[論文レビュー] Data-Driven Decision Making in COVID-19 Response: A Survey

Shuo Yu, Qing Qing+4 more|arXiv (Cornell University)|Feb 23, 2022

Mental Health Research Topics被引用数 5

ひとこと要約

本サーベイは、世界的なCOVID-19対応におけるデータ駆動型意思決定手法を統合し、流行制御、メンタルヘルス支援、金融支援、職場・学校再開の分野での応用を分析する。データ品質、複雑な分析、アルゴリズムの公平性に関する主な課題を特定し、公衆衛生データシステムにおける今後の研究の基盤を提供する。

ABSTRACT

COVID-19 has spread all over the world, having an enormous effect on our daily life and work. In response to the epidemic, a lot of important decisions need to be taken to save communities and economies worldwide. Data clearly plays a vital role in effective decision making. Data-driven decision making uses data related evidence and insights to guide the decision making process and to verify the plan of action before it is committed. To better handle the epidemic, governments and policy making institutes have investigated abundant data originating from COVID-19. These data include those related to medicine, knowledge, media, etc. Based on these data, many prevention and control policies are made. In this survey paper, we summarize the progress of data-driven decision making in the response to COVID-19, including COVID-19 prevention and control, psychological counselling, financial aid, work resumption, and school re-opening. We also propose some current challenges and open issues in data-driven decision making, including data collection and quality, complex data analysis, and fairness in decision making. This survey paper sheds light on current policy making driven by data, which also provides a feasible direction for further scientific research.

研究の動機と目的

• 世界的なCOVID-19パンデミックへの対応におけるデータ駆動型意思決定の応用を体系的にレビューすること。
• 公衆衛生および社会経済的政策を支援するための主要なデータソースとその役割を特定および分析すること。
• 多様で動的でプライバシーに配慮が必要なソースからのデータ収集、品質、分析における課題を検討すること。
• 公衆衛生緊急事態におけるアルゴリズム的意思決定における公平性および解釈可能性の問題を調査すること。
• 今後のパンデミック対応におけるデータ駆動型政策システムの改善のための研究ロードマップを提示すること。

提案手法

• 流行制御、心理的支援、金融支援、職場再開、学校再開の分野における、複数分野にわたるデータ駆動型政策の体系的サーベイ。
• 疫学的データ、科学的リサーチ（例：CORD-19）、知識グラフ（例：COKG-19）、移動データを含む多様なデータソースの分類と分析。
• 意思決定支援のためのデータ統合、クリーニング、分析を含むデータ処理パイプラインの評価。
• リアルタイムで多様でしばしば低品質なデータからインサイトを導き出すための機械学習およびデータ分析技術の適用。
• データ品質、アルゴリズムの公平性、プライバシーのトレードオフに関する批判的分析を通じたメソドロジカルなギャップの同定。
• データ駆動型緊急対応システムにおける課題と未解決の研究課題の統合。

実験結果

リサーチクエスチョン

• RQ1 異なる国や地域において、データ駆動型アプローチはCOVID-19の感染拡大をどのように制御したか？
• RQ2 パンデミック期における公衆衛生および社会経済的政策を支援するために、どの種類のデータソースが最も効果的であったか？
• RQ3 緊急対応意思決定において、データ品質、タイムリネス、一貫性を確保するための主な課題は何か？
• RQ4 複雑で動的で多様なデータソースは、データ駆動型モデルのスケーラビリティと信頼性にどのように影響するか？
• RQ5 データ駆動型公衆衛生意思決定におけるアルゴリズムの公平性と透明性をどのように向上させられるか？

主な発見

• データ駆動型意思決定は、ロックダウン、テスト戦略、リソース配分を含むパンデミック対応政策の迅速化と正確化を顕著に向上させた。
• CORD-19 や Worldometer などの大規模データの活用により、迅速な知識統合と根拠に基づく政策形成が可能になった。
• COKG-19 などの知識グラフは、医療・科学的情報に対する構造的推論を可能にし、意思決定の追跡可能性を向上させた。
• 進展にもかかわらず、一貫性の欠如、欠損値、遅延報告といったデータ品質の問題が、信頼性のある意思決定の主な障壁のままであった。
• SARS-CoV-2 のような新規病原体に対して歴史的データが不足していたため、従来の予測モデルの有効性が制限され、リアルタイムおよび適応的分析への依存度が高まった。
• アルゴリズム的意思決定において公平性の懸念が生じ、データ入力の偏りや不完全さにより、金融支援や医療リソースの配分にバイアスのリスクが生じた。