Calibración de modelos epidemiológicos mediante optimización bayesiana graybox

Área de la Ciencia:

• Epidemiología
• Biología Computacional
• Modelado Estadístico

Sus antecedentes:

• Los métodos tradicionales de calibración de modelos epidemiológicos asumen un bajo costo computacional, lo que a menudo no es factible para modelos complejos.
• Existe la necesidad de técnicas de calibración eficientes que puedan manejar modelos epidemiológicos computacionalmente costosos.

Objetivo del estudio:

• Desarrollar métodos de calibración eficientes para modelos epidemiológicos compartimentales utilizando la toma de decisiones bayesiana.
• Introducir un esquema de optimización bayesiana (BO) "graybox" que aprovecha la estructura funcional de los modelos epidemiológicos para una calibración mejorada.
• Proponer estrategias de toma de decisiones desacopladas dentro de BO para explotar aún más la estructura del modelo.

Principales métodos:

• Utilización de procesos gaussianos como sustitutos de modelos epidemiológicos computacionalmente costosos.
• Implementación de un marco de optimización bayesiana "graybox" adaptado a modelos compartimentales.
• Desarrollo de estrategias de toma de decisiones desacopladas para BO para mejorar la eficiencia de la calibración.

Principales resultados:

• Los esquemas propuestos de BO graybox calibran eficientemente modelos epidemiológicos computacionalmente costosos.
• Se observó un rendimiento de calibración mejorado, medido por el logaritmo de los errores cuadráticos medios.
• Se logró una convergencia más rápida del rendimiento en términos de iteraciones de BO.

Conclusiones:

• Los métodos de optimización bayesiana graybox desarrollados ofrecen una calibración eficiente para modelos epidemiológicos complejos.
• Estos métodos mejoran el rendimiento y la velocidad de calibración, especialmente para modelos computacionalmente intensivos.
• El enfoque muestra potencial para la extensión a modelos aún más complejos, como los modelos basados en agentes.