Мультиагентная модель распространения воздушно-капельных инфекций на территории города и внедрение в ПО, основная задача которой — понимать распространение вируса, передающегося воздушно-капельным путем в крупном городе от первого случая по адресу проживания с учетом контактов людей в городе, особенностей вируса.

Целевая аудитория: для эпидемиологов, вирусологов, для лиц, принимающих решения в ходе пандемии на уровне города (региона), организаторов здравоохранения

Актуальность. Обычно прогнозы строят по стандартным эпидемиологическим моделям, которые учитывают карантинные меры, уровень заболевания на первом периоде и т. д., часто сравнивают с другими тенденциями в других городах. Иногда модели не работают. Нужен другой метод для моделирования, который должен дать вторую гипотезу исследователям, помимо классических методов прогнозирования. Кроме того, модель лучше иметь не только для одного вируса, но и, возможно, для всех вирусов, передающихся воздушно-капельным путем для того, чтобы вовремя моделировать вспышки и пресекать локально их распространение, а не «отключать» все инфраструктуры города.

Публикация в научном журнале: результаты опубликованы в научном Журнале микробиологии, эпидемиологии и иммунобиологии (Том 98, №3, 2021) в статье "Разработка программных инструментов, основанных на мультиагентном моделировании и реализованных в геоинформационной системе нового поколения, для решения эпидемиологических задач"

Сбор данных и выполнение моделирования

В конце 2019 года, завершили очередной проект по исследованию и имитации распространения Кори по заказу Федерального государственного бюджетного учреждения «Национальный исследовательский центр эпидемиологии и микробиологии имени почетного академика Н. Ф. Гамалеи» Минздрава России.

Прежде, чем построить имитационную модель распространения любого вируса в пределах города, нам нужно симулировать базовое поведение людей в пространстве городской территории: их особенности проживания, перемещения между объектами городской среды, т.е — нам надо было смоделировать поведенческие особенности городского жителя крупного мегаполиса (их контакты, вероятности взаимодействий). Львиную долю времени мы потратили именно на это изучение по г. Москве, не самому простому городу Мира. Изучая и моделируя на карте города население и его поведенческие особенности : «хождение в магазин пешком и на авто», «поездки на работу», у нас получилось сделать, как сказал один из наших разработчиков, — «нереальное население на реальных статистических и городских геоданных». Кроме того, на базе Big Data мест массового скопления людей, мы учли вероятности заражения в этих местах в т. ч.- вероятность посещения этих мест той или иной группы населения (например, разделение лиц по возрастным группам). Мы внимательно и скрупулезно проанализировали особенности транспортного перемещения людей, нагрузку на остановки, учитывали количество людей, проживающих в домах, работающих в бизнес-центрах, трафиковые места по сигналам смартфонов. И многое, многое другое. Всего мы использовали порядка 70 геофакторов, оцифрованных по территории Москвы, мы заложили в математическую модель.
Далее, под чутким руководством специалистов НИЦЭМ им. Н. Ф. Гамалеи, мы постарались описать распространение вируса. Это — и восприимчивость к вирусу определенных возрастных групп населения, особенности течения инфекции и ряд других эпидемиологических особенностей. Теперь, на основе имеющихся наработок, можно относительно легко «взять» имитацию поведения населения города и, при правильных данных по описанию вируса, провести симуляцию пространственно-временного распространения любого возбудителя, передающегося воздушно-капельным, контактным путем от человека к человеку. Также мы откалибровали модель на реальных данных распространение кори по г. Москва за несколько лет назад, которые предоставили НИИ.

Внедрение в программное обеспечение. Модель внедряется в виде отдельного модуля в российское программное обеспечение «Геоинтеллект» (зарегистрировано Минкомсвязи Приказ 665 от 30.11.2018) в пределах Москвы. В специальном, отдельном интерфейсе Геоинтеллекта, удалось визуализировать при помощи «инструмента бегущей шкалы» (таймлайн) распространение вируса: от момента появления и обращения к врачу и до момента излечения. Надо сказать, что довольно много оптимизаций и вычислительных ресурсов потребовалось, чтобы сосчитать Big Data по 12 -миллионному мегаполису.

В интерфейсе можно «двигать» инструмент «таймлайн» и смотреть распространение вируса, а также сделаны ряд отчетов для эпидемиолога для локализации заболевания вплоть до дома, а также — связей между контактами. На карте красными пятнами отображаются очаги. Зелёным цветом население, которое оправилось от болезни. Лучами показаны соединения вокруг городских объектов, взятых из открытых источников.

[{"type":"image","url":"/uploads/files/2021/10/27/74e95c37-b683-4d51-ab2c-3059c6e4e60387915022-9d35-423b-ab25-ce0fc1f70cf9.png","fileName":"74e95c37-b683-4d51-ab2c-3059c6e4e60387915022-9d35-423b-ab25-ce0fc1f70cf9.png"},{"type":"image","url":"/uploads/files/2021/10/27/6623821b-8d99-4b3e-9632-6ebdd160e0716f76a2bb-8c56-4144-b305-a862f46e8100.png","fileName":"6623821b-8d99-4b3e-9632-6ebdd160e0716f76a2bb-8c56-4144-b305-a862f46e8100.png"},{"type":"video","url":"https://www.youtube.com/watch?v=oTxyu2pQzY0"}]

«Timeline» позволяет определить количество лиц, заболевших корью в определённом муниципальном районе, например было выявлено, что в районе Бирюлево и Восточное Бирюлево, на 38-й день после появления сыпи у первого инфицированного агента, описанного в условии задачи, которое составило 33 больных.

Масштабирование. Теперь относительно легко «взять» любой вирус или штамм, передающийся воздушно-капельным путем и, с учетом особенностей распространения, попробовать симулировать пространственно-временное распространение любого вируса в г. Москва. Именно это мы сделали при моделировании "уханьского штамма" COVID-19 в феврале 2020 года, знаю 2-месячную статистику мегаполиса в Китае. Согласно мультиагентной модели, если в Москве заболел один человек по случайному ( на тот момент) адресу Х, за 30 дней заразится 5084 человека, что примерно на 20 % меньше, чем по факту случилось на момент первой декады апреля.

Кроме того, модель можно тиражировать и на другие города РФ и Мира. Для этого надо "запустить" контакты людей, собрать базовые факторы, откалибровать модель и т.д.

Ожидаемые результаты при внедрении. Период наблюдения для анализа выбран в связи с изменением эпидемиологической ситуации по кори, когда на фоне низкого уровня заболеваемости в 2008–2010 гг. в условиях значительного охвата населения вакцинацией в декретированных возрастных группах детей (95%) и взрослых (90%) в Москве наблюдался рост заболеваемости и в 2013–2015 гг. было зарегистрировано несколько крупных вспышек кори. Это все использовалось в мультиагентном моделировании в конце 2019 года, а данный инструмент, при его внедрении, может полностью купировать распространение вспышки кори и других инфекций за несколько дней, направив своевременные меры по ограничениям в конкретные локации.

Кроме того, предполагается ,что данный инструмент может быть "симулятором" и для образовательных целей эпидемиологов, вирусологов, лиц, принимающих решения, поскольку внедрены уже готовые сценарии в виду отчетов, use case и др. в инструментарий ПО "Геоинтеллект.Платформа", которое может быть внедрено в как комплексная геоаналитическая система управления здравоохранением региона.

Консультации. Возможны бесплатные онлайн - консультации рабочей группы между командой разработки и лаборатории кибернетики НИЦЭМ им. Н. Ф. Гамалеи по тому, как внедрить модель в процесс принятия решений в регионе, как настроить образовательные программы и пр.