[論文レビュー] Prediction of COVID-19 Disease Progression in India : Under the Effect of National Lockdown

Sourish Das|arXiv (Cornell University)|Apr 7, 2020

COVID-19 epidemiological studies参考文献 5被引用数 24

ひとこと要約

本研究は、インドの全国的封鎖期間中の新型コロナウイルス感染症の進行を予測するために、SIR疫学モデルと統計的機械学習を適用した。インドの基本再生産数 𝒫₀ ≈ 2.75 を推定したが、これは初期の湖北・中国と同等の水準であり、パンジャーブ（𝒫₀ ≈ 16）、マハラーシュトラ、タミルナドゥが高リスク州であると特定した。封鎖が効果を発揮する場合、2020年5月1日までに累積感染者数が66,224例未満に抑えられると予測された。

ABSTRACT

In this policy paper, we implement the epidemiological SIR to estimate the basic reproduction number $\mathcal{R}_0$ at national and state level. We also developed the statistical machine learning model to predict the cases ahead of time. Our analysis indicates that the situation of Punjab ($\mathcal{R}_0\approx 16$) is not good. It requires immediate aggressive attention. We see the $\mathcal{R}_0$ for Madhya Pradesh (3.37) , Maharastra (3.25) and Tamil Nadu (3.09) are more than 3. The $\mathcal{R}_0$ of Andhra Pradesh (2.96), Delhi (2.82) and West Bengal (2.77) is more than the India's $\mathcal{R}_0=2.75$, as of 04 March, 2020. India's $\mathcal{R}_0=2.75$ (as of 04 March, 2020) is very much comparable to Hubei/China at the early disease progression stage. Our analysis indicates that the early disease progression of India is that of similar to China. Therefore, with lockdown in place, India should expect as many as cases if not more like China. If lockdown works, we should expect less than 66,224 cases by May 01,2020. All data and exttt{R} code for this paper is available from \url{https://github.com/sourish-cmi/Covid19}

研究の動機と目的

• 疫学的モデリングを用いて、インドの全国的封鎖が新型コロナウイルス感染の拡大を抑える効果があるかを評価すること。
• 地域レベルの基本再生産数（𝒫₀）を推定し、緊急の公衆衛生介入を要する地域を特定すること。
• 統計的機械学習を用いて将来の確定症例数を予測し、インドの保健当局による早期対応を支援すること。
• 限られた医療インフラのもとで政策意思決定を支援するため、インドの初期の流行推移を中国の湖北地域と比較すること。

提案手法

• ジョンズ・ホプキンス大学、Covid19India、Kaggleが提供する確定症例データを用いて、全国および州レベルでの基本再生産数（𝒫₀）を推定するため、感受性・感染・回復（SIR）モデルを適用した。
• 2020年1月23日から2020年4月4日までのデータを用いてSIRモデルをキャリブレーションし、感度分析のため、2020年1月2日および2020年3月2日を初期条件として2通りの設定を実施した。
• 将来の症例数を予測するため、統計的機械学習（SML）モデルを用い、2020年3月24日以降のデータを用いた出範囲検証を実施した。
• 州レベルでの伝播リスクに関する不確実性を評価するため、𝒫₀推定値の95％信頼区間を算出した。
• インドの流行曲線と𝒫₀を初期の湖北・中国のデータと比較し、インドの流行の深刻度を文脈づけて解釈した。
• 再現可能性と透明性を確保するため、オープンソースのデータとGitHubにホスティングされたRコードを活用した。

実験結果

リサーチクエスチョン

• RQ1 パンデミック初期段階におけるインドおよびその個々の州の基本再生産数（𝒫₀）は何か？
• RQ2 インドの初期の流行推移は、特に伝播可能性の観点から、中国・湖北地域のそれとどのように比較できるか？
• RQ3 感染者数の推移と𝒫₀推定値に基づくと、インドの全国的封鎖は伝播をどの程度抑制しているとみられるか？
• RQ4 初期の流行データを用いて、統計的機械学習モデルはインドにおける将来の確定症例数を正確に予測できるか？
• RQ5 𝒫₀値に基づくと、どのインドの州が持続的な伝播リスクが最も高いとされるか？

主な発見

• 2020年3月4日現在、インドの全国的基礎再生産数（𝒫₀）は2.75と推定され、初期の湖北・中国と同等の高い伝播可能性を示した。
• パナジブ州の𝒫₀は約16と最も高く、スーパースプロイダーの発生が原因と考えられ、即時の的確な介入が不可欠である。
• マディヤ・プラデーシュ（𝒫₀ = 3.37）、マハラーシュトラ（3.25）、タミルナドゥ（3.09）はいずれも𝒫₀ > 3であり、高い伝播リスクを示した。
• アンドラ・プラデーシュ（2.96）、デリー（2.82）、ウエスト・ベンガル（2.77）も全国平均を上回る𝒫₀を示し、特に注意を要する。
• 機械学習モデルは、封鎖が効果を発揮する場合、2020年5月1日までにインドの累積確定症例数が66,224例未満に抑えられると予測した。
• 4月7日時点で封鎖の即効性は認められなかったが、介入が成功すれば、下降トレンドが予測された。