[論文レビュー] Optimal vaccination strategies for COVID-19 based on dynamical social networks with real-time updating

Sibo Cheng, Rossella Arcucci+2 more|arXiv (Cornell University)|Feb 19, 2021

COVID-19 epidemiological studies被引用数 4

ひとこと要約

本研究は、限られたおよびノイジーなデータを伴う動的で時間変化する接触ネットワークにおいて、COVID-19の予防接種戦略を最適化するため、データ同化に基づく逐次的ネットワーク更新手法を提案する。リアルタイムの時系列情報を統合してネットワーク構造を精緻化することで、度数が高くまたは中心性の高い個体を優先接種対象として特定し、実際のネットワークおよび合成ネットワークを用いたSIRモデルシミュレーションにおいて、標準的またはランダムな戦略よりも著しく効果的な結果を達成する。

ABSTRACT

Vaccination strategy is crucial in fighting against the COVID-19 pandemic. Since the supply is limited, contact network-based interventions can be most powerful to set an optimal strategy by identifying high-risk individuals or communities. However, due to the high dimension, only partial and noisy network information can be available in practice, especially for dynamical systems where the contact networks are highly time-variant. Furthermore, numerous mutations of SARS-CoV-2 impact considerably the current infectious probability, requiring real-time network updating algorithms. In this study, we propose a sequential network updating approach based on data assimilation techniques to combine different sources of temporal information. We then prioritise the individuals with high-degree or high-centrality, obtained from the assimilated networks, for vaccination. The assimilation-based approach is compared with the standard method (based on partially observed networks) and a random selection strategy in terms of vaccination effectiveness in a SIR model. The numerical comparison is first carried out using real-world face-to-face dynamical networks collected in a high school, following by sequential multi-layer networks, generated relying on the Barabasi-Albert model emulating the department of Computing at Imperial College London in the UK as an example.

研究の動機と目的

• 新型コロナウイルス感染症の流行期における、動的で時間変化する社会的接触ネットワークにおける、限られたおよびノイジーな接触ネットワークデータの課題に対処すること。
• 時系列データを統合するリアルタイムのネットワーク更新メカニズムを構築し、より優れた予防接種戦略の設計を実現すること。
• 動的で現実世界および合成ネットワークを用いた、ネットワークベースの接種優先順位戦略の有効性を評価すること。
• 感染症の制御という観点から、提案された同化ベースの戦略と、標準的な部分ネットワークおよびランダム接種戦略を比較すること。

提案手法

• 本研究では、リアルタイムの時系列観測を用いて、逐次的に動的接触ネットワークを更新するためのデータ同化技術を採用する。
• 部分的でノイジーな複数のネットワークデータ源を統合し、より正確で時間的に変化するネットワーク構造を推定する。
• 同化されたネットワークから、度数が高くまたは中心性の高い個体を、接種の優先対象として特定する。
• 実世界の顔の接触ネットワークおよびBarabasi-Albertモデルを用いて生成された多層合成ネットワーク上で、確率的SIRモデルを用いて接種戦略を評価する。
• 同化プロセスにより、ネットワークトポロジーが継続的に精緻化され、時間の経過とともにリスク評価の正確性が向上する。
• 本手法は、高校の実データおよびイギリスの大学部門をモデル化した合成ネットワークを用いて検証された。

実験結果

リサーチクエスチョン

• RQ1 データ同化によるリアルタイムのネットワーク更新は、部分的に観測された動的システムにおける接触ネットワーク推定の正確性をどのように向上させるか？
• RQ2 同化ベースの接種戦略は、標準的なネットワークベースおよびランダム接種戦略に比べて、相対的にどの程度有効性が高いか？
• RQ3 ネットワークの中心性と度数は、感染症の拡散を制御するための標的接種の成功にどのように影響を与えるか？
• RQ4 接触ネットワークの動的特性は、静的または遅延付きのネットワークベース接種戦略の性能にどの程度影響を与えるか？
• RQ5 限られたおよびノイジーなネットワークデータ下でも、提案手法は高い接種効果を維持できるか？

主な発見

• 同化ベースの接種戦略は、部分的に観測されたネットワークを用いた標準的手法およびランダム接種と比較して、感染症の規模を著しく小さくする。
• 特に度数が高く中心性の高い個体を同化されたネットワーク構造に基づいて優先接種対象とすることで、感染症の拡散をより効果的に抑制できる。
• 継続的なネットワーク推定の更新により、限られたおよびノイジーなネットワーク観測下でも、本手法は高い性能を維持する。
• 実世界の高校の接触ネットワークを用いたシミュレーションでは、同化アプローチがベースライン戦略に比べて優れた感染症制御を達成した。
• 大学部門をモデル化した多層合成ネットワークでは、本手法はさまざまなネットワークトポロジーにわたり、頑健性とスケーラビリティを示した。
• 結果から、リアルタイムでのネットワーク更新がリスク同定の精度を向上させ、直接的に予防接種の成果を改善することが確認された。