[論文レビュー] Estimating the number of infections and the impact of non-pharmaceutical interventions on COVID-19 in European countries: technical description update

Seth Flaxman, Swapnil Mishra+21 more|arXiv (Cornell University)|Apr 23, 2020

COVID-19 epidemiological studies参考文献 5被引用数 83

ひとこと要約

この論文は半機械的ベイズ階層モデルを拡張し、非薬物介入がSARS-CoV-2の伝播にどのように影響したかを推定し、14の欧州諸国での感染を時間とともに推定する。結果はオンラインで報告されている。

ABSTRACT

Following the emergence of a novel coronavirus (SARS-CoV-2) and its spread outside of China, Europe has experienced large epidemics. In response, many European countries have implemented unprecedented non-pharmaceutical interventions including case isolation, the closure of schools and universities, banning of mass gatherings and/or public events, and most recently, wide-scale social distancing including local and national lockdowns. In this technical update, we extend a semi-mechanistic Bayesian hierarchical model that infers the impact of these interventions and estimates the number of infections over time. Our methods assume that changes in the reproductive number - a measure of transmission - are an immediate response to these interventions being implemented rather than broader gradual changes in behaviour. Our model estimates these changes by calculating backwards from temporal data on observed to estimate the number of infections and rate of transmission that occurred several weeks prior, allowing for a probabilistic time lag between infection and death. In this update we extend our original model [Flaxman, Mishra, Gandy et al 2020, Report #13, Imperial College London] to include (a) population saturation effects, (b) prior uncertainty on the infection fatality ratio, (c) a more balanced prior on intervention effects and (d) partial pooling of the lockdown intervention covariate. We also (e) included another 3 countries (Greece, the Netherlands and Portugal). The model code is available at https://github.com/ImperialCollegeLondon/covid19model/ We are now reporting the results of our updated model online at https://mrc-ide.github.io/covid19estimates/ We estimated parameters jointly for all M=14 countries in a single hierarchical model. Inference is performed in the probabilistic programming language Stan using an adaptive Hamiltonian Monte Carlo (HMC) sampler.

研究の動機と目的

• 欧州のCOVID-19流行期においてNPIsが伝播（Rt）にどのように影響したかを定量化する必要性を動機付ける。
• 元のモデルを拡張し、人口飽和、感染致死率の不確実性、および lockdown 効果の部分プーリングを含める。
• 観測死亡数をデータ源として、複数国にわたり時変再生数と感染数を同時に推定する。

提案手法

• Stanと適応型ハミルトニアンモンテカルロで適合させた半機械的ベイズ階層フレームワークを使用する。
• 日次死亡を負の二項分布としてモデル化し、平均を感染から死亡までの遅延と国別のIFRの不確実性を介して感染に結びつける。
• 生成時間分布と感受性枯渇係数 S_t,m を用いた離散再生過程により時系列の感染を結びつける。
• Rtを6つの介入の乗法的関数として表現し、国を超えて共有される効果と国別のロックダウン効果を持つ。
• 過去の文献に基づく Rt、介入効果、IFRの事前分布を組み込み、初期感染の種付けと世代間分布が系列間隔に一致すると仮定する。
• データとコードを公開（GitHub）し、結果をオンラインで報告する。

実験結果

リサーチクエスチョン

• RQ1 6つの主要な非薬物介入は、欧州各国における時変再生数 Rtにどのような影響を与えるか？
• RQ2 介入効果を考慮し、IFRと遅延分布の不確実性の下で各国の時系列感染数の推定値はどの程度か？
• RQ3 人口飽和と国別ロックダウン効果は、他のNPIsと比較して伝播ダイナミクスにどの程度影響するか？
• RQ4 事前選択やモデル仮定（例：感染から死亡への遅延、IFR、世代時間）に対する推定結果の頑健性はどの程度か？

主な発見

• モデルは、国を超て情報を共有する階層構造を用いて、介入に応じた Rt の変化を推定する。
• ロックダウンには識別可能な影響があるため国別のランダム効果を含め、他の介入は共有効果を持つ。
• IFRと感染から死亡までの遅延の不確実性を統合し、人口の感受性枯渇を考慮する。
• 結果は単一のフレームワーク内で14カ国分を共同で生成され、コードとともにオンラインで公開されている。
• 感度分析（例：PSIS-LOO）を用いて特定のモデリング選択に対する頑健性を評価した。
• 技術的更新には人口飽和、IFRの事前不確実性、介入効果の事前分布の洗練、ロックダウンの部分プーリングが追加された。