[論文レビュー] CRISP: A Probabilistic Model for Individual-Level COVID-19 Infection Risk Estimation Based on Contact Data

Ralf Herbrich, Rajeev Rastogi+1 more|arXiv (Cornell University)|Jun 9, 2020

COVID-19 epidemiological studies被引用数 7

ひとこと要約

CRISPは、接触追跡データと検査結果を用いて、個々のCOVID-19感染リスクを推定する確率的グラフィカルモデルである。ブロック・ギブスサンプリングとモンテカルロEMを用いて、接触チャネルごとの潜伏感染状態と感染確率を推定し、症状に基づくまたは接触追跡のみのアプローチよりも、集団レベルでの感染拡大をより効果的に抑制する予防的検査および隔離戦略を可能にする。

ABSTRACT

We present CRISP (COVID-19 Risk Score Prediction), a probabilistic graphical model for COVID-19 infection spread through a population based on the SEIR model where we assume access to (1) mutual contacts between pairs of individuals across time across various channels (e.g., Bluetooth contact traces), as well as (2) test outcomes at given times for infection, exposure and immunity tests. Our micro-level model keeps track of the infection state for each individual at every point in time, ranging from susceptible, exposed, infectious to recovered. We develop both a Monte Carlo EM as well as a message passing algorithm to infer contact-channel specific infection transmission probabilities. Our Monte Carlo algorithm uses Gibbs sampling to draw samples of the latent infection status of each individual over the entire time period of analysis, given the latent infection status of all contacts and test outcome data. Experimental results with simulated data demonstrate our CRISP model can be parametrized by the reproduction factor $R_0$ and exhibits population-level infectiousness and recovery time series similar to those of the classical SEIR model. However, due to the individual contact data, this model allows fine grained control and inference for a wide range of COVID-19 mitigation and suppression policy measures. Moreover, the block-Gibbs sampling algorithm is able to support efficient testing in a test-trace-isolate approach to contain COVID-19 infection spread. To the best of our knowledge, this is the first model with efficient inference for COVID-19 infection spread based on individual-level contact data; most epidemic models are macro-level models that reason over entire populations. The implementation of CRISP is available in Python and C++ at https://github.com/zalandoresearch/CRISP.

研究の動機と目的

• 新型コロナウイルス感染症の流行期における個々の感染リスクを、マクロレベルの集団統計から脱却したマイクロレベルの確率的モデルとして開発すること。
• 部分的な検査結果と接触履歴を用いて、個々の人の潜伏感染状態（感受性、潜伏、感染性、回復）を推定すること。
• 接触パターンと検査結果に基づく個々のリスクスコアを推定することで、予防的検査および隔離政策を可能にすること。
• 隔離や検査戦略などの標的介入の影響をシミュレーションすることで、政策評価を支援すること。

提案手法

• CRISPはSEIRフレームワークに基づく確率的グラフィカルモデルであり、時間経過に伴う個々の感染状態を潜在変数としてモデル化する。
• 接触データと検査結果を条件として、全期間にわたって個々の潜在感染状態を繰り返し再サンプリングするブロック・ギブスサンプリングを用いる。
• 接触チャネルごとの感染確率を組み込み、接触時間、距離、媒体に応じた差別の感染リスク推定を可能にする。
• モンテカルロEMとメッセージパッシングアルゴリズムを用いて、観測データから感染確率とモデルパラメータを推定・更新する。
• 推論手順により、高リスク者を特定することで、効率的な検査・追跡・隔離戦略を支援する。
• 最適化されたC++およびPython実装により、約10,000人規模の集団におけるスケーラブルな推論が可能になる。

実験結果

リサーチクエスチョン

• RQ1 個々の接触データと検査結果を用いた確率的モデルは、時間経過に伴う個々の感染リスクを正確に推定できるか？
• RQ2 接触チャネルごとの感染確率が、集団内での感染拡大のダイナミクスにどのように影響を与えるか？
• RQ3 このモデルは、症状に基づくまたは標準的な接触追跡のみの隔離政策よりも、アウトブレイクの抑制に優れているか？
• RQ4 このモデルは、全体の感染拡大を低減するために、予防的検査および隔離戦略をどの程度効果的に支援できるか？
• RQ5 このモデルは、マクロレベルの流行動態（例：R₀、回復率）を正確に再現しながら、個別レベルの精度を維持できるか？

主な発見

• CRISPモデルは、基本再生産数R₀や回復時間系列といったマクロレベルの流行動態を正確に再現し、古典的なSEIRモデルの挙動を模倣した。
• モデルに基づく検査・隔離政策により、時間経過に伴い隔離対象者数が減少し、特に感受性個体群においては低水準に安定した。
• 症状に基づく政策とは異なり、感染拡大と隔離者数の指数的増加が生じたが、CRISPはアウトブレイクをより効果的に抑制した。
• 接触追跡のみの政策では、1日あたりの集団の25％以上が隔離されたが、CRISPは初期の高強度フェーズを除き、その負担を顕著に低減した。
• ブロック・ギブスサンプリングアルゴリズムは、現実的規模の集団において効率的な推論を達成し、公衆衛生意思決定支援における実用的導入を可能にした。