[論文レビュー] Stochasticity in pandemic spread over the World Airline Network explained by local flight connections

Glenn Lawyer|arXiv (Cornell University)|Apr 22, 2015

COVID-19 epidemiological studies参考文献 24被引用数 12

ひとこと要約

本稿では、世界の航空ネットワークにおけるパンデミック拡散の初期段階における確率的ばらつきを、各空港の周辺ネットワーク構造を定量化することで説明するため、空港予想力（AEF）という指標を提案する。メタポピュレーションシミュレータを用いて、AEFはパンデミック能力（r = 0.90）およびパンデミック状態に至るまでの時間（r = 0.85）と強く相関しており、モデルの摂動に対しても頑健であることが示された。

ABSTRACT

Massive growth in human mobility has dramatically increased the risk and rate of pandemic spread. Macro-level descriptors of the topology of the World Airline Network (WAN) explains middle and late stage dynamics of pandemic spread mediated by this network, but necessarily regard early stage variation as stochastic. We propose that much of early stage variation can be explained by appropriately characterizing the local topology surrounding the debut location of an outbreak. We measure for each airport the expected force of infection (AEF) which a pandemic originating at that airport would generate. We observe, for a subset of world airports, the minimum transmission rate at which a disease becomes pandemically competent at each airport. We also observe, for a larger subset, the time until a pandemically competent outbreak achieves pandemic status given its debut location. Observations are generated using a highly sophisticated metapopulation reaction-diffusion simulator under a disease model known to well replicate the 2009 influenza pandemic. The robustness of the AEF measure to model misspecification is examined by degrading the network model. AEF powerfully explains pandemic risk, showing correlation of 0.90 to the transmission level needed to give a disease pandemic competence, and correlation of 0.85 to the delay until an outbreak becomes a pandemic. The AEF is robust to model misspecification. For 97% of airports, removing 15% of airports from the model changes their AEF metric by less than 1%. Appropriately summarizing the size, shape, and diversity of an airport's local neighborhood in the WAN accurately explains much of the macro-level stochasticity in pandemic outcomes.

研究の動機と目的

• 初期パンデミック拡散の結果における確率的ばらつきを説明すること。これは通常、ランダムとみなされがちだが、出発地点の違いによって影響を受けるものである。
• 空港の局所的ネットワーク近傍がパンデミックリスクに与える影響を捉える、単純で頑健な指標を開発すること。
• 1つの指標（AEF）が、パンデミック拡散の感染伝播閾値と、特定の空港から出発した場合のパンデミック状態に至るまでの時間を両方とも正確に予測できるかどうかを検証すること。
• 特に、基礎となるネットワークデータが劣化している場合に、AEFのモデル誤指定に対する頑健性を評価すること。
• 複雑なシミュレーションを用いずに、ネットワーク構造のみに依存して高リスク空港を特定することで、パンデミックの準備体制を向上させること。

提案手法

• 本研究では、OpenFlightsデータベース（2014年リリース）の公開データを用いて、世界の航空ネットワーク（WAN）のモデルを構築し、定期的な商業便に焦点を当てる。
• 空港予想力（AEF）は、各空港から出発するパンデミックが引き起こす感染力の期待値として計算され、その局所的近傍（最大2ホップ）のサイズ、密度、多様性を統合する。
• 2009年H1N1インフルエンザパンデミックを再現する病気モデルを想定した、非常に詳細なメタポピュレーション反応拡散シミュレータ（GLEaMvis）を用いて、パンデミック拡散をシミュレートする。
• AEFは、シミュレートされた結果との比較によって検証される：パンデミック能力に至る最小感染伝播率と、パンデミック状態に至るまでの時間。
• 頑健性は、WANモデルから15％の空港を系統的に削除し、97％の空港におけるAEF値の変化を測定することでテストされる。
• AEFフレームワークは概念的に拡張され、エッジの重みを調整することで個々の空港における可変的伝播性を許容するようにし、人口密度や医療体制の能力といった局所的要因の統合を可能にする。

実験結果

リサーチクエスチョン

• RQ1 WANにおける空港の近隣の局所的トポロジーは、パンデミック拡散の初期段階における確率的ばらつきをどの程度説明できるか？
• RQ2 空港予想力（AEF）指標は、特定の空港から出発した病気がパンデミック能力に到達するための最小感染伝播率をどの程度正確に予測できるか？
• RQ3 AEFは、特定の発症地点から出発したパンデミックが世界規模で定着するまでの時間遅延をどの程度正確に予測できるか？
• RQ4 AEF指標は、基礎となる航空ネットワークデータの不正確さや欠落に対してどの程度頑健か？
• RQ5 AEFは、地域的伝播率や医療体制の準備状況といった局所的非均一性を組み込むことができるか？

主な発見

• AEF指標は、特定の空港から出発する病気がパンデミック能力に到達するための最小感染伝播率と相関係数0.90を示し、強い相関を示した。
• AEFは、パンデミック的伝播能力を持つアウトブレイクがパンデミック状態に至るまでの時間遅延とも相関係数0.85を示し、初期ダイナミクスに対する強力な予測能力を示した。
• AEF指標は非常に頑健である：97％の空港について、ネットワーク全体の15％の空港を削除しても、AEF値の変化は1％未満にとどまった。
• PBJ（バヌアト）やNRT（東京）のような外れ値は、データ品質やモデル仮定の限界を浮き彫りにし、特に局所的ネットワークコミュニティがグローバルネットワークから孤立している場合に顕著である。
• AEFは、サイズ、密度、多様性を統計的に整合的な方法で統合するため、従来の指標（次数や媒介性中央度）を上回る性能を示した。
• フレームワークは、エッジ重みの調整により、可変的伝播性を組み込むことによって拡張可能であり、人口密度や医療体制の能力といった局所的疫学的要因の統合を可能にする。