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