[論文レビュー] Bayesian adjustment for preferential testing in estimating the COVID-19 infection fatality rate: Theory and methods

Harlan Campbell, Valpine Pd+5 more|arXiv (Cornell University)|May 18, 2020

COVID-19 epidemiological studies参考文献 48被引用数 13

ひとこと要約

本稿では、感染した個体がよりテストされやすい『好戦的テスト』の影響を補正するためのベイジアン階層モデルを提案する。感染致死率（IFR）推定において、テストバイアスの程度が異なる複数のデータソースを統合し、バイアスの異質性に関する事前仮定を活用することで、信頼性の高いIFR推定が可能となる。ヨーロッパのデータに適用した結果、全体のIFRは0.47%（95%信頼区間：0.34%–0.63%）と推定された。

ABSTRACT

A key challenge in estimating the infection fatality rate (IFR) is determining the total number of cases. The total number of cases is not known because not everyone is tested but also, more importantly, because tested individuals are not representative of the population at large. We refer to the phenomenon whereby infected individuals are more likely to be tested than non-infected individuals, as ''preferential testing.'' An open question is whether or not it is possible to reliably estimate the IFR without any specific knowledge about the degree to which the data are biased by preferential testing. In this paper we take a partial identifiability approach, formulating clearly where deliberate prior assumptions can be made and presenting a Bayesian model, which pools information from different samples. Results of a simulation study suggest that when certain populations with representative testing (i.e., or for which the degree of preferential testing is known) are included in the analysis, identifiability and reliable estimates are attainable. When only limited knowledge is available about the magnitude of preferential testing, reliable estimation of the IFR may still be possible so long as there is sufficient ''heterogeneity of bias'' across samples. When the model is fit to European data obtained from seroprevalence studies and national official COVID-19 statistics, we estimate the overall COVID-19 IFR for Europe to be 0.47%, 95% C.I. = [0.34%, 0.63%].

研究の動機と目的

• 感染した個体がよりテストされやすい『好戦的テスト』の影響を、COVID-19の感染致死率（IFR）推定において取り扱うことを目的とする。
• 完全なバイアスの知識が得られない状況でも、信頼性のあるIFR推定が可能かどうかを、部分的同定可能性フレームワークを用いて検証することを目的とする。
• 異なる程度の好戦的テストを示す複数のサンプルからデータを統合するベイジアンモデルを構築し、推定精度を向上させることを目的とする。
• バイアスに関する知識が限られている状況下でも、同定可能性と信頼性のあるIFR推定が達成可能な条件を特定することを目的とする。
• 本モデルを実世界のヨーロッパの血清サーベイランスデータおよび公式統計に適用し、地域全体の信頼性の高いIFR推定値を導出することを目的とする。

提案手法

• 著者らは、集団間でのテスト確率の差を考慮するベイジアン階層モデルを採用し、好戦的テストを選択バイアスの原因とみなしている。
• モデルは、好戦的テストの程度に関する事前分布を組み込み、完全なバイアスの知識が得られない状況でも部分的同定性を実現している。
• 既知または代表的なテスト行動を持つサンプルを含む複数のサンプルからのデータを統合することで、推定の安定性を高め、バイアスを低減している。
• 個々のサンプルのバイアスが不確実であっても、サンプル間のバイアスの異質性を活用することで、IFRの同定が可能になる。
• 観察された症例数および死亡者数に基づく尤度関数を、補助データから推定されたテスト確率で補正している。
• 事後分布推定にはマルコフ連鎖モンテカルロ（MCMC）サンプリングを用い、IFRおよびその95%信用区間を推定している。

実験結果

リサーチクエスチョン

• RQ1 テストが好戦的であり、バイアスの程度が不明な状況下でも、COVID-19の感染致死率（IFR）を信頼性を持って推定できるか？
• RQ2 サンプル間のテストバイアスの異質性が、IFRの同定を可能にする条件は何か？
• RQ3 既知または代表的なテスト行動を持つ集団からのデータを組み込むことで、IFR推定の正確性はどの程度向上するか？
• RQ4 好戦的テストに関する事前仮定が、得られるIFR推定値に与える影響は何か？
• RQ5 部分的同定性を持つベイジアンモデルが、実世界のヨーロッパのデータに適用された場合、どの程度の信頼性の高いIFR推定値を導けるか？

主な発見

• ベイジアンモデルにより、ヨーロッパにおけるCOVID-19全体の感染致死率（IFR）は0.47%と推定され、95%信用区間は[0.34%, 0.63%]であった。
• 少なくとも一部のサンプルでテスト行動が既知または代表的である場合、他のサンプルのバイアスが不明であっても、信頼性のあるIFR推定が可能である。
• 好戦的テストの程度に十分な異質性がある場合、完全なバイアス情報が得られない状況下でも、IFRの同定が可能になる。
• シミュレーション研究により、現実的なバイアスとデータ可用性の下でも、モデルが良好な頻度的性質を示すことが確認された。
• 代表的なテスト行動を持つデータの組み込みにより、IFR推定の精度と信頼性が顕著に向上した。
• 補助データによって適切に情報化された事前分布を用いることで、バイアスパラメータの不確実性に対してもモデルの頑健性が示された。