[論文レビュー] Planning as Inference in Epidemiological Models

Frank Wood, Andrew Warrington+9 more|arXiv (Cornell University)|Mar 30, 2020

COVID-19 epidemiological studies参考文献 101被引用数 7

ひとこと要約

本稿では、疫学的モデルにおける意思決定を自動化するため、確率的プログラミングを用いた計画＝推論フレームワークを提案する。感染拡大を許容可能な閾値内に抑えるような最適な干渉戦略（例：社会的距離の確保や隔離措置）を推論することで、病勢の制御を実現する。望ましい結果（例：病床使用率を超えないこと）を条件として設定することで、制御可能な政策変数の事後分布を計算し、既存のシミュレータを変更せずに、データ駆動型かつ不確実性を考慮した政策選定が可能になる。

ABSTRACT

In this work we demonstrate how to automate parts of the infectious disease-control policy-making process via performing inference in existing epidemiological models. The kind of inference tasks undertaken include computing the posterior distribution over controllable, via direct policy-making choices, simulation model parameters that give rise to acceptable disease progression outcomes. Among other things, we illustrate the use of a probabilistic programming language that automates inference in existing simulators. Neither the full capabilities of this tool for automating inference nor its utility for planning is widely disseminated at the current time. Timely gains in understanding about how such simulation-based models and inference automation tools applied in support of policymaking could lead to less economically damaging policy prescriptions, particularly during the current COVID-19 pandemic.

研究の動機と目的

• 感染症制御における有効な公衆衛生的干渉をスケーラブルかつ自動的に同定するための手法を開発すること。
• 疫学的シミュレーションモデルと政策意思決定の間のギャップを埋めるために、政策選定をベイズ推論問題として定式化すること。
• 既存のシミュレータを変更せずに、不確実性を考慮した確率的評価を可能にする、不確実性に配慮した干渉戦略の評価を可能とすること。
• 確率的プログラミングツールを用いて、望ましい疾患制御結果を達成する最適な政策パラメータを推論する手法の実現可能性を示すこと。
• COVID-19のようなパンデミック発生時における、経済的ダメージを最小限に抑えた迅速かつ的確な政策提言を可能にするために、トレードオフとリスクを定量的に評価すること。

提案手法

• 政策計画をベイズ推論として定式化：望ましい将来の結果（例：感染率が閾値未満であること）を条件として、制御可能な政策変数の事後分布を推論する。
• 既存の確率的疫学的シミュレータ（例：FRED）を、確率的プログラミングフレームワーク内でのブラックボックスモデルとして使用する。
• PyProb や類似の確率的プログラミングシステムなどの自動推論ツールを活用し、シミュレータ出力に対する近似的なベイズ推論を実行する。
• シミュレータを、政策入力を条件とした確率的関数として扱い、モデル定義と推論を分離する。
• 望ましい結果を高い確率で達成する政策パラメータの範囲（例：自己隔離への協力率、学校閉鎖期間）を同定するために推論を適用する。
• 確率的プログラミングを活用し、異なる変数が政策結果の不確実性にどの程度寄与しているかを定量化し、解釈可能な政策分析を可能にする。

実験結果

リサーチクエスチョン

• RQ1 疫学的モデルにおける計画＝推論を用いることで、感染拡大を許容可能な範囲内に抑える政策干渉を自動的に同定できるか？
• RQ2 既存の確率的シミュレータを変更せずに、確率的プログラミングを用いて政策推論を支援できるか？
• RQ3 不確実性の定量化は、異なる政策干渉のロバストネスを評価する上で果たす役割は何か？
• RQ4 確率的推論は最良の政策を同定するだけでなく、望ましい結果を高い確率で達成する可能性のある、実行可能な政策パラメータの範囲を同定できるか？
• RQ5 このフレームワークは、COVID-19のような新興流行時における政策意思決定の効率性と正確性をどのように向上させられるか？

主な発見

• フレームワークは、病床使用率を超えないなど、望ましい疾病制御結果を達成する政策パラメータの事後分布を効果的に計算できた。
• 確率的プログラミングツールを用いることで、FRED などの複雑なシミュレータのコードを変更せずに自動推論が可能になった。
• 本手法は、粗い制御（例：社会的接触の削減）と細かい制御（例：学校閉鎖期間）を統一された推論フレームワークで扱える。
• 高水準の政策目標を条件として設定することで、単一の最適政策だけでなく、成功確率が明確に定量化された複数の実行可能な政策設定を同定できた。
• 本手法は、政策結果の不確実性に最も寄与している要因を特定する解釈可能な分析を可能にし、意思決定をより的確に行えるように支援した。
• 本フレームワークは汎用的かつ拡張可能であり、定式化モデルや高表現力を持つエージェントベースモデルの両方へ適用可能で、モデルの複雑さや微分可能性の制限がない。