Simulações baseadas em agentes da propagação do COVID-19 no distrito de Marcos Paz, província de Buenos Aires, Argentina

Marcos Boaglio, Arquiteto Sênior de Soluções, WWPS/LCC/SOLAPS,
Ezequiel Puerta, Departamento de Computação, Faculdade de Cs.  Exato e Natural (FCeyN), UBA e
Rodrigo Castro, doutorado.  Investigadora do Instituto UBA-CONICET de Ciência da Computação.  Professor, Departamento de Computação, FCeyn, UBA. 

Com a chegada da pandemia na Argentina, em março de 2020, um grupo multidisciplinar baseado na Universidade de Buenos Aires (UBA) foi formado com vasta experiência e experiência no desenvolvimento e pesquisa de ferramentas matemático-computacionais, para colaborar na tomada de decisões no contexto da COVID- 19.  A análise de dados sobre nosso país e o mundo, a simulação de cenários e projetos em território fizeram parte do desafio enfrentado.

Neste post, descreveremos um trabalho de campo que fazemos usando micro simulação baseada em agentes para a projeção de cenários no distrito de Marcos Paz, Província de Buenos Aires, Argentina. A plataforma tecnológica baseada em nuvem possibilita ajustar o modelo do município, comparando realidade versus simulação e analisando a incidência de cada pressuposto configurado como parâmetro.

Visão geral da solução

Para simular o ambiente baseado em agente no distrito de Marcos Paz, criamos um ambiente baseado no simulador GAMA orquestrado em modo sem cabeça nas instâncias sob demanda do Amazon EC2. Uma instância mestre controla todo o processo, desde a seleção de parâmetros de simulação, atribuição de tarefas a instâncias de trabalho, além de analisar e coletar resultados de um sistema de arquivos do Amazon EFS.

Solução

Para procurar o modelo, construímos uma solução personalizada que nos permitiu simular diferentes cenários em paralelo através de uma infraestrutura praticamente ilimitada, escalável e ágil, criando um ambiente elástico único e não replicável em infraestruturas locais tradicionais. Por sua vez, isso possibilitou para nós o acesso instantâneo às mais recentes tecnologias sem longos ciclos de aquisição ou grandes investimentos de capital. Opções de configuração flexíveis nos permitiram escolher e testar recursos de diferentes recursos para otimizar custos e opções.

Modelagem

Dentro da solução, um componente chave é a definição do modelo específico para o Município de Marcos Paz. Com o objetivo de analisar a dinâmica dos contágios relacionados a possíveis fases de isolamento em diferentes cenários, e o impacto da conectividade com outros municípios, buscou-se um modelo altamente parametrizável, capaz de gerar múltiplos cenários populacionais e representar diferentes políticas de saúde, obtendo resultados semelhantes em ordem de magnitude aos observados na realidade (especificamente em Marcos Paz).

Foi modelado em termos de:

• Parâmetros
• Esquemas de contágio
• Compartimentos epidemiológicos
• Transições entre compartimentos

Parâmetros

Trabalhamos com parâmetros epidemiológicos, atividade, restrições, dados demográficos e shapefiles. Alguns deles são:

• Tamanho da população (65.000 agentes)
• Janela temporária
• Distância social mínima
• Número inicial de casos
• Probabilidade de transmissão efetiva
• Proporção de casos assintomáticos, leves, graves e hospitalizados em ITU
• Número médio de dias e desvios padrão para transições de estado de doença
• Número de trabalhadores essenciais (internos) com autorizações de circulação entre municípios
• Para cumprir com restrições gerais e auto-quarentena
• Atividade escolar, com exceção, limite de transferência (em km)
• Coortes (percentagem em relação ao total, relação masculina e feminina e taxa de mortalidade por sexo)
• Camadas GIS (shapefiles) com a geografia do local para estudar

Esquemas de contágio

Definimos 4 esquemas de contágio por encontro, sem respeitar o distanciamento social:

Compartimentos estatais epidemiológicos

Utilizamos 9 compartimentos para estadias do ponto de vista de sua classificação epidemiológica e gravidade da doença:

Transições de estados epidemiológicos

Os agentes evoluem entre compartimentos de acordo com a seguinte lógica:

Metodologia

Com o objetivo de encontrar curvas de evolução temporal para cada compartimento semelhantes às observadas na realidade, selecionamos intervalos de valores possíveis para cada parâmetro e realizamos buscas exaustivas utilizando simulações paralelas. Ou seja, dada uma combinação de parâmetros, simulamos durante uma janela de tempo e estimamos o erro como a diferença entre os resultados da simulação e os dados reais.

Uma orquestra de instância principal do Amazon EC2 o processo executando as seguintes ações:

• Definição de cada conjunto de possíveis valores de parâmetros para explorar usando simulação.
• Implante configuração e simulação de captura (1) (usando o desenvolvimento de APIs BOTO3) em instâncias de trabalho do Amazon EC2 provisionadas com imagens de máquina da Amazon (AMI) personalizadas com o simulador GAMA (modo sem cabeça) configurado com o modelo de distrito de Marcos Paz desenvolvido. Essas instâncias armazenam os resultados de sua simulação em um sistema de arquivos compartilhado do Amazon Elastic File System (EFS) (2).
• Recolha e análise de informações (3).

Visualização

O modelo foi desenvolvido juntamente com sua infraestrutura de visualização que nos permitiu estudar as simulações com “fotos” e “filmes” da atividade simulada usando nosso modelo de agente.

A infraestrutura de visualização nos permitiu observar (em cada simulação) o comportamento e a evolução de diferentes variáveis em comparação com diferentes cenários (combinação de parâmetros).

A partir dessas observações podemos ver modelos e resultados como os mostrados abaixo.

Modelo básico de SEIR

Número de indivíduos para cada compartimento a qualquer momento, com diferentes níveis de detalhe

Modelo detalhado de SEIR

Número de indivíduos para cada compartimento a qualquer momento, com maiores níveis de detalhe.

Atividades Diárias

Representa o número de indivíduos que realizam cada uma das possíveis atividades modeladas. Você pode ver como há mais atividade durante a semana em comparação com o fim de semana. Por sua vez, nos horários de pico, o número de indivíduos em movimento aumenta.

Histogramas de Transições e Tempos

Origem dos casos

Podemos analisar a origem das infecções. Estes podem ser casos iniciais configurados na simulação, ou casos por transmissão comunitária, por contágio fora dos limites de Marcos Paz (caso importado), por contágio dentro das fronteiras de Marcos Paz com alguém que não reside nela (caso de contato externo) ou por contaminação residual (carga viral) em edifícios com má renovação do ar.

Contágio distribuído no espaço

Podemos ver onde ocorrem as infecções. Neste caso ilustrativo observa-se como ocorre o maior número de infecções no centro do município.

Conclusão e Resultados

Com o objetivo de analisar a dinâmica dos contágios relacionados a possíveis fases de isolamento em diferentes cenários, e o impacto da conectividade com outros municípios, foi desenhado um modelo preliminar altamente parametrizável capaz de reproduzir, em ordem de grandeza, os dados observados na realidade do Município de Marcos Paz. Geramos várias dezenas de cenários e comparamos cada um deles com os dados registrados reais. Para fins ilustrativos, a imagem a seguir mostra como em uma simulação específica (um cenário de parâmetro) a curva infectada (vermelho) ajusta a tendência da curva real (salmão) por um período analisado de 4 semanas.

Próximos Passos

A solução construída nos fornece uma plataforma para continuar investigando a dinâmica de contágio do município de forma abrangente durante a pandemia de COVID-19. Continuaremos trabalhando para melhores ajustes no modelo de simulação, obtendo mais resultados, com janelas de tempo mais amplas e mais possíveis avaliações de cenários de intervenção via exploração de parâmetros.

Este artigo foi traduzido do Blog da AWS Espanhol

Sobre os autores

Marcos é arquiteto sênior de soluções da AWS para o setor público na Argentina.  Nessa função, ele é responsável por orientar e ajudar as organizações em sua estratégia de nuvem, fornecendo orientações sobre como lidar com problemas de alto risco.  Marcos também é responsável pelo aprendizado de máquina e projetos baseados em IoT para o setor público no Cone Sul.  Ele tem mais de 25 anos de experiência em tecnologia, incluindo o desenvolvimento de soluções em nuvem, aprendizado de máquina, desenvolvimento de software e infraestrutura de datacenter.

Rodrigo Castro é Pesquisador do Instituto UBA-CONICET de Ciência da Computação, Diretor do Laboratório de Simulação de Eventos Discretos e Professor Assistente do Departamento de Computação da Faculdade de Ciências Exatas e Naturais da Universidade de Buenos Aires.  Doutor em Engenharia Eletrônica (Controle) pela Universidade Nacional de Rosário (Rosário, Argentina) em dezembro de 2010, concluiu seu pós-doutorado no Instituto Federal Suíço de Tecnologia em Zurique (ETH Zurique), Suíça.

Ezequiel Puerta é um estudante avançado de ciência da computação no Departamento de Computação da Faculdade de Ciências Exatas e Naturais da Universidade de Buenos Aires.  Ele é um desenvolvedor de software especializado na concepção, desenvolvimento e implementação de soluções financeiras de TI, trabalhando em mercados financeiros nacionais e estrangeiros.