[論文レビュー] First-principles machine learning modelling of COVID-19

Luca Magri, Nguyen Anh Khoa Doan|arXiv (Cornell University)|Apr 20, 2020

COVID-19 epidemiological studies参考文献 3被引用数 23

ひとこと要約

この論文は、公式のCOVID-19データとSIRD隔離型疫学的ダイナミクスを統合した、第一原理の機械学習モデルを提示する。このモデルは、10か国の時間に応じて変化する感染伝播率、回復率、死亡率、R₀、および倍増時間の推定を可能にする。モデルは新規データで迅速に再訓練可能であり、各国で一貫した結果を得て、介入なしでは急速な指数関数的増加を示し、R₀値は0.04から1.79の範囲にわたる。

ABSTRACT

The coronavirus disease 2019 (COVID-19) has changed the world since the World Health Organization declared its outbreak on 30th January 2020, recognizing the outbreak as a pandemic on 11th March 2020. As often said by politicians and scientific advisors, the objective is "to flatten the curve", or "push the peak down", or similar wording, of the virus spreading. Central to the official advice are mathematical models and data, which provide estimates on the evolution of the number of infected, recovered and deaths. The accuracy of the models is improved day by day by inferring the contact, recovery, and death rates from data (confirmed cases). A data-driven model trained with {\it both} data {\it and} first principles is proposed. The model can quickly be re-trained any time that new data becomes available. The method can be applied to more detailed epidemic models with virtually no conceptual modification.

研究の動機と目的

• 公式の症例データと疫学的隔離モデルを統合した、データ駆動型の第一原理の機械学習モデルを開発し、感染伝播ダイナミクスのリアルタイム推定を可能にする。
• パンデミック初期の主要なグローバル地域において、時間に応じて変化する接触率（β）、回復率（γ）、死亡率（µ）の推定、基本再生産数（R₀）、および倍増時間の推定。
• 定数または線形に変化するパラメータの仮定に基づく、感染、回復、死亡、感受性者割合の予測トレンドの提供。
• 新規データの入手に応じて迅速なモデル再訓練を可能にし、タイムリーな公衆衛生意思決定を支援する。
• データの偏り（例：報告不足、テスト体制の変更）に対する推定の頑健性を、一貫した第一原理的仮定を用いて評価する。

提案手法

• 定常的総人口と均一な集団を仮定し、改変されたSIRD（感受性者、感染者、回復者、死亡者）隔離型モデルを第一原理の基盤として用いる。
• ジョンズ・ホプキンス大学CSSEの確認症例および死亡者データに、ニューラルネットワークベースの最適化を適用してモデルパラメータ（β、γ、µ）をフィッティングする。
• 物理的整合性を保つために損失関数に制約を課し、トレーニングの安定化のため損失関数内で対数変換を適用する。
• 時間に応じて変化するパラメータを推定するための制約付き最適化フレームワークを採用し、短期（7日間）および長期（14日間）の平均勾配に基づく外挿を実施する。
• R₀をβ/γ、倍増時間をlog(2)/βとして計算し、対数変換あり・なしの両方の損失関数を用いた感度分析を実施する。
• 歴史的データを用いた予測の妥当性を検証し、定数パラメータ、短いウィンドウ、長いウィンドウの外挿戦略を比較して不確実性の範囲を評価する。

実験結果

リサーチクエスチョン

• RQ1 パンデミック中、第一原理の疫学的モデルをリアルタイムデータと機械学習で効果的に統合し、動的感染伝播パラメータを推定する方法は何か？
• RQ2 COVID-19パンデミック初期段階における主要国における、時間に応じて変化する接触率、回復率、死亡率の推定値は何か？
• RQ3 感染および死亡のピークは、各国でいつ予想されるか？ また、外挿仮定の違いによってこれらの推定値はどのように変化するか？
• RQ4 モデルはR₀および倍増時間の推定においてどの程度の性能を示すか？ また、データ変換（対数変換 vs. 非対数変換）はパラメータの安定性にどのような影響を与えるか？
• RQ5 報告不足やテスト体制の変更といったデータバイアスに対して、予測はどの程度頑健か？

主な発見

• モデルは、介入なしの場合、すべての調査地域で感染の急速な指数関数的増加を予測しており、パンデミック初期のダイナミクスと整合的である。
• イギリスでは、2020年7月18日に感染率が2.84％のピークに達し、2021年2月10日までに死亡率が2.13％のピークに達した。
• イタリアでは、2020年7月11日に感染率が0.80％のピークに達し、2021年2月10日までに死亡率が0.42％のピークに達した。R₀は2020年4月30日に1.0に低下した。
• 中国では、2020年4月23日時点で推定R₀が0.006にとどまり、感染率および死亡率のピークは0.01％未満であった。
• ニューヨーク市では、2020年4月30日までに感染率が2.72％のピークに達し、2021年2月10日までに死亡率が1.96％のピークに達した。R₀は2020年4月27日に1.0に低下した。
• 世界全体の推定R₀は2020年6月15日に1.0に低下し、2020年8月20日までに感染率が2.05％のピークに達した。死亡率のピークは2021年2月10日に0.86％に達した。