[論文レビュー] Semiparametric Bayesian Inference for the Transmission Dynamics of COVID-19 with a State-Space Model

Tianjian Zhou, Yuan Ji|arXiv (Cornell University)|Jun 10, 2020

COVID-19 epidemiological studies参考文献 45被引用数 4

ひとこと要約

本稿では、ガウス過程回帰を用いて時間的に変化する感染率を柔軟に推定し、並列温度MCMCを用いて効率的な事後分布サンプリングを行う、半パラメトリックなベイジアン時系列モデルをCOVID-19の感染動態に提案する。この手法は、有効再生産数の非線形的傾向を捉え、今後の感染者数を予測し、米国6州における公衆衛生対策と関連する$ρ_e$の低下を明らかにする。

ABSTRACT

The outbreak of Coronavirus Disease 2019 (COVID-19) is an ongoing pandemic affecting over 200 countries and regions. Inference about the transmission dynamics of COVID-19 can provide important insights into the speed of disease spread and the effects of mitigation policies. We develop a novel Bayesian approach to such inference based on a probabilistic compartmental model using data of daily confirmed COVID-19 cases. In particular, we consider a probabilistic extension of the classical susceptible-infectious-recovered model, which takes into account undocumented infections and allows the epidemiological parameters to vary over time. We estimate the disease transmission rate via a Gaussian process prior, which captures nonlinear changes over time without the need of specific parametric assumptions. We utilize a parallel-tempering Markov chain Monte Carlo algorithm to efficiently sample from the highly correlated posterior space. Predictions for future observations are done by sampling from their posterior predictive distributions. Performance of the proposed approach is assessed using simulated datasets. Finally, our approach is applied to COVID-19 data from four states of the United States: Washington, New York, California, and Illinois. An R package BaySIR is made available at https://github.com/tianjianzhou/BaySIR for the public to conduct independent analysis or reproduce the results in this paper.

研究の動機と目的

• 限られた日次確認症例データを用いて、時間的に変化するCOVID-19感染動態を柔軟にモデリングするベイジアン手法の開発。
• 検査制限や無症状感染の影響でしばしば無視される未確認感染の影響を、標準モデルでは無視されがちなが、重要な要因として組み込む。
• 情報的事前分布と事後予測分布を用いて、整合的な不確実性評価を伴う有効再生産数($\mathcal{R}_e$)の推定。
• 高次元かつ相関の強い事後分布空間において、並列温度アルゴリズムを用いてMCMCサンプリングの計算効率と混合性を向上。
• 限られた疫学的データを持つ地域に適用可能な汎用的かつ公開可能なモデリングフレームワークの提供。

提案手法

• 古典的SIRモデルの確率的拡張が用いられ、感受性者(S)、未確認感染者(I^U)、確認済み感染者(I^D)、回復者(R)の各状態を含む。
• 感染率$\beta_t$は、パラメトリックな仮定を必要とせず、非パラメトリックにガウス過程事前分布を用いて時間的変化を捉える。
• 状態空間モデルとして定式化され、感染および診断確率に基づく二項分布尤度関数によって状態遷移が記述される。
• 高次元かつ相関の強い事後分布空間における収束性と混合性を向上させるために、並列温度MCMC（PTMCMC）アルゴリズムが採用される。
• 将来予測は、日次確認症例の事後予測分布からのサンプリングによって生成される。
• モデルは感染率および診断率の式に共変量を組み込むことが可能であるが、識別可能性およびモデルの単純さを考慮し、切片項と時間トレンドのみを用いる。

実験結果

リサーチクエスチョン

• RQ1 特定のパラメトリック形式を仮定せずに、時間的に変化するCOVID-19感染率をどのように柔軟に推定できるか？
• RQ2 未確認感染が、感染動態推定の正確性にどの程度影響を及えるか？
• RQ3 疫学的モデルに共通する高次元かつ相関のある事後分布空間において、MCMCサンプリングの効率をどのように向上できるか？
• RQ4 米国各州における有効再生産数($\mathcal{R}_e$)の傾向は何か？また、緩和政策とどのように関連しているか？
• RQ5 限られた日次症例データから、不確実性を伴った信頼性のある将来の感染者数予測をどのように生成できるか？

主な発見

• 有効再生産数($\mathcal{R}_e$)は、ワシントン州、ニューヨーク州、カリフォルニア州、フロリダ州、テキサス州、イリノイ州の全6州で一貫した低下傾向を示し、公衆衛生対策の影響を示唆した。
• ガウス過程事前分布を用いることで、制限的なパラメトリック仮定を避けつつ、感染率の非線形的変化を的確に捉えた。
• 並列温度MCMCアルゴリズムにより、標準MCMCに比べて収束性と混合性が著しく向上し、信頼性のある事後推定が可能になった。
• 事後予測分布から得られた予測感染者数は、現在の感染動態を反映していたが、人間行動の外挿に依存するため注意が必要であった。
• シミュレーテッドデータセットを用いたモデルの妥当性評価により、パラメータ推定の精度とロバスト性が確認された。
• RパッケージBaySIRが開発され、https://github.com/tianjianzhou/BaySIRにて公開され、再現性と独立分析が可能となった。