[論文レビュー] Graph-Coupled HMMs for Modeling the Spread of Infection

Wen Dong, Alex Pentland+1 more|arXiv (Cornell University)|Oct 16, 2012

Complex Network Analysis Techniques参考文献 12被引用数 21

ひとこと要約

本稿では、84名の参加者からのモバイルフォンデータを用いて、動的な社会的ネットワーク内の個人レベルでの感染拡散をモデル化するため、グラフ結合型隠れマルコフモデル（GCHMM）を導入する。結合型HMMにネットワーク構造を組み込むことで、人対人感染動態を捉え、集団レベルのモデルよりも精度の高い個人別の感染予測を可能にする。

ABSTRACT

We develop Graph-Coupled Hidden Markov Models (GCHMMs) for modeling the spread of infectious disease locally within a social network. Unlike most previous research in epidemiology, which typically models the spread of infection at the level of entire populations, we successfully leverage mobile phone data collected from 84 people over an extended period of time to model the spread of infection on an individual level. Our model, the GCHMM, is an extension of widely-used Coupled Hidden Markov Models (CHMMs), which allow dependencies between state transitions across multiple Hidden Markov Models (HMMs), to situations in which those dependencies are captured through the structure of a graph, or to social networks that may change over time. The benefit of making infection predictions on an individual level is enormous, as it allows people to receive more personalized and relevant health advice.

研究の動機と目的

• 集団レベルではなく、個人レベルでの感染症の拡散をモデル化すること。
• 現実世界のモバイルフォン相互作用データを活用して、社会的ネットワーク構造と伝播パターンを推定すること。
• 時間的およびネットワーク依存の感染動態を捉えるスケーラブルな確率的モデルを開発すること。
• 個別化された健康介入を可能にするために、個人の感染リスクを予測すること。
• 進化する社会的ネットワークを反映するグラフ構造の依存関係を組み込んだ、結合型HMMの拡張を図ること。

提案手法

• GCHMMは、社会的ネットワークのグラフ構造を通じて複数のHMM間の依存関係をモデル化することで、結合型HMMを拡張する。
• 各個人は、感染状態（例：感受性、感染、回復）を示す隠れ状態を持つ個別のHMMとして表現される。
• 遷移確率と発生確率は、接近度と通話頻度を反映するモバイルフォンの通話明細記録から学習される。
• モデルは、ネットワークグラフを条件とする、全個人の状態系列の同時確率分布を用いる。
• グラフ構造の依存関係を考慮した修正版の Baum-Welch アルゴリズムを用いて推論が行われる。
• 接触パターンの変化に基づいてグラフ構造を更新することで、時間的に変化するネットワークを扱える。

実験結果

リサーチクエスチョン

• RQ1 モバイルフォン相互作用データを用いて、個人レベルの感染動態を正確にモデル化できるか？
• RQ2 社会的ネットワーク構造を組み込むことで、独立したHMMと比較して感染予測の精度がどの程度向上するか？
• RQ3 GCHMMは、時間的に変化する接触パターンとその感染拡散への影響をどの程度正確に捉えることができるか？
• RQ4 本モデルは、ネットワーク内の個人に対して個別化された感染リスク予測を生成できるか？
• RQ5 GCHMMにおけるグラフ構造の依存関係は、集団レベルのモデルと比較して、局所的感染伝播のモデリングをどの程度向上させるか？

主な発見

• GCHMMは、独立したHMMおよび集団レベルのモデルよりも、個人の感染状態を予測する際に顕著に優れた性能を示す。
• モバイルフォンデータから導出された接触パターンを活用することで、感染した個人を特定する精度が向上する。
• 通話明細記録から推定されたネットワーク構造は、実際の社会的接近度と感染リスクと相関している。
• モデルは時間的に変化する接触パターンを正確に捉えており、動的予測性能が向上している。
• ネットワーク構造を明示的にモデル化することで、個別化された感染リスク予測が実現可能であり、より高い精度を達成している。
• GCHMMフレームワークは、時間的ダイナミクスを有する現実の社会的ネットワークに対してもスケーラブルな推論を可能にしている。