[論文レビュー] CoV-ABM: A stochastic discrete-event agent-based framework to simulate spatiotemporal dynamics of COVID-19

Masoud Jalayer, Carlotta Orsenigo+1 more|arXiv (Cornell University)|Jul 26, 2020

COVID-19 epidemiological studies参考文献 28被引用数 11

ひとこと要約

CoV-ABM は、個々のエージェントの移動、相互作用、健康状態を SEIHRD 動態を用いて追跡することで、さまざまな地理的スケールにおける SARS-CoV-2 の時空間的拡散をシミュレートする確率的で離散イベント型のエージェントベースモデルである。環境内ウイルスの持続性、実際の人口統計および健康データ、柔軟なタイムスタンプスケーリングを組み込み、感染の高リスク地域を特定し、介入策の効果を評価する。100万のエージェントを用いてデラウェア州における15週間にわたるシミュレーションで、病院の過負荷状態と効果的な緩和戦略の両方を示した。

ABSTRACT

The paper develops a stochastic Agent-Based Model (ABM) mimicking the spread of infectious diseases in geographical domains. The model is designed to simulate the spatiotemporal spread of SARS-CoV2 disease, known as COVID-19. Our SARS-CoV2-based ABM framework (CoV-ABM) simulates the spread at any geographical scale, ranging from a village to a country and considers unique characteristics of SARS-CoV2 viruses such as its persistence in the environment. Therefore, unlike other simulators, CoV-ABM computes the density of active viruses inside each location space to get the virus transmission probability for each agent. It also uses the local census and health data to create health and risk factor profiles for each individual. The proposed model relies on a flexible timestamp scale to optimize the computational speed and the level of detail. In our framework each agent represents a person interacting with the surrounding space and other adjacent agents inside the same space. Moreover, families stochastic daily tasks are formulated to get tracked by the corresponding family members. The model also formulates the possibility of meetings for each subset of friendships and relatives. The main aim of the proposed framework is threefold: to illustrate the dynamics of SARS-CoV diseases, to identify places which have a higher probability to become infection hubs and to provide a decision-support system to design efficient interventions in order to fight against pandemics. The framework employs SEIHRD dynamics of viral diseases with different intervention scenarios. The paper simulates the spread of COVID-19 in the State of Delaware, United States, with near one million stochastic agents. The results achieved over a period of 15 weeks with a timestamp of 1 hour show which places become the hubs of infection. The paper also illustrates how hospitals get overwhelmed as the outbreak reaches its pick.

研究の動機と目的

• 異なる地理的スケールで SARS-CoV-2 伝播の時空間的ダイナミクスをシミュレートするための柔軟でスケーラブルなエージェントベースフレームワークの開発。
• 実際の人口統計および健康データを用いて、環境内ウイルスの持続性と個々の健康状態およびリスク要因のプロファイルを統合する。
• 人的移動および相互作用パターンの確率的シミュレーションを通じて、感染ハブとなる可能性の高い場所を同定する。
• 自己隔離、ソーシャルディスタンシング、病院の収容能力制限などの非医療的介入の影響がパンデミックの結果に与える影響を評価する。
• 政策立案者による、パンデミックの拡大を緩和するための効果的でデータ駆動型の介入策を設計する意思決定支援システムの提供。

提案手法

• 計算効率と詳細さの最適化を図るため、柔軟なタイムスタンプスケール（例：1時間）を用いた確率的で離散イベント型のシミュレーションフレームワークを採用。
• 各エージェントは、SEIHRD 動態に基づく固有の健康プロファイル（感受性、潜伏期、感染性、入院中、回復、死亡）を持つ個人を表す。
• ウイルスの感染伝播確率は、各場所におけるアクティブなウイルスの局所的密度に基づいて計算され、環境内での持続性を組み込む。
• 勤務、ショッピング、家族訪問などの日常的活動は確率的にモデル化され、必要性と近接性に従って家族に所属させ、特定の場所に割り当てられる。
• 友人関係や家族グループを通じて社会的相互作用をモデル化し、時間帯やグループ規模に応じた確率的ルールに基づいて会合を発動する。
• 病院は収容能力制限を設け、重症度と利用可能性に応じて救急または通常のケアに患者をルーティングする。

実験結果

リサーチクエスチョン

• RQ1 特定の地域において、高密度のエージェント相互作用とウイルスの持続性により、感染ハブとなる可能性の高い場所はどこか？
• RQ2 自己隔離、ソーシャルディスタンシング、病院の収容能力制限などの異なる非医療的介入は、感染のピーク数と病院の過負荷にどのように影響するか？
• RQ3 直接の人間同士の接触と比較して、場所における SARS-CoV-2 の環境内持続性が伝播ダイナミクスに与える影響はどの程度か？
• RQ4 個人のリスク要因（年齢、合併症）および家族構成は、アウトブレイクの広がり方と重症度にどのように影響するか？
• RQ5 空港や港を通じた移動パターンは、地域間でのウイルスの時空間的拡散にどのように影響するか？

主な発見

• 1時間のタイムスタンプ解像度を用いて、ほぼ100万の確率的エージェントを用いて、15週間にわたるデラウェア州における COVID-19 の拡散をモデルが成功裏にシミュレートした。
• 感染の高リスク地域は、エージェント密度が高く、長時間の露出が続く場所、特に公共施設や商業施設で特定された。
• パンデミックのピーク期には病院が深刻な過負荷状態に陥り、患者の多くが死亡または回復状態に移行した。
• 自己隔離策は感染のピーク数を顕著に減少させ、病院への負荷が生じるまでの時期を遅らせ、曲線の平坦化に有効であることを示した。
• 環境内ウイルスの持続性を組み込むことで、かつて低リスクと見なされていた場所でも感染確率が上昇し、表面汚染の重要性が浮き彫りになった。
• 高リスク地域や高リスク個人（高齢者、合併症有り）に対する標的介入が、広範かつ均一な対策よりも、全体の感染拡大をより効果的に抑える可能性をモデルが示した。