[論文レビュー] From predictions to prescriptions: A data-driven response to COVID-19

Dimitris Bertsimas, Léonard Boussioux+19 more|arXiv (Cornell University)|Jun 30, 2020

COVID-19 epidemiological studies参考文献 28被引用数 12

ひとこと要約

本論文は、臨床的、病院的、疫学的データを統合したデータ駆動型フレームワークを提示し、COVID-19の死亡率予測、パンデミックの拡散予測、呼吸器サポート装置の最適割り当てを実現する。機械学習と混合整数最適化を用いることで、リアルタイムでの患者選別、集中治療室の計画立案、州間のリソース再配分を可能にし、連携された移動と連邦政府の支援によって呼吸器サポート装置の不足を完全に解消できることを示している。本モデルは世界中で臨床的・政策的用途に活用されている。

ABSTRACT

The COVID-19 pandemic has created unprecedented challenges worldwide. Strained healthcare providers make difficult decisions on patient triage, treatment and care management on a daily basis. Policy makers have imposed social distancing measures to slow the disease, at a steep economic price. We design analytical tools to support these decisions and combat the pandemic. Specifically, we propose a comprehensive data-driven approach to understand the clinical characteristics of COVID-19, predict its mortality, forecast its evolution, and ultimately alleviate its impact. By leveraging cohort-level clinical data, patient-level hospital data, and census-level epidemiological data, we develop an integrated four-step approach, combining descriptive, predictive and prescriptive analytics. First, we aggregate hundreds of clinical studies into the most comprehensive database on COVID-19 to paint a new macroscopic picture of the disease. Second, we build personalized calculators to predict the risk of infection and mortality as a function of demographics, symptoms, comorbidities, and lab values. Third, we develop a novel epidemiological model to project the pandemic's spread and inform social distancing policies. Fourth, we propose an optimization model to re-allocate ventilators and alleviate shortages. Our results have been used at the clinical level by several hospitals to triage patients, guide care management, plan ICU capacity, and re-distribute ventilators. At the policy level, they are currently supporting safe back-to-work policies at a major institution and equitable vaccine distribution planning at a major pharmaceutical company, and have been integrated into the US Center for Disease Control's pandemic forecast.

研究の動機と目的

• COVID-19パンデミック期における患者選別とリソース配分の重要な課題に対処すること。
• 記述的・予測的・規範的分析を統合した包括的分析フレームワークを構築し、医療および政策意思決定を支援すること。
• 連邦政府の供給と州間移動を戦略的に活用することで、呼吸器サポート装置の不足を低減すること。
• 臨床研究、電子健康記録（EHR）、国勢調査レポートからの統合データを用いて、リアルタイムの臨床意思決定と長期的なパンデミック計画を支援すること。
• 病院、ヘルスシステム、公衆衛生機関が利用可能な意思決定支援ツールを提供すること。

提案手法

• 数百の臨床研究からの集計データを統合し、疾患の臨床像と予後を特徴付ける包括的データベースを構築した。
• 人口統計、症状、合併症、検査値に基づいて感染・死亡リスクを予測する、個別化されたリスク計算ツールを機械学習を用いて開発した。
• 地域レベルでのパンデミック拡散を予測し、社会的距離の取り方の政策に影響を与える、画期的な疫学的モデル（DELPHI-pred）を構築した。
• 供給制約と移動制約のもとで、州間の呼吸器サポート装置の最適再配分を実現する混合整数最適化モデルを策定した。
• 郡レベルの需要予測を病院レベルの計画に統合し、ハーフォード・ヘルスケアで実施された内部の呼吸器サポート装置再配分に応用した。
• 公共のウェブサイトを通じてモデルを展開し、病院、企業、政府機関によるリアルタイム意思決定を支援した。

実験結果

リサーチクエスチョン

• RQ1 臨床的および人口統計的データを用いて、患者レベルの感染リスクおよび死亡リスクを正確に予測する方法は何か？
• RQ2 パンデミックの増加期に、呼吸器サポート装置の不足を解消するための最適な州間再配分戦略は何か？
• RQ3 社会的距離の取り方の政策が、パンデミックの予測されるピークと医療体制の能力に与える影響は何か？
• RQ4 連邦および州間のリソース統合によって、地域のニーズを損なわせることなく、呼吸器サポート装置の不足をどの程度低減できるか？
• RQ5 予測モデルをどのように活用して、医療システム全体で予測需要に合わせて呼吸器サポート装置の供給を事前に一致させられるか？

主な発見

• 連携された州間移動と戦略的な連邦供給の展開により、呼吸器サポート装置の不足は完全に解消可能であり、呼吸器サポート装置の分割といった極端な措置は不要である。
• 州間移動はパンデミックの初期段階で早期に開始された場合に最も効果的であり、大部分の移動は初期の増加期に集中する。
• 地域連携により、州は90％以上の呼吸器サポート装置の需要を満たすことができ、全国的移動は最後の手段としてのみ必要となる。
• 最も顕著な移動は、低不足状態の州（例：オハイオ州、ペンシルベニア州、ノースカロライナ州）から、高不足状態の州（例：ニューヨーク州、ニュージャージー州）へのものである。
• モデルは、各州の呼吸器サポート装置供給の10％未満を常に一時的に統合することを推奨しており、これにより耐性が保たれ、不足が完全に解消される。
• 本フレームワークは、ハーフォード・ヘルスケアの内部再配分システムや国家的政策計画に実際の現場で展開されており、米国疾病対策センター（CDC）のパンデミック予測システムにも統合されている。