Il contesto

Per trovare il modo giusto di affrontare un'epidemia è necessario poter fare previsioni sul suo comportamento futuro.

Ciò ha portato ad un'ampia varietà di strumenti matematici e di calcolo, di varia precisione e complessità.

Molti di questi modelli sono analoghi a quelli utilizzati in altri campi. I modelli SIS, utilizzati in malattie che non producono immunizzazioni di lunga durata, come l'influenza, possono essere utilizzati per prevedere variazione delle popolazioni che sono legate da reti trofiche all'interno di un stesso ecosistema, quelli che si suole definire sistemi di Lotka-Volterra.

Da questo punto di vista, quindi, non è sorprendente che la diffusione di un'epidemia mostri alcuni dei comportamenti caratteristici di altri sistemi la cui modellizzazione è già comune.

Prendiamo, per esempio, la "percolazione", ovvero la "capacità di attraversare un sistema". Un incendio boschivo può essere capace di attraversare una foresta (nel caso in cui ci sia percolazione) o può estinguersi da solo (se non c'è nessuna percolazione) a seconda della distribuzione della massa forestale o dell'intensità del rilascio di energia. Analogamente, la diffusione di una malattia dipenderà dalla sua virulenza, dalla struttura della popolazione colpita e dalla distanza sociale che si applica, dall'informazione che abbiamo a disposizione, ecc.

Lo stesso può dirsi anche della "isteresi", o "dipendenza dallo stato precedente", che fa sì che le decisioni prese in un momento preciso della gestione dell'epidemia non abbiano effetti visibili se non dopo un certo lasso di tempo. Il concetto di isteresi è comune ad un numero pressoché infinito di settori, soprattutto nella scienza dei materiali.

Se c'è qualcosa, invece, che distingue lo studio della diffusione di un'epidemia da quello di un incendio o del flusso d'acqua in un terreno granulare, è senz'altro la sua componente umana, difficile da parametrizzare.

Questa situazione è complicata ancor di più dal fatto che la risposta del sistema a molti di questi fattori è approssimativamente sigmoidale: leggerissime variazioni in alcuni dei suoi parametri possono determinare la differenza tra un fenomeno oloendemico con un tasso di infezione del 100% o, al contrario, l'autoestinzione dell'epidemia.

In questo progetto abbiamo generato popolazioni sintetiche di milioni di individui virtuali. Ognuno di loro ha contatti sociali, con diversi gradi di vicinanza, e appartiene a comunità che si relazionano in modo variabile.

Simuliamo un'epidemia che si diffonde all'interno di quella comunità, con parametri variabili. L'obiettivo finale è quello di ricostruire, attraverso metodi di apprendimento automatico e i dati accumulati in queste simulazioni, i parametri dell'infezione e il suo ambiente durante una vera epidemia.

I dati forniti dagli utenti, in particolare, ci aiuteranno a modellare il flusso di informazioni sulle misure di prevenzione e di contenimento all'interno della rete di individui.

Ciò è cruciale per quanto riguarda l'adozione di misure di prevenzione e controllo: un'adozione molto precoce, in cui la percezione del rischio è bassa rispetto alla gravità delle misure, porterà a tassi di adesione molto bassi che ostacoleranno l'adozione di misure successive. D'altra parte, il ritardo nel processo decisionale, anche su scale temporali di ore, può comportare una grande differenza nel risultato finale.