[論文レビュー] A Two-Phase Dynamic Contagion Model for COVID-19

Zezhun Chen, Angelos Dassios+5 more|arXiv (Cornell University)|Jun 11, 2020

COVID-19 epidemiological studies参考文献 1被引用数 5

ひとこと要約

本稿では、固定された基本再生産数を仮定する従来のモデルとは異なり、感染性の個人差を捉える連続時間確率的強度モデルである二段階動的伝染過程（2P-DCP）を提案する。このモデルは、介入効果の時間遅れを推定し、観察された潜伏期間と強い一貫性を示し、複数の地域における流行期間および最終的規模の正確な予測を可能にする。

ABSTRACT

In this paper, we propose a continuous-time stochastic intensity model, namely, two-phase dynamic contagion process(2P-DCP), for modelling the epidemic contagion of COVID-19 and investigating the lockdown effect based on the dynamic contagion model introduced by Dassios and Zhao (2011). It allows randomness to the infectivity of individuals rather than a constant reproduction number as assumed by standard models. Key epidemiological quantities, such as the distribution of final epidemic size and expected epidemic duration, are derived and estimated based on real data for various regions and countries. The associated time lag of the effect of intervention in each country or region is estimated. Our results are consistent with the incubation time of COVID-19 found by recent medical study. We demonstrate that our model could potentially be a valuable tool in the modeling of COVID-19. More importantly, the proposed model of 2P-DCP could also be used as an important tool in epidemiological modelling as this type of contagion models with very simple structures is adequate to describe the evolution of regional epidemic and worldwide pandemic.

研究の動機と目的

• 固定された基本再生産数を超えて、感染性における個人差を考慮する確率的流行モデルの開発。
• 政府の介入（例：ロックダウン）とその伝染ダイナミクスへの観察可能な影響との間の時間遅れの推定。
• 実世界のデータを用いて、最終的流行規模や予想される流行期間といった主要な疫学的数量の導出および推定。
• モデルの妥当性を、SARS-CoV-2の既知の生物学的潜伏期間と一致させることの検証。
• ハーケス過程に基づく確率的プロセスが、標準の決定的モデルに代わる包括的かつ強力な代替フレームワークとして、疫学的応用における柔軟性と現実性を示すこと。

提案手法

• 自己励起的な感染イベントのジャンプを許容するハーケス過程の確率的一般化として、二段階動的伝染過程（2P-DCP）を提案する。
• 流行を二段階に分類：介入前（伝染が増加）と介入後（伝染が減少）で、潜在的な効果的介入時刻ℓを導入する。
• 過去の出来事と個人の感染性に依存する確率的強度フレームワークを用い、各段階に特有のパラメータを設定する。
• 最終的流行規模の条件付き分布として混合ポアソン分布を用い、確率生成関数から導出する。
• 最大尤度推定法を用いて、複数の国および地域の累積症例データを用いてモデルパラメータ（α, β, δ, ϱ, ℓ）をキャリブレーションする。
• 推定された介入時刻までのフィルタリング情報に基づき、流行期間および最終的規模の条件付き期待値および95％信頼区間を推定する。

実験結果

リサーチクエスチョン

• RQ1 固定された基本再生産数を仮定するモデルと比較して、感染性の個人差がCOVID-19の伝播ダイナミクスに与える影響は何か？
• RQ2 政府の介入実施とその伝染率への測定可能な影響との間の時間遅れは、異なる国々でどのように変動するか？
• RQ3 2P-DCPモデルは、さまざまな地域における最終的流行規模および予想される流行期間を正確に予測できるか？
• RQ4 推定された介入遅れは、臨床的に観察されたSARS-CoV-2の潜伏期間とどの程度一致するか？
• RQ5 ハーケスに基づく確率的プロセスは、地域的およびグローバルな流行のモデリングにおいて、包括的かつ現実的なフレームワークとしてどの程度の柔軟性と実用性を示せるか？

主な発見

• 2P-DCPモデルは、オーストラリア、中国（本土）、ドイツ、ニューヨークを含む多様な地域におけるCOVID-19の流行ダイナミクスを的確に捉えており、キャリブレーションされたパラメータが正確な予測をもたらす。
• 介入と伝染への影響の間の推定時間遅れは、Lauerら（2020）で報告された中央値5.1日という潜伏期間と一致しており、生物学的妥当性を裏付けている。
• ニューヨークでは、モデルが最終的流行規模を約209,312例と予測し、95％信頼区間は（149,261）日であり、予想される流行終了日は2020年10月10日である。
• 中国（本土）では、モデルが最終的流行規模を69,675.10例と推定し、95％信頼区間は（87,142）日であり、予想される流行終了日は2020年5月22日である。
• 介入時刻を条件とする最終的流行規模の条件付き分布は、混合ポアソン分布に従い、残存症例の確率を計算するために数値的逆算が用いられる。
• モデルは強力な予測能力を示しており、スイスやイタリアを含む複数の国における流行終了時刻および流行規模の予測が、高い精度を保っている。