📊 epidemiology

DELENDA: Differentiable Epidemiology for Latent-state Estimation and Nonlinear Decision Analysis

DELENDA is een differentieerbaar, op JAX gebaseerd compartimenteel model dat efficiënte Bayesiaanse kalibratie en beperkte optimalisatie mogelijk maakt om malaria-interventiestrategieën af te stemmen op subnationale settings, terwijl biologische, operationele en kostenonzekerheden expliciet worden meegewogen.

Oorspronkelijke auteurs: Suresh, J.

Gepubliceerd 2026-07-15

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Suresh, J.

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Stel je voor dat je de kapitein bent van een enorm schip dat probeert te navigeren door een stormachtige zee van malaria. Je hebt een beperkte voorraad brandstof (geld) en een heleboel verschillende instrumenten om de storm te bestrijden: muskietennetten, sprays, medicijnen voor kinderen en vaccins. De grote vraag is: welke instrumenten gebruik je, hoeveel van elk, en in welke volgorde, om de meeste levens te redden zonder dat je brandstof opraakt?

Lama tijd probeerden wetenschappers die dit probeerden te beantwoorden, als chefs te koken in het donker. Ze hebben complexe recepten (modellen) die hen vertellen hoe malaria zich verspreidt, maar deze recepten zijn zo ingewikkeld dat ze de gerechten niet gemakkelijk kunnen proeven terwijl ze koken. Ze moeten ingrediënten raden, het hele gerecht bereiden, proeven, beseffen dat het te zout is, en dan weer helemaal opnieuw beginnen. Dit is traag, en het maakt het moeilijk om te weten hoe de "smaak" (het resultaat) zou veranderen als ze één specerij zouden aanpassen.

Maak kennis met DELENDA (een naam geïnspireerd door de oude Romeinse frase "Carthago moet vernietigd worden", maar hier betekent het "Malaria moet vernietigd worden"). Dit artikel introduceert een nieuw soort "slimme keuken" die de chef in staat stelt om het gerecht te proeven terwijl hij aan het koken is, en het recept direct aan te passen.

Het magische ingrediënt: Een "proeven-onderweg"-model

De auteurs bouwden een computermodel dat differentieerbaar is. In gewone taal betekent dit dat het model glad en verbonden is op een manier die een computer in staat stelt om precies te berekenen hoe een kleine verandering in één ingrediënt (zoals de kosten van een net) door het hele systeem rimpelt om de uiteindelijke uitkomst te veranderen.

In plaats van raden en controleren, gebruikt het model een wiskundige "gradiënt" (zoals een helling) om rechtstreeks naar de beste oplossing te glijden. Het is alsof je een GPS hebt die niet alleen vertelt waar je bent, maar ook direct de snelste route naar je bestemming berekent, ongeacht de verkeersdrukte.

De grote test: Een malaria-gevecht simuleren

De onderzoekers hebben het model niet alleen gebouwd; ze hebben het aan het werk gezet in een gesimuleerde wereld. Ze voerden het model gegevens uit acht verschillende locaties in Afrika (waaronder vijf echte locaties en drie dorpen uit een beroemd project uit de jaren 1970, het Garki Project). Ze leerden het model om overeen te komen met echte wereldgegevens over hoeveel mensen malaria hadden en hoeveel mensen ziek werden.

Zodra het model "gekalibreerd" (getraind) was, vroegen ze het om een moeilijke puzzel op te lossen: Hoe geef je een budget van variërend van $1 tot $25 per persoon over drie jaar uit om de meeste malariagevallen te voorkomen? Ze testten dit over verschillende niveaus van muskietengevaar (van laag tot zeer hoog) en voor twee verschillende doelen: het redden van de meeste kinderen onder de vijf, of het redden van de meeste mensen van alle leeftijden.

Wat ze ontdekten (De drie grote conclusies)

1. Het "beste plan" is robuust, maar het "resultaat" is een gok
De meest verrassende bevinding is dat de rangschikking van instrumenten zeer stabiel is. Of de wetenschappers nu onzekerheid toevoegden over hoe muskieten zich gedragen, hoe goed de medicijnen werken of hoeveel de dingen kosten, het model bleef steeds dezelfde volgorde van instrumenten kiezen:

Eerst: Muskietennetten (ITN's). Dit is het werkpaard.
Tweede: Seizoensgebonden medicijnen voor kinderen (SMC).
Derde: Vaccins.
Laatst: Binnenruimtebespuiting (IRS), wat duur is en later komt.

Hoewel de rangschikking niet veel veranderde, was de uitkomst echter een wilde rit. Wanneer ze alle onzekerheden toevoegden, varieerde het aantal voorkomen malariagevallen enorm. Het is alsof je weet dat je de snelweg moet nemen om de stad te bereiken, maar de verkeersopstoppingen (onzekerheid) betekenen dat je er ofwel 30 minuten of 3 uur over doet. Het artikel suggereert dat hoewel we vrij zeker kunnen zijn over wat we moeten kopen, we heel voorzichtig moeten zijn met het voorspellen van exact hoeveel levens het zal redden.

2. Wie je probeert te redden, verandelt het plan
Het doel is van belang. Als je de opdracht geeft om "de meeste kinderen onder de vijf te redden", haast het model zich om de seizoensgebonden medicijnen en vaccins direct bij de kinderen te krijgen. Maar als je zegt "red iedereen, jong en oud", houdt het model de vaccins voor kinderen in en geeft het meer geld uit aan binnenruimtebespuiting, wat de hele gemeenschap beschermt door muskieten te doden. Het artikel laat zien dat het verschuiven van het doel de strategie aanzienlijk verandert, meer dan de onzekerheid over kosten of insecten doet.

3. De "budgetval" en het vangnet
Hier is een lastig deel: Als je je budget plant op basis van de gemiddelde kosten van alles, heb je een kans van 42% tot 52% om zonder geld te komen zitten! Dat is alsof je een feestje plant op basis van de gemiddelde prijs van een pizza, om er vervolgens achter te komen dat je twee keer zoveel moet kopen vanwege een onverwachte prijsstijging.

Het artikel suggereert een slimmere manier: gebruik "tail-risk" regels. Dit betekent plannen voor het slechtste scenario (zoals de 90e percentiel van de kosten). Als je dit doet, geef je misschien iets minder uit aan malariapreventie (ongeveer 8–11% minder voorkomen gevallen), maar verlaag je de kans op het opraken van je geld tot slechts 4–10%. Het is een afweging: een beetje minder impact voor veel meer veiligheid.

Wat dit model NIET is

Het is belangrijk om te weten wat dit artikel niet doet.

Het is geen aanbeveling voor een specifische stad om er nu gebruik van te maken. De auteurs zeggen expliciet dat dit een "proof-of-concept" en een "methodologische casestudy" is. Ze gebruikten algemene gegevens, geen specifieke lokale details zoals de huidige resistentie tegen insecticiden of exacte lokale prijzen.
Het vervangt niet de supergedetailleerde, individuele simulators die elke persoon volgen in hun geschiedenis. De auteurs stellen dat voor grote vragen (zoals "welke instrumentklasse moeten we prioriteit geven?") een eenvoudiger, sneller model eigenlijk beter is, omdat het duizenden simulaties kan draaien om onzekerheid te begrijoren, terwijl die supergedetailleerde modellen te traag zijn om dat te doen.
Het beweert niet dat het malaria heeft opgelost. Het beweert een beter hulpmiddel te hebben gebouwd voor het nemen van beslissingen onder onzekerheid.

De kern van de zaak

Het artikel suggereert dat door de wiskunde "glad" en differentieerbaar te maken, we eindelijk een model kunnen draaien dat ons niet alleen één antwoord geeft, maar ons ook het hele spectrum aan mogelijkheden laat zien. Het vertelt ons dat hoewel de "beste" mix van instrumenten waarschijnlijk stabiel is, het werkelijke aantal geredde levens zeer onzeker is. En als we veilig met ons geld willen omgaan, moeten we plannen voor de worst-case kosten, zelfs als dat betekent dat we iets minder gevallen voorkomen.

Kortom: DELENDA is een nieuwe, snelle en flexibele kompas om te navigeren door de complexe, mistige wateren van malaria-bestrijding, die leiders helpt om niet alleen de bestemming te zien, maar ook de stormen die onderweg kunnen ontstaan.

Technische Samenvatting: DELENDA – Differentiële Epidemiologie voor Latente Toestandschatting en Niet-lineaire Besluitvormingsanalyse

Probleemstelling

Subnationale malaria-afstemming (SNT) is fundamenteel een probleem van allocatie op populatieniveau: bepalen welke interventies (bijv. muskietennetten met insecticiden [ITNs], seizoensgebonden malariaprofylaxe [SMC], binnenshuis residuële spray [IRS] en vaccins) prioriteit moeten krijgen, tegen welke dekking, en onder specifieke budgettaire en onzekerheidsrestricties.

Huidige workflows kampen met een dichotomie in modelleringsbenaderingen:

Eenvoudige modellen (bijv. Ross–Macdonald): Analytisch hanteerbaar, maar missen de biologische complexiteit (verworven immuniteit, leeftijdspecifiek risico, heterogeniteit) die nodig is voor genuanceerd beleid.
Complexe individuele modellen (bijv. EMOD, OpenMalaria): Rijk aan biologische details, maar computationeel duur en vaak niet-differentieerbaar. Dit beperkt hun nut bij onzekerheidsbewuste optimalisatie, waardoor analisten gedwongen worden te vertrouwen op scenario-sweeps of lokale sensitiviteitsanalyse in plaats van volledige posterior-propagatie.

De kernflessehals is dat modellen die in staat zijn tot rigoureuze Bayesiaanse kalibratie en continue beperkte optimalisatie vaak te grofmazig zijn, terwijl modellen met geavanceerde biologische representaties moeilijk te fitten en te integreren zijn in beslissingscycli die rekening moeten houden met onzekerheid in vectorbiologie, interventie-effectiviteit en kosten.

Methodologie

Het DELENDA-model

DELENDA is een deterministisch, gestructureerd compartimenteel model dat is ontworpen om deze kloof te overbruggen. Het volgt de populatiemassa over vier belangrijke biologische assen zonder individuele geschiedenissen te simuleren:

Leeftijd: 11 bins van 0 tot 75 jaar.
Heterogeniteit in beetrisico: 5 strata afgeleid van een exponentiële verdeling.
Immuniteit: Gediscretiseerd in 10 niveaus.
Multipliciteit van infectie (MOI): Tot 15 gelijktijdige infecties.

De menselijke toestandsdimensie is $5 \times 11 \times 10 \times 16 = 8.800$ compartimenten. Het model koppelt dit menselijke subsysteem aan een seizoensgebonden vectorsubsysteem (larven, vatbare, blootgestelde en infectieuze muggen).

Differentiële Implementatie

Het model is volledig geïmplementeerd in JAX, waardoor de voorwaartse simulatie end-to-end differentieerbaar is.

Solver: Gebruikt een exponential-Euler update met massa-behoudcorrecties voor stabiliteit.
Gradiënten: Maakt gebruik van een aangepaste vector-Jacobiaan product (VJP) first-order adjoint methode voor ODE-integratie, wat reverse-mode differentiatie door de solver mogelijk maakt.
Workflow: Dezelfde gecompileerde functie wordt gebruikt voor:
1. Posterior Kalibratie: Gebruik van gradiënten voor likelihood-gebaseerde fitting.
2. Beslissingsoptimalisatie: Gebruik van gradiënten voor continue beperkte optimalisatie over interventiedekking.

Kalibratie en Inferentie

Data: Gezamenlijk gekalibreerd op acht locaties: vijf dwarsdoorsnedesites (Tanzania, Senegal, Kenia) en drie pre-interventie dorpen uit het Garki Project (Nigeria). Data omvat leeftijdsgesegregeerde prevalentie en klinische incidentie.
Likelihood: Gebruikt bèta-binomial voor prevalentie en negatief-binomial voor incidentie.
Inferentie: Gebruikt Stochastic Variational Inference (SVI) voor initialisatie en een No-U-Turn Sampler (NUTS) voor de uiteindelijke posterior. De posterior bestaat uit 38 parameters (30 gedeelde natuurlijke historie/observatie parameters en 8 locatie-specifieke EIR-aanpassingen).

Beslissingsanalyse Framework

Het framework optimaliseert continue dekking ( $\theta_{int} \in [0, 0.9]^4$ ) voor ITNs, SMC, IRS en pediatrische vaccinatie.

Onzekerheidspropagatie: De analyse propageert onzekerheid uit vier bronnen:
1. De gekalibreerde posterior (biologische onzekerheid).
2. Vector-biologie priors (conditioneel op geobserveerde EIR).
3. Interventie-effectiviteit priors.
4. Kosten-priors (resident-equivalent kosten met convexe overhead).
Conditionering: Om vectoronzekerheid te isoleren, conditioneert het model op een doel-Entomologische Inoculatie Rate (EIR) door de larvale rekruteringsamplitude ( $K_{wet}$ ) op te lossen voor elke posterior/vector-draw.
Optimalisatie: Lost $\max_{\theta_{int}} E[\Delta Y]$ op onder budgetrestricties ( $\rho[C] \le B$ ), waarbij $\Delta Y$ de vermeden gevallen zijn. Drie budgetregels worden getest: Verwachte Kosten, 90e Percentiel Kosten ( $q_{90}$ ), en Conditional Value at Risk ( $CVaR_{90}$ ).

Belangrijkste Resultaten

1. Kalibratieprestaties

De NUTS-posterior reproduceert succesvol leeftijdsgesegregeerde prevalentie en klinische incidentie over een brede EIR-range (13 tot 329) en komt overeen met de infectiositeitstargets van het Garki Project. De posterior verkleint centrale schaalparameters, terwijl sommige vorm- en rijpingparameters zwakker geïnformeerd blijven, wat een realistische onzekerheidsverdeling oplevert.

2. Interventie Rangschikking en Robuustheid

In een setting met een sterk seizoensgebonden transmissie (gemodelleerd naar Dapelogo, Burkina Faso), is de geoptimaliseerde interventierangschikking robuust tegen onzekerheid:

ITNs krijgen prioriteit, met een bereik van 90% dekking bij budgetten van \ $3–\$ 5.
SMC verzadigt snel voor doelgroepen onder de vijf jaar.
Vaccins komen in beeld bij gematigde budgetten.
IRS verschijnt later als een kostbare toevoeging.
Impact van onzekerheid: Het toevoegen van posterior, vector, effectiviteit en kosten-onzekerheid verandert de geoptimaliseerde dekking-mix slechts marginaal (gemiddelde L1-verschuiving < 0,05). Het verbreedt echter aanzienlijk de distributie van de geprojecteerde vermeden gevallen (standaarddeviatie van 6,5–7,3 procentpunten).

3. Objectieve Sensitiviteit

De keuze van de objectievevenfunctie drijft grotere kwalitatieve veranderingen aan dan onzekerheid:

Optimalisatie onder de vijf jaar: Prioriteert SMC en vaccinatie eerder.
Optimalisatie voor alle leeftijden: Vertraagt vaccinatie en geeft de voorkeur aan IRS, dat de bredere populatie beschermt via vectorsterfte.

4. Kostenonzekerheid en Budgetregels

Kostenonzekerheid werkt primair als een restrictiezijde-probleem:

Optimalisatie op verwachte kosten leidt tot een hoge waarschijnlijkheid (42–52%) van budgetoverschrijdingen.
Tail-risk regels ( $q_{90}$ en $CVaR_{90}$ ): Deze regels verminderen de kans op overschrijding aanzienlijk (tot respectievelijk ~10% en ~4,5%), maar vereisen het opofferen van de verwachte impact (8–11% reductie in vermeden gevallen). Deze afweging stelt programma's in staat om de benodigde "operationele marge" voor budgetveiligheid te kwantificeren.

Betekenis en Claims

Het artikel positioneert DELENDA niet als een vervanging voor individuele-gebaseerde simulators in alle contexten, maar als een gespecialiseerd instrument voor populatieniveau-allocatieproblemen waar het besluitvormingsdoel een geaggregeerde last is.

Differentiabiliteit als Workflow-enabler: De primaire bijdrage is architecturaal. Door het compartimentele model differentieerbaar te maken, stelt DELENDA efficiënte Bayesiaanse inferentie en continue beperkte optimalisatie mogelijk. Dit maakt het mogelijk om de volledige biologische parameterruimte bloot te leggen aan posterior-kalibratie en deze mee te nemen naar de beslissingsoptimalisatie, een taak die met niet-differentieerbare modellen moeilijk is.
Uncertainty-First Benadering: Het framework demonstreert dat voor veel subnationale afstemmingsvragen de rangschikking van interventies robuuster is dan de geprojecteerde impact. De waarde van de aanpak ligt in het kwantificeren van de breedte van de impactdistributie rond een stabiel optimaal portfolio, in plaats van constant het portfolio zelf te verschuiven.
Operationele Relevantie: Het artikel claimt een herbruikbare workflow te bieden voor subnationale afstemming die de schattingsproblematiek (kalibratie) expliciet koppelt aan het beslissingsprobleem (optimalisatie), waardoor aanbevelingen robuust zijn tegen de aannames die ze genereerden.

De auteurs stellen expliciet dat de resultaten een "proof-of-concept" en een "methodologische casestudy" zijn in plaats van een direct inzetbare aanbeveling voor een specifere regio, waarbij zij opmerken dat operationeel gebruik lokale inputs vereist voor kosten, resistentie en implementatiebeperkingen.