Neues ML-Modell beschleunigt Kalibrierung von Agenten-basierten Epidemiemodellen

Ein neu entwickelter, überwachtlernender Kalibrator nutzt ein dreischichtiges bidirektionales LSTM, um die umgekehrte Abbildung von Epidemiezeitreihen auf die Parameter eines SIR-Modells zu erlernen. Das Netzwerk verarbeitet 60‑Tage‑Inzidenzdaten zusammen mit Bevölkerungsgröße und Erholungsrate und liefert anschließend die Übertragungswahrscheinlichkeit, die Kontaktrate und den Reproduktionswert R0.

Die Trainingsstrategie kombiniert einen zusammengesetzten Verlust mit einer epidemiologisch motivierten Konsistenzstrafe, die sicherstellt, dass R0 × Erholungsrate gleich Übertragungswahrscheinlichkeit × Kontaktrate ist. In einer Simulation mit 1.000 Szenarien übertrifft der Kalibrator das Approximate Bayesian Computation (ABC) bei allen Zielgrößen: Der mittlere absolute Fehler (MAE) für R0 beträgt 0,0616 im Vergleich zu 0,275 bei ABC, für die Übertragungswahrscheinlichkeit 0,0715 vs. 0,128 und für die Kontaktrate 1,02 vs. 4,24.

Darüber hinaus liefert das Modell engere Vorhersageintervalle mit nahezu nominaler Abdeckung und reduziert die Rechenzeit pro Kalibrierung von 77,4 s auf lediglich 2,35 s. Obwohl die Kontaktrate und die Übertragungswahrscheinlichkeit teilweise nicht identifizierbar sind, reproduziert die Methode die Epidemiekurven genauer als ABC und macht die Kalibrierung schnell und praktisch nutzbar. Die Validierung erfolgte an SIR‑Agentenmodellen, die mit epiworldR erzeugt wurden, und die Implementierung steht als R‑Paket zur Verfügung.