[論文レビュー] Estimating Spread of Contact-Based Contagions in a Population Through Sub-Sampling

Sepanta Zeighami, Cyrus Shahabi+1 more|arXiv (Cornell University)|Dec 13, 2020

Human Mobility and Location-Based Analysis参考文献 36被引用数 10

ひとこと要約

本稿では、サブサンプルされた個々の位置データのみを用いて、接触ベースの感染症の拡散を推定するための新しい手法、PollSpreaderおよびPollSusceptibleを提案する。接触ネットワークを介して、サンプル化された個体と観察されなかった個体間の共存状況を直接モデル化することにより、理論的に裏付けられた上界および下界を提供する。このアプローチは、共存状況の不正確さと時間経過による誤差の拡大に起因して失敗する、スケーリング法や合成軌跡法よりも優れた性能を示す。

ABSTRACT

Physical contacts result in the spread of various phenomena such as viruses, gossips, ideas, packages and marketing pamphlets across a population. The spread depends on how people move and co-locate with each other, or their mobility patterns. How far such phenomena spread has significance for both policy making and personal decision making, e.g., studying the spread of COVID-19 under different intervention strategies such as wearing a mask. In practice, mobility patterns of an entire population is never available, and we usually have access to location data of a subset of individuals. In this paper, we formalize and study the problem of estimating the spread of a phenomena in a population, given that we only have access to sub-samples of location visits of some individuals in the population. We show that simple solutions such as estimating the spread in the sub-sample and scaling it to the population, or more sophisticated solutions that rely on modeling location visits of individuals do not perform well in practice, the former because it ignores contacts between unobserved individuals and sampled ones and the latter because it yields inaccurate modeling of co-locations. Instead, we directly model the co-locations between the individuals. We introduce PollSpreader and PollSusceptible, two novel approaches that model the co-locations between individuals using a contact network, and infer the properties of the contact network using the subsample to estimate the spread of the phenomena in the entire population. We show that our estimates provide an upper bound and a lower bound on the spread of the disease in expectation. Finally, using a large high-resolution real-world mobility dataset, we experimentally show that our estimates are accurate, while other methods that do not correctly account for co-locations between individuals result in wrong observations (e.g, premature herd-immunity).

研究の動機と目的

• 全人口における感染症の拡散を推定する課題に取り組むが、利用可能なのはサブサンプルされた個々の移動データに限る。
• ナチュラルスケーリングや合成軌跡生成の限界を克服する。これらは、サンプル化された個体と観察されなかった個体間の共存状況を正確にモデル化できないため失敗する。
• 接触ネットワークを介して共存状況を直接モデル化し、理論的境界を伴う人口レベルの拡散を推定する手法を開発する。
• 特に政策意思決定に役立つ「仮説的状況」のシナリオにおいて、完全な人口シミュレーションに代わる計算効率が高く正確な代替手法を提供する。
• 実世界の移動データを用いて手法を検証し、既存の手法で見られる誤差の拡大に対して頑健であることを示す。

提案手法

• 本手法は、サンプル化された個体間の観察済み共存状況に基づいて接触ネットワークを構築し、統計的手法を用いて観察されなかった共存状況を推定する。
• PollSpreaderは、すべての観察されない個体が、任意のサンプル化された個体と接触可能であると仮定することで、拡散の上界を推定する。
• PollSusceptibleは、サンプルに観察されたもの以上の追加の共存状況はないと仮定することで、下界を推定する。
• 本手法は、合成軌跡生成や空間の離散化に依存せず、共存状況を直接モデル化する。
• 理論的分析により、PollSpreaderが全人口における期待される拡散の上界を提供すること、PollSusceptibleが下界を提供することを証明する。
• 本手法は、正確でない合成データに依存せずに、実世界の高分解能移動データを用いて境界をキャリブレーションおよび検証する。

実験結果

リサーチクエスチョン

• RQ1 サブサンプルされた移動データのみを用いて、全人口における接触ベースの感染症の拡散を正確に推定できるか？
• RQ2 なぜスケーリング法や合成軌跡生成といった従来の手法は、実際には失敗するのか？
• RQ3 サンプル化された個体と観察されなかった個体間の共存状況を直接モデル化することで、推定精度を向上させられるか？
• RQ4 提案手法が、真の人口レベルの拡散に対して理論的に正当化された境界を提供できるか？
• RQ5 既存の手法では、誤った共存状況モデル化に起因する誤差が時間経過とともにどのように拡大するか？本手法はその拡大を防げるか？

主な発見

• PollSpreaderおよびPollSusceptibleは、全人口における感染症の拡散の期待値に対して理論的に妥当な上界および下界を提供する。
• Verilyの移動データセットにおいて、PollSus_LおよびPollSus_Uは真値の拡散をよく追跡するが、ScaleやPollSpreaderといったベースライン手法は、早期に集団免疫のパターンを示す。
• PollSpreader手法は、真の感染数が増加している間でさえ、誤差の拡大により感染数の減少を誤って予測してしまう。
• サブサンプルをスケーリングする方法は、サンプル化された個体と観察されなかった個体間の共存状況を無視するため、拡散を著しく低く見積もる。
• 合成軌跡生成手法は、長時間にわたりミリメートル以下の精度が求められ、その結果としてデータの爆発的増加が生じるため、大規模なシミュレーションが現実的でない。
• 本手法は、軌跡の合成や空間の離散化に起因する不正確さを回避し、共存状況を直接モデル化することで、既存の手法を上回る性能を発揮する。