A high-performance framework for SARS-CoV-2 via data-driven agent-based modeling of infectious dynamics

Korf, Sascha Alexander; Schuppert, Andreas; Mitsos, Alexander

doi:10.18154/RWTH-2026-07434

A high-performance framework for SARS-CoV-2 via data-driven agent-based modeling of infectious dynamics = Ein Hochleistungs-Framework für SARS-CoV-2 mittels datengetriebener agentenbasierter Modellierung von Infektionsdynamiken

Korf, Sascha Alexander^RWTH*

2026

Verantwortlichkeitsangabevorgelegt von Sascha Alexander Korf

ImpressumAachen : RWTH Aachen University 2026

Umfang1 Online-Ressource : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2026

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Schuppert, Andreas (Thesis advisor)^RWTH* ; Mitsos, Alexander (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2026-06-29

Online
DOI: 10.18154/RWTH-2026-07434
URL: https://publications.rwth-aachen.de/record/1039738/files/1039738.pdf

Einrichtungen

Projekte

HDS LEE - Helmholtz School for Data Science in Life, Earth and Energy (HDS LEE) (HDS-LEE-20190612) (HDS-LEE-20190612)

Inhaltliche Beschreibung (Schlagwörter)
ABM (frei) ; HPC (frei) ; infectious diseases (frei) ; modeling (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Mathematische Modellierung ist ein zentrales Werkzeug zur Unterstützung von Entscheidungsträgern und informiert die Gestaltung und Umsetzung wirksamer Maßnahmen zur Eindämmung der Ausbreitung von Krankheitserregern. Aggregierte Kompartimentmodelle bieten rechnerische Effizienz, setzen jedoch meist homogene Durchmischung voraus. Agentenbasierte Modelle (ABMs) überwinden diese Einschränkung, indem sie Individuen explizit simulieren und heterogene Kontaktmuster erfassen. Ziel dieser Dissertation ist es, ein datengetriebenes ABM für Infektionskrankheitssimulationen mit Fokus auf SARS-CoV-2 weiterzuentwickeln und anzuwenden. Wir adressieren Herausforderungen wie rechnerische Umsetzbarkeit, die getreue Implementierung nicht-pharmazeutischer Interventionen (NPIs) sowie die Sensitivität epidemischer Vorhersagen gegenüber Initialisierungsannahmen. Der zentrale Beitrag dieser Dissertation ist die substanzielle Weiterentwicklung eines agentenbasierten Modells, des MEmilio-ABM, welches einem standortbasierten Design folgt, bei dem Agenten zwischen diskreten Standorttypen wie Haushalten, Arbeitsplätzen, Schulen und sozialen Treffpunkten wechseln. Die Agentenmobilität wird durch Wegeketten oder Mobilitätsregeln implementiert, und die individuelle Infektiosität wird durch eine stetige Viruslasttrajektorie modelliert. Das Modell ist in C++20 mit gemeinsamem und verteiltem Speicherparallelisierung implementiert und erreicht eine lineare algorithmische Komplexität in der Anzahl der Agenten, wobei die Wall-Clock-Laufzeit pro Zeitschritt linear bis zu 256~Millionen Agenten auf einer CPU-basierten HPC-Infrastruktur skaliert, wodurch große Ensemble-Analysen ermöglicht werden. Wir zeigen das Potential für Maßnahmenanalysen durch eine retrospektive Fallstudie in Braunschweig, Deutschland, während der Alpha-Varianten-Periode, wobei Schlüsselparameter an gemeldete öffentliche Gesundheitsdaten angepasst wurden. Symptomatisches Testen erweist sich in diesem Kontext als zentral für die Ausbruchskontrolle, und eine kontrafaktische Analyse zeigt, dass eine fünffache Erhöhung des symptomatischen Testens ohne Lockdown vergleichbare Reduktionen der Todesfallzahlen hätte erzielen können. Wir zeigen, dass die Quarantänedauer folgenreicher ist als der Grad der Kontaktreduktion während der Isolation, wobei fünf bis elf Tage eine substanzielle Eindämmung weitgehend unabhängig vom Grad der Kontaktreduktion erreichen. Ein neuartiges Kopplungsframework zwischen dem Fußgängerdynamikmodell Vadere und MEmilio-ABM ermöglicht einen kontrollierten Vergleich zweier Initialisierungsstrategien: die übertragungsinformierte Initialisierung, die die soziale Clusterung der Erstinfektionen erhält, und die standardmäßige gleichmäßige Initialisierung auf Basis von Fallzahlen. Über vier Ausbruchsszenarien, 100 stochastische Replikationen und demografische Strukturen aus Deutschland, Frankreich und den Vereinigten Staaten hinweg überschätzt die gleichmäßige Initialisierung das Epidemiewachstum systematisch, mit Vorhersagefehlern von bis zu 46% bei den kumulativen Infektionen nach einem Simulationszeitraum von 10~Tagen für die am stärksten geclusterten Szenarien. Unsere Analyse identifiziert die soziale Clusterung des initialen Ausbruchsereignisses als zentralen Bestimmungsfaktor. Die übertragungsinformierte Initialisierung erzeugt lokale Sättigung innerhalb zusammenhängender sozialer Einheiten, was das Epidemiewachstum einschränkt — eine Dynamik, die durch gleichmäßige Initialisierung nicht repliziert werden kann. Diese Dissertation entwickelt ein HPC-fähiges, datengetriebenes ABM-Framework weiter, das für die NPI-Maßnahmenevaluierung angewendet wird, und quantifiziert den initialisierungsbedingten Vorhersagefehler in Infektionskrankheitssimulationen.

Mathematical modeling is a central tool to aid policy-makers, informing the design and implementation of effective measures to contain pathogen spread.Aggregated compartmental models offer computational efficiency, but typically assume homogeneous mixing.Agent-based models (ABMs) overcome this limitation by simulating individuals explicitly, capturing heterogeneous contact patterns.The aim of this thesis is to advance and apply a data-driven ABM for infectious disease simulations with a particular focus on Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2).We address challenges such as computational feasibility, faithful implementation of non-pharmaceutical interventions (NPIs), and the sensitivity of epidemic predictions to model initialization assumptions.The central contribution of this dissertation is the substantial advancement of an agent-based model, the MEmilio-ABM, which follows a location-based design in which agents move between discrete location types such as households, workplaces, schools, and social venues. Agent mobility is implemented through either trip chains or mobility rules, and individual infectiousness is modeled through a continuous viral load trajectory.The model is implemented in C++20 with shared- and distributed-memory parallelization and achieves linear algorithmic complexity in the number of agents, with wall-clock runtime per time step scaling linearly up to 256 million agents on a CPU-based HPC infrastructure, enabling large-scale ensemble analyses.We demonstrate policy analysis capabilities through a retrospective Brunswick, Germany case study during the Alpha variant period, with key parameters fitted to reported public health data. Testing of symptomatic individuals proves central to outbreak control in this setting, and a counterfactual analysis indicates that a five-fold increase in symptomatic testing, without a lockdown, could have achieved comparable reductions in the number of deaths.We show that quarantine duration is more consequential than the degree of contact reduction during isolation, with five to eleven days achieving substantial mitigation largely independent of degree of contact reduction.A novel coupling framework between the pedestrian dynamics model Vadere and MEmilio-ABM enables a controlled comparison between two initialization strategies: transmission-informed initialization, which preserves the social clustering of initial infections, and standard uniform initialization based on case numbers.Across four outbreak scenarios, 100 stochastic replications, and demographic structures from Germany, France, and the United States, uniform initialization systematically overestimates epidemic growth, with prediction errors reaching up to 46% in cumulative infections after a 10-day simulation period for the most clustered settings. Our analysis identifies social clustering of the initial outbreak event as the key determinant. Transmission-informed initialization produces local saturation within connected social units, constraining epidemic growth — a dynamic that uniform initialization cannot replicate.This dissertation advances an HPC-capable, data-driven ABM framework that is applied to NPI policy evaluation and quantifies initialization-driven prediction bias in epidemic simulations.

OpenAccess:
PDF
(additional files)