[論文レビュー] A linear noise approximation for stochastic epidemic models fit to partially observed incidence counts

Jonathan Fintzi, Jon Wakefield+1 more|arXiv (Cornell University)|Jan 15, 2020

COVID-19 epidemiological studies参考文献 43被引用数 24

ひとこと要約

本稿では、部分的に観測された発症数に確率的疫学モデルを適合させるための線形ノイズ近似（LNA）フレームワークを提案する。このフレームワークにより、データ増強MCMCを用いた効率的なベイズ推論が可能になる。モデルの再パラメータライゼーションとLNAの非中心的パラメータライゼーションへの統合により、特にエボラ、インフルエンザ、SARS-CoV-2の流行のような複雑で高次元な設定において、決定的ODEやシミュレーションベースの手法と比較して優れた統計的性能と計算効率を達成する。

ABSTRACT

Stochastic epidemic models (SEMs) fit to incidence data are critical to elucidating outbreak dynamics, shaping response strategies, and preparing for future epidemics. SEMs typically represent counts of individuals in discrete infection states using Markov jump processes (MJPs), but are computationally challenging as imperfect surveillance, lack of subject-level information, and temporal coarseness of the data obscure the true epidemic. Analytic integration over the latent epidemic process is impossible, and integration via Markov chain Monte Carlo (MCMC) is cumbersome due to the dimensionality and discreteness of the latent state space. Simulation-based computational approaches can address the intractability of the MJP likelihood, but are numerically fragile and prohibitively expensive for complex models. A linear noise approximation (LNA) that approximates the MJP transition density with a Gaussian density has been explored for analyzing prevalence data in large-population settings, but requires modification for analyzing incidence counts without assuming that the data are normally distributed. We demonstrate how to reparameterize SEMs to appropriately analyze incidence data, and fold the LNA into a data augmentation MCMC framework that outperforms deterministic methods, statistically, and simulation-based methods, computationally. Our framework is computationally robust when the model dynamics are complex and applies to a broad class of SEMs. We evaluate our method in simulations that reflect Ebola, influenza, and SARS-CoV-2 dynamics, and apply our method to national surveillance counts from the 2013--2015 West Africa Ebola outbreak.

研究の動機と目的

• 潜在的状態空間の次元と離散的ダイナミクスのため、部分的に観測された発症数に確率的疫学モデル（SEMs）を適合させることの計算的非実行性に対処すること。
• 複雑なモデルにおいて計算コストが高く、脆弱なシミュレーションベースの手法（例：パーティクルMCMC）の限界を克服すること。
• 従来、有病率データに用いられていた線形ノイズ近似（LNA）を、正規性を仮定しないまま発症数データに拡張すること。
• 複雑なダイナミクスを有するSEMsに対して、データ増強と非中心的パラメータライゼーションを用いた、強固でスケーラブルなベイズ推論フレームワークを構築すること。
• 2013–2015年西アフリカエボラ流行を含む、シミュレートされたおよび実世界の流行を用いて、手法を評価すること。

提案手法

• 発症数を直接モデル化するため、確率的疫学モデル（SEMs）を再パラメータライズし、尤度における正規性の仮定を回避する。
• 線形ノイズ近似（LNA）を用いて、マコフ跳躍過程（MJP）の遷移密度をガウス密度で近似し、尤度の評価を容易にする。
• 非中心的パラメータライゼーションを用いたデータ増強MCMCフレームワークにLNAを統合し、混合と収束を改善する。
• 高次元の潜在的状態およびモデルパラメータの事後分布を効率的にサンプリングするために、楕円スライスサンプラーを用いる。
• 初期 compartment のカウントおよび有効母集団サイズの事前分布として、多次元正規近似を用い、決定的流行規模関係に基づく情報に基づく。
• エボラ、インフルエンザ、SARS-CoV-2のダイナミクスを反映したシミュレートデータおよび2013–2015年西アフリカエボラ流行の実際の発症データを用いて、手法の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 尤度における正規性を仮定しない条件下で、線形ノイズ近似（LNA）を発症数データに効果的に適応できるか？
• RQ2 LNAに基づくデータ増強MCMCフレームワークは、疫学的推論における統計的精度の観点から、決定的ODEモデルと比較してどのように異なるか？
• RQ3 LNAアプローチは、エボラやSARS-CoV-2のような複雑な疫学的モデルにおいて、計算効率と頑健性の観点から、パーティクルMCMCなどのシミュレーションベースの手法を上回るか？
• RQ4 本手法は、不完全な報告や限られた監視の質が見られる状況において、実世界の発症データに対してどの程度の性能を示すか？
• RQ5 本フレームワークは、複雑なダイナミクスと潜在的状態を有する広範な確率的疫学的モデルのクラスに一般化可能か？

主な発見

• LNAに基づくデータ増強MCMCフレームワークは、流行の軌道における不確実性を捉える点で、決定的ODE近似を著しく上回る統計的精度を達成する。
• 本手法は、流行の規模や期間に関する信頼できる推論に不可欠な確率的性質を維持しつつ、ODEモデルと同等の計算効率を達成する。
• エボラ、インフルエンザ、SARS-CoV-2のダイナミクスを再現したシミュレーションにおいて、LNAフレームワークは、ODEベースの手法と比較して、バイアスが低く、信頼区間のカバレッジが良好な事後推定値を生成した。
• 2013–2015年西アフリカエボラ流行の事例では、LNAモデルが観測された発症パターンを適切に再現し、有効再生産数や症例の検出率といった重要なパラメータを適切に推定した。
• 非中心的パラメータライゼーションと楕円スライスサンプラーの使用により、特に高次元の潜在的状態空間において、MCMCの混合と収束が向上した。
• 真のモデルが誤って指定された場合や監視データが限られた場合でも、本フレームワークは頑健性を示し、計算コストと安定性の観点で、シミュレーションベースの手法を上回った。