[論文レビュー] Predicting Infectiousness for Proactive Contact Tracing

Yoshua Bengio, Prateek Gupta+21 more|PolyPublie (École Polytechnique de Montréal)|Oct 23, 2020

COVID-19 Digital Contact Tracing参考文献 40被引用数 8

ひとこと要約

本論文では、接触履歴、症状、既存疾患を用いて個々の感染性を予測する、スマートフォンベースのオンデバイス機械学習を活用したプロアクティブ接触追跡（PCT）を提案する。これにより、検査結果の遅延にかかわらず、早期かつ個別化された警告が可能になる。PCTは、二値接触追跡（BCT）に比べ、不要な隔離を削減し、流行の制御を向上させる。低普及率時でも有効である。

ABSTRACT

The COVID-19 pandemic has spread rapidly worldwide, overwhelming manual contact tracing in many countries and resulting in widespread lockdowns for emergency containment. Large-scale digital contact tracing (DCT) has emerged as a potential solution to resume economic and social activity while minimizing spread of the virus. Various DCT methods have been proposed, each making trade-offs between privacy, mobility restrictions, and public health. The most common approach, binary contact tracing (BCT), models infection as a binary event, informed only by an individual's test results, with corresponding binary recommendations that either all or none of the individual's contacts quarantine. BCT ignores the inherent uncertainty in contacts and the infection process, which could be used to tailor messaging to high-risk individuals, and prompt proactive testing or earlier warnings. It also does not make use of observations such as symptoms or pre-existing medical conditions, which could be used to make more accurate infectiousness predictions. In this paper, we use a recently-proposed COVID-19 epidemiological simulator to develop and test methods that can be deployed to a smartphone to locally and proactively predict an individual's infectiousness (risk of infecting others) based on their contact history and other information, while respecting strong privacy constraints. Predictions are used to provide personalized recommendations to the individual via an app, as well as to send anonymized messages to the individual's contacts, who use this information to better predict their own infectiousness, an approach we call proactive contact tracing (PCT). We find a deep-learning based PCT method which improves over BCT for equivalent average mobility, suggesting PCT could help in safe re-opening and second-wave prevention.

研究の動機と目的

• 検査結果にのみ依存する二値接触追跡（BCT）の限界を解消する。BCTは、健康な人々の過剰隔離と、感染性のある人々の不十分な隔離を引き起こす。
• 検査に基づく追跡の非効率性、すなわち高率の偽陰性、検査の遅延、および感染性が症状発現前にピークに達することを克服する。
• 症状や既存疾患などの特徴を用いて、個人の感染性を予測する、プライバシーを守る分散型手法を開発する。これにより、早期の干渉が可能になる。
• 個別化された段階的アラートと、接触者への匿名化されたリスク伝搬を可能にするシステムを設計する。これにより、中央集権的なデータ収集なしに公衆衛生の成果を向上できる。
• 強力なプライバシー制約を満たし、帯域幅を最小限に抑えるとともに、レガシースマートフォンでも実装可能なモデルを実現する。

提案手法

• 大規模なエージェントベースのCOVID-19シミュレータ（COVIsim）を用いて、接触履歴、症状、合併症に基づいて個々の感染性を予測する深層学習モデルをオフラインで学習する。
• 学習済みモデルをユーザーのスマートフォンにローカルにデプロイし、機密データを中央サーバーに送信せずに、リアルタイムでの感染性予測を実行する。
• 匿名化されたメッセージを用いて、個々の接触者にリスクレベルの推定値を共有し、相手が自らの感染性予測を更新できるようにする。これにより、分散型でプライバシーを守る推論ネットワークを形成する。
• 帯域幅の削減とプライバシー保護のため、全確率分布をデバイス間で送信しない。代わりに、ローカル予測器に有用な低次元入力を送信する。
• Guptaら（2020）のアプローチを模倣し、検査結果以外の指標（症状報告、医学的履歴など）を組み込むことで、予測精度を向上させる。
• プロフェッショナルなアプリ開発チームとの協力により、モデルの効率性と旧式スマートフォンとの互換性を確保し、実世界での展開を可能にする。

実験結果

リサーチクエスチョン

• RQ1 検査結果のみを用いた二値接触追跡（BCT）と比較して、シミュレートされた疫学的データで学習した機械学習モデルが、個人の感染性をより正確に予測できるか。
• RQ2 症状や合併症などの検査以外の特徴を組み込むことで、検査のみのモデルと比較して、感染性予測の早期化と正確性がどの程度向上するか。
• RQ3 特に低普及率時において、プロアクティブ接触追跡が、従来のデジタル接触追跡と比較して、病気の拡散をどの程度抑えることができるか。
• RQ4 デバイス間でリスク推定値を伝搬する分散型でプライバシーを守るシステムは、中央集権的または二値アプローチに比べ、より良い公衆衛生の成果をもたらせるか。
• RQ5 このようなシステムのプライバシーと公平性への影響は何か。また、設計とデータガバナンスを通じて、それらをどのように軽減できるか。

主な発見

• 深層学習に基づくプロアクティブ接触追跡（PCT）は、同等の移動制約下でも、二値接触追跡（BCT）よりも病気の拡散を顕著に低減する。
• PCTは、検査結果の遅延に依存せず、症状と接触履歴に基づいて感染リスクの高い個人を早期に特定することで、不要な隔離を削減する。
• 低普及率（例：10％）時でも、貴重な地域レベルのホットスポットマップを生成でき、入院者数の増加前に公衆衛生意思決定を支援する。
• 症状発現前から早期で個別化された警告が可能になる。これは、感染性が症状発現前にピークに達するという事実を踏まえると極めて重要である。
• モデルの性能は多様な人口セグメントで安定しているが、社会経済的地位や人種による予測精度の差異が特定され、リウェートリング戦略により是正された。
• 非営利のデータ信托とモントリオールAI宣言への準拠により、プライバシーと倫理的ガバナンスを確保。パンデミック終了時にデータと組織は解散する。