[論文レビュー] Data-Driven Methods to Monitor, Model, Forecast and Control Covid-19 Pandemic: Leveraging Data Science, Epidemiology and Control Theory

Teodoro Álamo, Daniel Gutiérrez Reina+1 more|arXiv (Cornell University)|Jun 1, 2020

COVID-19 epidemiological studies参考文献 241被引用数 18

ひとこと要約

本稿では、データサイエンス、疫学、制御理論を統合することで、Covid-19パンデミックの制御を目的としたデータ駆動型の3Mフレームワーク（監視、モデル化、意思決定）を提案する。時間系列手法、疫学的モデル、予測技術、制御理論的戦略（例：モデル予測制御、強化学習）を統合した構造的ロードマップを提示し、不確実性下でのリアルタイム監視、正確な予測、最適な政策意思決定を可能にする。

ABSTRACT

This document analyzes the role of data-driven methodologies in Covid-19 pandemic. We provide a SWOT analysis and a roadmap that goes from the access to data sources to the final decision-making step. We aim to review the available methodologies while anticipating the difficulties and challenges in the development of data-driven strategies to combat the Covid-19 pandemic. A 3M-analysis is presented: Monitoring, Modelling and Making decisions. The focus is on the potential of well-known datadriven schemes to address different challenges raised by the pandemic: i) monitoring and forecasting the spread of the epidemic; (ii) assessing the effectiveness of government decisions; (iii) making timely decisions. Each step of the roadmap is detailed through a review of consolidated theoretical results and their potential application in the Covid-19 context. When possible, we provide examples of their applications on past or present epidemics. We do not provide an exhaustive enumeration of methodologies, algorithms and applications. We do try to serve as a bridge between different disciplines required to provide a holistic approach to the epidemic: data science, epidemiology, controltheory, etc. That is, we highlight effective data-driven methodologies that have been shown to be successful in other contexts and that have potential application in the different steps of the proposed roadmap. To make this document more functional and adapted to the specifics of each discipline, we encourage researchers and practitioners to provide feedback. We will update this document regularly.

研究の動機と目的

• Covid-19パンデミック期における迅速かつデータに基づいた公衆衛生意思決定の緊急的な必要性に対応する。
• 非特徴的感染、パラメータの不確実性、遅延した干渉フィードバックといった、流行制御における課題を克服する。
• データサイエンス、疫学、制御理論を統合した包括的かつ多様なロードマップを構築し、パンデミック対応を促進する。
• データ駆動型の手法を用いて、不確実性下でのリアルタイム監視、正確な予測、最適な意思決定を可能にする。
• 研究者および実務家が共同で戦略を洗練できる、継続的かつ更新可能なリソースを提供する。

提案手法

• 3M分析フレームワーク（監視：データ再統合、統合、クラスタリング）、モデル化（疫学的および機械学習モデル）、意思決定（最適制御および強化学習）を適用する。
• 時間系列理論および信号処理技術を用いて、多様なソースからの生エピデミックデータを前処理および再統合する。
• ステートスペース推定および監視システムを実装し、リアルタイムで流行波を検出する。
• コンpartimentalモデル（例：SIR、年齢構造型、季節的変種）およびコンピュータベースのシミュレーションを用いて、感染伝播ダイナミクスをモデル化する。
• パラメトリック、ノンパラメトリック、ディープラーニングの予測手法を採用し、標準化された指標を用いて性能を評価する。
• 最適制御理論、モデル予測制御（MPC）、強化学習（例：Q学習、トンプソンサンプリング）を用いて、動的かつ適応的な政策設計を実現する。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型手法は、Covid-19パンデミック期におけるリアルタイム監視および流行波の早期検出をどのように改善できるか？
• RQ2 不完全、ノイズが多い、または異種のエピデミックデータを処理するにあたり、最も効果的なデータ統合および時間系列統合技術は何か？
• RQ3 疫学的モデルは、状況に応じてSARS-CoV-2の伝播ダイナミクスを正確に反映するようにどのようにキャリブレーションおよび検証できるか？
• RQ4 限られた医療資源の配分を最適化すると同時に社会的・経済的影響を最小限に抑えるために、どのような制御理論的戦略が有効か？
• RQ5 強化学習および適応制御手法は、変化する流行トレンドに応じて動的に公衆衛生介入を調整するためにどのように応用できるか？

主な発見

• データ再統合、統合、クラスタリング技術は、生エピデミックデータの品質と信頼性を顕著に向上させ、より正確な後続分析を可能にする。
• モデル予測制御（MPC）および最適制御理論は、限られたリソース下でウイルスの時間的・空間的拡散を効果的に管理するための強固で適応的なフレームワークを提供する。
• Q学習やトンプソンサンプリングなどの強化学習アプローチは、シミュレーション環境において効果的な干渉戦略を同定できるが、訓練には現実的なエピデミックシミュレータが必要である。
• ディープラーニングおよびアンサンブル予測手法は、十分なデータが得られた場合、複雑な非線形な流行トレンドを捉える点で従来のパラメトリックモデルを上回る性能を示す。
• ステート推定および波検出に基づく監視システムは、流行の再燃を予測可能にし、適切な政策対応を早期に可能にする。
• 制御理論と疫学的モデルの統合により、リアルタイムの発生数データに基づいて干渉強度を調整するトリガーに基づく制御ポリシーの設計が可能になる。