[論文レビュー] Bayesian dynamical estimation of the parameters of an SE(A)IR COVID-19 spread model

Daniela Calvetti, Alexander Hoover+2 more|arXiv (Cornell University)|May 9, 2020

COVID-19 epidemiological studies被引用数 12

ひとこと要約

本稿では、新規感染および死亡者数の流入に応じてリアルタイムでパラメータを更新するためのパーティクルフィルタリングを用いて、無症候性および前症候性感染を考慮するベイジアン動的推定フレームワークを提案する。主な貢献は、異なる症例数を示すオハイオ州およびミシガン州の郡においても、無症候性および症候性集団間の安定した平衡比のおかげで、一貫して抑制策の効果を反映する、頑健で動的に更新される再生産数 $ R_0 $ の導出である。

ABSTRACT

In this article, we consider a dynamic epidemiology model for the spread of the COVID-19 infection. Starting from the classical SEIR model, the model is modified so as to better describe characteristic features of the underlying pathogen and its infectious modes. In line with the large number of secondary infections not related to contact with documented infectious individuals, the model includes a cohort of asymptomatic or oligosymptomatic infectious individuals, not accounted for in the data of new daily counts of infections. A Bayesian particle filtering algorithm is used to update dynamically the relevant cohort and simultaneously estimate the transmission rate as the new data on the number of new infections and disease related death become available. The underlying assumption of the model is that the infectivity rate is dynamically changing during the epidemics, either because of a mutation of the pathogen or in response to mitigation and containment measures. The sequential Bayesian framework naturally provides a quantification of the uncertainty in the estimate of the model parameters, including the reproduction number, and of the size of the different cohorts. Moreover, we introduce a dimensionless quantity, which is the equilibrium ratio between asymptomatic and symptomatic cohort sizes, and propose a simple formula to estimate the quantity. This ratio leads naturally to another dimensionless quantity that plays the role of the basic reproduction number $R_0$ of the model. When we apply the model and particle filter algorithm to COVID-19 infection data from several counties in Northeastern Ohio and Southeastern Michigan we found the proposed reproduction number $R_0$ to have a consistent dynamic behavior within both states, thus proving to be a reliable summary of the success of the mitigation measures.

研究の動機と目的

• 公式データに記録されていない無症候性および前症候性感染を反映する動的疫学的モデルの開発。
• リアルタイムの発症および死亡者数データを用いて、時間的に変化する感染率および集団規模の推定。
• 逐次ベイジアンフレームワークを用いて、再生産数 $ R_0 $ を含むモデルパラメータの不確実性の定量化。
• $ R_0 $ の推定の基盤として、無症候性および症候性集団間の次元なしの平衡比を導入。
• ニューローザン・オハイオおよびサウスイースタン・ミシガンの郡における実世界データを用いた、モデルの性能評価。

提案手法

• 検出不能な感染伝播を表現するため、古典的SEIRモデルに無症候性／感染性隔離部屋（A）を追加。
• 新規の日次感染および死亡者数データが入手可能になるたびに、システムの状態とパラメータを逐次更新するベイジアンパーティクルフィルタリングアルゴリズムを適用。
• 非線形のリッカティ型方程式を用いて、無症候性と症候性集団規模の次元なし比を定義する平衡条件を導出。
• この平衡比に基づいて、伝播可能性の動的指標として新たな $ R_0 $ を定義。
• オハイオ州およびミシガン州の複数郡の日次症例数および死亡者数データを用いて、モデルをキャリブレーション。
• パーティクルフィルタによって生成された後確率分布を通じて、パラメータ推定の不確実性を定量化。

実験結果

リサーチクエスチョン

• RQ1 動的SE(A)IRモデルは、リアルタイムの疫病推定において、公式記録に反映されていない無症候性感染をどのようによりよく捉えることができるか？
• RQ2 提案されたベイジアンパーティクルフィルタリングフレームワークは、感染率および集団規模推定における不確実性の定量化をどの程度改善するか？
• RQ3 無症候性および症候性集団間の次元なしの平衡比は、時間的に変化する感染環境において、$ R_0 $ の信頼できる代理指標として機能できるか？
• RQ4 類似した抑制策を実施したが、地理的および疫学的に異なる郡間で、推定された $ R_0 $ はどの程度一貫性を示すか？
• RQ5 感染率 $ \beta $ が類似している場合でも、なぜ症例数の予測が著しく異なるのか？また、集団規模はこの乖離にどのような役割を果たすのか？

主な発見

• 無症候性と症候性集団の平衡比から導出された推定 $ R_0 $ は、オハイオ州およびミシガン州の全調査郡で一貫した動的挙動を示し、抑制策の影響を的確に反映していることが示された。
• ミシガン州の初期感染数が高かったにもかかわらず、両州の $ R_0 $ 値は安定的に類似した水準に落ち着き、この指標がベースライン感染強度とは独立して抑制策の効果を捉えていることを示唆した。
• すべての郡で、無症候性と症候性個体の平衡比が1未満の値に安定して収束したが、これは以前の血清疫学的調査で示された50～85の比率とは矛盾する。
• モデルは、サイズは小さいが、伝播の大部分を担う無症候性集団の重要性を強調している。
• 観察期間終了時に $ \beta $ 値が類似していたとしても、予測に顕著な差が生じたのは、曝露／無症候性集団のサイズの違いに起因しており、予測において集団ダイナミクスが極めて重要であることが示された。
• 10日後予測は、報告遅延のため最終日には過剰に推定される傾向があり、モデルの妥当性評価においてデータ遅延を考慮することが重要であることが示された。