Methods for Reproducible Comparison of Strategies in Stochastic Modelling

Este artigo demonstra como métodos de correspondência baseados em hash e geração de números pseudoaleatórios, especificamente a abordagem de hash de Bernoulli, permitem comparações eficientes e reprodutíveis de estratégias de simulação estocástica em diferentes complexidades de modelos, ao mesmo tempo que tratam efetivamente cenários contrafactuais.

O essencial

Imagine que você é um formulador de políticas tentando decidir entre duas estratégias diferentes para conter uma doença, como a Estratégia A (uma nova vacina) e a Estratégia B (não fazer nada). Você possui um modelo computacional que simula como a doença se espalha. Como a vida real é bagunçada e imprevisível, seu modelo utiliza simulações "estocásticas" (aleatórias). É como rolar dados para decidir quem fica doente a seguir.

O problema é que, quando você executa o modelo para a Estratégia A e depois o executa novamente para a Estratégia B, os "rolamentos de dados" são totalmente diferentes a cada vez. É como comparar duas previsões do tempo diferentes onde uma prevê chuva porque o computador rolou um 3, e a outra prevê sol porque rolou um 6. Você não consegue dizer se a diferença nos resultados ocorre porque a estratégia é realmente melhor, ou apenas porque os rolagens aleatórios dos dados foram, por acaso, azarados para uma delas. Esse "ruído" torna difícil saber qual estratégia é realmente a vencedora.

Este artigo apresenta uma maneira inteligente de corrigir esse ruído para que você possa comparar as estratégias de forma justa.

A Ideia Central: O Truque do "Universo Paralelo"

Os autores propõem um método chamado Correspondência Baseada em Hash. Pense nisso da seguinte forma:

Imagine que você está testando dois carros diferentes (Estratégia A e Estratégia B) em uma pista de corrida.

• O Jeito Antigo (Estocástico Regular): Você dirige o Carro A em um dia ensolarado com vento a favor, e o Carro B em um dia chuvoso com vento contra. Se o Carro A vencer, você não sabe se é porque o carro é melhor ou porque o tempo foi mais ameno.
• O Jeito Novo (Baseado em Hash): Você dirige ambos os carros no exato mesmo dia, na exata mesma pista, com o exato mesmo vento. A única coisa que muda é o próprio carro.

No modelo computacional, o "tempo" é a geração de números aleatórios. Os autores utilizam uma ferramenta matemática chamada Função de Hash para atuar como uma "máquina do tempo" ou uma "realidade compartilhada".

Veja como funciona em termos simples:

1. O Sal: Eles atribuem a cada execução da simulação um "sal" único (como um número de identificação secreto).
2. O Hash: Antes de o computador rolar os dados para qualquer evento (como uma pessoa ficando infectada), ele observa o tempo atual, o tipo de evento e o ID secreto. Ele passa esses dados por uma "máquina de hash" para criar uma semente específica.
3. O Resultado: Como as entradas são as mesmas para ambas as estratégias no mesmo momento no tempo, os "rolamentos de dados" saem iguais. Se 5 pessoas ficam infectadas na Estratégia A, o modelo garante que a aleatoriedade subjacente teria causado 5 pessoas a ficarem infectadas na Estratégia B se as condições fossem as mesmas.

Isso permite que o modelo veja a verdadeira diferença entre as estratégias, removendo a confusão causada pela sorte aleatória.

Os Três Métodos Propostos

O artigo sugere três maneiras específicas de fazer isso, dependendo da complexidade do seu modelo:

1. O Método de Hash Padrão (A Abordagem "Proporcional")

• Como funciona: Usa o gerador de números aleatórios padrão, mas redefine a semente usando a função de hash antes de cada evento.
• A Analogia: Imagine dois baldes de água. Se você despejar água no Balde A, o método de hash garante que, se o Balde B tiver o dobro de água, ele receberá exatamente o dobro de "salpicos aleatórios".
• Prós/Contras: É rápido e fácil de usar. No entanto, tem uma pequena peculiaridade: assume que a aleatoriedade escala perfeitamente com o número de pessoas. É como dizer que, se você tem 100 pessoas, a "má sorte" é exatamente 100 vezes pior do que se você tivesse 1 pessoa. Isso geralmente é aceitável, mas não perfeitamente realista para cada indivíduo.

2. O Método de Hash Bernoulli (A Abordagem "Individual")

• Como funciona: Em vez de rolar um dado grande para todo o grupo, ele rola um pequeno lançamento de moeda para cada pessoa individual no modelo para ver se ela fica infectada.
• A Analogia: Em vez de adivinhar quantas pessoas em uma multidão pegarão um resfriado, você se aproxima de cada pessoa individualmente e pergunta: "Você pegou?", usando a mesma lógica de lançamento de moeda para ambas as estratégias.
• Prós/Contras: Este é o mais preciso porque trata cada pessoa como um indivíduo. No entanto, é muito lento. Se você tem uma cidade de 1 milhão de pessoas, o computador precisa lançar uma moeda 1 milhão de vezes para cada etapa da simulação. É como tentar contar cada grão de areia em uma praia, um por um.

3. O Método Bernoulli Truncado (O "Atalho Inteligente")

• Como funciona: Este é um compromisso. Sabe-se que, na maioria dos casos, apenas algumas pessoas ficarão doentes de uma vez. Então, em vez de lançar moedas para todos, ele lança moedas apenas para os "prováveis" poucos e pula o resto.
• A Analogia: Imagine uma loteria com 1 milhão de bilhetes, mas você sabe que apenas 5 pessoas vão ganhar. Em vez de verificar todos os 1 milhão de bilhetes, você usa um truque inteligente para verificar apenas os 5 bilhetes que têm chance de ganhar.
• Prós/Contras: É muito mais rápido que o método Bernoulli completo, mas ainda muito preciso para doenças que se espalham lentamente. É a solução "Cachinhos Dourados" para modelos complexos.

O Que Eles Encontraram (Os Resultados)

Os autores testaram esses métodos em dois modelos:

1. Um Modelo Simples (SEIRV): Um modelo básico de uma doença prevenível por vacina.
   • Resultado: Os novos métodos de hash foram muito mais claros. O "ruído" desapareceu. Eles puderam ver claramente que a vacina funcionava, ao passo que os métodos antigos às vezes faziam parecer que a vacina era inútil ou até prejudicial apenas devido à má sorte aleatória na simulação.
2. Um Modelo Complexo (gHAT): Um modelo detalhado da Doença do Sono Africana, que envolve moscas, humanos e diferentes intervenções.
   • Resultado: O método "Bernoulli Truncado" foi o vencedor aqui. Permitiu que eles comparassem estratégias (como triagem ativa versus controle de vetores) sem que o ruído aleatório confundisse os resultados. Eles puderam afirmar com confiança: "A Estratégia X é melhor", sem se preocupar que o computador apenas tenha rolado os dados mal.

Por Que Isso Importa

O artigo argumenta que, sem esses métodos, os formuladores de políticas podem tomar más decisões.

• O Risco: Se o ruído aleatório fizer uma boa estratégia parecer ruim, um formulador de políticas pode rejeitar uma vacina que salva vidas.
• O Benefício: Ao usar esses métodos de hash de "universo paralelo", a comparação torna-se justa. Você está comparando a estratégia, não a sorte.

Resumo

O artigo não afirma curar doenças ou inventar novas vacinas. Ele simplesmente fornece uma régua melhor para medir o quão bem diferentes estratégias funcionam em modelos computacionais. Garante que, quando cientistas dizem "A Estratégia A é melhor que a Estratégia B", eles realmente querem dizer isso, e não apenas que tiveram sorte com os rolagens de dados.

• Modelos simples: Use o método Bernoulli para máxima precisão.
• Modelos complexos: Use o método Bernoulli Truncado para um equilíbrio entre velocidade e precisão.
• Uso geral: O método de Hash Padrão é uma opção sólida e rápida para a maioria das situações.

Os autores enfatizam que esses métodos são especificamente para simulações tau-leaping (uma maneira comum de executar modelos de doenças) e são projetados para tornar o "contrafactual" (o que teria acontecido se fizéssemos algo diferente) muito mais claro e menos ruidoso.

Resumo técnico

1. Declaração do Problema

As simulações estocásticas são essenciais para modelar fenômenos do mundo real, como a dinâmica de doenças infecciosas, pois capturam a incerteza e produzem saídas inteiras discretas (cruciais para modelar eventos de extinção). No entanto, surge um desafio significativo ao comparar diferentes estratégias de intervenção (por exemplo, Estratégia A vs. Estratégia B) usando esses modelos.

• A Questão Central: Em simulações estocásticas padrão, o "ruído" introduzido pela geração de números aleatórios (RNG) é independente entre as execuções de diferentes estratégias. Ao comparar duas estratégias, essa independência cria ruído estatístico que obscurece a verdadeira diferença entre elas.
• A Consequência: Os formuladores de políticas podem concluir erroneamente que uma estratégia superior é inferior (ou vice-versa) devido à variância aleatória, em vez de dinâmicas reais do modelo. Isso é particularmente problemático ao calcular métricas como a probabilidade de uma estratégia ser melhor que outra, ou ao avaliar cenários contrafactuais (por exemplo, "O que teria acontecido se tivéssemos intervindo mais cedo?").
• Limitações das Soluções Existentes:
  • RNG com Semente Fixa: Definir a mesma semente inicial para diferentes estratégias falha porque os caminhos da simulação divergem imediatamente, quebrando a dependência entre os cenários de "mesma realidade".
  • Contrafactuais Perfeitos (por exemplo, Kaminsky et al.): Esses métodos rastreiam cada indivíduo para garantir um alinhamento perfeito, mas são computacionalmente proibitivos (exigindo RAM e tempo massivos) e frequentemente incompatíveis com modelos compartimentais padrão.

2. Metodologia

Os autores propõem um conjunto de métodos de geração de números pseudo-aleatórios (PRNG) baseados em hash. Esses métodos garantem que, quando duas simulações (estratégias) encontram o mesmo "evento" (definido por tempo, estado e tipo de evento), elas gerem o mesmo resultado aleatório, criando assim uma dependência estatística (acoplamento) entre as realizações.

O artigo baseia-se no pacote hashprng (Pearson & Abbott) e introduz três abordagens específicas:

A. Método de Hash Padrão

• Mecanismo: Antes de sortear um número aleatório para um evento (tipicamente de uma distribuição de Poisson em algoritmos de tau-leaping), a semente aleatória é definida como a saída de uma função de hash.
• Entradas: A função de hash recebe o passo de tempo, um "sal" único (identificando a trajetória específica da simulação) e o tipo de evento.
• Propriedade: Isso garante que, se duas estratégias tiverem o mesmo número de indivíduos e taxas em um momento específico, elas sortearão do mesmo percentil da distribuição.
• Limitação: Apresenta "proporcionalidade". Se a Estratégia B tiver $N$ indivíduos a mais que a Estratégia A, o número de eventos em B será aproximadamente proporcional aos indivíduos extras, em vez de ser uma realização independente do risco extra.

B. Método de Hash Bernoulli

• Mecanismo: Substitui o sorteio de Poisson por uma soma de ensaios de Bernoulli. Para $N$ indivíduos, o algoritmo sorteia $N$ variáveis aleatórias de Bernoulli (0 ou 1) para determinar se cada indivíduo sofre o evento.
• Dependência: Os números aleatórios uniformes subjacentes para os sorteios de Bernoulli são gerados pela mesma função de hash.
• Vantagem: Isso remove o problema da "proporcionalidade". Se a Estratégia A tiver $k$ infecções, a Estratégia B (com mais suscetíveis) terá entre $k$ e $k + \Delta N$ infecções, garantindo resolução consistente de eventos (mais pessoas $\neq$ menos eventos).
• Desvantagem: Computacionalmente caro para grandes populações, pois exige sortear um número aleatório para cada indivíduo em cada passo de tempo.

C. Método de Hash Bernoulli Truncado

• Mecanismo: Uma otimização computacional do método de Bernoulli projetada para grandes populações com baixas taxas de eventos. Em vez de sortear $N$ variáveis de Bernoulli, sorteia um número limitado ($m$) de variáveis da cauda da distribuição usando estatísticas de ordem (distribuição Beta).
• Lógica: Como o número esperado de eventos é geralmente muito menor que o tamanho da população ($E \ll N$), o algoritmo simula apenas a parte "ativa" da distribuição.
• Compromisso: É significativamente mais rápido que o hash de Bernoulli completo, mas introduz uma probabilidade muito baixa de "resolução inconsistente" (onde adicionar uma pessoa poderia teoricamente causar mais de $m$ eventos). Essa probabilidade tende a zero à medida que o passo de tempo diminui.

3. Contribuições Principais

1. Algoritmos Novos: Introdução dos métodos Hash Bernoulli e Hash Bernoulli Truncado, estendendo o framework existente hashprng para abordar a proporcionalidade e a escalabilidade computacional.
2. Estrutura Teórica: Definição formal de "resolução consistente de eventos" e das propriedades matemáticas necessárias para comparações contrafactuais em modelos estocásticos.
3. Análise Comparativa: Uma comparação rigorosa desses novos métodos contra abordagens estocásticas padrão, estocásticas com semente fixa e "contrafactuais perfeitos".
4. Implementação Prática: Demonstração de como integrar esses métodos em modelos epidemiológicos complexos (SEIRV e gHAT) sem exigir modelagem baseada em indivíduos (IBM).

4. Resultados

Os autores testaram seus métodos em dois modelos epidemiológicos:

Estudo de Caso 1: SEIRV (Infecção Simples Prevenível por Vacina)

• Configuração: Comparação de estratégias de vacinação contra nenhuma intervenção.
• Descobertas:
  • Redução de Variância: Ambos os métodos de hash reduziram drasticamente a variância em "infecções evitadas" em comparação com os métodos estocásticos padrão e com semente fixa.
  • Superioridade de Bernoulli: O método de Bernoulli forneceu a menor variância (melhor acoplamento estatístico) enquanto mantinha tempos de execução razoáveis para este modelo simples.
  • Realismo: Os métodos padrão e com semente fixa ocasionalmente produziram "infecções evitadas negativas" (implicando que a vacinação causou mais infecções), uma impossibilidade lógica. Os métodos de hash eliminaram esses artefatos.
  • Desempenho: Os métodos de hash foram mais lentos que o estocástico padrão (2–4x), mas o compromisso em termos de precisão foi considerado necessário.

Estudo de Caso 2: gHAT (Modelo Complexo de Doença do Sono Africana)

• Configuração: Um modelo complexo de doença transmitida por vetores envolvendo triagem ativa e controle de vetores.
• Descobertas:
  • Escalabilidade: O método de Bernoulli completo foi muito lento (100x+). O método Bernoulli Truncado foi implementado com sucesso, oferecendo um equilíbrio entre velocidade e precisão.
  • Tomada de Decisão: Em análises de custo-efetividade (Benefício Monetário Líquido), os métodos de hash produziram uma separação mais clara entre as estratégias. Os métodos padrão mostraram alto ruído, dificultando a determinação da estratégia ótima em diferentes limiares de disposição a pagar.
  • Último Evento de Transmissão (LTE): Os métodos de hash forneceram previsões mais precisas e menos ruidosas para o ano do último evento de transmissão, uma métrica crítica para metas de eliminação.

5. Significado e Implicações

• Impacto nas Políticas: Os métodos permitem que os formuladores de políticas tomem decisões avessas ao risco com maior confiança. Ao reduzir o "ruído" entre as estratégias, a probabilidade de que uma estratégia seja verdadeiramente melhor que outra pode ser estimada com maior precisão, evitando a rejeição de intervenções benéficas devido a artefatos de simulação.
• Eficiência Computacional: Os métodos propostos oferecem um "ponto ideal" entre os "contrafactuais perfeitos" inviáveis (baseados em indivíduos) e as abordagens "estocásticas padrão" ruidosas. Eles são aplicáveis a modelos compartimentais padrão sem exigir uma reescrita completa do modelo.
• Generalizabilidade: Embora testados em epidemiologia, a abordagem é aplicável a qualquer simulação estocástica onde seja necessária a comparação de cenários contrafactuais (por exemplo, ecologia, economia).
• Limitações: Os métodos são específicos para algoritmos de tau-leaping. A abordagem de Bernoulli permanece computacionalmente pesada para modelos de alta taxa e grande população, necessitando do uso da versão truncada, que carrega um pequeno risco teórico de inconsistência.

Conclusão: O artigo estabelece que o emparelhamento baseado em hash é um método robusto, computacionalmente viável e estatisticamente superior para comparar estratégias estocásticas, melhorando significativamente a confiabilidade das evidências utilizadas na formulação de políticas de saúde pública.