[論文レビュー] Rational evaluation of various epidemic models based on the COVID-19 data of China

Wuyue Yang, Dongyan Zhang+3 more|arXiv (Cornell University)|Mar 12, 2020

COVID-19 epidemiological studies参考文献 19被引用数 8

ひとこと要約

本研究は、2020年初頭の中国のCOVID-19データを用いて、16の疫病モデル—7つの経験的関数、4つの統計的推論手法、5つの力学的モデル—を評価した。モデルの性能は、感染の転換点に強く依存しており、SEIR-QDおよびSEIR-POモデルが、複雑さと正確さのバランスに優れるため、他のモデルを上回った。一方、ロジスティック関数は一貫して最終的な流行規模を低く評価し、ゴンペルス関数は一貫して過大評価する。

ABSTRACT

In this paper, based on the Akaike information criterion, root mean square error and robustness coefficient, a rational evaluation of various epidemic models/methods, including seven empirical functions, four statistical inference methods and five dynamical models, on their forecasting abilities is carried out. With respect to the outbreak data of COVID-19 epidemics in China, we find that before the inflection point, all models fail to make a reliable prediction. The Logistic function consistently underestimates the final epidemic size, while the Gompertz's function makes an overestimation in all cases. Towards statistical inference methods, the methods of sequential Bayesian and time-dependent reproduction number are more accurate at the late stage of an epidemic. And the transition-like behavior of exponential growth method from underestimation to overestimation with respect to the inflection point might be useful for constructing a more reliable forecast. Compared to ODE-based SIR, SEIR and SEIR-AHQ models, the SEIR-QD and SEIR-PO models generally show a better performance on studying the COVID-19 epidemics, whose success we believe could be attributed to a proper trade-off between model complexity and fitting accuracy. Our findings not only are crucial for the forecast of COVID-19 epidemics, but also may apply to other infectious diseases.

研究の動機と目的

• 中国の初期COVID-19流行の実世界データを用いて、多様な疫病モデルの予測性能を体系的に評価すること。
• モデルの複雑さ、フィッティングの正確さ、耐性性のバランスをとることで、最も信頼性の高い予測を提供するモデルを同定すること。
• 疫病の転換点が、異なるモデリング手法における予測の信頼性を決定づける役割を評価すること。
• 経験的関数、統計的推論手法、常微分方程式（ODE）に基づく力学的モデルの予測精度と感受性を比較すること。
• COVID-19にとどまらず、感染症の予測に応用可能な、根拠に基づくモデル選定の指針を提供すること。

提案手法

• 定量的評価基準として、アカイケ情報量基準（AIC）、平均二乗誤差（RMSE）、耐性性係数を用いた。
• 訓練データセットのサイズを段階的に増加させ、特に感染の転換点周辺でのモデル性能を評価した。
• 累積症例の推移をフィットさせ、予測する能力を評価するため、7つの経験的関数（例：ロジスティック関数、ゴンペルス関数、リチャーズ関数）を評価した。
• 4つの統計的推論手法（指数成長、最尤推定、逐次ベイズ推定、時間依存の基本再生産数推定）を比較した。
• 5つのODEに基づく力学的モデル（SIR、SEIR、SEIR-AHQ、SEIR-QD、SEIR-PO）を評価し、SEIR-QDおよびSEIR-POは隔離および保護のダイナミクスを組み込んでいる。
• 国際的なデータ（オーストリア、マレーシア、ノルウェー、韓国）を用いて、選択されたモデルの一般化可能性を検証した。

実験結果

リサーチクエスチョン

• RQ1 中国におけるCOVID-19流行の最終的な規模と推移を予測するにあたり、異なる疫病モデルはどの程度の性能を示すか？
• RQ2 感染の転換点が、モデルの予測の信頼性を決定づける役割を果たすとはどのような意味か？
• RQ3 経験的関数、統計的推論、ODEに基づく力学的モデルのうち、どのモデル群が最も正確で耐性性の高い予測を提供するか？
• RQ4 なぜロジスティック関数は一貫して流行規模を低く評価し、ゴンペルス関数は一貫して過大評価するのか？
• RQ5 指数成長法の転換点周辺での挙動を活用することで、予測の正確性を向上させることは可能か？

主な発見

• 感染の転換点以前は、すべてのモデルが信頼できる予測を提供できず、タイミングの重要性が顕著に浮き彫りになった。
• ロジスティック関数は、すべてのテスト対象地域およびデータセットで、最終的な流行規模を一貫して低く評価した。
• ゴンペルス関数は、データサイズが増大しても一貫した改善が見られず、最終的な流行規模を体系的に過大評価した。
• SEIR-QDおよびSEIR-POモデルは、複雑さとフィッティングの正確さのバランスに優れるため、他のODEベースのモデルを上回った。
• 逐次ベイズ推定および時間依存の再生産数推定手法は、指数成長法や最尤推定法よりも流行の後期段階で高い正確性を示した。
• 指数成長法は、転換点周辺で低く評価する傾向から高く評価する傾向へと変化する動きを示しており、より耐性性の高い予測フレームワークの構築に役立つ可能性がある。