[論文レビュー] Analyzing initial stage of COVID-19 transmission through Bayesian time-varying model

Arkaprava Roy, Sayar Karmakar|arXiv (Cornell University)|Apr 5, 2020

COVID-19 epidemiological studies参考文献 45被引用数 6

ひとこと要約

本稿では、Bスプラインとハミルトニアンモンテカルロ（HMC）を用いて効率的な推論を実現する、カウント値の日次COVID-19感染症データを対象とした新規のベイジアン時変動スパースパラメトリックAR(p)およびINGARCHモデルを提案する。本研究では、感染拡大ダイナミクスにおいてラグ6〜10が最も顕著であることが判明し、これは観察された5〜6日間の中央潜伏期間と整合的であり、静的R₀推定値のデータ駆動型代替手法を提供する。

ABSTRACT

Recent outbreak of the novel coronavirus COVID-19 has affected all of our lives in one way or the other. While medical researchers are working hard to find a cure and doctors/nurses to attend the affected individuals, measures such as `lockdown', `stay-at-home', `social distancing' are being implemented in different parts of the world to curb its further spread. To model the non-stationary spread, we propose a novel time-varying semiparametric AR$(p)$ model for the count valued time-series of newly affected cases, collected every day and also extend it to propose a novel time-varying INGARCH model. Our proposed structures of the models are amenable to Hamiltonian Monte Carlo (HMC) sampling for efficient computation. We substantiate our methods by simulations that show superiority compared to some of the close existing methods. Finally we analyze the daily time series data of newly confirmed cases to study its spread through different government interventions.

研究の動機と目的

• 時間変動係数を有する非定常かつカウント値の日次感染拡大をモデル化し、政府の対応策の動的な影響を捉えること。
• 静的モデルや従来のカウント時系列アプローチの限界を克服し、感染伝播における時間変動ダイナミクスを無視する問題を解消すること。
• BスプラインとHMCを用いた柔軟かつ計算効率の良いベイジアンフレームワークを提供し、パンデミック初期段階の不確実性の定量化を可能にすること。
• 生物学的潜伏期間と整合する主要なラグを実証的に同定し、R₀推定値の代替としてのデータ駆動型手法を提供すること。
• 標準的なARおよびINGARCHモデルを、予測力および解釈可能性を向上させるための時間変動係数構造に拡張すること。

提案手法

• Bスプライン基底展開を用いて時刻の滑らかな関数として平均および自己回帰係数をモデル化する、時変動スパースパラメトリックAR(p)モデルを提案する。
• 条件付き異分散性およびカウントデータにおける自己回帰的持続性を捉えるために、時変動整数値GARCH（tvINGARCH）構造へのモデル拡張を実施する。
• ハミルトニアンモンテカルロ（HMC）サンプリングを用いて効率的な事後分布計算を実現し、不確実性の定量化を伴う完全なベイジアン推論を可能にする。
• 滑らかな時変動係数を可能にしつつ解釈可能性と計算の実行可能性を維持するための階層的事前分布構造を採用する。
• 複数の国および都市の日次確定感染症数に本モデルを適用し、時変動係数とその不確実性を推定する。
• シミュレーションを用いた妥当性検証により、非定常ダイナミクスおよびラグ依存性を捉える際、既存手法よりも優れた性能を示した。

実験結果

リサーチクエスチョン

• RQ1 カウント値の時系列モデルにおける時変動自己回帰係数は、初期COVID-19感染拡大のダイナミクスの変化をどのように反映するか？
• RQ2 自己回帰構造におけるどのラグが新規感染症の予測に最も顕著であり、生物学的潜伏期間と整合するか？
• RQ3 時変動INGARCHモデルは、標準的なARモデルと比較して、日次感染症数の持続性と変動性をよりよく捉えられるか？
• RQ4 ロックダウンなどの政府の対応策は、感染伝播プロセスにおける時変動平均および自己回帰係数にどのように影響を与えるか？
• RQ5 ラグ付き感染伝播パターンから導かれるデータ駆動型で時間変動する基本再生産数を、従来のR₀推定値に代わるか、あるいは改良することができるか？

主な発見

• ラグ6〜10が、複数の国および都市において一貫して最も顕著な感染伝播ラグとして同定され、SARS-CoV-2の中央潜伏期間5〜6日と整合的である。
• 時変動平均関数μ(t)は、ロックダウン実施後約12日後に低下トレンドを示し、対応策の測定可能な影響を示している。
• AR(1)係数は時間経過とともに複数のピークを示しており、これはウイルスの無症候性伝播ダイナミクスを反映している可能性がある。
• tvINGARCHモデルは、単純なARモデルと比較して、感染症数の持続性をよりよく捉えているが、予測優位性は常に観察されない。
• ラグ6に高い集中度を示す時間変動伝播重みを推定することで、本モデルはR₀推定値の代替としてのデータ駆動型手法を提供する。これは二次感染における強い時間的構造を示唆している。
• シミュレーションにより、本モデルが非定常ダイナミクスを捉えることおよび不確実性を伴う時変動係数を推定する面で、既存手法を上回ることを確認した。