Koopman Representations for Early Outbreak Warning and Minimal Counterfactual Intervention in Multi-Agent Epidemic Simulations

Resumo Técnico: Representações de Koopman para Alerta Precoce de Surtos e Intervenção Contrafactual Mínima

Declaração do Problema
O artigo aborda o desafio de prever e controlar resultados epidêmicos em sistemas complexos de múltiplos agentes próximos a pontos de virada críticos. Em regimes onde a transmissibilidade não é baixa o suficiente para garantir a extinção nem alta o suficiente para garantir um surto generalizado, o resultado final (contenção da disseminação vs. surto majoritário) é altamente sensível a pequenas perturbações nas condições iniciais, no timing ou nas interações locais. Modelos de compartimentos agregados tradicionais (por exemplo, SIR) frequentemente obscurecem a heterogeneidade individual e as estruturas de contato espaciais, enquanto modelos baseados em agentes (ABMs) geram dinâmicas não lineares de alta dimensão que são difíceis de resumir ou prever precocemente. O problema central é duplo: (1) Observações agregadas precoces de uma trajetória epidêmica em desenvolvimento podem prever de forma confiável se o sistema cruzará um limiar de surto majoritário? e (2) Se uma trajetória for prevista como perigosa, intervenções contrafactuais mínimas e localizadas (por exemplo, restringir a mobilidade de um único agente por um dia) podem alterar a trajetória de longo prazo do sistema para prevenir o surto?

Metodologia
Os autores propõem um framework computacional de três componentes:

1. Simulador Epidêmico Multi-Agente:

   • Ambiente: Uma grade espacial ($50 \times 50$) com 200 locais de residência fora da grade e 500 agentes.
   • Dinâmicas: Os agentes seguem rotinas diárias fixas com deslocamentos de fase, criando padrões de contato heterogêneos. A transmissão ocorre via co-localização em células da grade.
   • Progressão da Doença: Os agentes possuem categorias heterogêneas de suscetibilidade e imunidade (forte, média, baixa, comprometida), que ditam curvas de carga viral individuais. A carga viral determina a infectividade e as restrições comportamentais (por exemplo, agentes com altas cargas virais ficam confinados em casa).
   • Transmissão: Uma regra determinística de limiar baseada no produto da carga viral da fonte e na suscetibilidade do alvo.
   • Observáveis: O sistema registra contagens agregadas diárias (susceptíveis, infectados, recuperados, mortos, novos casos, infectados móveis vs. confinados) em vez de estados microscópicos completos para a tarefa de previsão.

2. Representação de Koopman e Alerta Precoce:

   • Aprendizado de Koopman: Os autores aprendem uma representação latente de baixa dimensão ($z_d \in \mathbb{R}^6$) de trajetórias epidêmicas precoces (janelas de 5 dias) usando um codificador neural. As dinâmicas neste espaço latente são aproximadas por uma matriz de transição linear ($A$), permitindo previsões de curto horizonte ($h=5$ dias) via $z_{d+1} \approx A z_d$.
   • Objetivo de Treinamento: O modelo minimiza a perda de reconstrução, a perda de linearidade latente e a perda de previsão multi-etapa.
   • Classificação: Um classificador Random Forest utiliza características derivadas da janela de observação precoce (estatísticas diretas) e do espaço latente de Koopman (coordenadas latentes e previsões) para prever a probabilidade de um surto majoritário (definido como uma taxa de ataque final $\rho \ge 0.3$).

3. Intervenção Contrafactual:

   • Protocolo: Para trajetórias previstas como de alto risco, o sistema realiza simulações contrafactuais. Um único agente é colocado em quarentena (forçado a ficar em casa) por um único dia selecionado, enquanto todos os outros parâmetros (sementes aleatórias, condições iniciais, rotinas) permanecem idênticos à linha de base.
   • Métricas: O sucesso da intervenção é medido pela redução na taxa de ataque final ($\Delta \rho$) e no pico de infectados. Uma intervenção é considerada "prevenidora de surtos" se deslocar a taxa de ataque final de $\ge 0.3$ para $< 0.3$.

Principais Contribuições

• Alerta Precoce Baseado em Koopman: O artigo demonstra que o aprendizado do operador de Koopman pode comprimir efetivamente trajetórias epidêmicas não lineares de múltiplos agentes de alta dimensão em um espaço latente de baixa dimensão que preserva informações relevantes para resultados de longo prazo.
• Integração de Características: Mostra que características derivadas de Koopman (estados latentes e previsões) são tão informativas quanto resumos epidemiológicos diretos (por exemplo, contagens de infecções ativas) para classificar o risco de surto, alcançando alta precisão com janelas de observação curtas.
• Análise de Intervenção Mínima: O estudo fornece um método sistemático para testar a modificabilidade de trajetórias próximas ao crítico. Estabelece que perturbações mínimas (um agente, um dia) podem alterar qualitativamente o regime do sistema, deslocando-o de um surto majoritário para extinção, desde que a intervenção ocorra antes que a cadeia de transmissão se torne autossustentável.
• Caracterização do Ponto de Virada: O trabalho caracteriza o regime "próximo ao crítico" onde configurações de parâmetros semelhantes produzem resultados divergentes, destacando a sensibilidade do sistema a sequências específicas de contato em vez de apenas taxas agregadas de transmissão.

Resultados Experimentais

• Conjunto de Dados: 10.200 execuções de simulação foram geradas com parâmetros de suscetibilidade variados estreitamente em torno de um ponto de transição (1,3015–1,3025), resultando em um conjunto de dados quase balanceado de execuções contidas (4.825) e de surto majoritário (5.375).
• Desempenho de Previsão:
  • O modelo Koopman isolado alcançou um ROC AUC de 0,9980 no nível da execução.
  • O classificador Random Forest, utilizando tanto características diretas quanto derivadas de Koopman, alcançou uma precisão de teste de 0,9958 e um ROC AUC de 0,9999 em janelas de 5 dias mantidas de fora.
  • A análise de importância das características confirmou que as características derivadas de Koopman contribuíram significativamente (22,49%) para a classificação, comparável às características diretas de séries de infectados (23,57%).
• Resultados de Intervenção:
  • Em casos contrafactuais ilustrativos, a quarentena de um único dia de um agente selecionado preveniu com sucesso surtos majoritários em várias instâncias, reduzindo a taxa de ataque final de ~0,69 para próximo de zero.
  • Em outros casos, o mesmo tipo de intervenção apenas atrasou o pico epidêmico ou reduziu a carga ativa máxima sem prevenir o surto final, demonstrando que a eficácia de intervenções mínimas depende fortemente da posição dinâmica específica da trajetória.

Significado e Alegações
O artigo alega fornecer um framework computacional para estudar comportamentos semelhantes a transições de fase em sistemas de múltiplos agentes. Seu significado principal reside no uso conjunto de previsão precoce e simulação contrafactual:

1. Identificação de Trajetórias Modificáveis: O framework identifica trajetórias onde o resultado ainda não está predeterminado e permanece sensível a pequenas perturbações.
2. Viabilidade de Intervenção Mínima: Demonstra que, em regimes próximos ao crítico, intervenções extremamente localizadas e temporárias podem ser suficientes para redirecionar um sistema longe de um resultado catastrófico, desafiando a noção de que apenas medidas amplas e populacionais são eficazes.
3. Ponte Metodológica: O trabalho conecta dinâmicas não lineares, análise espectral (via operadores de Koopman) e suporte à decisão baseado em dados, mostrando que representações latentes aprendidas podem servir tanto como ferramentas de previsão quanto como fontes de características para o planejamento de intervenções.

Os autores afirmam explicitamente que este é um estudo computacional controlado usando agentes abstratos e regras de transmissão simplificadas. Eles não alegam que os resultados constituem um sistema de decisão epidemiológico calibrado para aplicação no mundo real, mas sim uma prova de conceito para analisar pontos de virada e sensibilidade a intervenções em sistemas adaptativos complexos. Trabalhos futuros são sugeridos para incluir suposições mais ricas (vacinação, redes detalhadas) e políticas com restrições de custo.