[論文レビュー] A SIDARTHE Model of COVID-19 Epidemic in Italy

Giulia Giordano, Franco Blanchini+6 more|arXiv (Cornell University)|Mar 22, 2020

COVID-19 epidemiological studies参考文献 31被引用数 671

ひとこと要約

この論文は、 diagnosed と undiagnosed を区別し、重症度レベルを区別する eight-compartment SIDARTHE モデルを導入し、イタリアの COVID-19 ダイナミクスを予測し、 calibrated reproduction number と scenario analysis を用いて対策を評価します。

ABSTRACT

In late December 2019, a novel strand of Coronavirus (SARS-CoV-2) causing a severe, potentially fatal respiratory syndrome (COVID-19) was identified in Wuhan, Hubei Province, China and is causing outbreaks in multiple world countries, soon becoming a pandemic. Italy has now become the most hit country outside of Asia: on March 16, 2020, the Italian Civil Protection documented a total of 27980 confirmed cases and 2158 deaths of people tested positive for SARS-CoV-2. In the context of an emerging infectious disease outbreak, it is of paramount importance to predict the trend of the epidemic in order to plan an effective control strategy and to determine its impact. This paper proposes a new epidemic model that discriminates between infected individuals depending on whether they have been diagnosed and on the severity of their symptoms. The distinction between diagnosed and non-diagnosed is important because non-diagnosed individuals are more likely to spread the infection than diagnosed ones, since the latter are typically isolated, and can explain misperceptions of the case fatality rate and of the seriousness of the epidemic phenomenon. Being able to predict the amount of patients that will develop life-threatening symptoms is important since the disease frequently requires hospitalisation (and even Intensive Care Unit admission) and challenges the healthcare system capacity. We show how the basic reproduction number can be redefined in the new framework, thus capturing the potential for epidemic containment. Simulation results are compared with real data on the COVID-19 epidemic in Italy, to show the validity of the model and compare different possible predicted scenarios depending on the adopted countermeasures.

研究の動機と目的

• diagnosed と undiagnosed 感染と異なる重症度レベルを区別するダイナミックなモデルを提供し、イタリアにおける COVID-19 の拡散をより正確に予測する。
• testing と social distancing が伝播と医療需要へ与える影響を定量化する。
• early Italian data でモデルを較正し、 counterfactual intervention シナリオを比較する。
• SIDARTHE フレームワーク内で reproduction number を定義・解釈し、封じ込めの妥当性を評価する。

提案手法

• SIDARTHE を SIR の拡張として eight states: S, I, D, A, R, T, H, E.
• 八つの連立 ODE（Equations 1–8）を定式化し、状態間の遷移を支配する。
• 出力には感染ダイナミクスと医療需要（ICU ニーズ）を線形出力方程式（10–12）で含める。
• IDART サブシステムを正の線形システムとして S(t) によるフィードバックゲインを用い、安定性閾値 S* を導出する（Equations 9–13, Proposition 1）。
• モデルパラメータの観点から時間変化する基本再生数 R0 を定義（Equation 18）し、長期安定性を S̄ および R0 に関連づける（Equations 17–19）。
• 長期的な状態境界と CFR 認識の閉形式の関係を提供（Equations 20–22, 24–30）。

実験結果

リサーチクエスチョン

• RQ1 diagnosed および undiagnosed 感染、さらには異なる病状の重症度を予測的エピデミックモデルにどう組み込むか？
• RQ2 SIDARTHE フレームワークにおける有効再生産数は何か、最終的な感受性集団割合とどう関連するか？
• RQ3 social-distancing と testing の戦略はイタリアにおけるピーク、最終規模、医療需要をどう変えるか？
• RQ4 検査体制の変動下で実際の CFR と知覚 CFR の乖離をモデルは説明できるか？

主な発見

• イタリア（2020年2月20日〜3月12日）への初期較正で基本再生数は R0 = 2.38。
• 初期の対策後（4日目以降） R0 が 1.66 に低下し、伝播が抑制されることを反映。
• 追加の対策がなければ、モデルは 300 日間で人口の約 73% が感染し、死亡率は約 5.2% と予測（ diagnosed が 64%）。
• 実際の CFR は約 7.2%、知覚 CFR は約 9.0% と区別される。
• より緩やかな social-distancing シナリオはピークを遅らせるが防げず、より強い対策は R0 を 1 未満に押し下げ、ピーク感染と ICU 需要を著しく減少させる。
• ピーク ICU 需要は拡散が制限されない場合人口の約 16.5% まで達しうる一方、強力な対策は大幅に抑制する。