polmoni, lui sa che deve includere quella parte specifica nel disegno.

B. L'Architetto del Flusso (Flow Graph Synthesis)

Invece di scrivere subito il codice (il motore dell'auto), l'AI disegna prima una mappa schematica (un grafo).

• Metafora: Immagina di disegnare lo schema di un tubo dell'acqua. L'AI disegna: "L'acqua entra qui (Sani), passa attraverso un filtro (Infezione), esce qui (Guariti) o finisce nel secchio (Deceduti)".
• Il trucco: Prima di costruire il tubo vero e proprio, un Ispettore controlla la mappa. Se l'AI ha disegnato un tubo che va dai "Guariti" direttamente ai "Deceduti" senza passare per l'infezione, l'Ispettore grida: "STOP! Questo è impossibile!" e fa rifare il disegno. Questo evita errori costosi prima ancora di iniziare a costruire.

C. Il Costruttore (Simulator Generation)

Una volta che la mappa è approvata, un altro robot (il "Planner") scrive il codice vero e proprio per far girare la simulazione.

• Metafora: È il meccanico che assembla il motore basandosi sulla mappa approvata. Se il motore fa un rumore strano (errore di codice), un Assistente di Riparazione lo sente, legge il manuale degli errori e dice al meccanico: "Hai montato questo ingranaggio al contrario, giralo!".

D. Il Controllore di Qualità (Multi-Agent V&V)

Prima di lanciare la previsione, il sistema fa una prova generale.

• Cosa controlla?
  • Logica: "Se ci sono 100 persone, non possono diventare 105 persone magicamente" (Conservazione della massa).
  • Realtà: "Il numero di malati non può diventare negativo".
  • Coerenza: "Se aumentiamo i vaccini, il numero di malati deve scendere, non salire".
• Se qualcosa non va, il sistema non si arrende: impara dall'errore, modifica il disegno e riprova. È come un allenatore che corregge la postura di un atleta fino a quando non è perfetta.

3. Perché è così speciale? (I Risultati)

Il paper mostra che questo sistema:

1. Non si perde: Anche se il virus cambia o le regole diventano complicate, il sistema si adatta da solo senza che un umano debba riscrivere tutto.
2. È onesto: Non inventa numeri per far sembrare che il modello funzioni. Se il modello è sbagliato, lo dice e lo ripara.
3. Simula il futuro: Può rispondere a domande del tipo: "Cosa succederebbe se vaccinassimo solo gli anziani?" o "Cosa succede se il virus diventa più resistente?". E lo fa con una logica che rispetta le regole della biologia.

In Sintesi

Immagina di avere un laboratorio di epidemie automatico.

• Tu gli dici: "Ehi, immagina un virus nuovo con queste regole."
• L'AI disegna la mappa, la fa controllare da un ispettore, costruisce il modello, lo testa, vede se ci sono buchi, lo ripara e infine ti dice: "Ecco cosa succederà nei prossimi mesi, ed ecco perché."

EPIAGENT trasforma la modellazione epidemiologica da un'arte manuale e lenta in un processo industriale, veloce e sicuro, aiutando i governi a prendere decisioni migliori per proteggere la salute di tutti.

Sommario tecnico

1. Il Problema

La modellazione epidemiologica è uno strumento fondamentale per la pianificazione sanitaria pubblica, ma gli approcci tradizionali presentano limitazioni significative:

• Rigidità e Intervento Manuale: I modelli esistenti si basano su classi fisse che richiedono una riprogettazione manuale ogni volta che cambiano i patogeni, le politiche o le ipotesi sugli scenari (es. nuove varianti, cambiamenti nell'immunità).
• Scalabilità: Il processo iterativo di ridisegnare strutture, revisionare la logica di transizione e reimplementare simulatori è lento e non scalabile.
• Limiti dei Modelli LLM Diretti: L'uso ingenuo dei Large Language Models (LLM) per generare direttamente modelli compartimentali (es. SEIR) e codice di simulazione porta spesso a inconsistenze strutturali, comportamenti fragili e violazioni delle leggi epidemiologiche di base.
• Necessità di Interpretabilità: I modelli "black-box" (come le reti neurali pure) sono difficili da interpretare, mentre i modelli meccanicistici richiedono validità fisica e coerenza logica per supportare decisioni critiche.

2. Metodologia: EPIAGENT

Il paper introduce EPIAGENT, un framework basato su agenti AI che automatizza la sintesi, la calibrazione, la verifica e il raffinamento di simulatori epidemiologici. Il sistema tratta la costruzione del modello come un problema di sintesi di programmi iterativo.

Architettura e Flusso di Lavoro

Il processo si articola in diverse fasi guidate da agenti specializzati:

1. Parsing dello Scenario e Recupero Conoscenze (RAG):

   • Le specifiche dello scenario in linguaggio naturale vengono arricchite recuperando conoscenze epidemiologiche da un corpus curato (usando embedding e FAISS).
   • Questo crea un prompt "arricchito" che vincola la generazione successiva alla teoria epidemiologica consolidata.

2. Sintesi del Grafo di Flusso Epidemiologico (Intermediate Representation):

   • Innovazione Chiave: Invece di generare codice direttamente, il sistema genera prima un Grafo di Flusso Epidemiologico (Flow Graph).
   • Questo grafo è una rappresentazione astratta dei compartimenti (es. S, E, I, R) e delle transizioni ammissibili.
   • Un agente di Verifica del Grafo controlla vincoli strutturali rigidi (es. non è possibile una transizione diretta da Suscettibile a Guarito senza passare per Infetto; la morte deve provenire solo da stati gravi). I grafi non validi vengono rigenerati con feedback strutturato.

3. Compilazione da Grafo a Modello (Code Generation):

   • Un Agente Pianificatore (LLM Planner) trasforma il grafo verificato in codice eseguibile (simulatori basati su equazioni differenziali ordinarie - ODE).
   • Il codice viene generato all'interno di uno "scheletro" (skeleton code) predefinito che fissa l'interfaccia di esecuzione, garantendo riproducibilità e differenziabilità.
   • Un modulo di Recupero Errori monitora l'esecuzione: se si verificano errori numerici o strutturali, il codice viene corretto automaticamente.

4. Calibrazione e Ottimizzazione:

   • I parametri del modello (es. tassi di trasmissione $\beta$, recupero $\gamma$) vengono calibrati sui dati osservati utilizzando ottimizzazione basata su gradienti (MSE).
   • Il sistema supporta modelli a parametri invarianti nel tempo, variabili nel tempo o ibridi (meccanicistici + componenti neurali).

5. Verifica e Validazione Multi-Agente (V&V):

   • Un ciclo di feedback finale verifica:
     • Validità Meccanicistica: Coerenza tra il codice e il grafo, non-negatività delle popolazioni, conservazione della massa.
     • Coerenza dello Scenario: Il modello risponde logicamente alle variazioni degli scenari (es. se aumenta la vaccinazione, le infezioni devono diminuire).
     • Interpretabilità: Gli agenti spiegano le scelte strutturali e i parametri.

3. Contributi Chiave

1. Sintesi di Grafi di Flusso Arricchita da Recupero (RAG): Un approccio che colma il divario tra specifiche di scenario e struttura matematica, generando grafi che soddisfano vincoli strutturali rigidi e transizioni compartimentali valide.
2. Meccanismo di Compilazione Grafo-Modello: Trasforma grafi verificati in simulatori meccanicistici, fornendo un'impalcatura strutturale esplicita per l'apprendimento dei parametri.
3. Architettura di Verifica e Validazione Multi-Agente: Un sistema in cui agenti specializzati impongono proprietà di correttezza (validità matematica, fedeltà allo scenario, interpretabilità meccanicistica) e forniscono feedback azionabili, mimando il flusso di lavoro degli esperti umani.
4. Validazione Empirica: Dimostrazione che il framework produce modelli che non solo si adattano ai dati, ma generano proiezioni controfattuali epidemiologicamente coerenti.

4. Risultati Sperimentali

Il framework è stato valutato su due studi di caso principali:

• Studio di Caso I (MIDAS Network): 19 round di scenari di modellazione COVID-19.
  • Risultato: EPIAGENT ha catturato dinamiche di crescita complesse e ha prodotto proiezioni controfattuali coerenti (es. l'impatto di diverse strategie di vaccinazione e fuga immunitaria).
  • Ablation Study: La rimozione della verifica del grafo ha portato a errori strutturali in oltre l'87% dei casi. La rimozione della conoscenza esterna (RAG) ha portato a modelli troppo semplici che ignoravano meccanismi specifici dello scenario.
• Studio di Caso II (Modelli Comportamentali SEIR): Calibrazione su dati reali di sorveglianza da quattro località diverse.
  • Risultato: Il sistema ha recuperato e implementato con successo un modello comportamentale standard (DDB), producendo proiezioni probabilistiche accurate che catturano picchi e tendenze temporali.

Prestazioni: I modelli generati hanno mostrato un errore medio (MAE) e RMSE inferiori rispetto a modelli dinamici invarianti nel tempo, avvicinandosi alle prestazioni di modelli ibridi neurali, ma mantenendo la trasparenza meccanicistica.

5. Significato e Impatto

• Automazione del Flusso di Lavoro Esperto: EPIAGENT dimostra che i sistemi agentic possono emulare il processo di pensiero degli epidemiologi, passando dalla definizione dello scenario alla validazione del modello, riducendo drasticamente il tempo di sviluppo.
• Robustezza Strutturale: L'uso di una rappresentazione intermedia (il grafo di flusso) e la verifica rigorosa prevengono la generazione di modelli "degenerati" (es. con popolazioni negative o transizioni impossibili) che potrebbero avere un basso errore statistico ma essere scientificamente privi di senso.
• Decisioni Sanitarie: Fornisce uno strumento scalabile per supportare la politica sanitaria in scenari in rapida evoluzione, garantendo che le proiezioni siano sia accurate nei dati che logicamente valide nella struttura causale.
• Futuro: Il lavoro apre la strada all'uso di agenti AI per la sintesi di modelli scientifici complessi in altri domini, spostando il focus dalla semplice generazione di codice alla generazione di conoscenza strutturata e verificata.