مدل‌ساز بیماری‌های عفونی
Infectious Disease Modeler
مدل‌ساز بیماری‌های عفونی با مدل‌های ریاضی، آماری و شبیه‌سازی نشان می‌دهد یک بیماری واگیر چطور در جمعیت پخش می‌شود، چند هفتهٔ بعد به کجا می‌رسد و واکسن یا هر مداخلهٔ دیگری چه اثری دارد. کارفرمایان اصلی نهادهای سلامت عمومی، دانشگاه‌ها، بنیادهای سلامت جهانی و شرکت‌های مشاوره‌اند. عنوان «مدل‌ساز اپیدمیولوژی هوشمند» (AI Epidemiology Modeler) در هیچ آگهی‌ای پیدا نشد و عنوان شغلی نیست؛ بازار همین کار را Infectious Disease Modeler، Mathematical Modeller یا Computational Modeler می‌نامد. یادگیری ماشین در بیشتر این آگهی‌ها مهارت مکمل است و فقط در بعضی نقش‌ها، مثل پیش‌بینی شیوع با ML، در مرکز کار قرار دارد.
مقدمه و تعریف شغل
مدل‌ساز بیماری‌های عفونی (Infectious Disease Modeler) با مدل ریاضی یا شبیه‌سازی رایانه‌ای توضیح می‌دهد یک عفونت چطور از فردی به فرد دیگر و در کل جمعیت پخش می‌شود. سه سؤال اصلی کار او این‌هاست: الان وضع واقعی چیست (nowcasting)، چند هفتهٔ بعد چه می‌شود (forecasting) و اگر واکسن، درمان یا سیاست تازه‌ای اجرا شود چه تغییری می‌کند (scenario modelling). آگهی آژانس بیماری‌های واگیر سنگاپور حوزه‌های اصلی کار را nowcasting و پیش‌بینی، مدل‌سازی سناریو، ارزیابی اثر و هزینهٔ مداخله‌ها و پیش‌بینی بلندمدت بار بیماری فهرست کرده است. ابزار اصلی مدل‌های مکانیکی (mechanistic) است، یعنی مدل‌هایی که از سازوکار انتقال ساخته می‌شوند، همراه با آمار و برنامه‌نویسی. یادگیری ماشین در برخی نقش‌ها مکمل این ابزارهاست و در شمار کمتری از آن‌ها محور کار است.
بیشتر آگهی‌های این کار در نهادهای سلامت عمومی، دانشگاه‌ها و بنیادهای سلامت جهانی منتشر می‌شوند. در ۲۰۲۶ ECDC در استکهلم، RIVM در هلند، آژانس بیماری‌های واگیر سنگاپور و سازمان سلامت عمومی ولز آگهی استخدام مدل‌ساز داده‌اند. مؤسسهٔ مدل‌سازی بیماری (IDM)، که پژوهشکده‌ای درون بنیاد گیتس است، در اکتبر ۲۰۲۶ برای ریاست خود آگهی داد. در آمریکا CDC در آوریل ۲۰۲۲ «مرکز پیش‌بینی و تحلیل شیوع» (CFA) را با بودجهٔ اولیهٔ ۲۰۰ میلیون دلار راه انداخت و آن را معادل «سازمان هواشناسی ملی برای بیماری‌های عفونی» معرفی کرد. شرکت‌هایی مثل Booz Allen هم برای مشتریان دولتی آمریکا مدل‌ساز می‌گیرند. جای یادگیری ماشین در این بازار روشن است: در آگهی‌های Booz Allen، RIVM، آژانس سنگاپور و ECDC شرط نیست، در آگهی سلامت عمومی ولز و Epistemix آمده و در آگهی‌های آکسفورد (پروژهٔ ORCAS) و دانشگاه شفیلد مهارت اصلی است.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک مدل‌ساز بیماری‌های عفونی
پیش‌بینی کوتاه‌مدت شیوع
در فصل آنفلوانزای ۲۰۲۶ تا ۲۰۲۷، CDC از تیم‌های شرکت‌کننده در چالش FluSight می‌خواهد هر هفته پیش‌بینی احتمالاتی بستری‌های آنفلوانزا را برای هفتهٔ جاری و سه هفتهٔ بعد، برای هر ایالت، بفرستند. خروجی یک عدد نیست، بلکه چندک‌هایی است که بازهٔ محتمل را نشان می‌دهند.
مدل سناریو برای سیاست‌گذاری
ECDC از مدل‌ساز خود مدل‌هایی می‌خواهد که اثر معرفی واکسن تازه، تغییر برنامهٔ واکسیناسیون و افت پوشش واکسن را بسنجند و گزینه‌های سیاستی را در شرایط عدم قطعیت مقایسه کنند.
ارزیابی اثر و هزینهٔ مداخله
در RIVM مدل‌ها اثر درمان، واکسن، اطلاع‌رسانی به شریک جنسی و کمپین‌های آموزشی را بر عفونت‌های آمیزشی می‌سنجند و پایهٔ کمّی محاسبهٔ هزینه و فایدهٔ اقدام‌های سلامت عمومی می‌شوند.
workflow شبیه‌سازی قابل‌اعتماد
آگهی Booz Allen تجربهٔ طراحی و استقرار workflow شبیه‌سازی با تست، لاگ، پایش، مدیریت خطا و بهینه‌سازی سرعت را می‌خواهد؛ یعنی مدل باید مثل نرم‌افزار واقعی نگهداری شود، نه فقط یک notebook.
مدل یادگیری ماشین برای هشدار زودهنگام
دانشگاه شفیلد دستیار پژوهشی می‌خواهد که چند مجموعه‌دادهٔ واقعی را کنار هم بگذارد و مدل‌های یادگیری ماشین بسازد تا پیش از وقوع شیوع Strep A سیگنال هشدار بدهند؛ نتیجه قرار است وارد ابزاری برای پزشکان و تیم‌های سلامت عمومی شود.
ابزار پشتیبانی تصمیم
در پروژهٔ ORCAS دانشگاه آکسفورد، پژوهشگر ابزارهایی می‌سازد که خروجی مدل را به نتیجهٔ قابل‌اقدام تبدیل می‌کنند و آن‌ها را با شرکای سلامت عمومی در نیجریه و کنگو در جریان کار روزمره به کار می‌گیرد.
تخصص‌های مختلف مدل‌ساز بیماری‌های عفونی
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
پیش‌بینی و nowcasting شیوع
Outbreak Forecasting & Nowcasting
تخمین وضعیت فعلی با وجود تأخیر گزارش و پیش‌بینی چند هفتهٔ آینده؛ از وظایف صریح آگهی‌های ECDC و آژانس سنگاپور و موضوع چالش‌های پیش‌بینی CDC مثل FluSight.
مدل‌سازی اثر واکسن و مداخله
Vaccine & Intervention Impact Modeling
سنجش اثر برنامه‌های واکسیناسیون، درمان و سیاست‌ها و گاهی هزینه و فایدهٔ آن‌ها؛ تمرکز آگهی ECDC برای بیماری‌های قابل‌پیشگیری با واکسن و آگهی RIVM برای عفونت‌های آمیزشی.
شبیه‌سازی عامل‌محور و جمعیت مصنوعی
Agent-based Simulation & Synthetic Populations
شبیه‌سازی تک‌تک افراد و شبکهٔ تماس‌هایشان؛ کار اصلی Epistemix و ابزارهایی مثل Starsim که مؤسسهٔ IDM، مؤسسهٔ Burnet و همکاران دیگر توسعه می‌دهند.
اپیدمیولوژی ژنومی
Genomic Epidemiology & Phylodynamics
استخراج الگوی انتقال از توالی ژنوم پاتوژن؛ موضوع آگهی Research Associate در امپریال برای آنفلوانزای فصلی. این تخصص با شغل زیست‌شناس محاسباتی (ژنومیک و یادگیری ماشین) در همین سایت مرز مشترک دارد.
یادگیری ماشین برای پاسخ به شیوع
AI / ML for Outbreak Response
مدل‌های ML برای پیش‌بینی و هشدار زودهنگام، و مدل‌های جانشین که شبیه‌سازی کند را تقریب می‌زنند؛ مثل پروژهٔ ORCAS در آکسفورد و پروژهٔ Strep A در شفیلد. نزدیک‌ترین تخصص به عنوان قدیمی این صفحه است.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
طبق BLS، اپیدمیولوژیست‌ها کارکنان سلامت عمومی‌اند که الگوها و علل بیماری و آسیب را بررسی می‌کنند، بیشتر در ادارات سلامت ایالتی و محلی کار می‌کنند و معمولاً دست‌کم کارشناسی ارشد دارند. مدل‌ساز بیماری‌های عفونی تخصصی درون همین حوزه است که روی مدل‌سازی انتقال و پیش‌بینی تمرکز دارد. در RIVM هم بخش مدل‌سازی کنار تخصص‌های آمار زیستی و روش‌شناسی نظارت، درون مرکز اپیدمیولوژی و نظارت بیماری‌های عفونی قرار دارد. تفاوت در تمرکز است: اپیدمیولوژیست بیشتر الگو و علت بیماری را از داده‌های نظارت و مطالعات بررسی می‌کند و مدل‌ساز بیشتر مدل انتقال می‌نویسد، پیش‌بینی می‌کند و سناریو می‌سازد.
دانشمند داده‌های سلامت با پروندهٔ الکترونیک سلامت، دادهٔ بیمه و کارآزمایی بالینی کار می‌کند و مدل پیش‌بینی یا علّی برای بیمار و نظام درمان می‌سازد. مدل‌ساز بیماری‌های عفونی با دینامیک انتقال در کل جمعیت سروکار دارد و داده‌اش بیشتر داده‌های نظارتی، رفتار تماس و دادهٔ ژنومی پاتوژن است. این دو در نقش‌هایی مثل Advanced Epidemiological Data Scientist در سلامت عمومی ولز به هم می‌رسند که هم مدل گسترش بیماری می‌سازد و هم pipeline داده و یادگیری ماشین.
تحلیلگر پیش‌بینی معمولاً تقاضا یا فروش را برای برنامه‌ریزی کسب‌وکار پیش‌بینی می‌کند. مدل‌ساز بیماری هم پیش‌بینی کوتاه‌مدت می‌سازد، اما با دو تفاوت: مدل‌هایش اغلب از سازوکار انتقال ساخته می‌شوند و باید به سؤال «اگر فلان مداخله اجرا شود» هم جواب بدهند. ارزیابی پیش‌بینی هم سخت‌گیرانه و احتمالاتی است: در هاب پیش‌بینی COVID-19 آمریکا، خطای پیش‌بینی در افق ۲۰ هفته سه تا پنج برابر افق یک هفته بود.
دانشمند داده معمولاً از الگوهای داده‌های گذشته مدل پیش‌بینی می‌سازد. مدل‌ساز بیماری بیشتر از سازوکار انتقال شروع می‌کند تا بتواند وضعیتی را بسنجد که هنوز داده‌ای از آن نیست، مثل واکسن تازه. مقاله‌ای دربارهٔ مدل‌های جانشین با شبکهٔ عصبی گرافی این دو را چنین مقایسه می‌کند: رویکردهای کلاسیک بیشتر مکانیکی‌اند و رویکردهای صرفاً داده‌محور ML اغلب جعبهٔ سیاه. نقش‌های جدیدتر هر دو را می‌خواهند؛ آگهی آکسفورد هم مدل ML برای پیش‌بینی می‌خواهد و هم مدل شبیه‌سازی برای سناریو.
تأثیر در صنایع مختلف
مدل‌ساز بیماری‌های عفونی در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
نهادهای ملی سلامت عمومی
ECDC، RIVM، آژانس بیماری‌های واگیر سنگاپور و سلامت عمومی ولز با مدل‌ها برای پیش‌بینی، آمادگی و سیاست‌گذاری ملی تصمیم می‌گیرند
سیاست واکسیناسیون
مدل‌ساز ECDC به گروه‌های مشورتی ملی واکسیناسیون (NITAG) در کشورهای اروپایی تحلیل می‌دهد تا دربارهٔ برنامهٔ واکسن تصمیم بگیرند
سلامت جهانی و بشردوستانه
مؤسسهٔ IDM در بنیاد گیتس با پژوهشگران و مهندسان نرم‌افزار ابزار مدل‌سازی برای ریشه‌کنی بیماری‌های عفونی می‌سازد و منتشر می‌کند
مشاوره برای دولت
Booz Allen برای مشتریان دولتی مدل‌هایی دربارهٔ تخصیص منابع، دینامیک بیماری، پیش‌بینی شیوع و برنامه‌ریزی پاسخ می‌سازد
دانشگاه‌ها و پژوهشکده‌ها
آکسفورد ابزارهای AI برای پاسخ به شیوع در نیجریه و کنگو می‌سازد، امپریال روش‌های اپیدمیولوژی ژنومی و Johns Hopkins مدل‌هایی برای پیش‌بینی اثر جمعیتی واکسن‌های سل
نرم‌افزار شبیه‌سازی
Epistemix جمعیت مصنوعی و مدل عامل‌محور را به مشتریان سلامت، علوم زیستی، بیمه و دولت می‌فروشد تا راهبرد را پیش از اجرا بیازمایند
سلامت دام و حیات وحش
USDA در دسامبر ۲۰۲۵ مدل‌سازی می‌خواست که مدل‌های فضایی انتقال بیماری و الگوریتم‌های بهینه‌سازی کنترل را برای آمادگی در برابر بیماری‌های دامی بسازد
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
این کار بیشتر هوش مصنوعی و یادگیری ماشین است
در آگهی‌های Booz Allen، RIVM، آژانس سنگاپور و ECDC یادگیری ماشین جزو شرایط نیست؛ آنچه خواسته‌اند مدل‌های انتقال، آمار، کالیبره کردن و R یا Python است. ML در نقش‌هایی مثل پروژهٔ ORCAS آکسفورد و پروژهٔ Strep A شفیلد محور کار است و در آگهی سلامت عمومی ولز به‌عنوان روشی تازه که باید به کار گرفته شود آمده است.
بدون دکترا راهی به این شغل نیست
بسیاری از نقش‌های پژوهشی دکترا می‌خواهند، از جمله RIVM، آکسفورد، امپریال و ریاست IDM. اما Booz Allen با کارشناسی در رشته‌هایی مثل ریاضی، کامپیوتر، تحقیق در عملیات یا اپیدمیولوژی و ۳ سال تجربه استخدام می‌کند و Johns Hopkins برای Modeler/Data Scientist I کارشناسی و ۴ سال تجربهٔ پژوهش کمّی را کافی می‌داند.
فقط پزشک‌ها یا زیست‌شناس‌ها مدل‌ساز بیماری می‌شوند
طبق ویکی‌پدیا، Neil Ferguson فیزیک نظری خوانده بود و Caitlin Rivers کارشناسی انسان‌شناسی داشت. آگهی RIVM هم فیزیک، ریاضی کاربردی و کامپیوتر را کنار اپیدمیولوژی پذیرفته و Booz Allen تحقیق در عملیات و مهندسی صنایع را.
مدل خوب یک عدد دقیق دربارهٔ آینده می‌دهد
خروجی کار معمولاً بازه و احتمال است. در هاب پیش‌بینی COVID-19 آمریکا، مهارت ۲۷ مدل در زمان‌ها و مکان‌های مختلف بسیار متغیر بود و ترکیب پیش‌بینی ده‌ها گروه (ensemble) پایدارترین دقت را داشت. ECDC هم صریحاً توانایی توضیح عدم قطعیت به سیاست‌گذار را می‌خواهد.
این شغل فقط هنگام همه‌گیری وجود دارد
آگهی‌های ۲۰۲۶ دربارهٔ عفونت‌های آمیزشی (RIVM)، بیماری‌های قابل‌پیشگیری با واکسن (ECDC)، سل (Johns Hopkins) و Strep A (شفیلد) بودند و USDA برای بیماری‌های دامی مدل‌ساز می‌خواست. مأموریت IDM هم ریشه‌کنی بیماری‌های عفونی است، نه فقط پاسخ به بحران.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
تازه‌کار (۰–۲ سال)
بیشتر وقت صرف داده و کد می‌شود: آماده کردن داده‌های نظارتی، اجرای مدل‌های موجود و پیدا کردن جایی که مدل با داده نمی‌خواند. آگهی Johns Hopkins همین کارها را فهرست کرده است.
- ◆تمیز کردن و پردازش دادهٔ موارد یا بستری‌ها برای ورود به مدل
- ◆تحلیل خطا و کالیبره کردن مدل و پیشنهاد بهبود
- ◆استخراج شاخص‌ها و هدف‌های کالیبراسیون از منابع داده و مقالات
- ◆نوشتن کد تکرارپذیر و ثبت تغییرات در Git
میانی (۲–۵ سال)
مسئول یک مدل یا یک خط پیش‌بینی هستید: از طراحی و کالیبره کردن تا تبدیل نتیجه به گزارش برای تیم‌های دیگر. با اپیدمیولوژیست‌ها، دانشمندان داده و مهندسان کار می‌کنید.
- ◆به‌روز کردن پیش‌بینی هفتگی با دادهٔ تازه و بررسی کالیبره بودن بازه‌ها
- ◆اجرای چند سناریوی مداخله و مقایسهٔ نتیجه‌ها با بازهٔ عدم قطعیت
- ◆اضافه کردن تست و لاگ به workflow شبیه‌سازی
- ◆جلسه با اپیدمیولوژیست‌ها برای تخمین پارامترهای بیماری از دادهٔ تازه
ارشد (۵+ سال)
پروژه را از ابتدا تا انتها رهبری می‌کنید، سؤال را با ذی‌نفعان تعریف می‌کنید و نتیجه را به سیاست‌گذار ارائه می‌دهید. آگهی آژانس سنگاپور این سطح را نقطهٔ تماس اصلی پروژه با ذی‌نفعان داخلی و بیرونی می‌داند.
- ◆تعریف دامنه، زمان‌بندی و خروجی‌های یک پروژهٔ مدل‌سازی
- ◆ارائهٔ نتیجه و محدودیت‌های مدل به مدیران سلامت یا کمیتهٔ مشورتی
- ◆تصمیم دربارهٔ اینکه برای یک سؤال مدل تازه لازم است یا مدل موجود کافی است
- ◆راهنمایی مدل‌سازان تازه‌کار و بازبینی کد آن‌ها
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈ساخت، کالیبره کردن و نگهداری مدل‌های انتقال بیماری (compartmental، تصادفی یا عامل‌محور)
- ◈پیش‌بینی کوتاه‌مدت و nowcasting موارد، بستری‌ها یا مرگ‌ها از روی داده‌های نظارتی
- ◈مدل‌سازی سناریو برای سنجیدن اثر واکسن، درمان، تغییر برنامهٔ واکسیناسیون یا سیاست‌های دیگر
- ◈تخمین پارامترهای مدل از داده‌ها و مرور مقالات علمی
- ◈ساخت workflow شبیه‌سازی قابل‌اعتماد و تکرارپذیر با تست، لاگ و کنترل نسخه
- ◈در برخی نقش‌ها، ساخت و ارزیابی مدل‌های یادگیری ماشین برای پیش‌بینی یا هشدار زودهنگام
- ◈توضیح نتیجه، فرض‌ها و عدم قطعیت مدل به اپیدمیولوژیست‌ها، سیاست‌گذاران و مخاطب غیرفنی
- ◈همکاری با اپیدمیولوژیست‌ها، میکروب‌شناسان، اقتصاددانان سلامت و مهندسان برای تعریف سؤال و داده
- ◈نوشتن گزارش فنی و مقالهٔ علمی و ارائه در کنفرانس
- ◈در سطح ارشد، رهبری پروژه و راهنمایی اعضای تازه‌کار تیم
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک مدل‌ساز بیماری‌های عفونی موفق به آن‌ها نیاز دارد
مهارت‌های فنی
ECDC تسلط به R، آژانس سنگاپور Python و/یا R و Booz Allen یکی از Python، R، MATLAB یا Julia را می‌خواهد
مدل‌هایی مثل SIR و SEIR؛ Booz Allen تجربه با مدل‌های compartmental را شرط گذاشته است
تطبیق مدل با داده و سنجیدن آن؛ در آگهی‌های Booz Allen، Johns Hopkins و ECDC آمده است
تخمین پارامتر و عدم قطعیت؛ Booz Allen «کمّی‌سازی عدم قطعیت» و data assimilation را می‌خواهد
پیش‌بینی وضعیت فعلی و آینده با در نظر گرفتن تأخیر گزارش؛ از وظایف ECDC و آژانس سنگاپور
مدل‌هایی که تک‌تک افراد یا رویدادها را شبیه‌سازی می‌کنند؛ Booz Allen شبیه‌سازی رویداد گسسته را نام برده است
ECDC workflow شفاف و مستند با کنترل نسخه می‌خواهد و Booz Allen تست خودکار و لاگ
برای نقش‌هایی مثل ORCAS آکسفورد و Strep A شفیلد ضروری است؛ در بیشتر آگهی‌های دیگر امتیاز به حساب می‌آید
Shiny، Streamlit یا Dash برای نشان دادن نتیجه؛ در آگهی‌های Booz Allen و آکسفورد
AWS یا Azure برای اجرای شبیه‌سازی در مقیاس بزرگ؛ Booz Allen آن را امتیاز می‌داند و سلامت عمومی ولز در حال انتقال داده به ابر است
برای شبیه‌سازی‌های سنگین؛ ECDC و آژانس سنگاپور C++ را به‌عنوان زبان مکمل نام برده‌اند
مهارت‌های نرم
ECDC، آژانس سنگاپور و Booz Allen همه توانایی توضیح نتیجه و فرض‌ها به مخاطب فنی و غیرفنی را می‌خواهند
همکاری با ذی‌نفعان برای تعریف سؤال و پیدا کردن شکاف دانش؛ از وظایف آگهی سنگاپور
RIVM همکاری منظم با اپیدمیولوژیست‌ها، میکروب‌شناسان، اقتصاددانان سلامت و سیاست‌گذاران را توصیف می‌کند
انتشار مقاله و گزارش فنی در آگهی‌های RIVM و ECDC جزو کار است
در سطح ارشد، تعریف دامنه، زمان‌بندی و ریسک پروژه؛ آژانس سنگاپور و ECDC آن را می‌خواهند
دانش حوزه‌ای
تاریخچهٔ طبیعی عفونت، راه‌های انتقال و اثر اقدام‌های کنترلی؛ آگهی سنگاپور ترکیب شواهد دربارهٔ همین‌ها را می‌خواهد
تأخیر گزارش، کم‌شماری و تغییر تعریف موارد؛ دورهٔ NFIDD چند جلسه را فقط به توزیع تأخیرها اختصاص داده است
برای نقش‌هایی مثل ECDC که اثر برنامه‌های واکسیناسیون را می‌سنجند
ارزیابی اقتصادی مداخله‌ها در آگهی سنگاپور و محاسبهٔ هزینه و فایده در RIVM
Booz Allen دانش حاکمیت داده، lineage، حریم خصوصی و الزامات قانونی داده‌های سلامت را امتیاز می‌داند
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مدل‌ساز بیماری‌های عفونی
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
برنامه‌نویسی و کار با داده: R یا Python و Git
آگهی‌ها روی این دو زبان توافق دارند: ECDC تسلط به R می‌خواهد، RIVM زبان R را ترجیح می‌دهد و آژانس بیماری‌های واگیر سنگاپور Python و/یا R. آگهی Johns Hopkins هم مشخصاً tidyverse، ggplot و Git را نام برده است. یکی از دو زبان را عمیق یاد بگیرید و دیگری را در حد خواندن کد.
ریاضیات و مفاهیم پایهٔ اپیدمیولوژی
مدل‌های انتقال بیماری بیشتر با معادلات دیفرانسیل و احتمال نوشته می‌شوند. هم‌زمان باید زبان اپیدمیولوژی را یاد بگیرید: نرخ بروز، دورهٔ نهفتگی، عدد تولیدمثل و تأخیر میان ابتلا و گزارش. آگهی آژانس سنگاپور «دانش علمی گسترده از بیماری‌های عفونی» را ترجیح می‌دهد.
مدل‌های انتقال: compartmental، تصادفی و ساختارمند
قلب کار همین‌جاست. مجموعهٔ Infectious Disease Modelling کالج امپریال در Coursera از مدل SIR شروع می‌کند، درمان و واکسن را به مدل اضافه می‌کند، آن را با سری زمانی واقعی کالیبره می‌کند و به مدل‌های تصادفی و ساختار جمعیت می‌رسد. آگهی Booz Allen هم دقیقاً مدل‌های compartmental و شبیه‌سازی رویداد گسسته را می‌خواهد.
استنباط آماری، nowcasting و پیش‌بینی
مدل باید با داده سنجیده و پارامترهایش از داده تخمین زده شود. Booz Allen «کالیبره کردن مدل، data assimilation، کمّی‌سازی عدم قطعیت و اعتبارسنجی مدل» را می‌خواهد و ECDC اجرای روش‌های nowcasting و پیش‌بینی را. دورهٔ رایگان NFIDD همین مسیر را از توزیع تأخیرها و تخمین Rt تا ارزیابی پیش‌بینی و ensemble با Stan آموزش می‌دهد.
شبیه‌سازی عامل‌محور، یادگیری ماشین و کار در محیط واقعی
در این مرحله دو مهارت را کنار هم می‌گذارید: شبیه‌سازی عامل‌محور (agent-based) برای سؤال‌های «اگر چنین کنیم چه می‌شود» و یادگیری ماشین برای پیش‌بینی از داده‌های متنوع. آگهی آکسفورد برای پروژهٔ ORCAS هر دو را با هم می‌خواهد: مدل ML برای پیش‌بینی و مدل شبیه‌سازی برای سناریو. ساختن پیش‌بینی در قالب هاب FluSight و با داده‌های عمومی آن، تمرین خوبی برای پیش‌بینی واقعی است.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
زبان‌ها و کنترل نسخه
ECDC تسلط به R را شرط گذاشته و RIVM آن را ترجیح می‌دهد؛ ابزارهایی مثل odin و EpiNow2 هم بستهٔ R هستند
در آگهی‌های آژانس سنگاپور، آکسفورد و Epistemix آمده است؛ scikit-learn، PyTorch، Starsim و Mesa هم با Python کار می‌کنند
چارچوب‌های مدل‌سازی بیماری
تخمین Rt، نرخ رشد و پیش‌بینی کوتاه‌مدت با معادلهٔ تجدید و استنباط بیزی در Stan، با در نظر گرفتن تأخیر گزارش
آمار بیزی و یادگیری ماشین
مدل‌های کلاسیک یادگیری ماشین برای پیش‌بینی و سیگنال هشدار زودهنگام، مثل پروژهٔ Strep A در دانشگاه شفیلد
داده، پیش‌بینی جمعی و ارائهٔ نتایج
دسترسی برنامه‌نویسی به شاخص‌های اپیدمیولوژیک آمریکا، مثل بستری‌ها، داده‌های فاضلاب و FluView، از گروه Delphi در دانشگاه Carnegie Mellon
ساخت داشبورد تعاملی با R؛ Booz Allen ساخت داشبورد با Shiny، Streamlit یا Dash را امتیاز می‌داند
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
دستیار پژوهش / مدل‌ساز تازه‌کار
۰ تا ۲ سال
کار زیر نظر یک مدل‌ساز ارشد: تمیز کردن داده، اجرای مدل‌های موجود، کالیبره کردن و تحلیل خطا. نمونه: Research Assistant پاره‌وقت در دانشگاه شفیلد که مدل‌های یادگیری ماشین برای هشدار زودهنگام Strep A می‌سازد و یک مدرک خوب در رشته‌ای کمّی می‌خواهد. در مسیر دانشگاهی، این مرحله معمولاً دورهٔ دکتری است.
مدل‌ساز (Modeler)
۲ تا ۵ سال
~$114K
میانگین سالانه (آمریکا)
ساخت و نگهداری مدل‌های انتقال و پیش‌بینی، کالیبره کردن با داده و تبدیل نتیجه به پیشنهاد عملی؛ آگهی Booz Allen با شرط ۳ سال تجربه و آگهی Johns Hopkins با ۴ سال تجربهٔ پژوهش کمّی در همین سطح‌اند
مدل‌ساز ارشد / Lead
۵+ سال
رهبری پروژه از ابتدا تا انتها، تعریف سؤال با ذی‌نفعان، ارائهٔ نتیجه به سیاست‌گذار و راهنمایی اعضای جوان‌تر؛ آگهی Lead Public Health Officer (Modelling) در آژانس سنگاپور دست‌کم ۵ سال تجربه در مدل‌سازی دینامیک بیماری می‌خواهد
رئیس مدل‌سازی / Director
پس از سطح ارشد
تعیین دستور کار علمی یک مؤسسه یا واحد مدل‌سازی و تصمیم دربارهٔ اینکه روش‌های تازه، از جمله AI، کجا به کار بیایند. آگهی Director مؤسسهٔ IDM در بنیاد گیتس دکترا و سابقهٔ رهبری ارشد علمی می‌خواهد و بازهٔ حقوقش ۳۷۵٬۲۰۰ تا ۵۸۱٬۶۰۰ دلار است؛ برای سیاتل و واشینگتن، که دفترهای بنیادند، ۴۱۲٬۷۰۰ تا ۶۳۹٬۷۰۰ دلار.
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
دادهٔ ناقص و دیرهنگام
عمومیدادههای نظارتی با تأخیر می‌رسند و هفته‌های آخر همیشه کمتر از واقع‌اند. ابزاری مثل EpiNow2 صریحاً برای در نظر گرفتن تأخیر میان ابتلا و گزارش و «right-truncation» داده‌های اخیر ساخته شده است؛ اگر این را نادیده بگیرید، روند هفته‌های آخر را کمتر از واقع می‌بینید.
پیش‌بینی هرچه دورتر، نامطمئن‌تر
عمومیدر ارزیابی هاب پیش‌بینی COVID-19 آمریکا، خطای احتمالاتی پیش‌بینی در افق ۲۰ هفته سه تا پنج برابر افق یک هفته بود و فقط دو سوم مدل‌ها از یک مدل پایهٔ ساده بهتر عمل کردند. مدل‌ساز باید این محدودیت را بپذیرد و صادقانه گزارش کند.
فشار زمانی در بحران
عمومیمقالهٔ مدل‌های جانشین با شبکهٔ عصبی گرافی می‌نویسد تصمیم‌های فوری در محیط متغیر، زمان جمع کردن شواهد را محدود می‌کند؛ مدل جانشین آن‌ها ارزیابی را تا ۲۸٬۶۷۰ برابر سریع‌تر از مدل مکانیکی کرد. در شیوع واقعی، مدل باید سریع جواب بدهد و هم‌زمان قابل دفاع باشد.
قرارداد موقت و وابستگی به بودجهٔ پروژه
تحقیقاتیبسیاری از این نقش‌ها موقت‌اند: قرارداد RIVM یک‌ساله و وابسته به پروژه‌های پژوهشی است، آگهی Johns Hopkins برای یک دورهٔ یک‌ونیم‌ساله نوشته شده، آگهی آکسفورد تا مارس ۲۰۲۸ و آگهی امپریال دو ساله است. ثبات شغلی در مسیر دانشگاهی معمولاً دیرتر به دست می‌آید.
مدرک و سابقهٔ انتشار
عمومیRIVM، آکسفورد و امپریال دکترا می‌خواهند و RIVM و آژانس سنگاپور سابقهٔ انتشار مقاله را هم در نظر می‌گیرند. برای کسی که از رشتهٔ دیگری می‌آید، نقش‌های غیردانشگاهی مثل Booz Allen یا Johns Hopkins، که کارشناسی و تجربه را می‌پذیرند، در ورود واقع‌بینانه‌ترند.
شرط تابعیت و مجوز امنیتی در نقش‌های دولتی
شرکت بزرگECDC فقط اتباع کشورهای عضو اتحادیهٔ اروپا، نروژ، ایسلند یا لیختن‌اشتاین را می‌پذیرد، Booz Allen توانایی گرفتن مجوز Public Trust یا Suitability را شرط گذاشته و آگهی USDA شهروندی آمریکا را شرط گذاشته بود. پیش از برنامه‌ریزی مهاجرت شغلی، این شرط‌ها را در آگهی‌های هر کشور بررسی کنید.
حقوق و بازار کار جهانی
حقوق جهانی مدل‌ساز بیماری‌های عفونی
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- BLS OOH, Epidemiologists, May 2025 (closest official occupation, not modeler-specific): 10th–90th pct; median
- Booz Allen posting, Health Computational Modeler (Bethesda MD; 3+ yrs), posted Oct 15 2026: projected range; median = midpoint
- Johns Hopkins posting, Modeler/Data Scientist I (Epidemiology) (Baltimore; 4 yrs), posted Mar 17 2026: posted range; median = midpoint
- University of Oxford posting, Senior Postdoctoral Research Scientist in AI for Outbreak Response (PhD), placed Oct 12 2026: Grade 8 range, excl. discretionary range to £65,336; median = midpoint
- Imperial College London posting, Research Associate, Dept of Infectious Disease Epidemiology (PhD), placed Sep 25 2026: posted range; median = midpoint
- RIVM posting, Mathematical modeller infectious diseases (Bilthoven; PhD), placed Sep 1 2026: Schaal 11 €4,132–€6,275 gross per month (36 h) excl. 16.5% IKB, shown ×12; median = midpoint
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: R و داده‌های اپیدمیولوژی
اگر R را خوب نمی‌دانید، با Epidemiologist R Handbook روی داده‌های واقعی شیوع کار کنید.
ماه ۲ و ۳: مدل‌های انتقال
سه درس مجموعهٔ امپریال در Coursera را بگذرانید: SIR، کالیبره کردن با داده و مدل‌های تصادفی و ساختارمند.
ماه ۵: پیش‌بینی واقعی
قالب و داده‌های هاب FluSight را بخوانید و چند هفته پیش‌بینی چندکی بسازید و با مدل پایه بسنجید.
ماه ۶: پورتفولیو و درخواست
دو پروژه با README روشن در GitHub بگذارید و برای نقش‌های Research Assistant یا Analyst در گروه‌های مدل‌سازی اقدام کنید.
پروژه‌های پیشنهادی برای رزومه
مدل SEIR کالیبره‌شده با دادهٔ واقعی
مبتدییک مدل SEIR برای یک شیوع گذشته بنویسید، آن را با سری زمانی موارد گزارش‌شده کالیبره کنید و اثر دو سناریوی واکسیناسیون را مقایسه کنید. در README فرض‌ها و محدودیت‌ها را روشن بنویسید.
تخمین Rt و nowcast از داده‌های عمومی
متوسطبا EpiNow2 روی داده‌های عمومی یک بیماری تنفسی Rt را تخمین بزنید و نشان دهید تأخیر گزارش چطور هفته‌های آخر را کمتر از واقع نشان می‌دهد و nowcast چطور این را جبران می‌کند.
پیش‌بینی هفتگی در قالب FluSight
متوسطبرای چند هفته پیش‌بینی چندکی (quantile) بستری‌های آنفلوانزا را در همان قالب هاب FluSight بسازید، آن را با یک مدل پایهٔ ساده و با ensemble چند مدل مقایسه کنید و نشان دهید خطا با دور شدن افق پیش‌بینی چطور بیشتر می‌شود.
شبیه‌سازی عامل‌محور یک مداخله
پیشرفتهبا Starsim یا Mesa جمعیتی با شبکهٔ تماس خانه، مدرسه و محل کار بسازید و اثر بستن مدرسه یا واکسیناسیون هدفمند را با چند بار اجرای تصادفی و بازهٔ عدم قطعیت گزارش کنید.
مدل جانشین ML برای یک شبیه‌سازی کند
پیشرفتهروی خروجی صدها اجرای مدل شبیه‌سازی‌تان یک مدل یادگیری ماشین آموزش دهید تا نتیجه را بدون اجرای دوبارهٔ شبیه‌سازی تقریب بزند. دقت و سرعت را در برابر مدل اصلی بسنجید و نتیجه را در یک داشبورد Streamlit یا Shiny نشان دهید.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
طبق ویکی‌پدیا، در ۲۰۱۱ کارشناسی انسان‌شناسی گرفت و پس از خواندن کتاب Mountains Beyond Mountains به سلامت عمومی علاقه‌مند شد. سپس در Virginia Tech یک MPH با تمرکز بر بیماری‌های عفونی و دکترا در برنامهٔ ژنتیک، بیوانفورماتیک و زیست‌شناسی محاسباتی با تخصص اپیدمیولوژی محاسباتی گرفت و پایان‌نامه‌اش دربارهٔ مدل‌سازی بیماری‌های نوپدید با داده‌های غیرسنتی مثل شبکه‌های اجتماعی و جستجوی Google بود.
مدل‌هایی برای H7N9، MERS و همه‌گیری ابولای غرب آفریقا ساخت، داده‌های ابولا را به شکل قابل‌خواندن برای ماشین در GitHub منتشر کرد و ابزار و آموزش Python برای اپیدمیولوژیست‌ها نوشت. در مرکز امنیت سلامت Johns Hopkins از ساختن یک «مرکز ملی پیش‌بینی بیماری‌های عفونی» شبیه سازمان هواشناسی ملی دفاع کرد.
مسیر او از انسان‌شناسی به مدل‌سازی نشان می‌دهد رشتهٔ کارشناسی تعیین‌کننده نیست؛ آنچه به چشم آمد کار عملی روی شیوع‌های واقعی و انتشار باز داده و ابزار بود.
طبق ویکی‌پدیا، دانشمند کامپیوتر اسرائیلی‌آمریکایی است که دکترایش را در ۱۹۹۴ از Carnegie Mellon گرفت و ابتدا روی مدل‌سازی آماری زبان کار می‌کرد. از ۲۰۱۸ رئیس دپارتمان یادگیری ماشین Carnegie Mellon است.
گروه پژوهشی Delphi را بنیان گذاشت که بیشتر چالش‌های پیش‌بینی اپیدمیولوژیک CDC را برده است. CDC در ۲۰۱۹ این گروه را برای پنج سال «مرکز عالی پیش‌بینی آنفلوانزا» نامید. هدفش را این می‌داند که پیش‌بینی اپیدمیولوژیک به اندازهٔ پیش‌بینی هوا پذیرفته و مفید شود.
او نمونهٔ کسی است که از یادگیری ماشین وارد این حوزه شد، نه از اپیدمیولوژی. به نظر می‌رسد شرکت در چالش‌های عمومی پیش‌بینی، که نتیجه‌شان شفاف سنجیده می‌شود، راهی برای نشان دادن توانایی است.
طبق ویکی‌پدیا، فیزیک و سپس دکترای فیزیک نظری را در آکسفورد خواند. سخنرانی Robert May دربارهٔ مدل‌سازی همه‌گیری HIV، همراه با مرگ برادر یکی از دوستانش بر اثر ایدز، او را به مدل‌سازی ریاضی بیماری‌های عفونی کشاند.
برای شیوع تب برفکی بریتانیا در ۲۰۰۱، آنفلوانزای خوکی ۲۰۰۹، MERS و ابولای غرب آفریقا مدل ساخت. در ۲۰۰۸ همراه همکارانش مرکز MRC برای تحلیل جهانی بیماری‌های عفونی را بنیان گذاشت، به WHO، اتحادیهٔ اروپا و دولت‌های بریتانیا و آمریکا مشاوره می‌دهد و از ویراستاران مؤسس مجلهٔ Epidemics است.
مسیر او نشان می‌دهد پایهٔ قوی ریاضی و فیزیک به این کار منتقل می‌شود. دانش بیماری را می‌توان بعداً و کنار گروه‌های پژوهشی باتجربه یاد گرفت.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Health Computational Modeler
تحلیل نیازمندی‌ها
3+ years of experience in computational modeling and simulation, including supporting infectious disease events, outbreaks, forecasting, or response planning
تجربهٔ مدل‌سازی باید به یک شیوع یا برنامه‌ریزی پاسخ واقعی وصل باشد. پروژهٔ دانشگاهی روی یک شیوع گذشته، اگر با دادهٔ واقعی و خروجی روشن باشد، بخشی از این سابقه را نشان می‌دهد.
ضروریExperience developing and applying advanced epidemiological models, such as compartmental models and discrete event simulation
مدل‌های compartmental (مثل SEIR) جمعیت را به گروه‌هایی مثل حساس، آلوده و بهبودیافته تقسیم می‌کنند. شبیه‌سازی رویداد گسسته برای سؤال‌هایی مثل ظرفیت بیمارستان و تخصیص منابع به کار می‌رود.
ضروریExperience in Python, R, MATLAB, or Julia
زبان خاصی شرط نیست؛ تسلط به یکی کافی است. در آگهی‌های دیگری که برای این صفحه بررسی شد، R و Python بیشتر از همه آمده‌اند.
ضروریExperience designing and deploying reliable simulation workflows, including testing, logging, monitoring, error handling, and performance optimization
اینجا مدل‌ساز تا حدی مهندس نرم‌افزار هم هست. مدلی که برای تصمیم واقعی هر هفته اجرا می‌شود باید تست، لاگ و مدیریت خطا داشته باشد.
ضروریKnowledge of statistical modeling, model calibration, data assimilation, uncertainty quantification, and model validation
مدل باید با داده تطبیق داده شود و نتیجه همراه با بازهٔ عدم قطعیت گزارش شود. Data assimilation یعنی به‌روز کردن مدل با هر بار رسیدن دادهٔ تازه.
ضروریBachelor’s degree in Computational Science, Operations Research, Industrial Engineering, Epidemiology, Mathematics, or Computer Science
کارشناسی کافی است و رشته‌های مهندسی و تحقیق در عملیات هم پذیرفته می‌شوند. کارشناسی ارشد ترجیح دارد و دکترا امتیاز است، اما شرط نیست.
ضروریExperience integrating and analyzing complex epidemiological or health-related data sources, and building interactive dashboards, such as Streamlit, Shiny, or Dash, to communicate findings
جزو «Nice If You Have» است. داشبورد تعاملی راه رایج رساندن نتیجهٔ مدل به کسی است که کد نمی‌خواند.
مفیدExperience with AI-assisted code development tools, such as Claude Code, OpenCode, or similar, to support efficient, high-quality software development
تنها اشارهٔ آگهی به AI همین است و آن هم برای کدنویسی، نه برای خود مدل. این آگهی نشان می‌دهد در نقش اصلی مدل‌سازی، AI ابزار کار است، نه موضوع کار.
مفیدتحلیل مسئولیت‌ها
As a Computational Modeler, you will design, develop, and maintain advanced computational models focused on resource allocation, infectious disease dynamics, outbreak forecasting, and response planning.
چهار نوع سؤال در یک نقش: تخصیص منابع (مثلاً تخت یا واکسن)، دینامیک انتقال، پیش‌بینی شیوع و برنامه‌ریزی پاسخ. واژهٔ «maintain» یعنی مدل‌ها پس از ساخت هم باید به‌روز و قابل‌استفاده بمانند.
You will translate complex epidemiological data into actionable insights by building robust models, integrating data sources, and developing reliable, scalable simulation workflows.
خروجی کار باید به تصمیم برسد. بخش زیادی از وقت صرف یکپارچه کردن منابع داده و ساختن workflowی می‌شود که با بزرگ شدن مسئله از کار نیفتد.
You will provide technical leadership across modeling initiatives, establish best practices for model development and validation, improve model performance and reliability, and collaborate with epidemiologists, data scientists, engineers, and other cross-functional partners.
با وجود شرط ۳ سال تجربه، نقش رهبری فنی هم دارد: تعیین استاندارد ساخت و اعتبارسنجی مدل برای تیم و کار روزانه با اپیدمیولوژیست‌ها، دانشمندان داده و مهندسان.
نتیجه‌گیری کلی
این آگهی هستهٔ این شغل را خوب نشان می‌دهد: مدل‌های انتقال و شبیه‌سازی، کالیبره کردن و عدم قطعیت، و کدی که مثل نرم‌افزار واقعی نگهداری شود. یادگیری ماشین در شرایط آن نیامده و AI فقط به‌عنوان ابزار کدنویسی امتیاز است. شرط ورود کارشناسی و ۳ سال تجربه است و بازهٔ حقوق اعلام‌شده ۶۹٬۴۰۰ تا ۱۵۸٬۰۰۰ دلار در سال. برای دیدن نقشی که ML در مرکز آن است، آگهی آکسفورد برای پروژهٔ ORCAS در بخش آگهی‌های نمونه را ببینید.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
BLS پیش‌بینی می‌کند اشتغال اپیدمیولوژیست‌ها در آمریکا از ۲۰۲۵ تا ۲۰۳۵، ۱۹٪ رشد کند که «بسیار سریع‌تر از میانگین همهٔ مشاغل» است؛ این گروه در ۲۰۲۵ حدود ۱۲٬۸۰۰ شغل داشت و سالانه حدود ۸۰۰ فرصت شغلی برایش پیش‌بینی شده است. BLS گروه جداگانه‌ای برای مدل‌ساز بیماری ندارد و این رقم مربوط به کل اپیدمیولوژیست‌هاست.
منبع: BLS Occupational Outlook Handbook — Epidemiologists (US)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
طبق آگهی دانشگاه آکسفورد، کنسرسیوم ORCAS که با بودجهٔ بنیاد گیتس ابزارهای AI برای پاسخ به شیوع در نیجریه و کنگو می‌سازد، پژوهشگر ارشد خود را تا ۳۱ مارس ۲۰۲۸ استخدام می‌کند.
مؤسسهٔ علوم همه‌گیری آکسفورد برنامه‌ای با بودجهٔ بنیاد گیتس برای ساختن ظرفیت ماندگار مدل‌سازی بیماری‌های عفونی مبتنی بر AI در مؤسسات ملی سلامت عمومی آفریقا اجرا می‌کند؛ طبق آگهی، قرارداد مدیر این برنامه تا اوت ۲۰۲۹ است.
BLS آمریکا پیش‌بینی می‌کند اشتغال اپیدمیولوژیست‌ها از ۲۰۲۵ تا ۲۰۳۵، ۱۹٪ رشد کند. این گروه رسمی شامل مدل‌سازان بیماری‌های عفونی هم می‌شود، اما رقم جداگانه‌ای برای آن‌ها ندارد.
بیشتر کارفرمایان این حوزه نهادهای دولتی، دانشگاه‌ها و بنیادهای خیریه‌اند و بسیاری از نقش‌ها موقت و وابسته به بودجهٔ پروژه‌اند؛ قرارداد RIVM یک‌ساله است و آگهی‌های آکسفورد و امپریال هم موقت‌اند. از سوی دیگر، روش‌ها در حال تغییرند: آگهی Director در IDM از رئیس آینده می‌خواهد پیش‌بینی کند پیشرفت‌های AI کجا باید دستور کار علمی مؤسسه را شکل دهند، و Epistemix مهندسی استخدام می‌کند تا مدل‌های عامل‌محور را با AI تولید کند. به نظر می‌رسد مدل‌سازی که فقط اجرای مدل‌های آماده را بلد باشد، در برابر این تغییرها آسیب‌پذیرتر است.
منابع
اطلاعات این صفحه در تاریخ ۱ آبان ۱۴۰۵ از این ۲۷ منبع بررسی شده است.
- Health Computational Modeler — Booz Allen Hamilton (job posting)
- Health Computational Modeler — Booz Allen Hamilton (Workday copy)
- Senior Postdoctoral Research Scientist in AI for Outbreak Response — University of Oxford (job posting)
- Programme Manager in AI for Infectious Diseases — University of Oxford (job posting)
- Director, Institute for Disease Modeling — Gates Foundation (job posting)
- Data Scientist — Epistemix (job posting)
- AI Engineer — Epistemix (job posting)
- Research Assistant in Machine Learning for Epidemiology — University of Sheffield (job posting)
- Research Associate, pathogen genomic epidemiology — Imperial College London (job posting)
- Mathematical modeller infectious diseases — RIVM (job posting, archived)
- Lead Public Health Officer (Modelling) — Communicable Diseases Agency, Singapore (job posting, archived)
- Mathematical Modeller Vaccine-preventable Diseases — ECDC (job posting)
- Modeler/Data Scientist I (Epidemiology) — Johns Hopkins University (job posting, archived)
- Advanced Epidemiological Data Scientist — Public Health Wales (IDDjobs listing)
- Applied wildlife disease modeler — USDA APHIS (IDDjobs listing)
- BLS Occupational Outlook Handbook — Epidemiologists
- Cramer et al. — Evaluation of individual and ensemble probabilistic forecasts of COVID-19 mortality in the US (PNAS 2022)
- Graph Neural Network Surrogates to leverage Mechanistic Expert Knowledge towards Reliable and Immediate Pandemic Response (arXiv)
- CDC Launches Center For Forecasting And Outbreak Analytics (CleanLink, Apr 2022)
- CDC FluSight forecast hub 2026–2027 (GitHub)
- Institute for Disease Modeling — About
- Starsim — agent-based disease modeling framework
- Infectious Disease Modelling Specialization — Imperial College London (Coursera)
- Nowcasting and forecasting infectious disease dynamics (NFIDD course)
- Caitlin Rivers — Wikipedia
- Roni Rosenfeld — Wikipedia
- Neil Ferguson (epidemiologist) — Wikipedia