[論文レビュー] A Spatiotemporal Epidemic Model to Quantify the Effects of Contact Tracing, Testing, and Containment

Lars Lorch, William Trouleau+4 more|arXiv (Cornell University)|Apr 15, 2020

COVID-19 epidemiological studies参考文献 31被引用数 35

ひとこと要約

本論文は、接触追跡、検査、移動データを統合し、高分解能で感染症の広がりを予測するため、マーク付き時系列点過程を用いた時空間的流行モデルを提案する。ベイズ最適化を活用して、個々の曝露リスク、症状発現率、感染伝播の違いを推定し、ドイツのツビンゲンで得られた実世界のデータを用いて、制御戦略の定量的影響を示している。

ABSTRACT

Motivated by the current COVID-19 outbreak, we introduce a novel epidemic model based on marked temporal point processes that is specifically designed to make fine-grained spatiotemporal predictions about the course of the disease in a population. Our model can make use and benefit from data gathered by a variety of contact tracing technologies and it can quantify the effects that different testing and tracing strategies, social distancing measures, and business restrictions may have on the course of the disease. Building on our model, we use Bayesian optimization to estimate the risk of exposure of each individual at the sites they visit, the percentage of symptomatic individuals, and the difference in transmission rate between asymptomatic and symptomatic individuals from historical longitudinal testing data. Experiments using real COVID-19 data and mobility patterns from Tubingen, a town in the southwest of Germany, demonstrate that our model can be used to quantify the effects of tracing, testing, and containment strategies at an unprecedented spatiotemporal resolution. To facilitate research and informed policy-making, particularly in the context of the current COVID-19 outbreak, we are releasing an open-source implementation of our framework at this https URL.

研究の動機と目的

• 新型コロナウイルス感染症の流行期における、細分化された時空間的予測モデルの開発。
• 接触追跡、検査、ソーシャルディスタンスの影響を、感染伝播ダイナミクスに定量的に評価すること。
• 縦断的検査データと移動データを用いて、個々のレベルでの曝露リスクを推定すること。
• 無症状と有症状の個体間における感染伝播率の比較。
• オープンソースでデータ駆動型のシミュレーションを活用した、証拠に基づく政策立案を支援すること。

提案手法

• モデルは、時空間的座標を伴う感染イベントを表現するために、マーク付き時系列点過程を用いる。
• 接触追跡技術と移動パターンのデータを統合し、個々のレベルおよび場所レベルでの感染リスクをモデル化する。
• ベイズ最適化を用いて、潜在的パラメータ（個々の曝露リスク、有症状例の割合、相対的感染率）を推定する。
• 歴史的縦断的検査データにフィットさせることで、感染伝播ダイナミクスを推定する。
• 高空間的・時間的分解能で、さまざまな検査および制御戦略のシナリオ分析を可能にする。
• 再現可能性および政策研究を支援するため、オープンソース実装を公開する。

実験結果

リサーチクエスチョン

• RQ1 さまざまな接触追跡および検査戦略が、個々のレベルにおける時空間的流行にどのように影響を与えるか。
• RQ2 現実世界の状況において、無症状の個体と有症状の個体が、感染伝播に果たす相対的寄与度は何か。
• RQ3 移動データと検査データを用いて、個々のレベルでの曝露リスクをどのように定量化できるか。
• RQ4 細分化された時空間的分解能でモデル化した場合、ソーシャルディスタンスや事業制限などの制御策が、どれほど感染伝播を低減できるか。
• RQ5 ベイズ最適化は、実際の縦断的検査データから、主要な疫学的パラメータをどれほど正確に推定できるか。

主な発見

• 本モデルは、ドイツのツビンゲンで得られた実世界データを用いて、高分解能な時空間的感染拡大予測を可能にする。
• 接触追跡と検査戦略は、個々のレベルおよび場所レベルでの感染伝播低減への影響を定量的に評価可能である。
• フレームワークは、縦断的データから有症状例の割合および無症状と有症状の間の相対的感染率を成功裏に推定した。
• ベイズ最適化は、訪問履歴と検査結果に基づいて、個々の曝露リスクを効果的に推定した。
• 本モデルは、データ駆動型シミュレーションを用いて、制御策を体系的に評価・最適化できることを示した。
• 継続的な研究および政策評価を支援するため、オープンソース実装が公開された。