Het kunnen simuleren van toekomstige trends is cruciaal als je wil voorspellen hoe interventies, zoals interventies op het vlak van gezondheidszorg, kunnen uitpakken. Zulke voorspellingen zijn bijvoorbeeld essentieel binnen de aanpak van de huidige COVID-19-epidemie, waarbij moet worden afgewogen hoe maatregelen zoals afstand houden en mondkapjes dragen de toekomstige besmettingspercentages kunnen beïnvloeden.

Een belangrijk probleem is dat deze voorspellingen vaak moeten worden geëxtrapoleerd uit een beperkte hoeveelheid gegevens. Soms zelfs uit losse tijdspunten. Loes Crielaard (Amsterdam UMC, Department of Public and Occupational Health) legt uit: ‘In volksgezondheidsstudies hebben we vaak toegang tot slechts een enkel datapunt per persoon. Denk bijvoorbeeld aan het eenmalig meten van het gewicht van iedereen uit een bepaalde groep. Het lijkt dan onmogelijk om iets te kunnen zeggen over hoe het gewicht van één persoon zich zal ontwikkelen over tijd.’

Langevin-vergelijkingen

Pritha Dutta van het Interdisciplinary Graduate Programme van de Nanyang Technological University gaat verder: ‘De uitkomst van een interventie kunnen voorspellen in belangrijke, complexe systemen gaat tot nu toe zeer moeizaam. Complexe systemen zijn systemen waar het gedrag van ieder individu redelijk goed bekend is, maar waarbij de uitwerking van de interacties tussen die individuen moeilijk te voorspellen is. Een voorbeeld is hoe ogenschijnlijk rationeel sociaal gedrag van individuen kan leiden tot verschillende sociale normen of zelfs polarisatie. Een belangrijke reden voor deze moeilijkheid is dat de beschikbare data vaak maar uit één datapunt bestaat, denk bijvoorbeeld aan een vragenlijst. Als informaticus werd ik geïnspireerd door de manier waarop natuurkundigen een soortgelijk probleem hebben opgelost in hun onderzoeksveld: door het gebruik van zogenoemde Langevin-vergelijkingen.’

Het team heeft een methode ontwikkeld dat het gebruik van Langevin-vergelijkingen, oorspronkelijk bedacht voor moleculaire systemen, vertaalt naar data over menselijk (sociaal) gedrag. Dit type onderzoek, waarbij natuurkundige methoden wordt overgedragen naar menselijk gedrag, is uniek en kon alleen tot stand komen door de diversiteit aan disciplines van de onderzoekers in het team.

Beginpunt

Rick Quax  van het Computational Science Lab van de University of Amsterdam: ‘Deze methode kan interdisciplinaire teams, zoals de onze, helpen om die moeilijke eerste stap te zetten in het modelleerproces. De methode is gebaseerd op duidelijke beginselen en maakt de aannames die het maakt expliciet. Het resultaat vormt een beginpunt waarna het model verder kan worden verfijnd in een iteratief proces tussen de betrokken domeinspecialisten en computationele wetenschappers.’

Het team laat in hun artikel laat zien dat het eerste model uit hun modelleerproces al een goede voorspelkracht heeft wat betreft data over gezondheid en gedrag. Maar de wetenschappers benadrukken dat hun methode breder inzetbaar is. Er zijn nog veel meer complexe systemen die essentieel zijn voor de mens maar waar het gebruik van computersimulaties nog maar beperkt is doorgedrongen, zoals groeiende ongelijkheden, polarisatie, segregatie, gedrag en gezondheid, of een systematische manier om al in een vroeg stadium met abrupte uitdagingen om te gaan – zoals COVID-19.

Details van de publicatie

Pritta Ditha, Rick Quax et al, Inferring temporal dynamics from cross-sectional data using Langevin dynamics, in: Royal Society Open Science, 10 November 2021, DOI: https://doi.org/10.1098/rsos.211374