[論文レビュー] Dynamic graph based epidemiological model for COVID-19 contact tracing data analysis and optimal testing prescription

Shashanka Ubaru, Lior Horesh+1 more|arXiv (Cornell University)|Sep 10, 2020

COVID-19 epidemiological studies参考文献 40被引用数 6

ひとこと要約

本稿では、接触追跡データと多項 chaos 展開を統合した動的グラフベースのSEIRモデルを提案する。このモデルは、病状の不確実性を定量化し、限られた検査容量下でも、被ばい者に対する早期警告と最適な検査割り当てを可能にする。フレームワークは、個々のリスク推定に基づいてテストを戦略的に割り当てることで、全体の不確実性を低減する。

ABSTRACT

In this study, we address three important challenges related to the COVID-19 pandemic, namely, (a) providing an early warning to likely exposed individuals, (b) identifying asymptomatic individuals, and (c) prescription of optimal testing when testing capacity is limited. First, we present a dynamic-graph based SEIR epidemiological model in order to describe the dynamics of the disease transmission. Our model considers a dynamic graph/network that accounts for the interactions between individuals over time, such as the ones obtained by manual or automated contact tracing, and uses a diffusion-reaction mechanism to describe the state dynamics. This dynamic graph model helps identify likely exposed/infected individuals to whom we can provide early warnings, even before they display any symptoms. When COVID-19 testing capacity is limited compared to the population size, reliable estimation of individual's health state and disease transmissibility using epidemiological models is extremely challenging. Thus, estimation of state uncertainty is paramount for both eminent risk assessment, as well as for closing the tracing-testing loop by optimal testing prescription. Therefore, we propose the use of arbitrary Polynomial Chaos Expansion, a popular technique used for uncertainty quantification, to represent the states, and quantify the uncertainties in the dynamic model. This design enables us to assign uncertainty of the state of each individual, and consequently optimize the testing as to reduce the overall uncertainty given a constrained testing budget. We present a few simulation results that illustrate the performance of the proposed framework, and estimate the impact of incomplete contact tracing data.

研究の動機と目的

• 症状発現以前に感染が疑われる者を特定するという動的接触ネットワークの挑戦に応えること。
• 検査能力が制限されている状況での無症状キャリアの検出を改善すること。
• 限られた検査予算下で病状推定の不確実性を最小限に抑える最適な検査戦略を開発すること。
• 不確実性定量化のための多項 chaos 展開を用いて、疫学的モデルにおける状態の不確実性を定量化し、より良いリスク評価を可能にすること。
• 接触追跡データと標的化された検査指示を結びつけることで、追跡-検査のループを閉じること。

提案手法

• 接触追跡データから得られる時間的に変化する人間の相互作用の動的グラフ表現を用いて、病気の伝播をモデル化する。
• 動的グラフ上に拡散・反応機構を定式化し、SEIR状態遷移（感受性、被ばい、感染、回復）をシミュレートする。
• 不完全またはノイズの多いデータによる個々の健康状態の不確実性を表現・定量化するために、任意の多項 chaos 展開（PCE）を適用する。
• PCEに基づく不確実性推定値を用いて、全体のモデル不確実性を最も低減できるように、検査を優先順位付けする。
• 予算制約と不確実性低減の目的関数に基づいて、検査割り当てを最適化する。
• 合成または実際の接触追跡データ上でフレームワークをシミュレートし、性能とデータ不完全性に対するロバストネスを評価する。

実験結果

リサーチクエスチョン

• RQ1 時間的相互作用パターンを活用することで、症状発現以前に病気の早期伝播を予測し、リスクの高い者を特定するためには、どのように動的接触ネットワークを効果的にモデル化できるか？
• RQ2 接触追跡データが不完全な状況下で、多項 chaos 展開を用いて個々の病状の不確実性をどの程度定量化できるか？
• RQ3 接触追跡データに不完全性や欠落がある場合、被ばい・感染予測の正確性にどのような影響を与えるか？
• RQ4 限られた検査能力下で、病状推定の全体的な不確実性を最小限に抑えるために、どのように最適な検査を割り当てることができるか？
• RQ5 接触追跡と不確実性を考慮したモデリングを統合することで、パニック対応のための追跡-検査ループを閉じることができるか？

主な発見

• 動的グラフベースのSEIRモデルは、時間的相互作用パターンを活用することで、従来のモデルよりも早期に被ばい者を特定するのに成功している。
• 多項 chaos 展開は、個々の健康状態の不確実性を効果的に定量化でき、リスクに配慮した意思決定を可能にする。
• 不確実性低減に基づく最適な検査割り当ては、制限された検査予算下で全体のモデル不確実性を顕著に低減する。
• フレームワークは、接触追跡データが不完全であっても、欠落した相互作用記録が存在しても信頼性の高い予測を維持するロバストネスを示している。
• シミュレーション結果から、不確実性を考慮した検査優先順位付けは、ランダムまたは非最適化された検査戦略と比較して、感染・被ばい状態推定の正確性を向上させている。