[論文レビュー] On the derivation of the renewal equation from an age-dependent branching process: an epidemic modelling perspective

Swapnil Mishra, Tresnia Berah+7 more|arXiv (Cornell University)|Jun 30, 2020

COVID-19 epidemiological studies参考文献 26被引用数 10

ひとこと要約

この論文は、年齢依存型分岐過程から再生方程式を導出し、疫学的モデル化におけるその使用に対する第一原理的根拠を提供する。時間に依存する基本再生産数と外部由来のインポート症例を導入し、MCMCを用いたベイズ推論を可能にした。韓国におけるCOVID-19データに適用したところ、信頼区間を伴って動的な感染伝播およびインポートーションのパターンを的確に捉えた。

ABSTRACT

Renewal processes are a popular approach used in modelling infectious disease outbreaks. In a renewal process, previous infections give rise to future infections. However, while this formulation seems sensible, its application to infectious disease can be difficult to justify from first principles. It has been shown from the seminal work of Bellman and Harris that the renewal equation arises as the expectation of an age-dependent branching process. In this paper we provide a detailed derivation of the original Bellman Harris process. We introduce generalisations, that allow for time-varying reproduction numbers and the accounting of exogenous events, such as importations. We show how inference on the renewal equation is easy to accomplish within a Bayesian hierarchical framework. Using off the shelf MCMC packages, we fit to South Korea COVID-19 case data to estimate reproduction numbers and importations. Our derivation provides the mathematical fundamentals and assumptions underpinning the use of the renewal equation for modelling outbreaks.

研究の動機と目的

• 年齢依存型分岐過程から再生方程式を導出することで、疫学的モデル化におけるその数学的基盤を厳密に確立すること。
• 再生方程式を、時間に依存する基本再生産数およびインポートーションなどの外部由来感染を許容する形に一般化すること。
• 階層的フレームワーク内でのMCMCを用いて、再生モデルに対する完全なベイズ推論がどのように実行できるかを示すこと。
• 具体的には、韓国におけるCOVID-19の症例数データを用いて、動的な感染伝播およびインポートーションのダイナミクスを推定することで、モデルを実世界のデータで検証すること。
• 再生方程式の仮定と限界を、その背後にある確率的過程に明示的に結びつけることで、明確にすること。

提案手法

• 生成関数を用いて扱いにくい積分を処理し、年齢依存型分岐過程の期待値として再生方程式を導出する。
• 系列間隔分布を固定されたガンマ分布Gamma(6.5, 0.62)としてモデル化し、時間間隔に離散化する。
• 時間に依存する基本再生産数を $ R_t = \exp(\epsilon_t) $ とパラメータ化し、$ \epsilon_t $ が制約付き正規事前分布を満たす2次マルコフ過程（AR(2)）に従うように設定する。
• 最初の40日間のアウトブレイク期間中、1日あたりのインポート症例をポアソン過程としてモデル化し、Exponential(0.5)の事前分布を設定する。
• 階層ベイズモデルを構築し、同時事後分布を $ p(\theta, \mu_t, R_t, \phi | f(t)) \propto p(f(t)|\theta,\mu_t,R_t)p(\theta)p(\mu_t)p(R_t)p(\phi) $ と定式化する。
• 標準的なMCMCパッケージを用いて推論を実行し、事後分布および信頼区間を推定する。

実験結果

リサーチクエスチョン

• RQ1 再生方程式は、確率的年齢依存型分岐過程からどのように厳密に導出可能か？
• RQ2 再生フレームワーク内での時間に依存する基本再生産数と外部由来感染（インポートーション）の許容が、どのような意味を持つのか？
• RQ3 標準的なMCMCツールを用いて、再生モデルに対する完全なベイズ推論をどのように効率的に行えるか？
• RQ4 再生モデルは、複数波やインポートーションイベントを含む複雑な流行ダイナミクスをどの程度的確に捉えることができるか？
• RQ5 再生方程式とSIRのような compartmental モデルとの間には、構造的な違いがあるのか。それらの仮定はどのように比較できるか？

主な発見

• 再生方程式は、年齢依存型分岐過程の期待値として自然に導出され、疫学的モデル化におけるその使用に対する第一原理的根拠が得られた。
• モデルは、初期の韓国におけるアウトブレイク期である2020年1月上旬に、2.0を超えるピーク時の基本再生産数 $ R_t $ を的確に推定した。
• 症例数が減少する期間中、基本再生産数 $ R_t $ が1.0未満に低下しており、これは制御策の効果と整合的であった。
• 研究期間を通じて、1日あたりのインポート症例はわずかではあるがゼロでないことが検出され、信頼区間から継続的な低レベルのインポートリスクが示された。
• 2020年6月に発生した第二波は、一時的に $ R_t > 1 $ となったが、時間に依存する $ R_t $ を用いることで、モデルがこれを的確に捉えた。
• $ \epsilon_t $ にAR(2)過程を用いることで、滑らかで現実的である $ R_t $ のダイナミクスが実現され、事後分布の信頼区間による不確実性の定量的評価も適切に行えた。