[論文レビュー] Learning to Forecast and Forecasting to Learn from the COVID-19 Pandemic

Ajitesh Srivastava, Viktor K. Prasanna|arXiv (Cornell University)|Apr 23, 2020

COVID-19 epidemiological studies参考文献 7被引用数 11

ひとこと要約

本稿では、人間の移動行動を組み込んだ非一様感染率モデルを提案し、重み付き最小二乗法を用いて変化する傾向に迅速に適応する仕組みを備え、国および州レベルでのCOVID-19感染者数の予測を実現する。高い予測精度を達成するとともに、時間に応じて変化するパラメータを用いて流行動態の学習が可能となり、政策効果の定量的評価や、社会的距離の解除といった予測シナリオの分析を可能にする新規指標（接触削減スコア、流行削減スコア）を導入する。

ABSTRACT

Accurate forecasts of COVID-19 is central to resource management and building strategies to deal with the epidemic. We propose a heterogeneous infection rate model with human mobility for epidemic modeling, a preliminary version of which we have successfully used during DARPA Grand Challenge 2014. By linearizing the model and using weighted least squares, our model is able to quickly adapt to changing trends and provide extremely accurate predictions of confirmed cases at the level of countries and states of the United States. We show that during the earlier part of the epidemic, using travel data increases the predictions. Training the model to forecast also enables learning characteristics of the epidemic. In particular, we show that changes in model parameters over time can help us quantify how well a state or a country has responded to the epidemic. The variations in parameters also allow us to forecast different scenarios such as what would happen if we were to disregard social distancing suggestions.

研究の動機と目的

• COVID-19パンデミック期における変化する傾向に迅速に適応できるスケーラブルで自動化された流行予測モデルの開発。
• 報告済みの感染者データから時間に応じて変化するモデルパラメータを学習することで、公衆衛生対策の有効性を定量化すること。
• 学習済みパラメータを用いて、社会的距離の解除といった異なる政策シナリオの予測を可能にすること。
• 地域の対応効果の差を評価するための解釈可能な指標（接触削減スコア、流行削減スコア）を導入すること。
• 抗体研究データの統合により、報告されていない感染者数や免疫状態のモデル化を今後のモデルに支援すること。

提案手法

• 感染のk個のサブステート（感染状態）を有する非一様SIR型モデルで、各サブステートごとに異なる伝播率βiを設定し、感染性の時間的変動を捉える。
• 移動行列F(q,p)を用いて、他地域からの流入感染をモデルに組み込むことで、地域間移動を反映する。
• 感染数をJ日間隔でグループ化することでシステムを線形化し、過学習を低減するとともに、効率的な学習を可能にする。
• トレーニングには、傾向の適応を図るために最近のデータに高い重みを付ける忘却係数付き重み付き最小二乗法を用いる。
• ハイパーパrameter選定には固定および可変のスケームを用い、アンサンブル平均をとることで耐性を向上させる。
• 報告確率γiおよび免疫ρpをモデルに拡張し、報告されていない感染者数と血清疫学的有病率の要因を考慮する。

実験結果

リサーチクエスチョン

• RQ1 人間の移動行動を組み込んだ動的でデータ駆動型の流行モデルは、国および地方レベルでのCOVID-19予測精度をどのように向上させるか？
• RQ2 時間に応じて変化するモデルパラメータは、社会的距離の導入といった公衆衛生対策の実世界への影響をどの程度反映できるか？
• RQ3 社会的距離の解除といった異なる政策シナリオ下での今後の流行予測を、このモデルは信頼性を持って生成できるか？
• RQ4 接触削減スコアおよび流行削減スコアは、地域ごとの流行対応効果の差をどのように定量的に評価できるか？
• RQ5 報告されていない感染者数および免疫状態を組み込むことで、長期予測の信頼性はどの程度向上するか？

主な発見

• 重み付き最小二乗法と忘却係数を活用することで、国および米国州レベルの報告済み感染者数の予測が極めて高い精度で達成された。
• 接触削減スコアは、ベースラインと比較して地域内の感染伝播がどの程度低下したかを効果的に定量化し、政策の影響を反映した。
• 流行削減スコアは、過去の傾向が継続していた場合の想定シナリオと比較して、確認済み感染者数の実際の減少を測定し、地域の対応成功度を示した。
• シナリオ予測では、社会的距離の解除が感染者数の急激な増加を引き起こすことが示され、図7の赤線がその急増を示している。
• モデルの性能は地域間で安定しており、可変ハイパーパrameterスキームでは分散が高かったが、より多くのデータがあればさらなる改善が見込める。
• 報告確率γおよび免疫ρの統合により、長期シナリオのシミュレーションが可能となり、図8では異なる報告率が予測感染者数に与える影響が示された。