Agentic Framework for Epidemiological Modeling

Dit paper introduceert EPIAGENT, een agentisch raamwerk dat epidemiologische simulatoren automatisch synthetiseert en verfijnt via een geïntermediaire flow-graph-representatie, waardoor robuuste, interpreteerbare modellen ontstaan die complex groeigedrag en tegenwerkelijke projecties nauwkeurig kunnen voorspellen.

De kern

Stel je voor dat je een zeer complexe, levende stad moet bouwen, waar mensen ziek worden, genezen, vaccinatie krijgen en soms overlijden. De regels van deze stad veranderen voortdurend: er komt een nieuwe virusvariant, de mensen dragen weer maskers, of de vaccinatiecampagne start.

Vroeger moesten epidemiologen (de experts die ziektes bestuderen) deze stad met de hand bouwen. Ze schreven de regels op, tekenden de kaarten en programmeerden de simulaties. Als de situatie veranderde, moesten ze alles weer van nul af aanpassen. Dit was traag, duurde lang en kon makkelijk fouten bevatten.

Dit artikel introduceert EPIAGENT: een slimme, robotische assistent die deze stad automatisch ontwerpt, bouwt en controleert.

Hier is hoe het werkt, vertaald in alledaagse taal:

1. De Architect en de Blauwdruk (De Flow Graph)

Stel je voor dat je een huis wilt bouwen. Je kunt niet zomaar beginnen met bakstenen leggen; je hebt eerst een blauwdruk nodig.

• Het probleem: Als je een AI vraagt om direct een computerprogramma te schrijven voor een ziekte, maakt die vaak rare fouten. Bijvoorbeeld: de AI denkt dat iemand direct van "gezond" naar "genezen" kan gaan zonder eerst ziek te zijn, of dat iemand kan genezen terwijl ze nog in quarantaine zitten. Dit is biologisch onmogelijk.
• De oplossing van EPIAGENT: In plaats van direct te programmeren, laat EPIAGENT eerst een blauwdruk maken (een zogenaamde "flow graph"). Dit is een visueel plaatje van de regels: Mensen gaan van Gezond -> Ziek -> Genezen.
• De controle: Voordat er ook maar één regel code wordt geschreven, kijkt een "inspecteur" (een andere AI-agent) naar deze blauwdruk. "Mag iemand hier direct genezen?" Nee. "Mag iemand sterven zonder eerst ziek te zijn?" Nee. Als de blauwdruk fout is, wordt hij weggegooid en opnieuw getekend. Pas als de blauwdruk perfect is, gaat de bouw beginnen.

2. De Bouwvakkers en de Controleurs (De Agenten)

EPIAGENT werkt niet met één robot, maar met een team van specialisten die samenwerken, net als een goed georganiseerd bouwbedrijf:

• De Ontwerper (Knowledge Retrieval): Deze agent kijkt in een enorme bibliotheek met medische boeken en artikelen. Als de opdracht is om een nieuwe variant te modelleren, zoekt deze agent op: "Hoe werkt een nieuwe variant?" en voegt die kennis toe aan het ontwerp.
• De Bouwmeester (Code Generator): Zodra de blauwdruk is goedgekeurd, bouwt deze agent het daadwerkelijke computerprogramma. Hij zorgt dat de wiskunde klopt en dat het programma draait.
• De Kwaliteitscontroleur (Verification): Deze agent is streng. Hij kijkt of het programma niet "dwaalt". Bijvoorbeeld: "Zijn er nu negatieve aantallen mensen?" (Dat kan niet, je kunt niet -5 mensen hebben). Of: "Is het totaal aantal mensen constant?" (Mensen verdwijnen niet uit het niets). Als er een fout is, stuurt hij het programma terug naar de Bouwmeester met een lijstje: "Hier moet je het aanpassen."
• De Scenario-Test (Validation): Deze agent test of het programma zich gedraagt zoals verwacht. Als we zeggen: "Als we meer vaccineren, moeten er minder mensen ziek worden", dan moet het programma dat ook laten zien. Als het programma zegt: "Meer vaccineren zorgt voor meer zieken", dan is het programma fout, zelfs als de wiskunde klopt.

3. Het Leerproces (Iteratie)

Het mooie aan EPIAGENT is dat het leert van zijn fouten.
Stel, de eerste versie van het programma is niet goed. De controleurs zeggen: "Je bent vergeten dat de immuniteit na verloop van tijd afneemt." De ontwerper hoort dit, past de blauwdruk aan, en de bouwmeester bouwt het opnieuw. Dit proces gaat door totdat het programma perfect is. Het is alsof een meester-epidemioloog continu met de AI meekijkt en zegt: "Nee, zo werkt het niet, probeer het anders."

Waarom is dit belangrijk?

• Snelheid: Waar mensen dagen nodig hebben om een model aan te passen, doet de AI dit in minuten.
• Veiligheid: Omdat er eerst een blauwdruk wordt gecontroleerd, zijn de fouten die in de oude methoden vaak voorkwamen (zoals onmogelijke ziekteverloop) nu bijna onmogelijk.
• Betrouwbaarheid: De AI levert modellen die niet alleen de cijfers goed voorspellen, maar ook logisch kloppen. Ze kunnen zelfs "wat-zou-er-gebeurd-zijn" scenario's (counterfactuals) maken, zoals: "Wat zou er gebeurd zijn als we in 2020 eerder hadden gevaccineerd?"

Samenvattend

EPIAGENT is als een slimme, onfatsoenlijke architect die samenwerkt met een team van strenge inspecteurs. In plaats van dat één mens alles moet bedenken en controleren, werkt dit systeem als een machine die eerst de regels tekent, die regels laat controleren, en pas daarna het gebouw bouwt. Hierdoor krijgen we snellere, veiligere en betrouwbaardere voorspellingen over ziektes, wat helpt om betere beslissingen te nemen voor de volksgezondheid.

Technische samenvatting

Titel: Agentic Framework for Epidemiological Modeling (EPIAGENT)

Auteurs: Rituparna Datta, Zihan Guan, Baltazar Espinoza, Yiqi Su, Priya Pitre, Srini Venkatramanan, Naren Ramakrishnan, Anil Vullikanti.

---

1. Het Probleem

Traditionele epidemiologische modellering is essentieel voor de volksgezondheid, maar leunt zwaar op handmatige ontwerpen en expertinterventie. Wanneer nieuwe varianten ontstaan, beleidsmaatregelen veranderen of immuniteitsaannames verschuiven, moeten epidemiologen de modelstructuren handmatig herontwerpen, de transitie-logica aanpassen en simulatoren opnieuw implementeren. Dit proces is iteratief, tijdrovend en schaalt niet goed.

Hoewel Large Language Models (LLMs) en agentische AI-systemen succesvol zijn gebleken in code-generatie en wetenschappelijk onderzoek, zijn ze nog niet effectief toegepast op epidemiologische modellen. Naïeve prompts aan LLMs leiden vaak tot structurele inconsistenties (bijv. onmogelijke overgangen tussen compartimenten) en fragiel gedrag. De uitdaging ligt in het creëren van systemen die niet alleen code genereren, maar ook strikte epidemiologische en mechanistische geldigheid garanderen.

2. Methodologie: EPIAGENT

EPIAGENT is een agentisch framework dat epidemiologische simulatoren automatisch synthetiseert, kalibreert, verifieert en verfijnt door ziekteprogressie te modelleren als een iteratief probleem van programmasynthese. De kern van de architectuur is een expliciete tussenliggende representatie: een epidemiologische flow graph.

Het proces verloopt in de volgende fasen:

A. Scenario Parsing en Kennisverrijking

• Het systeem neemt een natuurlijke taalbeschrijving van een scenario (bijv. vaccinatiebeleid, immuunontsnapping) als input.
• Via Retrieval-Augmented Generation (RAG) wordt relevant epidemiologisch domeinkennis opgehaald uit een verzorgde corpus (bijv. handboeken over SEIR-modellen) om de prompt te verrijken.

B. Synthese van Flow Graphs (De Kern)

• In plaats van direct code te genereren, bouwt een agent eerst een gericht epidemiologisch flow graph ($G = (V, E)$).
• Nodes vertegenwoordigen gezondheidscompartimenten (bijv. Susceptible, Exposed, Infectious, Recovered, Deceased).
• Edges vertegenwoordigen toegestane overgangen, geparametriseerd door ziekteparameters ($\theta$).
• Deze graaf wordt onderworpen aan een iteratieve verificatielus:
  • Structurele verificatie: Controleert op harde constraints (bijv. geen directe overgang van Susceptible naar Recovered zonder infectie, behoud van populatiemassa).
  • Scenario-consistentie: Verifieert of de graaf logisch past bij de specifieke scenario-aannames (bijv. waning immunity).
  • Onjuiste grafieken worden verworpen en de agent krijgt gestructureerde feedback om ze opnieuw te genereren.

C. Generatie van Simulator Code

• Eenmaal een geldige flow graph is geverifieerd, vertaalt een LLM Planner Agent deze naar een systeem van gewone differentiaalvergelijkingen (ODE's) en uitvoerbare code (PyTorch).
• De code wordt gegenereerd binnen een vast skeleton (geraamte) dat de uitvoeringsinterface definieert, maar de epidemiologische logica vrijlaat.
• Een Error Recovery Module monitort de uitvoering en corrigeert fouten (zoals shape mismatches of numerieke instabiliteit) automatisch.

D. Kalibratie en Multi-Agent Verificatie & Validatie (V&V)

• Kalibratie: De parameters ($\theta$) worden getraind op observatiegegevens (bijv. infectie- en sterftecijfers) via gradient-based optimalisatie (MSE loss).
• Multi-Agent V&V: Een set gespecialiseerde agenten controleert het resultaat:
  1. Verification Agent: Controleert numerieke correctheid (geen negatieve populaties, behoud van massa, stabiliteit).
  2. Reasoning Agent: Legt de modelkeuzes uit en identificeert structurele oorzaken van fouten.
  3. Validation Agent: Beoordeelt of de uitkomsten plausibel zijn en consistent met het scenario (bijv. leidt meer vaccinatie tot minder infecties?).
  4. Feedback Agent: Geeft actiegericht feedback om de structuur te verbeteren als de loss niet daalt of de logica onjuist is.

3. Belangrijkste Bijdragen

1. Retrieval-Augmented Flow Graph Synthesis: Een methode die scenario-specificaties koppelt aan wiskundige structuur door eerst een verifieerbare flow graph te genereren, wat de robuustheid van het model aanzienlijk verhoogt.
2. Graph-to-Model Compilation: Een mechanisme om geverifieerde grafieken om te zetten in mechanische simulatoren, wat een expliciete structuur biedt voor het leren van parameters onder fysieke en epidemiologische constraints.
3. Multi-Agent V&V Architectuur: Een systeem waarin gespecialiseerde agenten wiskundige geldigheid, scenario-trouw en mechanistische interpreteerbaarheid afdwingen, wat het werk van expert-epidemiologen nabootst.
4. Empirische Validatie: Bewijs dat het framework complexe groeidynamieken kan vastleggen en epidemiologisch consistente contrafactuele projecties produceert, superieur aan ongestuurde generatie.

4. Resultaten

Het framework werd geëvalueerd op twee casestudies:

• Case Study I (COVID-19 Scenario Modeling Hub): EPIAGENT genereerde simulatoren voor 19 scenario-rondes met verschillende vaccinatie- en immuniteitsaannames.
  • De gegenereerde modellen toonden sterke epidemiologische consistentie: hogere immuniteitsontsnapping leidde tot meer infecties, en bredere vaccinatie leidde tot een monotoon afname van de ziektebelasting.
  • De modellen waren in staat om contrafactuele scenario's correct te simuleren zonder handmatige codering.
• Case Study II (Behavioral SEIR Model): EPIAGENT slaagde erin een standaard "Data-Driven Behavioral" (DDB) model te reconstrueren en te kalibreren op real-world data uit vier verschillende locaties.
  • De projecties vingen de epidemische trends en piektijden nauwkeurig op, inclusief onzekerheidsintervallen.

Ablatiestudies toonden aan dat:

• Het verwijderen van flow-graph verificatie leidt tot epidemiologisch ongeldige structuren in >87% van de gevallen.
• Het verwijderen van externe kennis (RAG) resulteert in te simpele modellen die scenario-specifieke mechanismen missen.
• Directe generatie van code zonder tussenliggende graaf leidt tot frequente structurele fouten die moeilijk te detecteren zijn.

5. Betekenis en Conclusie

EPIAGENT vertegenwoordigt een paradigmaverschuiving in epidemiologische modellering. In plaats van dat experts elke keer handmatig modellen moeten herschrijven bij nieuwe crises, biedt dit framework een automatische, zelfcorrigerende cyclus die de integriteit, interpreteerbaarheid en betrouwbaarheid van modellen garandeert.

Door de tussenliggende flow graph en de multi-agent verificatie te gebruiken, voorkomt het systeem dat LLMs "halucineren" over onmogelijke ziekte-dynamieken. Het systeem convergeert sneller naar geldige modellen en bootst het workflow van een expert-epidemioloog na. Dit maakt het een krachtig hulpmiddel voor beleidsmakers om snel en betrouwbaar scenario's te evalueren in een zich snel veranderende publieke gezondheidswereld.

De auteurs benadrukken dat het systeem bedoeld is als ondersteuning voor besluitvorming en niet als een vervanging voor menselijke expertise, maar dat het wel de schaalbaarheid en snelheid van modelontwikkeling aanzienlijk verbetert.