[論文レビュー] Inferring the COVID-19 infection curve in Italy

Andrea Pugliese, Sara Sottile|arXiv (Cornell University)|Apr 20, 2020

COVID-19 epidemiological studies参考文献 16被引用数 9

ひとこと要約

本論文は、報告された死亡者数と入院者数、および感染から結果までの推定遅延分布を活用して、イタリアにおけるSARS-CoV-2感染の真の時系列推移を逆算推定する手法を提案する。この手法はSIR枠組み内で最尤推定を適用し、イタリアの有効再生産数$R_0$が3月20日ごろに1未塔に低下し、4月上旬には0.5〜0.8の間で安定したことを明らかにした。

ABSTRACT

Aim of this manuscript is to show a simple method to infer the time-course of new COVID-19 infections (the most important information in order to establish the effect of containment strategies) from available aggregated data, such as number of deaths and hospitalizations. The method, that was used for HIV-AIDS and was named `back-calculation', relies on good estimates of the distribution of the delays between infection and the observed events; assuming that the epidemic follows a simple SIR model with a known generation interval, we can then estimate the parameters that define the time-varying contact rate through maximum likelihood. We show the application of the method to data from Italy and several of its region; it is found that $R_0$ had decreased consistently below 1 around March 20, and in the beginning of April it was between 0.5 and 0.8 in the whole Italy and in most regions.

研究の動機と目的

• 報告された症例データが検査のばらつきのため信頼できない状況下で、イタリアにおけるSARS-CoV-2感染の真の時系列推移を推定すること。
• 広範な検査が行われない状況下で、死亡者数や入院者数といった遅延的・集計的な健康結果から感染動態を推定する課題に対処すること。
• パンデミック期における公衆衛生意思決定を支援するため、タイムリーで信頼性の高い有効再生産数$R_0$の推定値を提供すること。
• 従来HIV/AIDSに用いられていた逆算法を、SARS-CoV-2の速い伝播ダイナミクスに適合させた応用の有効性を示すこと。
• 公開済みの健康データを活用したモデルベースの推定により、再開戦略を支援する、データドリブンな感染動向の推定を提供すること。

提案手法

• この手法は、死亡や入院といった観察結果までの時間遅延を逆にたどることで、感染時刻を推定する逆計算を用いる。
• 感染から死亡までの遅延分布および感染から入院までの遅延分布をモデル化し、これらが既知であり、地域間で時間的に一定であると仮定する。
• SIRモデルを用い、生成間隔を固定することで感染動態と観察結果を関連づけ、時間的に変化する接触率を最尤法により推定する。
• 累積データから日次新規死亡者数($D_t$)および新規入院者数($H_t$)を算出し、退院者数と報告遅延の調整を加える。
• ノイズの多い日次データの影響を軽減し、報告の不規則性への感受性を下げるために、3日間の移動平均を適用する。
• 時間的に変化する接触率を推定するためにスプラインを用い、ノード数やフィッティングウィンドウの選択に対する感度分析により、モデルの頑健性を確認する。

実験結果

リサーチクエスチョン

• RQ1 検査の制限により報告症例データが信頼できない状況下で、イタリアにおける真の感染曲線をどのように推定できるか？
• RQ2 広範な検査が行われない状況下で、死亡者数や入院者数が感染発生率の信頼できる代理指標としてどの程度有効か？
• RQ3 パンデミック初期段階におけるイタリアおよびその地域における有効再生産数$R_0$の推移はいかがであったか？
• RQ4 モデル仮定の変化やデータ正則化の違いに対して、推定された感染曲線および$R_0$推定値はどの程度頑健であったか？
• RQ5 どの地域でモデルのフィットが悪く、これは現地の流行動態またはデータ品質に関する何を示唆しているのか？

主な発見

• イタリアにおける有効再生産数$R_0$は、2020年3月20日ごろから一貫して1未塔に低下し、その時点で流行は制御下にあったことが示された。
• 2020年4月上旬には、全国および大多数の地域で$R_0$が0.5〜0.8の間で安定し、感染伝播の持続的抑制が示された。
• ベネト州では、データ品質が高く、流行が均一に広がったため、モデルのフィットが特に良好で、明確で鋭い流行ピークが得られた。
• ピエモンテ州では、入院者数の日次変動が著しく、モデルのフィットが悪く、$R_0$推定値は常に1を超えており、継続的な感染伝播を示唆した。
• 4月8日から11日にかけて、入院者数に偽のピークが検出されたが、これはおそらくデータ報告の異常または退院報告方法の変更に起因するものと考えられた。
• この手法の予測能力は短期的トレンドに限定されており、フィッティングウィンドウを超えて外挿する際には、特にデータ仮定の変化に伴い乖離が生じた。