[論文レビュー] Efficient real-time monitoring of an emerging influenza epidemic: how feasible?

Paul Birrell, Lorenz Wernisch+5 more|arXiv (Cornell University)|Aug 18, 2016

Data-Driven Disease Surveillance参考文献 44被引用数 5

ひとこと要約

本稿では、公衆衛生的対策によるバイアスや急激なショックを受ける可能性のある、不完全な複数のデータストリーム（例：医療機関の受診件数や監視レポート）を用いて、発生中のインフルエンザ流行の効率的なリアルタイム推論と予測を可能にする、逐次モンテカルロ（SMC）アルゴリズムを提案する。この手法は、標準的なMCMCに比べて計算速度が高く、オンライン予測チェックを通じてモデルの適切さを維持するため、パンデミック発生時におけるタイムリーな公衆衛生意思決定の実現可能性を示している。

ABSTRACT

A prompt public health response to a new epidemic relies on the ability to monitor and predict its evolution in real time as data accumulate. The 2009 A/H1N1 outbreak in the UK revealed pandemic data as noisy, contaminated, potentially biased, and originating from multiple sources. This seriously challenges the capacity for real-time monitoring. Here we assess the feasibility of real-time inference based on such data by constructing an analytic tool combining an age-stratified SEIR transmission model with various observation models describing the data generation mechanisms. As batches of data become available, a sequential Monte Carlo (SMC) algorithm is developed to synthesise multiple imperfect data streams, iterate epidemic inferences and assess model adequacy amidst a rapidly evolving epidemic environment, substantially reducing computation time in comparison to standard MCMC, to ensure timely delivery of real-time epidemic assessments. In application to simulated data designed to mimic the 2009 A/H1N1 epidemic, SMC is shown to have additional benefits in terms of assessing predictive performance and coping with parameter non-identifiability.

研究の動機と目的

• 2009年H1N1パンデミックの際の経験から得られたように、ノイズが多く、バイアスを含み、複数の情報源から得られるデータにおいて、リアルタイムでの流行監視の課題に対処すること。
• オンライン推論において、マルコフ連鎖モンテカルロ（MCMC）の計算非効率性を克服するため、逐次モンテカルロ（SMC）手法に置き換えること。
• 一歩先予測のチェックを用いたオンラインでのモデル適切さの評価を可能にし、公衆衛生的対策などによる急激な変化に対しても耐性を保つこと。
• 現実のデータ制約下で、複雑な機械的疫学的モデルに対するオンライン推論としてSMCの実現可能性を示すこと。

提案手法

• 年齢層別SEIR伝播モデルと、複数の監視ストリームのデータ生成プロセスを表現する観察モデルを組み合わせた手法。
• 新しいデータバッチが到着する度に、後方分布を再帰的に更新するため、効率的なオンライン推論が可能となる逐次モンテカルロ（SMC）アルゴリズムを用いる。
• 粒子の多様性を維持し、サンプリング効率を向上させるために、リサンプリング・モードのメカニズムをSMCフレームワークに組み込む。
• モデルの適切さは、一歩先予測の予測チェックを通じて評価され、予測区間の乖離が、モデルの不適合またはシステム的ショックの兆候を示す。
• アルゴリズムは、2009年H1N1パンデミックを模倣したシミュレーテッドデータを用いてテストされ、日付178でシミュレートされた介入によるショックの耐性を評価する。
• 粒子の多様性を維持し、劣化を防ぐために、適応的チューニングを施したメトロポリス・ハスティングスカーネルを用いた再生成ステップを実施する。

実験結果

リサーチクエスチョン

• RQ1 ノイズが多く、複数の情報源からのデータが得られる状況下で、逐次モンテカルロ（SMC）が、発生中のインフルエンザ流行の計算的に効率的なリアルタイム推論を可能にするか。
• RQ2 標準的なMCMCと比較して、SMCは公衆衛生的対策によって引き起こされるモデルの不適合や構造的変化を、どの程度効果的に検出できるか。
• RQ3 データにバイアスや汚染、急激なシフトが加わった場合に、SMCが正確な後方推論と予測性能をどの程度維持できるか。
• RQ4 進行中の流行において、オンライン予測チェックを通じて、タイムリーかつ自動的にモデルの適切さを評価するのにSMCが有効であるか。
• RQ5 データの複雑さが伴う状況下で、リアルタイムの流行監視において、SMCはMCMCに比べてどのような計算的・推論的利点を有するか。

主な発見

• SMCアルゴリズムは、標準的なMCMCに比べて計算時間を顕著に短縮し、タイムリーなリアルタイム流行評価を可能にする。
• シミュレーションによる2009年H1N1パンデミックの事例では、データに汚染やバイアスがあっても、SMCが正確な後方推論を維持していることが示された。
• 日付178にシミュレートされた介入後に予測区間の乖離とKullback–Leibler（KL）ダイバージェンスの増加が観察され、SMCはモデルの不適合を効果的に検出できた。
• SMCにおけるリサンプリング・モードのメカニズムにより、モデルショックの影響下でも粒子の多様性が保たれ、パラメータ空間の効果的な探索が可能になった。
• SMCは一歩先予測のフォーキャストを用いたオンラインでのモデル適切さチェックを可能にし、必要に応じて迅速なモデル適合の再調整が可能になった。
• 特に情報量は多いが一貫性に欠けるデータストリームの状況下では、SMCはMCMCを上回る性能を示し、急激な変化や同定不能性の問題に対しても優れた対応を示した。