[論文レビュー] Bayesian Analysis of Epidemics - Zombies, Influenza, and other Diseases

Caitlyn Witkowski, Brian S. Blais|arXiv (Cornell University)|Nov 25, 2013

Influenza Virus Research Studies参考文献 18被引用数 7

ひとこと要約

本稿では、架空のゾンビ感染症のアウトブレイクを想定したモデルを、映画の描写および実際のグーグルトレンドデータに基づいて、ベイズ推論とマルコフ連鎖モンテカルロ法（MCMC）を用いて精緻化・拡張する。この手法により、架空のゾンビ動態をモデル化するのと同じ統計的フレームワークを、現実の感染症に応用可能であることを示し、不確実性を定量的に評価した上で、精度の高いパラメータ推定と、公衆衛生的介入のための頑健なシナリオ分析が可能となる。

ABSTRACT

Mathematical models of epidemic dynamics offer significant insight into predicting and controlling infectious diseases. The dynamics of a disease model generally follow a susceptible, infected, and recovered (SIR) model, with some standard modifications. In this paper, we extend the work of Munz et.al (2009) on the application of disease dynamics to the so-called "zombie apocalypse", and then apply the identical methods to influenza dynamics. Unlike Munz et.al (2009), we include data taken from specific depictions of zombies in popular culture films and apply Markov Chain Monte Carlo (MCMC) methods on improved dynamical representations of the system. To demonstrate the usefulness of this approach, beyond the entertaining example, we apply the identical methodology to Google Trend data on influenza to establish infection and recovery rates. Finally, we discuss the use of the methods to explore hypothetical intervention policies regarding disease outbreaks.

研究の動機と目的

• 映画の描写に基づく実証データを統合することで、ムンツら（2009）が提唱したゾンビ感染症モデルを是正・改善すること。
• 動的システムにおけるベイズ的パラメータ推定とMCMCを用い、感染率および回復率の不確実性を定量化すること。
• 同じモデリングおよび推論フレームワークが、グーグルトレンドデータを用いた現実のインフルエンザ動態に応用可能であることを実証すること。
• 軍事的対応のタイミングなど、仮想の介入戦略を、調整可能なパラメータを用いてシミュレートし、異なる条件下での結果を評価すること。
• 魅力的で架空の例を教育的ツールとして用いることで、一般の人々の疾患モデリングへの理解を促進すること。

提案手法

• 映画固有の行動様式に基づき、潜伏（E）およびゾンビ（Z）の状態を含む、SIR型の修正版動的システムを用いて、疾患およびゾンビの拡散をモデル化する。
• パラメータの事後分布推定にマルコフ連鎖モンテカルロ（MCMC）法を用い、感染率（β）、回復率（ζ）、除去率（α）などのパラメータを推定する。
• 映画のナラティブに由来する観察データ（例：『ナイト・オブ・ザ・リービング・デッド』および『シャーン・オブ・ザ・デッド』における時間経過に伴う人口推移）を用いて、モデルのキャリブレーションを実施する。
• 同じSIRフレームワークをアルゼンチンにおけるインフルエンザのグーグルトレンドデータ（2011–2012年）に適用し、検索頻度を感染発生率の代理指標として扱う。
• パラメータ同士の関係を評価するため、例えばαとβのようなパラメータの同時事後分布を可視化する。
• 除去率（α）を調整することで、軍事的対応の遅延などの仮想の介入シナリオをシミュレートし、タイミングと強度の違いによる結果の変化を評価する。

実験結果

リサーチクエスチョン

• RQ1 ベイズMCMC法は、決定論的アプローチと比較して、動的感染症モデルにおけるパラメータ推定をどのように改善するか？
• RQ2 映画データから推定される架空のゾンビアウトブレイクにおける感染率および回復率は何か？また、異なる描写における違いは何か？
• RQ3 架空のゾンビ動態に用いられた同じモデリングフレームワークを、グーグルトレンドデータを用いた現実のインフルエンザデータに成功裏に適用可能か？
• RQ4 軍事的対応などの介入のタイミングと強度が、ゾンビモデルにおける流行の結果にどれほど感度に依存するか？
• RQ5 事後分布から得られる、モデルの不確実性およびパラメータ相関に関する知見は、架空および現実の疾患システムにおいてどのようなものか？

主な発見

• 『ナイト・オブ・ザ・リービング・デッド』では、初期感受性人口（$S_o$）の事後平均が178.66（95％信用区間：166.03–190.62）であり、感染率β = 1.1（0.51–3.3）、除去率α = 0.9（0.42–2.7）であった。
• 『シャーン・オブ・ザ・デッド』では、初期感受性人口は508.29（501.58–514.26）と推定され、β = 0.59（0.55–0.69）、α = 0.49（0.44–0.57）であった。
• アルゼンチンのインフルエンザ流行のモデルでは、複数年の間で一貫したパラメータ推定値が得られ、β = 0.061（0.059–0.065）、α = 0.053（0.051–0.055）であり、安定した伝播ダイナミクスを示した。
• 感染率（β）と除去率（α）の間に強い負の相関が観察された。これは、高い伝播速度に伴い、流行の爆発的拡大を防ぐために、迅速な除去が不可欠であることを示唆している。
• 介入のタイミングに対するモデルの感受性は極めて高かった。軍事的対応の除去率（α）を10倍に引き上げた場合、早期に実施された場合にのみゾンビの完全撲滅が達成可能であり、僅か30分の遅延でも全人口の崩壊が生じた。
• インフルエンザパラメータの事後分布は、季節にわたって狭く一貫しており、実世界データに対するベイズ推論手法の頑健性を裏付けた。