[論文レビュー] Estimation of population infected by Covid-19 using regression Generalized logistics and optimization heuristics

Mario Villalobos-Arias|arXiv (Cornell University)|Apr 2, 2020

COVID-19 epidemiological studies参考文献 3被引用数 4

ひとこと要約

本稿では、初期の流行データを用いて累積COVID-19感染症の推定と予測に、一般化ロジスティック（GL）およびゴンペルツ成長モデルを提案する。中国、韓国、コスタリカ、イタリア、スペインの症例データに、非線形最適化ヒューリスティクスを適用して、これらの柔軟な曲線をフィットさせ、R²値が0.998を超える結果を得た。これにより、20～35日間のデータからも、流行のピーク時刻と最終的な症例数の信頼できる予測が可能となった。

ABSTRACT

In this work, a proposal for the estimation of the populations using logistic curve fitting is presented. This type of curve is used to study population growth, in this case population of people infected with the Covid-19 virus; and it can also be used to approximate the survival curve used in actuarial and similar studies in Spanish: En este trabajos se presenta una propuesta para la estimación de la poblaciones usando ajuste de curvas del tipo logística. Este tipo de curvas se utilizan para el estudio de crecimiento de poblaciones, en este casos población de personas infectadas por el virus Covid-19; y también se puede utilizar para aproximar la curva de supervivencia que se utiliza en estudios actuariales y otras similares

研究の動機と目的

• 累積COVID-19症例数のモデリングにおいて、標準的なロジスティック回帰を改善し、曲線の柔軟性を向上させること。
• 初期データが限られている中で正確なパラメータ推定を必要とするSIRモデルの限界を克服すること。
• 初期流行データ（20～35日分）のみを用いて、流行のピーク時刻と最終的な症例数を予測する手法を開発すること。
• 中国、韓国、コスタリカ、イタリア、スペインの複数国における実世界の症例データへの、一般化ロジスティックおよびゴンペルツモデルの適合性能を比較すること。
• 中国、韓国、コスタリカ、イタリア、スペインのデータを用いて、これらのモデルの予測能力を検証すること。

提案手法

• 一般化ロジスティック（GL）関数：P(t) = M / (1 + e^(-at + b))^α を使用。形状パラメータαを追加することで、曲線の柔軟性が向上する。
• ゴンペルツ関数：G(t) = a * exp(-b * exp(-ct)) を適用。3パラメータモデルであり、流行曲線の適合に内在的な柔軟性を有する。
• GLおよびゴンペルツ関数の非線形性のため、モデルパラメータの推定に非線形最適化ヒューリスティクス（例：シミュレーテッド・アニーリング）を用いる。
• フィッティング中の数値安定性を向上させるために、症例データを最大観測数で割って正規化する。
• R²と観測データと予測曲線の視覚的比較を用いて、モデルの適合度を検証する。
• データの不確実性に基づき、7%の誤差マージンを有する予測区間を組み込む。

実験結果

リサーチクエスチョン

• RQ1 一般化ロジスティックおよびゴンペルツモデルは、複数国の初期累積症例データを正確に適合させることができるか？
• RQ2 20～35日分のデータのみを用いて、これらのモデルが流行のピーク時刻と最終的な症例数をどの程度正確に予測できるか？
• RQ3 R²値および曲線の忠実度の観点から、一般化ロジスティックおよびゴンペルツモデルの予測性能は、標準的なロジスティック回帰と比べてどのように異なるか？
• RQ4 GLモデルに追加の形状パラメータ（α）を含めることで、標準的なロジスティック回帰に比べて適合度が顕著に向上するか？
• RQ5 限られたデータでも、これらのモデルは日別症例数の変曲点（減少の始まり）を信頼性高く推定できるか？

主な発見

• コスタリカにおける一般化ロジスティックモデルは、35日分のデータを用いてR² = 0.99858を達成し、予測ピークは886症例であった。
• コスタリカにおけるゴンペルツモデルはR² = 0.99854を示し、最終症例数を887例と予測し、GLモデルと非常に近い結果を示した。
• イタリアではゴンペルツモデルがR² = 0.99968を達成し、最終症例数を約261,052例と予測した。
• スペインのゴンペルツ適合はR² = 0.99941を達成し、2020年3月31日までのデータで最終症例数を468,495例と予測した。
• 時間の経過とともに、モデルは類似したピーク予測に収束し、2020年4月1日時点でゴンペルツとGLの予測値の差は10症例未満であった。
• 限られたデータでも、日別症例数の変曲点（減少の始まり）を的確に捉えることができ、モデルの有効性が裏付けられた。