Infectious disease epidemics present a difficult task for policymakers, requiring the implementation of control strategies under significant time constraints and uncertainty. Mathematical models can be used to predict the outcome of control interventions, providing useful information to policymakers in the event of such an epidemic. However, these models suffer in the early stages of an outbreak from a lack of accurate, relevant information regarding the dynamics and spread of the disease and the efficacy of control. As such, recommendations provided by these models are often incorporated in an ad hoc fashion, as and when more reliable information becomes available. In this work, we show that such trial-and-error-type approaches to management, which do not formally take into account the resolution of uncertainty and how control actions affect this, can lead to sub-optimal management outcomes. We compare three approaches to managing a theoretical epidemic: a non-adaptive management (AM) approach that does not use real-time outbreak information to adapt control, a passive AM approach that incorporates real-time information if and when it becomes available, and an active AM approach that explicitly incorporates the future resolution of uncertainty through gathering real-time information into its initial recommendations. The structured framework of active AM encourages the specification of quantifiable objectives, models of system behaviour and possible control and monitoring actions, followed by an iterative learning and control phase that is able to employ complex control optimisations and resolve system uncertainty. The result is a management framework that is able to provide dynamic, long-term projections to help policymakers meet the objectives of management. We investigate in detail the effect of different methods of incorporating up-to-date outbreak information. We find that, even in a highly simplified system, the method of incorporating new data can lead to different results that may influence initial policy decisions, with an active AM approach to management providing better information that can lead to more desirable outcomes from an epidemic.

传染病流行对政策制定者来说是一项艰巨的任务，需要在时间限制和不确定性很大的情况下实施控制策略。数学模型可用于预测控制干预的结果，在发生此类流行病时为决策者提供有用的信息。然而，由于缺乏有关疾病动态和传播以及控制效果的准确相关信息，这些模型在爆发的早期阶段受到影响。因此，这些模型提供的建议通常包含在一个临时的时尚，当更可靠的信息可用时。在这项工作中，我们表明，这种试错型管理方法没有正式考虑不确定性的解决以及控制措施如何影响这一点，可能会导致次优的管理结果。我们比较了管理理论流行病的三种方法：一种不使用实时爆发信息来适应控制的非适应性管理 (AM) 方法，一种在可用时结合实时信息的被动 AM 方法，以及一种主动的 AM 方法，通过收集实时信息将未来的不确定性解决方案明确纳入其初始建议。主动 AM 的结构化框架鼓励量化目标的规范，系统行为模型以及可能的控制和监控动作，然后是迭代学习和控制阶段，该阶段能够采用复杂的控制优化并解决系统不确定性。其结果是一个能够提供动态、长期预测的管理框架，以帮助决策者实现管理目标。我们详细调查了整合最新疫情信息的不同方法的效果。我们发现，即使在高度简化的系统中，合并新数据的方法也可能导致可能影响初始政策决策的不同结果，而积极的 AM 管理方法可以提供更好的信息，从而从流行病中获得更理想的结果。接下来是迭代学习和控制阶段，该阶段能够采用复杂的控制优化并解决系统不确定性。其结果是一个能够提供动态、长期预测的管理框架，以帮助决策者实现管理目标。我们详细调查了整合最新疫情信息的不同方法的效果。我们发现，即使在高度简化的系统中，合并新数据的方法也可能导致可能影响初始政策决策的不同结果，而积极的 AM 管理方法可以提供更好的信息，从而从流行病中获得更理想的结果。接下来是迭代学习和控制阶段，该阶段能够采用复杂的控制优化并解决系统不确定性。其结果是一个能够提供动态、长期预测的管理框架，以帮助决策者实现管理目标。我们详细调查了整合最新疫情信息的不同方法的效果。我们发现，即使在高度简化的系统中，合并新数据的方法也可能导致可能影响初始政策决策的不同结果，而积极的 AM 管理方法可以提供更好的信息，从而从流行病中获得更理想的结果。帮助决策者实现管理目标的长期预测。我们详细调查了整合最新疫情信息的不同方法的效果。我们发现，即使在高度简化的系统中，合并新数据的方法也可能导致可能影响初始政策决策的不同结果，而积极的 AM 管理方法可以提供更好的信息，从而从流行病中获得更理想的结果。帮助决策者实现管理目标的长期预测。我们详细调查了整合最新疫情信息的不同方法的效果。我们发现，即使在高度简化的系统中，合并新数据的方法也可能导致可能影响初始政策决策的不同结果，而积极的 AM 管理方法可以提供更好的信息，从而从流行病中获得更理想的结果。