[論文レビュー] Dynamic Bayesian Influenza Forecasting in the United States with Hierarchical Discrepancy

Dave Osthus, James Gattiker+2 more|arXiv (Cornell University)|Aug 30, 2017

Influenza Virus Research Studies参考文献 18被引用数 15

ひとこと要約

本論文は、過去のインフルエンザ流行シーズンからの系統的誤差を借用することで精度を向上させる階層的不一致モデリングを組み込んだ動的ベイジアンインフルエンザ予測モデルを紹介する。これは、CDCの2015–2016年予測チャレンジにおいて、デジタル監視データを用いていなくても、すべての競合モデルを上回り、総合スコアで最高を記録し、複数の予測ターゲットで1位を達成した。

ABSTRACT

Timely and accurate forecasts of seasonal influenza would assist public health decision-makers in planning intervention strategies, efficiently allocating resources, and possibly saving lives. For these reasons, influenza forecasts are consequential. Producing timely and accurate influenza forecasts, however, have proven challenging due to noisy and limited data, an incomplete understanding of the disease transmission process, and the mismatch between the disease transmission process and the data-generating process. In this paper, we introduce a dynamic Bayesian (DB) flu forecasting model that exploits model discrepancy through a hierarchical model. The DB model allows forecasts of partially observed flu seasons to borrow discrepancy information from previously observed flu seasons. We compare the DB model to all models that competed in the CDC's 2015--2016 flu forecasting challenge. The DB model outperformed all models, indicating the DB model is a leading influenza forecasting model.

研究の動機と目的

• モデルとデータの不一致およびノイズが多く、限られた監視データによる不正確なインフルエンザ予測の課題に対処すること。
• 観察ノイズのみでは説明できない、機械的疾患伝播モデルと実世界のデータとの間の系統的不一致を捉えること。
• 部分的に観察されたシーズンにおける予測を改善するために、インフルエンザ流行シーズンにわたる歴史的不一致を活用する予測フレームワークを開発すること。
• モデル不一致の統計的モデリングを改善することで、デジタル監視データに依存するモデルを上回ることを示すこと。
• タイムリーで正確な予測を通じて公衆衛生計画を強化する、データ同化に基づく堅牢な予測システムを提供すること。

提案手法

• 機械的SIR分類モデルを確率的枠組み内に埋め込んだ動的ベイジアン（DB）モデルを構築する。
• 機械的モデルと観察されたインフルエンザデータとの間の系統的逸脱を捉えるために、階層的不一致モデルを導入する。
• 状態遷移のためのSIR微分方程式を数値的に解くために、4次ルンゲ・クッタ近似を用いる。
• 感染率と回復率、観察ノイズ、不一致パラメータを同時に推定するためにベイズ推論を適用する。
• 過去に観察されたインフルエンザシーズン間で不一致情報を共有する階層的事前分布構造を採用し、継続的予測の信頼性を向上させる。
• デジタル監視データを組み込まず、CDCの週次インフルエンザ様症状（wILI）データを用いてモデルをキャリブレーションする。

実験結果

リサーチクエスチョン

• RQ1 体系的に不一致を明示的にモデリングする動的ベイジアンモデルは、従来の手法と比較してインフルエンザ予測の正確性を向上させることができるか？
• RQ2 過去のインフルエンザシーズンからの不一致情報の借用は、進行中のシーズンにおける予測性能をどのように向上させるか？
• RQ3 Google検索トレンドなどのデジタル監視データに依存しないモデルが、どの程度高い正確性を達成できるか？
• RQ4 不一致モデリングとデータ増強の両者の相対的寄与度は、予測性能にどのように影響するか？
• RQ5 不一致モデリングの階層的構造は、多様なインフルエンザシーズンにわたる信頼性と一般化能力をどのように向上させるか？

主な発見

• 動的ベイジアンモデルに階層的不一致モデリングを組み込んだモデルは、CDCの2015–2016年インフルエンザ予測チャレンジで最高の総合スコアを達成した。
• ピーク時期やピーク強度を含む複数の予測ターゲットで1位を獲得した唯一のモデルであった。
• すべての予測ターゲットで4位以内に常にとどまり、一貫した高い性能を示した。
• デジタル監視データを一切使用していなくても、そのようなデータを組み込んだ複数の競合モデルを上回った。
• 階層的不一致モデルは、過去のシーズンからの系統的モデル誤差を効果的に捉え、予測の信頼性を向上させた。
• 結果から、特に不一致モデリングを精緻化することで、デジタル信号によるデータ増強よりも予測精度の向上が得られることを示唆している。