[論文レビュー] Choosing a growth curve to model the Covid-19 outbreak

Emiro A. Molina-Cuevas|arXiv (Cornell University)|Jul 7, 2020

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

ひとこと要約

本稿では、SARS-CoV-2の流行における成長曲線モデルの最適選択を、アカイケの情報量基準（AIC）を用いて行い、特にリチャーズ族のモデルを対象としている。AICに基づき、Gompertzモデルが最も適合するモデルとして特定されたが、モデル選択には生物学的妥当性と、ピーク感染率や最終的感染規模といった疫学的特性の明示的分析が不可欠であると強調している。

ABSTRACT

The Richards family models comprise a well-known set of models with useful parameters to describe several aspects of disease outbreaks. Some of these models have been used to study the current Covid-19 pandemic. However, there seems to be confusion regarding the discrimination among competing models. In this paper a detailed application of Akaikes information approach is used to discern among models using data from The European Union, The United States and The United Kingdom. We argue that the epidemiological characteristics derived from competing models should be examined to complement the selection strategy, and the implicit properties of the models contrasted with the available data. Detailed analytical expressions of the epidemiological characteristics implied by the selected parametrizations are also offered.

研究の動機と目的

• Covid-19パンデミックのモデリングにおけるリチャーズ族成長曲線の間でのモデル選択に関する混乱を解消すること。
• アカイケの情報量基準（AIC）を、競合する成長曲線モデルを区別する形式的な統計的手法として適用すること。
• ピーク感染率や最終的感染規模といった、モデルから導かれる特性の疫学的妥当性を評価すること。
• 選択されたパラメータ化から導かれる主要な疫学的パラメータの解析的表現を提供すること。
• モデル選択において、統計的適合性と生物学的・疫学的整合性を併用する二重的戦略を提唱すること。

提案手法

• EU、米国、英国の累積症例データに、リチャーズ族のモデルのさまざまな適合度を比較するためにアカイケの情報量基準（AIC）を適用する。
• Gompertz、ロジスティック、一般化リチャーズモデルを含むリチャーズ族のモデルを、候補となる成長曲線として使用する。
• 初期パンデミック段階におけるEU、米国、英国の国営保健当局から得た現実の累積症例データにモデルをフィッティングする。
• 選択されたパラメータ化から、主要な疫学的特性（例：ピーク感染率、最終的感染規模）を解析的に導出する。
• モデルが予測するダイナミクスと観察されたデータのトレンドを比較し、生物学的妥当性を評価する。
• 統計基準（AIC）とモデル挙動の定性的評価を併用して、モデル選択を支援する。

実験結果

リサーチクエスチョン

• RQ1 リチャーズ族の成長曲線モデルの中から、EU、米国、英国におけるCovid-19の累積症例データに最も適合するモデルはどれか？
• RQ2 競合するモデルから導かれる疫学的特性（例：ピーク感染率、最終的感染規模）は、観察されたデータとどのように比較できるか？
• RQ3 AICのみでモデル選択を可能とする程度はどの程度か。生物学的妥当性は同等に重要であるか？
• RQ4 選択されたモデルにおける主要な疫学的パラメータの明示的解析的表現は何か？
• RQ5 異なる成長曲線が内蔵する仮定は、パンデミックの観察されたダイナミクスとどの程度整合するか？

主な発見

• EU、米国、英国の3地域すべてにおいて、AICに基づきGompertzモデルが最も適合するモデルとして選ばれた。
• 特にGompertzモデルを含むリチャーズ族のモデルは、累積症例データに良好に適合し、AIC値から他の代替モデルよりも優れた性能を示した。
• 選択されたモデルは、非対称な流行曲線や遅延したピークを示す疫学的特性を示しており、観察されたパンデミックのダイナミクスと整合的であった。
• ピーク感染率と最終的感染規模の解析的表現が導出され、モデルのパラメータ化に敏感であることが示された。
• AICによるモデル選択だけでは不十分であり、疫学的妥当性と観察されたデータトレンドとの整合性が、最終的なモデル妥当性の確認に不可欠であった。
• 本研究では、モデル選択が流行期間、ピーク強度、最終的感染規模の予測に顕著に影響することを示した。したがって、厳密なモデル評価の重要性が強調された。