[論文レビュー] Adjoint-based Data Assimilation of an Epidemiology Model for the Covid-19 Pandemic in 2020

Jörn Sesterhenn|arXiv (Cornell University)|Mar 29, 2020

COVID-19 epidemiological studies参考文献 3被引用数 7

ひとこと要約

本稿では、ジョンズ・ホプキンス大学の実世界の新型コロナウイルス感染症データを用い、確認済み症例数と死亡者数をもとに、感染率と回復率を最適に推定し、今後の傾向を予測する古典的疫学モデルのキャリブレーションを目的としたアドジョイントベースのデータ同調手法を提案する。主な貢献は、モデルの挙動を現実の出来事や政策変更と結びつけるデータ駆動型のパラメータ推定フレームワークの構築である。

ABSTRACT

Data assimilation is used to optimally fit a classical epidemiology model to the Johns Hopkins data of the Covid-19 pandemic. The optimisation is based on the confirmed cases and confirmed deaths. This is the only data available with reasonable accuracy. Infection and recovery rates can be infered from the model as well as the model parameters. The parameters can be linked with government actions or events like the end of the holiday season. Based on this numbers predictions for the future can be made and control targets specified. With other words: <strong>We look for a solution to a given model which fits the given<br> data in an optimal sense. Having that solution, we have all<br> parameters.</strong>

研究の動機と目的

• 観察された新型コロナウイルス感染症の症例数および死亡者数に、古典的疫学モデルを最適に適合させるデータ同調フレームワークの開発を目的とする。
• 確認済み症例数および死亡者数といった限られたが正確なデータソースから、時間変動する感染率および回復率を推定することを目的とする。
• 休暇シーズンの終了や政策変更などの現実の干渉や出来事に対応するモデルパラメータを推定することを目的とする。
• 観察データと整合する最適なモデルパラメータを特定することで、予測的予測を可能にすることを目的とする。
• モデルパラメータと公衆衛生イベントを結びつけることで、実行可能な制御目標を提示することを目的とする。

提案手法

• モデル予測と観察データの不一致を最小化するため、アドジョイントベースの最適化を採用する。
• 相対的に正確なデータとして、確認済み症例数と確認済み死亡者数を主なデータソースとして使用する。
• 時間変動する感染率および回復率を推定するために、変分データ同調法を適用する。
• モデル出力と観察値の差を測るコスト関数を最小化することで、モデルパラメータをキャリブレーションする。
• 推定されたパラメータを休暇期間や政策変更などの外部出来事と結びつけることで、モデルの解釈可能性を向上させる。
• 最適化されたモデル状態およびパラメータを活用することで、将来の予測を可能にする。

実験結果

リサーチクエスチョン

• RQ1 どのようにして、データ同調を用いて、実世界の新型コロナウイルス感染症症例数および死亡者数に、疫学モデルを最適に適合させることができるか？
• RQ2 確認済み症例数および死亡者数のみから、どのような時間変動する感染率および回復率を推定できるか？
• RQ3 モデルパラメータは、休暇期間や政府の対策などの現実の出来事とどのように相関するか？
• RQ4 キャリブレーションされたモデルは、今後の流行トレンドをどの程度正確に予測できるか？
• RQ5 推定されたパラメータは、公衆衛生対策戦略にどのように活用できるか？

主な発見

• アドジョイントベースの手法により、疫学モデルが観察データに適切に適合し、感染率および回復率の正確な推定が可能となった。
• モデルパラメータは、休暇シーズンの終了や政策変更といった識別可能な現実の出来事と相関していることが判明した。
• キャリブレーションされたモデルは、最適化されたパラメータセットに基づき、将来の流行トレンドについて信頼性の高い予測を提供した。
• 確認済み症例数および死亡者数は、データ制限がある中でも、主要な疫学的ダイナミクスを推定するのに十分であった。
• モデルパラメータと公衆衛生行動を結びつけることで、制御目標を明確化することができた。
• 本手法は、限られたが正確なデータから実行可能なインサイトを導出するためのデータ同調の実現可能性を示した。