[論文レビュー] Extracting the effective contact rate of COVID-19 pandemic

Gaurav Goswami, J. Prasad+1 more|arXiv (Cornell University)|Apr 16, 2020

COVID-19 epidemiological studies参考文献 21被引用数 9

ひとこと要約

本稿では、COVID-19パンデミックの確定症例時系列データから時間依存の有効接触率 β(t) を抽出する手法を提案する。修正されたSEIRモデルを用い、実世界のデータから β(t) を再構築し、物理的に不適切な負の値やノイズを除去する平滑化技術を適用することで、異なる集団における抑制策の伝染ダイナミクスへの影響を堅牢に評価可能となる。

ABSTRACT

In the absence of any available vaccines or drugs, prevention of the spread of Coronavirus Disease 2019 (COVID-19) pandemic is being achieved by putting many mitigation measures in place. It is indispensable to have robust and reliable ways of evaluating the effectiveness of these measures. In this work, we assume that, at a very coarse-grained level of description, the overall effect of all the mitigation measures is that we can still describe the spread of the pandemic using the most basic Susceptible-Exposed-Infectious-Removed ($SEIR$) model but with an "effective contact rate" ($β$) which is time-dependent. We then use the time series data of the number of infected individuals in the population to extract the instantaneous effective contact rate which is the result of various social interventions put in place. This approach has the potential to be significantly useful while evaluating the impact of mitigation measures on the spread of COVID-19 in near future.

研究の動機と目的

• パンデミック期における瞬時の有効接触率 β(t) を推定するデータ駆動の手法を開発すること。
• 実世界の症例データからの原始的 β(t) 再構築において生じる物理的に不適切な負の値やノイズの課題に対処すること。
• ロックダウンやソーシャルディスタンシングなどの社会的対策の累積的効果を反映する、物理的に解釈可能な平滑化された β(t) を提供すること。
• 政策タイムラインと関連付けることで、異なる国における抑制戦略の比較分析を可能にすること。
• 既知の干渉履歴を有するSEIRモデルを進化させるために、β(t) を用いて近い将来の流行予測を支援すること。

提案手法

• SEIRモデルの微分方程式を用い、確定感染症例の時系列データから原始的 β(t) を再構築する。
• 観察された発症数データの数値微分を適用し、感染者の変化率を推定することで、β(t) の逆問題を解く。
• ノイズや回復率 γ および潜伏期間率 σ の推定値の不確実性により、原始的 β(t) が物理的に不適切な負の値を示すことを特定する。
• 移動平均やスプラインフィッティングなどの平滑化技術を提案し、誤ったフラクチュエーションを除去した物理的に妥当な β(t) を得る。
• 平滑化された β(t) を用いてSEIR方程式を時間的に前方に進める。これにより、既知の抑制政策下での将来の感染トレースの予測が可能になる。
• 6か国の確定症例データに本手法を適用し、実世界データにおける実現可能性と頑健性を示すことで、手法の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 ノイズが多く、実世界の確定COVID-19症例時系列データから、有効接触率 β(t) を信頼性高く抽出する方法は何か？
• RQ2 原始的 β(t) 再構築において物理的に不適切な負の値が生じる原因は何か。また、それらはどのように是正できるか？
• RQ3 平滑化された β(t) は、ロックダウンやソーシャルディスタンシングなどの複数の抑制策の組み合わせ効果をどの程度正確に反映できるか？
• RQ4 抑制政策が事前に分かっている場合、β(t) を用いて将来の流行トレースを予測できるか？
• RQ5 異なる国における β(t) プロファイルはどのように比較できるか。また、それらはそれぞれの政策の相対的有効性について何を示唆するか？

主な発見

• 症例データからの原始的 β(t) 再構築では、γ および σ パrameter のノイズと不確実性のため、物理的に不適切な負の値が頻発することがある。
• 平滑化技術により、誤ったフラクチュエーションが顕著に減少し、負の値が完全に除去され、物理的に解釈可能な β(t) が得られる。
• 平滑化された β(t) は少数のパラメータで記述可能であり、集団間での抑制戦略の効率的比較が可能になる。
• 本手法は6か国のデータに対し、実世界データを用いた β(t) の再構築に成功し、実現可能性を示した。
• 再構築された β(t) を用いることで、SEIRダイナミクスの信頼性ある前方シミュレーションが可能となり、既知の政策シナリオ下での感染トレンド予測が可能になる。
• 本手法は、複数の同時作用する抑制策の影響を、粗いが堅牢な枠組みで評価するための有効な手法を提供する。