ADAPTI-M : Modellierung der nächsten Generation: adaptives System zur Unterstützung der Entscheidungsfindung im Bereich der öffentlichen Gesundheit bei Pandemien von Atemwegsinfektionen

Die COVID-19-Pandemie hat gezeigt, dass die Simulation des Infektionsgeschehens Personen in Entscheidungspositionen helfen kann, Interventionen wie zum Beispiel das Schließen von Schulen oder das Anordnen von Selbstisolation zu planen. Das Ziel von ADAPTI-M ist es, die Pandemiebereitschaft im Bereich der Atemwegsinfektionen zu  verbessern, indem wir mögliche Interventionen umsetzen und ihre Auswirkungen in silico für  Atemwegserreger untersuchen mit einer großen Bandbreite an Merkmalen. Das im Vorprojekt OptimAgent - https://webszh.uk-halle.de/optimagent/ -  entwickelte deutsche Epidemie-Mikrosimulationssystem (GEMS) soll zu einem Modellierungsansatz der nächsten Generation weiterentwickelt werden. Dazu sollen Ansätze der künstlichen Intelligenz zur Parametrisierung und Automatisierung verwendet werden. 

So sollen unter anderem alle Maßnahmen, die während der COVID-19-Pandemie eingeführt wurden, implementiert werden, um ihre  Wirksamkeit in silico zu untersuchen. Außerdem soll ein explizites Verhaltensmodell, das  die Einhaltung von Infektionskontrollmaßnahmen in Abhängigkeit von soziodemografischen Merkmalen beschreibt, implementiert werden, um unterschiedliche Auswirkungen auf gefährdete Gruppen  darzustellen. Zusätzlich soll auch die Evolutionsdynamik der Erreger einbezogen werden, um Instrumente für die  Entwicklung neuer Varianten während der Pandemie zu entwickeln.

Teilprojekt 3 :Intelligente NPI-Strategie-Generierung und -Optimierung

Die Aufgabe von Teilprojekt 3 (TP3) ist die intelligente NPI-Strategie-Generierung und -Optimierung. Eines der Hauptmerkmale von GEMS ist der formalisierte Ansatz zur Modellierung  hochkomplexer Interventionsstrategien. Der so genannte "TriSM"-Ansatz ("Trigger,  Strategy, Measure") ermöglicht komplexe,  verschachtelte, kaskadierende und rekursive Strategien genau darzustellen, wie z. B. dass ein  positiver PCR-Test zur Isolierung des Individuums führt, was wiederum die Rückverfolgung  seiner Kontakte und die Anwendung von PCR-Tests bei den entdeckten Kontakten auslöst  (Kaskadeneffekt). Während ODE-Modelle und viele der verfügbaren agentenbasierten Modelle  solche Entdeckungs- und Isolierungsraten durch die Zu- oder Abnahme der  Gesamtinfektionsstärke in einer Population approximieren, kann GEMS die Abfolge von  Ereignissen (wie sie von Richtlinien des öffentlichen Gesundheitswesens oder gesetzlichen  Rahmenwerken wie der Corona-Schutzverordnung vorgegeben werden) explizit und sehr  detailliert modellieren (Ponge et al. 2024 - https://ieeexplore.ieee.org/document/10838778/). TriSM stellt Interventionsmaßnahmen als  "Bausteine" zur Verfügung (z. B. "isoliere Person X", "finde Kontakte von Y", "schließe Schule  Z"), die kombiniert, konditioniert oder verzögert werden können. Es ist auch möglich, Strategien  für verschiedene geografische Regionen, Altersgruppen oder Berufe zu variieren und  psychologische Feedback-Effekte (z. B. Änderung der Adhärenz) einzubeziehen. 

In Verbindung mit dem hochauflösenden Bevölkerungsmodell, das GEMS bereitstellt,besteht nun die Möglichkeit, eine nahezu unendliche Anzahl von Interventionsstrategien zu  erforschen, die aus den verfügbaren "Blöcken" zusammengesetzt werden können. Mit der  Fülle an Möglichkeiten geht die Herausforderung einher, ein solches System für die  Entscheidungsfindung im realen Leben zu operationalisieren und die Frage zu beantworten:  "Wie findet man eine gute Strategie?", wobei unterschiedliche Perspektiven der  Entscheidungsträger und Zielkonflikte verschiedener Interessengruppen zu berücksichtigen sind. Daher konzentriert sich TP3 auf die automatische simulationsbasierte Optimierung von  Interventionsstrategien. Dies setzt ein verlässliches und stabiles Simulationsmodell voraus.  Daher wird TP3 auch darauf abzielen, andere Simulationsexperimente zu automatisieren, um  wertvolle Informationen über das Simulationsmodell zu erhalten (Wilsdorf et al. 2023 - https://dl.acm.org/doi/10.1145/3564928).