Die mathematische Modellierung von Infektionskrankheiten hat sich zu einem zentralen Werkzeug für evidenzbasierte Entscheidungen im öffentlichen Gesundheitswesen entwickelt. Während der COVID-19-Pandemie zeigte sich jedoch eine wesentliche Hürde. Die Softwarelandschaft für epidemiologische Simulationen ist stark fragmentiert. Um diese Hürde abzubauen und eine vereinheitlichte, leistungsstarke Softwareplattform für Wissenschaft und Praxis bereitzustellen, wurde MEmilio entwickelt.
MEmilio verknüpft hohe Rechenleistung mit einfacher Bedienbarkeit durch eine Zwei-Schichten-Architektur:
– C++ Simulation Core (High Performance): Das Herzstück der Software ist in modernem, stark optimiertem C++ geschrieben. Es enthält maßgeschneiderte numerische Solver für ODEs, IDEs und SDEs sowie effiziente Speicher- und Parallelisierungskonzepte (Shared und Distributed Memory via OpenMP/MPI). Dies ermöglicht Simulationen von der lokalen Ebene bis hin zu nationalen High-Performance-Computing-Systemen (HPC).
– Python-Schnittstelle (Usability und Flexibilität): Ein konsistentes Python-Binding ermöglicht es Forschenden, Experimente, Kalibrierungen und Auswertungen in gewohnten Datenanalyse-Umgebungen (z. B. Jupyter Notebooks) durchzuführen.
MEmilio nutzt vereinheitlichte Datenstrukturen für Raum, Demografie und Mobilität (z. B. Pendlerströme, Reisezeiten). Dadurch lassen sich räumliche Auflösungen und Populationsgrößen nahtlos anpassen und zwischen verschiedenen Modelltypen austauschen. Das Framework lässt sich problemlos in etablierte Werkzeuge zur Unsicherheitsquantifizierung und Parameterschätzung integrieren und unterstützt ein breites Anwendungsspektrum – von der Szenarioanalyse bis hin zur Kalibrierung. Strenge Softwareentwicklungspraktiken, einschließlich umfangreicher Unit- und Continuous-Integration-Tests, fördern die Robustheit des Frameworks und minimieren das Fehlerrisiko während seiner Weiterentwicklung.
Zusammenfassend lässt sich sagen, dass MEmilio durch die Vereinheitlichung von Implementierungen über verschiedene Modellierungsparadigmen hinweg darauf abzielt, die Wiederverwendbarkeit und Generalisierung von Modellen zu vereinfachen, fundierte Vergleiche impliziter Annahmen zu ermöglichen und die Entwicklung neuartiger Ansätze zu beschleunigen, die die modellbasierte Vorbereitung auf Krankheitsausbrüche stärken.
Weitere Informationen gibt es unter: https://www.nature.com/articles/s41598-026-66481-6 sowie auf Zenodo bei der MONID-Community: https://zenodo.org/records/22143555.