[論文レビュー] High-resolution Spatio-temporal Model for County-level COVID-19 Activity in the U.S

Shixiang Zhu, Alexander Bukharin+4 more|arXiv (Cornell University)|Sep 15, 2020

COVID-19 epidemiological studies参考文献 41被引用数 8

ひとこと要約

本論文は、米国の郡レベルでのCOVID-19確認症例および死亡者数を1週間先んじて高分解能の時空間予測を行うモデルを提案する。時間的相関、郡間の空間的伝播、移動行動や人口統計などの主要な共変量を活用する。モデルは予測の正確性を達成し、主要なメトロポリタンハブと移動パターンが感染拡大の主要因であることを特定した。

ABSTRACT

We present an interpretable high-resolution spatio-temporal model to estimate COVID-19 deaths together with confirmed cases one-week ahead of the current time, at the county-level and weekly aggregated, in the United States. A notable feature of our spatio-temporal model is that it considers the (a) temporal auto- and pairwise correlation of the two local time series (confirmed cases and death of the COVID-19), (b) dynamics between locations (propagation between counties), and (c) covariates such as local within-community mobility and social demographic factors. The within-community mobility and demographic factors, such as total population and the proportion of the elderly, are included as important predictors since they are hypothesized to be important in determining the dynamics of COVID-19. To reduce the model's high-dimensionality, we impose sparsity structures as constraints and emphasize the impact of the top ten metropolitan areas in the nation, which we refer (and treat within our models) as hubs in spreading the disease. Our retrospective out-of-sample county-level predictions were able to forecast the subsequently observed COVID-19 activity accurately. The proposed multi-variate predictive models were designed to be highly interpretable, with clear identification and quantification of the most important factors that determine the dynamics of COVID-19. Ongoing work involves incorporating more covariates, such as education and income, to improve prediction accuracy and model interpretability.

研究の動機と目的

• 米国の郡レベルにおけるCOVID-19活動を予測する高分解能かつ解釈可能な時空間モデルの開発を目的とする。
• 確認症例と死亡者数の間の時間的自己相関および相互相関を組み込むことを目的とする。
• 隣接郡および全国的なメトロポリタンハブからの空間的伝播効果をモデル化することを目的とする。
• 地域の共変量（例：コミュニティ移動行動、人口統計的要因（高齢者割合、総人口））を統合することを目的とする。
• スパarsity（スパarsity）と主要都市ハブの強調により、予測精度と解釈可能性を向上させることを目的とする。

提案手法

• 時間遅れ応答を用いた多次元線形モデルを用いて、確認症例および死亡者の時間的ダイナミクスを捉える。
• 各郡が隣接郡および10の全国的メトロポリタンハブと結びつく係数を通じて空間的依存性を組み込む。
• 次元削減と解釈可能性の向上を目的としてスパarsity制約を適用する。
• 移動行動（職場、レクリエーション、食料品、公園、交通機関、住宅）および人口統計的要因（人口、高齢者割合）を含む共変量を標準化する。
• 予測値が非負であり、カウントデータの不確実性に対応できるように、対数線形ポアソン回帰フレームワークを採用する。
• 共変量係数の統計的有意性を評価するためにt検定およびp値を用いる。

実験結果

リサーチクエスチョン

• RQ1 高分解能の時空間モデリングを用いて、1週間先んじた郡レベルのCOVID-19症例および死亡者数を正確に予測する方法は何か？
• RQ2 特に移動行動と人口統計的要因を含む、地域的および地方的要因の中で、どの要因が郡レベルでのCOVID-19の拡大に最も強く関与しているか？
• RQ3 主要なメトロポリタンハブは、米国全域におけるCOVID-19の空間的伝播にどのように寄与しているか？
• RQ4 症例と死亡者数の間の時間的相関は、予測精度をどの程度向上させるか？
• RQ5 スパarsity制約とターゲットされたハブモデリングは、予測性能を損なわせることなく、モデルの解釈性を向上させることができるか？

主な発見

• 本モデルは、確認症例および死亡者数の両方について、郡レベルで正確なリトロスペクティブな予測を達成した。
• 職場移動とレクリエーション移動は、症例の増加と強く正の相関を示し、それぞれ係数が+9.67e+2および+1.67e+3であった。
• 住宅移動は症例増加に強い負の影響を示した（係数：-5.08e+3）、移動の減少が感染拡大を遅らせる可能性を示唆した。
• 死亡者数に関しては、食料品および薬局移動が顕著な正の効果を示した（係数：+4.77e+3）、これは必須小売施設での感染リスクの高さを示唆した。
• 高齢者割合の割合は死亡率と顕著に関連していた（係数：-1.17e+3、p値：6.85e-5）、しかし症例数には関連しなかった。
• 総人口係数は症例予測において最大の値を示した（係数：+2.91e+4）、人口密度が感染拡大の主な要因であることを裏付けた。