[論文レビュー] Open Data Resources for Fighting COVID-19

Teodoro Álamo, Reina Dg+2 more|arXiv (Cornell University)|Apr 13, 2020

COVID-19 epidemiological studies参考文献 48被引用数 23

ひとこと要約

本論文は、COVID-19の流行の研究および対策に役立てるためのオープンデータリソースについて包括的なサーベイを提供しており、症例、死亡者数、政府の対策、人口統計、移動行動、気象に関するグローバルおよび地域レベルのデータセットに焦点を当てている。データ品質の評価、主要な機関およびリポジトリの同定、およびデータ駆動型モデリングや公衆衛生意思決定を支援するための再利用可能性スコアリングフレームワークの提案を通じて、研究者が信頼性が高く、アクセス可能で相互運用性のあるデータソースを選定できるように支援する。

ABSTRACT

We provide an insight into the open data resources pertinent to the study of the spread of Covid-19 pandemic and its control. We identify the variables required to analyze fundamental aspects like seasonal behaviour, regional mortality rates, and effectiveness of government measures. Open data resources, along with data-driven methodologies, provide many opportunities to improve the response of the different administrations to the virus. We describe the present limitations and difficulties encountered in most of the open-data resources. To facilitate the access to the main open-data portals and resources, we identify the most relevant institutions, at a world scale, providing Covid-19 information and/or auxiliary variables (demographics, mobility, etc.). We also describe several open resources to access Covid-19 data-sets at a country-wide level (i.e. China, Italy, Spain, France, Germany, U.S., etc.). In an attempt to facilitate the rapid response to the study of the seasonal behaviour of Covid-19, we enumerate the main open resources in terms of weather and climate variables. CONCO-Team: The authors of this paper belong to the CONtrol COvid-19 Team, which is composed of different researches from universities of Spain, Italy, France, Germany, United Kingdom and Argentina. The main goal of CONCO-Team is to develop data-driven methods for the better understanding and control of the pandemic.

研究の動機と目的

• グローバルおよび国レベルでのCOVID-19の広がりと対策を研究する上で最も関連性の高いオープンデータソースを特定およびカタログ化すること。
• 疫学的モデリングの正確性に不可欠な補助変数（人口統計、移動行動、気象、政府の対策など）を強調すること。
• 既存のオープンデータソースの再利用可能性と信頼性を評価し、フォーマットの不一致、基準の変更、標準化の欠如といった一般的なデータ品質の問題に対処すること。
• データサイエンティスト、疫学者、公衆衛生研究者を支援するため、安定的でアクセス可能で良好にドキュメント化されたデータリポジトリを統合的に提供するガイドを提供すること。
• ライセンス、アクセス、地理的位置、フォーマット、標準化といった次元に基づき、データソースを評価するための標準化された再利用可能性スコアリングフレームワーク（0–55点）を提案すること。

提案手法

• WHO、ジョンズ・ホプキンス大学、ECDC、Our World in Data、各国の保健当局を含む、グローバルおよび国レベルのオープンデータプロバイダーの体系的同定と分類。
• 中国、イタリア、スペイン、米国などの高インパクト国およびアフリカCDC、EuroMOMOなどの地域リソースから、症例、検査、入院、集中治療室（ICU）データの国別データセットをキュレート。
• 季節的行動分析を支援するため、人口統計、移動行動（例：Google Mobility Reports）、気象、気候変数に関する補助データセットを収集。
• 7次元の再利用可能性スコアリングフレームワーク（ライセンス、アクセス、地理的位置、フォーマット、標準化、ドキュメンテーション、タイムリネス）を20以上のデータソースに適用。
• データフォーマットの一貫性、APIの有無、メタデータの完全性の分析を通じて、データソースの信頼性を評価。
• GitHub、Kaggle、Harvard Dataverseを、コミュニティがキュレートしたデータセットを追跡・アクセスするための主要なリポジトリとして活用。

実験結果

リサーチクエスチョン

• RQ1 どのグローバルおよび国レベルのオープンデータソースが、COVID-19の症例、死亡者数、公衆衛生対策に関する信頼性が高く、タイムリーで標準化されたデータを提供しているか？
• RQ2 異なるソース間でのデータフォーマット、定義、報告基準の不一致が、疫学的モデリングおよび予測の信頼性にどのように影響するか？
• RQ3 気象、移動行動、人口統計要因といった補助変数は、SARS-CoV-2の季節的行動および感染拡大ダイナミクスをモデリングするためにどれほど重要か？
• RQ4 既存のオープンデータソースは、機械学習やデータ駆動型公衆衛生研究においてどれほど再利用可能か。主な再利用障壁は何か？
• RQ5 パンデミック研究の文脈において、標準化されたスコアリングフレームワークをどのように適用することで、オープンデータソースの再利用可能性と品質を客観的に評価できるか？

主な発見

• 再利用可能性フレームワークにおいて、55点中35点を超えるデータソースは1つも存在せず、高頻度に利用可能であるものの、データ品質およびアクセス性に広範な制限が存在することが示された。
• 大多数のデータソースはAPIを備えておらず、毎日完全な再ダウンロードが必要であり、アクセス次元（5点中1点）で低いスコアを記録。機械可読アクセスを提供しているのはわずか11%にとどまる。
• 地理的位置情報がしばしば不十分で、70%のソースが地域レベルまたは地理的メタデータなしで提供されており、空間分析を制限している。
• データフォーマットが著しく不一致しており、.csvが支配的であるが、フィールド名や定義がソース間で大きく異なる。標準化は観察されなかった。
• 50%を超えるソースが商業利用を禁止する制限付きライセンスを採用しており、応用研究や産業応用における有用性が制限されている。
• これらの課題にもかかわらず、ジョンズ・ホプキンス大学、Our World in Data、およびヨーロッパ疾病予防・管理センター（ECDC）は、最も信頼性が高く頻繁に更新されるデータセットを提供している。