[論文レビュー] Learning the Probability of Activation in the Presence of Latent Spreaders

Maggie Makar, John V. Guttag+1 more|arXiv (Cornell University)|Dec 2, 2017

Data-Driven Disease Surveillance被引用数 4

ひとこと要約

本論文は、ネットワーク内の個々の感受性と隠れた隣接感染拡散者状態を統合的にモデル化することで、感染確率を学習する生成的確率的モデルPALSを提案する。患者の接触ネットワークに対して変分推論を適用することで、PALSは医療関連C. diff感染の予測においてベンチマークを上回り、無症状の高リスクキャリアを同定する。これにより、標的型感染対策介入が可能になる。

ABSTRACT

When an infection spreads in a community, an individual's probability of becoming infected depends on both her susceptibility and exposure to the contagion through contact with others. While one often has knowledge regarding an individual's susceptibility, in many cases, whether or not an individual's contacts are contagious is unknown. We study the problem of predicting if an individual will adopt a contagion in the presence of multiple modes of infection (exposure/susceptibility) and latent neighbor influence. We present a generative probabilistic model and a variational inference method to learn the parameters of our model. Through a series of experiments on synthetic data, we measure the ability of the proposed model to identify latent spreaders, and predict the risk of infection. Applied to a real dataset of 20,000 hospital patients, we demonstrate the utility of our model in predicting the onset of a healthcare associated infection using patient room-sharing and nurse-sharing networks. Our model outperforms existing benchmarks and provides actionable insights for the design and implementation of targeted interventions to curb the spread of infection.

研究の動機と目的

• 隣接感染者の感染状態が隠れており観測できない状況における感染リスク予測の課題に対処すること。
• 観測された特徴を用いて個々の感受性をモデル化するとともに、ネットワーク上での隠れた拡散者への露出を統合的に扱うこと。
• 隠れた拡散者を無視するか、個別感受性を適切にモデル化しない既存のモデルとは異なり、リスク推定を向上させること。
• 患者の特徴と高い伝播可能性に関連する要因を学習することで、感染対策に役立つ行動可能な知見を同定すること。
• 合成データおよび実世界の病院患者データを用いたC. diff伝播の評価を通じて、モデルの性能を検証すること。

提案手法

• 感染は個々の感受性と隣接者の隠れたベルヌーイ分布に従う拡散者状態の両者に依存する生成的確率的モデルを定式化する。
• 各隣接者の拡散者状態を、その観測された特徴（例：抗生物質投与、下痢）に基づき、学習された重みuを用いてモデル化する。
• 変分推論を適用し、隠れた拡散者状態とモデルパラメータを同時に推定することで、スケーラブルな推論を実現する。
• エッジが共有部屋やケアプロバイダーを表すネットワーク構造を採用し、露出経路を符号化する。
• 感受性（例：年齢、医学的履歴）と露出（隣接者の影響）を入力として組み合わせ、感染確率を予測する。
• 特徴と露出を感染リスクにマッピングするためのロジスティック回帰に類似したリンク関数を採用し、隠れた拡散者状態はデータから推定する。

実験結果

リサーチクエスチョン

• RQ1 隣接感染者の感染状態が隠れており観測できない状況において、モデルが感染リスクを正確に予測できるか。
• RQ2 観測済みまたは無視された拡散者状態を仮定するモデルと比較して、隠れた拡散者状態を組み込むことで予測精度がどの程度向上するか。
• RQ3 どの患者特徴が病院環境下でのC. diffの隠れた拡散者であることに最も関連しているか。
• RQ4 臨床的に診断されていないが依然として病原体を伝播させる無症状キャリアを、どの程度正確に同定できるか。
• RQ5 暴露のみ、感受性のみ、または両方を組み合わせた場合に、モデルの性能がどのように変化するか。

主な発見

• PALSは、部分的に拡散者状態が観測可能なナース共有ネットワークにおいて、AUC 0.705（95%信頼区間：0.703–0.706）を達成し、NbrProbInf（AUC 0.641）やNbrInfRate（AUC 0.606）といったベンチマークを顕著に上回った。
• 感受性のみの設定においても、PALSはAUC 0.698を達成し、露出が役割を果たさない状況でも堅牢であることが示された。
• モデルは、広域スペクトル抗生物質（例：IV-Vancomycin、シプロフロキサシン）を投与を受けている患者、および下痢治療（例：ロペラミド）を受けている患者が、最も高い正のu重みを示しており、伝播可能性が高まっていることを示唆した。
• CDI治療を受けている患者は、最大の負のu重みを示しており、臨床的隔離と接触予防措置が伝播リスクを効果的に低減していることを示している。
• ナース共有データを用いた部分的観測条件下では、PALSは偽陽性率0.1で真正陽性率（TPR）0.324を達成し、すべてのベンチマークを上回った。
• 隣接者の状態に関する部分的な情報しか得られない状況でも、PALSは隠れた拡散者を正確に同定でき、部分的観測下での性能向上が顕著に見られた。