You are here

Created on Tuesday, 23 Mar 2021 14:19:26

 

Article escrit per Pau Fonseca 

  • Pau Fonseca és professor de la UPC, docent de simulació, processament de dades, investigació operativa i estadística. En aquest article explica com des de l'InLab FIB s'està treballant per predir el desenvolupament de la pandèmia mitjançant la utilització de bessons digitals. 
  • Els bessons digitals han vingut per quedar-se i han esdevingut peces clau que superen l'àmbit netament industrial i van més enllà, com per exemple el modelat d'una catàstrofe o pandèmia. 

Quan es planteja el repte d’entendre i fins i tot poder predir un fenomen com la propagació d’una nova malaltia, el principal problema a què ens enfrontem és determinar els valors dels diferents paràmetres que defineixen aquesta propagació. Un dels paràmetres claus és el famós nombre reproductiu bàsic o R0, que té precisament com a objectiu mesurar el seu potencial de transmissió. Aquest valor representa la mitjana d'infeccions secundàries produïdes per una sola infecció en una població. Cal veure que això és una abstracció matemàtica i, ràpidament ens podem adonar que el nombre mitjà de casos secundaris serà inferior al nombre bàsic de reproducció perquè no tota la població serà susceptible. És per això que haurem de calcular un nou valor, el Rt, o nombre reproductiu efectiu. Com podem veure, el problema està servit, ja que caracteritzar a la població que sí que pot infectar-se i transmetre la malaltia per poder trobar la Rt dependrà, entre altres factors, de com es transmet el virus o del comportament de la població i, això no és una tasca trivial. A més fixem-nos que en el cas del SARS-CoV-2 i la malaltia que genera, la COVID-19, la informació que teníem fa un any, a principis del 2020, era molt limitada (tot i que hem incrementat molt el nostre coneixement, queden molts dubtes encara per resoldre).

Aquest tipus de problemes, no són problemes que es puguin afrontar des d’una òptica que no sigui multidisciplinària, donat que cal tenir en compte una gran i complexa quantitat d’informació que es generarà durant l’evolució mateixa del procés de modelatge en què treballem. A més, aquesta informació s’haurà d’anar incorporant al model de forma contínua el que implicarà una revisió, contínua i mai acabada, de les hipòtesis de treball. Va ser en aquest punt i, davant la nostra decisió de participar en el procés de modelat de la pandèmia, on vàrem optar per una aproximació ben pragmàtica, basada en una idea ben pròpia de la indústria, bé, de la Indústria 4.0, que ens permetés obtenir resultats força precisos amb el poc temps que teníem; estem parlant de crear un bessó digital de l’evolució de la pandèmia a Catalunya.

Un bessó digital és una reproducció digital d'un sistema, que potencialment el pot reproduir en qualsevol moment (per tant podem crear bessons digitals per explorar el passat, el present o el futur del sistema) tot i que quan parlem de bessó digital usualment ens cenyim a l’estudi del present i al seu futur més immediat. Aquesta versatilitat ve donada perquè en el nucli del bessó digital trobem un model de simulació.

Com hem comentat, però, en l'anàlisi d'aquest fenomen necessitarem experts de diferents àrees que hi col·laborin a través de diferents punts de vista. A més, sabem que errare humanum est, per tant ens caldran mecanismes per poder detectar aquests errors, a causa de la mala comprensió del comportament del sistema o de la codificació del model en les eines informàtiques que emprarem. És per això, que en la creació d’un bessó digital, esdevé clau tenir un llenguatge comú, que permeti que tots els especialistes puguin entendre el que diuen i per tant corregir i detectar errors abans d’obtenir prediccions errònies degudes a mala comprensió del sistema. Fixem-nos, si tenim un pronòstic erroni és un problema, però si en tenim un pronòstic aparentment vàlid, però que conté una mala representació de les hipòtesis de modelatge, no podrem adquirir coneixement sobre el sistema, que al final, en molts casos, es la principal motivació de la creació dels models. Per tant una predicció errònia pot ser una magnífica font per obtenir coneixement, però un ús incorrecte d’una hipòtesi és sempre una pèrdua de temps (diners, recursos o vides en els pitjors escenaris).

Nosaltres vàrem emprar un llenguatge estandarditzat per la ITU-T un llenguatge gràfic i complet, àmpliament utilitzat en el marc del nostre centre de recerca, l’InLab FIB,  i això ens va permetre dues coses, tenir una visió gràfica de les hipòtesis de modelatge (establint aquest llenguatge comú) i permetre una codificació automàtica (evitant errors) d’aquestes mateixes hipòtesis i per tant, anar més ràpidament amb els pocs recursos dels que disposàvem.

A partir d’aquesta aproximació usant un bessó digital de la pandèmia, vàrem ser capaços de crear un model d’evolució de la mateixa que incorporés els efectes de les opcions de contenció sobre la població. Podem accedir a un quadre de comandament a http://pand.sdlps.com on podem veure el pronòstic a través dels indicadors clau i el model, validat contínuament contra les dades reals en un enfocament que s’anomena de validació de la Solució, que és un esquema de validació típic en els bessons digitals. Quan el model invalida (una divergència entre la predicció del model i les dades), cal revaluar les hipòtesis i tornar a calibrar el model, proporcionant informació valuosa per entendre la situació. Certament, en aquestes situacions en les que s’analitza un nou fenomen, és més interessant veure perquè el model s’ha equivocat i detectar errors en la comprensió del sistema, que obtenir un pronòstic aparentment correcte. Cal notar també que el model invalidarà de forma natural cada cop que es modifiqui el sistema de forma externa al mateix, com per exemple cada cop que s’apliquen les famoses i necessàries restriccions i mesures de control, o com es defineix en l’argot, accions no farmacèutiques.

Els bessons digitals han vingut per quedar-se. Tot i que no han vingut ara, fa molt de temps que estan entre nosaltres, és ara, amb la possibilitat d’interconnectar les diferents tecnologies gràcies a l’explosió de la Indústria 4.0, quan esdevenen peces claus que superen l’àmbit netament industrial i van més enllà, com per exemple el modelat d’una catàstrofe.

Com a conclusions, un bessó digital d’una pandèmia, o d’un fenomen natural, no deixa de ser un model de simulació (o un conjunt d’ells), però amb un objectiu força concret; volem  monitorar i modificar contínuament el model per fer una rèplica continuada de la realitat, per poder anar avaluant alternatives i obtenint prediccions a través del model. Aquest canvi en l’objectiu implica l’ús de tècniques precises que permetin mantenir aquest paral·lelisme necessari entre model i sistema i, fer-ho de forma àgil.

La principal barrera a superar serà la selecció i l’ús d’un llenguatge comú (o conjunt de llenguatges amb unes característiques molt concretes). Sense ell és impossible que el procés de Validació i Verificació es doni de forma àgil. També cal un sistema d’adquisició i validació de les dades fiable i eficient. Sense això no tindrem informació en temps real del sistema i el model no podrà fer la Validació de la Solució; treballar i fomentar l’ús de dades obertes és una magnífica resposta a aquest problema. També cal un equip que estigui gestionant model i dades, per poder mantenir el bessó digital viu mentre duri el sistema/procés que volem avaluar. Finalment indicar que el bessó digital, com tot model, si no té credibilitat no serveix per res i en aquest punt ens cal fomentar un canvi de cultura important en tots els àmbits de la nostra societat.  La discussió i la presa de decisions a partir de models serà cada cop més necessària degut als nous reptes amb els que ens enfrontem.

Consulta la web d'InLab FIB | Consulta el Linkedin de Pau Fonseca 

 

 

Artículo escrito por Pau Fonseca 

  • Pau Fonseca es profesor de la UPC, docente de simulación, procesamiento de datos, investigación operativa y estadística. En este artículo explica cómo desde InLab FIB se está trabajando para predecir el desarrollo de la pandemia mediante la utilización de gemelos digitales.
  • Los gemelos digitales han venido para quedarse y se han convertido en piezas clave que superan el ámbito netamente industrial y van más allá, como por ejemplo el modelado de una catástrofe o pandemia.

Cuando se plantea el reto de entender e incluso poder predecir un fenómeno como la propagación de una nueva enfermedad, el principal problema al que nos enfrentamos es determinar los valores de los diferentes parámetros que definen esta propagación. Uno de los parámetros claves es el famoso número reproductivo básico o R0, que tiene precisamente como objetivo medir su potencial de transmisión. Este valor representa la media de infecciones secundarias producidas por una sola infección en una población. Hay que tener en cuenta que esto es una abstracción matemática y, rápidamente nos podemos dar cuenta que el número medio de casos secundarios será inferior al número básico de reproducción porque no toda la población será susceptible. Es por ello que tendremos que calcular un nuevo valor, el Rt, o número reproductivo efectivo. Como podemos ver, el problema está servido, ya que caracterizar a la población que sí puede infectarse y transmitir la enfermedad para poder encontrar la Rt dependerá, entre otros factores, de cómo se transmite el virus o del comportamiento de la población y, esto no es una tarea trivial. Además, fijémonos que en el caso del SARS-CoV-2 y la enfermedad que genera, la Covid-19, la información que teníamos hace un año, a principios de 2020, era muy limitada (aunque hemos incrementado mucho nuestro conocimiento, quedan muchas dudas aún por resolver).

Este tipo de problemas, no son problemas que se puedan afrontar desde una óptica que no sea multidisciplinar, dado que hay que tener en cuenta una gran y compleja cantidad de información que se generará durante la evolución misma del proceso de modelado en que trabajamos. Además, esta información se deberá ir incorporando al modelo de forma continua lo que implicará una revisión, continua y nunca acabada, de las hipótesis de trabajo. Fue en este punto y, ante nuestra decisión de participar en el proceso de modelado de la pandemia, donde optamos por una aproximación bien pragmática, basada en una idea bien propia de la industria, bueno, de la Industria 4.0, que nos permitiera obtener resultados bastante precisos con el poco tiempo que teníamos; estamos hablando de crear un gemelo digital de la evolución de la pandemia en Cataluña. 

Un gemelo digital es una reproducción digital de un sistema, que potencialmente puede reproducir en cualquier momento (por lo tanto, podemos crear gemelos digitales para explorar el pasado, el presente o el futuro del sistema) aunque cuando hablamos de gemelo digital usualmente nos ceñimos al estudio del presente y su futuro más inmediato. Esta versatilidad viene dada porque en el núcleo del gemelo digital encontramos un modelo de simulación.

Como hemos comentado, sin embargo, en el análisis de este fenómeno necesitaremos expertos de diferentes áreas que colaboren a través de diferentes puntos de vista. Además, sabemos que errare humanum est, por tanto, necesitaremos mecanismos para poder detectar estos errores, debido a la mala comprensión del comportamiento del sistema o de la codificación del modelo en las herramientas informáticas que emplearemos. Es por ello que, en la creación de un gemelo digital, es clave tener un lenguaje común, que permita que todos los especialistas puedan entender lo que dicen y, por lo tanto, corregir y detectar errores antes de obtener predicciones erróneas debidas a una mala comprensión del sistema. Fijémonos, si tenemos un pronóstico erróneo es un problema, pero si tenemos un pronóstico aparentemente válido, pero que contiene una mala representación de las hipótesis de modelado, no podremos adquirir conocimiento sobre el sistema, que al final, en muchos casos, es la principal motivación de la creación de los modelos. Por lo tanto, una predicción errónea puede ser una magnífica fuente para obtener conocimiento, pero un uso incorrecto de una hipótesis es siempre una pérdida de tiempo (dinero, recursos o vidas en los peores escenarios).

Nosotros utilizamos un lenguaje estandarizado por la ITU-T un lenguaje gráfico y completo, ampliamente utilizado en el marco de nuestro centro de investigación, el inLab FIB,  y esto nos permitió dos cosas, tener una visión gráfica de las hipótesis de modelado (estableciendo este lenguaje común) y permitir una codificación automática (evitando errores) de estas mismas hipótesis y, por tanto, ir más rápido con los pocos recursos de los que disponíamos.

A partir de esta aproximación usando un gemelo digital de la pandemia, fuimos capaces de crear un modelo de evolución de la misma que incorporara los efectos de las opciones de contención sobre la población. Podemos acceder a un cuadro de mando a http://pand.sdlps.com donde se puede ver el pronóstico a través de los indicadores clave y el modelo, validado continuamente contra los datos reales en un enfoque que se llama de validación de la Solución, que es un esquema de validación típico en los gemelos digitales. Cuando el modelo invalida (una divergencia entre la predicción del modelo y los datos), hay que reevaluar las hipótesis y volver a calibrar el modelo, proporcionando información valiosa para entender la situación. Ciertamente, en estas situaciones en las que se analiza un nuevo fenómeno, es más interesante ver que el modelo se ha equivocado y detectar errores en la comprensión del sistema, que obtener un pronóstico aparentemente correcto. Nótese también, que el modelo invalidará de forma natural cada vez que se modifique el sistema de forma externa al mismo como, por ejemplo, cada vez que se aplican las famosas y necesarias restricciones y medidas de control, o como se define en la jerga, acciones no farmacéuticas.

Los gemelos digitales han venido para quedarse. Aunque no han venido ahora, hace mucho tiempo que están entre nosotros, es ahora, con la posibilidad de interconectar las diferentes tecnologías gracias a la explosión de la Industria 4.0, cuando se convierten en piezas claves que superan el ámbito netamente industrial y van más allá, como por ejemplo el modelado de una catástrofe.

Como conclusiones, un gemelo digital de una pandemia, o de un fenómeno natural, no deja de ser un modelo de simulación (o un conjunto de ellos), pero con un objetivo bastante concreto; queremos monitorizar y modificar continuamente el modelo para hacer una réplica continua de la realidad, para poder ir evaluando alternativas y obteniendo predicciones a través del modelo. Este cambio en el objetivo implica el uso de técnicas precisas que permitan mantener este paralelismo necesario entre modelo y sistema y, hacerlo de forma ágil.

La principal barrera a superar será la selección y el uso de un lenguaje común (o conjunto de lenguajes con unas características muy concretas). Sin él es imposible que el proceso de Validación y Verificación se dé de forma ágil. También es necesario un sistema de adquisición y validación de los datos fiable y eficiente. Sin eso no tendremos información en tiempo real del sistema y el modelo no podrá hacer la Validación de la Solución; trabajar y fomentar el uso de datos abiertos es una magnífica respuesta a este problema. También es necesario un equipo que esté gestionando modelo y datos, para poder mantener el gemelo digital vivo mientras dure el sistema/proceso que queremos evaluar. Finalmente indicar que el gemelo digital, como todo modelo, si no tiene credibilidad no sirve para nada y en este punto necesitamos fomentar un cambio de cultura importante en todos los ámbitos de nuestra sociedad. La discusión y la toma de decisiones a partir de modelos será cada vez más necesaria debido a los nuevos retos a los que nos enfrentamos.

Consulta la web de InLab FIB | Consulta el Linkedin de Pau Fonseca 

 



Comparteix això:

21 d'octubre de 2021

18a edició de la Festibity
Dijous 21 d'octubre 2021
Pavelló d l'Estació del Nord de Barcelona
En directe per Fibracat TV 

Sobre nosaltres

"La gran festa de les tecnologies de la informació"

       

 

Contacte

Per a més informació:

festibity@festibity.com

T. 93 000 92 02