[論文レビュー] Neural Network aided quarantine control model estimation of COVID spread in Wuhan, China

Raj Dandekar, George Barbastathis|arXiv (Cornell University)|Mar 18, 2020

COVID-19 epidemiological studies参考文献 14被引用数 37

ひとこと要約

本論文はニューラルネットワークを用いたSIRモデルを用いて武漢のCOVID-19拡大を封じ込めの効果を定量化し、R(t) が1を超える値から1を下回る値へ1か月以内に低下し、継続的な封じ込めの下で安定した抑制を予測する。

ABSTRACT

In a move described as unprecedented in public health history, starting 24 January 2020, China imposed quarantine and isolation restrictions in Wuhan, a city of more than 10 million people. This raised the question: is mass quarantine and isolation effective as a social tool in addition to its scientific use as a medical tool? In an effort to address this question, using a epidemiological model driven approach augmented by machine learning, we show that the quarantine and isolation measures implemented in Wuhan brought down the effective reproduction number R(t) of the CoVID-19 spread from R(t) > 1 to R(t) <1 within a month after the imposition of quarantine control measures in Wuhan, China. This ultimately resulted in a stagnation phase in the infected case count in Wuhan. Our results indicate that the strict public health policies implemented in Wuhan may have played a crucial role in halting down the spread of infection and such measures should potentially be implemented in other highly affected countries such as South Korea, Italy and Iran to curtail spread of the disease. Finally, our forecasting results predict a stagnation in the quarantine control measures implemented in Wuhan towards the end of March 2020; this would lead to a subsequent stagnation in the effective reproduction number at R(t) <1. We warn that immediate relaxation of the quarantine measures in Wuhan may lead to a relapse in the infection spread and a subsequent increase in the effective reproduction number to R(t) >1. Thus, it may be wise to relax quarantine measures after sufficient time has elapsed, during which maximum of the quarantined/isolated individuals are recovered.

研究の動機と目的

• 2020年1月24日以降のデータを用いて、武漢の検疫および隔離措置がCOVID-19の伝播に与える影響を定量化する。
• 時変する検疫強度 Q(t) を学習し、R(t) への影響を捉えるニューラルネットワーク支援の疫学モデルを開発する。
• 古典的なSEIR/SIR系を用いて検疫あり/なしのシナリオを比較し、1か月の予測可能性を評価する。

提案手法

• SIRモデルを、入力 (S, I, R, T) に基づいて動作する2層ニューラルネットワークで表される時変検疫強度 Q(t) を用いて拡張する。
• Define dS/dt = -β SI/N, dI/dt = β SI/N - γ I - Q(t) I, dR/dt = γ I, dT/dt = Q(t) I, with R(t) = β/(γ+Q(t)).
• Train the augmented system by minimizing a loss that matches log-transformed I(t) and R(t) to data (I_data, R_data).
• Estimate optimal β, γ and neural network weights W while learning Q(t) to reproduce observed infection dynamics and quarantine effects.

実験結果

リサーチクエスチョン

• RQ1 初期の流行期において、時変する検疫強度は武漢の実効再生産数 R(t) にどのような影響を与えるのか？
• RQ2 ニューラルネットワークを用いたSIRモデルは観測された感染者の停滞を再現し、拡散を防ぐうえで検疫の役割を定量化できるか？
• RQ3 時間とともに検疫対策がどのように展開するにつれて Q(t) および R(t の予測軌道はどうなるか、緩和のタイミングにどのような含意があるか？

主な発見

• 検疫なしの場合、古典的なSEIR/SIRモデルは2020年1月24日以降の感染の観測上の停滞を再現できなかった。
• 検疫ありの場合、モデルは感染の停滞を捉える。ピーク時には約60万人が検疫/隔離され、Q(t) は1か月で ~0.5 から ~0.7 に上昇した。
• R(t) は開始時点のおよそ1.5 から、検疫導入から1か月以内に1未満へ低下する。
• 1か月の予測では、検疫が緩和されても Q(t) はおおむね0.75 付近で停滞し、R(t) は引き続き <1 のままであるが、回復した個体がまだ完全に非感染性でない場合、緩和は再発のリスクを招く可能性がある。
• 本研究は十分な回復後の段階的な緩和の必要性の可能性を強調し、無症状伝達のモデリングや検疫中と非検疫集団との接触を考慮していないといった制約を指摘している。