Simulation-based inference for rapid Bayesian parameter estimation in epidemiological models: a comparison with MCMC

Resumo Técnico: Inferência Baseada em Simulação para Estimativa Bayesiana Rápida de Parâmetros em Modelos Epidemiológicos

Definição do Problema
Modelos epidemiológicos mecanísticos são essenciais para prever a dinâmica de doenças infecciosas e orientar decisões de saúde pública. No entanto, calibrar esses modelos a dados de vigilância usando inferência Bayesiana padrão, especificamente o Método de Monte Carlo via Cadeias de Markov (MCMC), é computacionalmente proibitivo para sistemas não lineares de alta dimensão. O MCMC requer milhares a milhões de avaliações de verossimilhança, levando dias ou meses para análises detalhadas. Essa latência impede a recalibração repetida e quase em tempo real necessária quando as condições epidêmicas mudam rapidamente, como ocorreu durante a pandemia de COVID-19. Os autores investigam se a Inferência Baseada em Simulação (SBI), especificamente a Estimativa de Posterior Neural (NPE), pode servir como uma alternativa escalável e computacionalmente eficiente para a calibração Bayesiana sem sacrificar a fidelidade da distribuição posterior.

Metodologia
O estudo utiliza um modelo compartimental SECIR (Suscetível-Exposto-Infectado-Sintomático-Grave-Crítico-Recuperado-Morto) mecanístico implementado no framework MEmilio para simular a dinâmica da COVID-19 na Alemanha durante 2020. O modelo é ajustado a dados de ocupação de Unidades de Cuidados Intensivos (UCI), escolhidos por sua relevância direta para a carga hospitalar e menor sensibilidade à variabilidade de testes em comparação com contagens de casos.

• Alvos de Inferência: O modelo Bayesiano estima cinco parâmetros de progressão de doença epidemiológica (tempos de transição e probabilidades) e uma taxa de contato efetiva variante no tempo, representada por uma grade de fatores de redução ($r_k$).
• Método de Referência (MCMC): Um algoritmo de evolução diferencial de Metropolis-Z (DE-MZ) é usado para gerar as distribuições posteriores de referência. Este método roda inteiramente em hardware CPU e depende de avaliações explícitas de verossimilhança usando uma distribuição t de Student para erros de observação.
• Método Proposto (SBI/NPE): Os autores empregam a Estimativa de Posterior Neural Amortizada.
  1. Treinamento: Um estimador de densidade neural (Fluxo Autorregressivo Mascarado, MAF) é treinado em um grande conjunto de dados de pares parâmetro-trajetória simulados $(\theta, \hat{X})$. Parâmetros são amostrados de distribuições a priori e o simulador SECIR gera trajetórias de UCI sintéticas.
  2. Arquitetura: Uma Rede Neural Convolucional (CNN) incorpora a série temporal em uma representação de características de baixa dimensão, que condiciona o MAF para aproximar o posterior $p(\theta | X)$.
  3. Inferência: Uma vez treinada, a rede gera rapidamente amostras posteriores para dados observados sem novas avaliações de verossimilhança.
• Avaliação: O estudo compara SBI e MCMC através de três janelas de inferência de 31 dias (representando distintas fases epidêmicas) e uma janela de reconstrução desafiadora de 201 dias envolvendo múltiplos pontos de mudança de transmissão. O acordo é quantificado usando a distância 1-Wasserstein e a divergência de Kullback–Leibler (KL) entre os marginais posteriores, juntamente com verificações preditivas posteriores (RMSE e intervalos de credibilidade).

Principais Contribuições

1. Estrutura Comparativa: O artigo fornece uma comparação rigorosa e direta entre SBI e MCMC para um modelo epidemiológico complexo de alta dimensão, indo além da simples precisão preditiva para avaliar o acordo estrutural das distribuições posteriores inferidas.
2. Demonstração de Escalabilidade: Os autores demonstram que o SBI pode reduzir o tempo de execução da inferência em aproximadamente uma ordem de magnitude para janelas curtas e mais de duas ordens de magnitude para janelas longas e de alta dimensão em comparação ao MCMC baseado em CPU.
3. Análise de Sensibilidade da Priori: O estudo destaca a importância crítica da especificação da priori no SBI. Para o problema de 201 dias, prioris amplas sobre os fatores de redução variante no tempo levaram a dinâmicas epidêmicas implausíveis nos dados de treinamento, prejudicando o aprendizado. Os autores mostram que o estreitamento dos limites da priori baseando-se em verificações preditivas a priori é essencial para o sucesso do SBI em configurações de alta dimensão.
4. Otimização de Hiperparâmetros: O trabalho identifica que as configurações ideais de SBI (orçamento de simulação e tamanho do lote) diferem com base no horizonte de inferência e na dimensionalidade, sugerindo que a seleção de hiperparâmetros não pode ser transferida cegamente entre janelas de inferência curtas e longas.

Resultados

• Acordo de Posterior: Em todas as configurações, o SBI recuperou distribuições posteriores amplamente consistentes com a referência MCMC. Embora os marginais do SBI fossem geralmente mais suaves e ligeiramente mais amplos (indicando maior incerteza), os modos posteriores dominantes e as tendências de parâmetros foram preservados.
  • Para janelas de 31 dias, a distância de Wasserstein entre os posteriores de SBI e MCMC variou de 0,63 a 2,47, com divergências KL simétricas geralmente abaixo de 100.
  • Para a janela de 201 dias, apesar do aumento da dimensionalidade e da incerteza, o SBI preservou a principal estrutura posterior, com uma distância de Wasserstein de 0,35 e KL simétrica de 72,14.
• Desempenho Preditivo: O SBI reproduziu com precisão as trajetórias observadas de UCI. Para janelas de 31 dias, os valores de RMSE foram comparáveis aos do MCMC (ex: 66,41 vs. 31,8 para o offset 0). Na configuração de 201 dias, o RMSE do SBI foi de 325,72 comparado aos 23,1 do MCMC; no entanto, ambos os métodos capturaram as dinâmicas temporais dominantes, incluindo o declínio pós-primeira onda e o surto de outono. O erro mais elevado na janela longa é atribuído à dificuldade de reconstruir múltiplos pontos de mudança simultaneamente.
• Eficiência de Tempo de Execução:
  • Janelas de 31 dias: O MCMC exigiu ~1.077 segundos por execução. O SBI exigiu 60–71 segundos em uma única GPU NVIDIA A100.
  • Janela de 201 dias: O MCMC exigiu ~19.102 segundos e falhou em atingir a convergência para todos os parâmetros (máximo $\hat{R} = 1,605$). O SBI exigiu ~157 segundos e manteve amplo acordo com a estrutura posterior do MCMC.
• Convergência: O MCMC teve dificuldades para convergir na configuração de 201 dias de alta dimensão, enquanto o SBI forneceu estimativas posteriores estáveis em uma fração do tempo.

Significância e Alegações
O artigo afirma que o SBI com NPE fornece uma estrutura rápida e computacionalmente eficiente para a calibração Bayesiana de modelos epidemiológicos mecanísticos. A principal significância reside em permitir a inferência repetida quase em tempo real e a análise rápida de surtos, que são críticos para a tomada de decisões de saúde pública, mas atualmente limitados pelo custo computacional do MCMC.

Os autores observam modestamente que, embora o SBI preserve a estrutura posterior dominante, ele pode produzir estimativas de incerteza mais amplas do que o MCMC, possivelmente devido à falta de modelagem explícita do ruído de observação na fase de treinamento. Eles enfatizam que o SBI é um método amortizado: suas vantagens são mais pronunciadas em configurações que exigem inferência repetida sob a mesma especificação de modelo e priori, onde os custos iniciais de simulação e treinamento são distribuídos entre múltiplas análises. O estudo conclui que o SBI é uma abordagem promissora para calibração rápida, desde que verificações preditivas a priori rigorosas e validação de posterior sejam integradas ao fluxo de trabalho para garantir a identificabilidade dos parâmetros e a plausibilidade das trajetórias simuladas.