[論文レビュー] Survival Dynamical Systems for the Population-level Analysis of Epidemics

Wasiur R. KhudaBukhsh, Boseung Choi+2 more|arXiv (Cornell University)|Jan 2, 2019

COVID-19 epidemiological studies参考文献 42被引用数 6

ひとこと要約

本稿では、生存関数を用いて、SIRモデルなどの古典的で一方向性の質量移動モデル（MTM）を再解釈する新しいフレームワーク、生存ダイナミカルシステム（SDS）を提案する。個々の感染時刻および回復時刻に基づいて感染症のダイナミクスを定式化することで、統計的に整合性のある尤度に基づく推論が可能となり、データ集約と確率的モデリングの主要な問題が解決される。数値的検証により、SDS尤度を用いたパラメータ回復が正確に行われることが示された。

ABSTRACT

Motivated by the classical Susceptible-Infected-Recovered (SIR) epidemic models proposed by Kermack and Mckendrick, we consider a class of stochastic compartmental dynamical systems with a notion of partial ordering among the compartments. We call such systems unidirectional Mass Transfer Models (MTMs). We show that there is a natural way of interpreting a uni-directional MTM as a Survival Dynamical System (SDS) that is described in terms of survival functions instead of population counts. This SDS interpretation allows us to employ tools from survival analysis to address various issues with data collection and statistical inference of unidirectional MTMs. In particular, we propose and numerically validate a statistical inference procedure based on SDS-likelihoods. We use the SIR model as a running example throughout the paper to illustrate the ideas.

研究の動機と目的

• 実際の疫学的データにおける、集団サイズの不確実性、区間センシング、尤度に基づく推論の欠如といった、決定論的SIRモデルの限界を解消すること。
• マクロスケールのコンpartimentモデルとマイクロスケールの個体レベルダイナミクスの間のギャップを、生存分析フレームワークによって埋めること。
• 生存関数と尤度を用いて、疫学的モデルに対する統計的原則に基づいた推論手法を開発すること。
• シミュレートされた疫学的データを用いて、SDS尤度を用いたパラメータ推定の実現可能性と正確性を示すこと。

提案手法

• 個々の移行時刻の生存関数としてのコンパートメント内割合を解釈することで、SIRモデルなどの一方向性MTMを生存ダイナミカルシステム（SDS）として再定式化する。
• 感染時刻 $T_I$ を、感受性個体が感染するまでの時間を表す確率変数と定義し、$S_t = \mathbb{P}(T_I > t)$ とする。また、感染から回復までの回復時刻 $T_R$ を定義する。
• 感染の累積ハザードを、$\mathcal{R}_0$ でスケーリングした $R_t$ 曲線を用いてモデル化し、$I_t$ 曲線を $T_I$ と $T_R$ の畳み込みとして導出する。
• 生存関数とハザード関数に基づいて、尤度に基づく統計的推論が可能となるSDS尤度関数を構築する。これにより、恣意的な仮定を必要としない。
• 区間センシングされたデータからパラメータ $\beta$, $\gamma$, および $\rho$ を推定するために、マルコフ連鎖モンテカルロ（MCMC）法を実装する。
• 異なる打ち切り時刻と集団サイズの下で、シミュレートされた疫学的データを用いて手法の数値的妥当性を検証し、真のパラメータ値に収束することを示した。

実験結果

リサーチクエスチョン

• RQ1 SIRモデルを生存関数を用いて再解釈することで、現実の疫学的データに対する整合的な統計的推論が可能になるか？
• RQ2 生存分析フレームワークを用いることで、古典的SIRモデルにおける確率的揺らぎとデータ集約の問題はどのように解消できるか？
• RQ3 区間センシングおよび有限集団サイズのデータ条件下で、SDS尤度を用いたパラメータ推定の性能はいかがなものか？
• RQ4 提案されたSDSフレームワークは、質量作用仮定を超えたネットワークベースの疫学的モデルへ拡張可能か？
• RQ5 打ち切り時刻と集団サイズの選択が、SDS尤度アプローチを用いたパラメータ回復の正確性にどのように影響するか？

主な発見

• SIRモデルは、$S_t = \mathbb{P}(T_I > t)$ と定式化でき、ここで $T_I$ は感受性個体の感染時刻を表す。
• スケーリングされた $R_t$ 曲線（$\mathcal{R}_0$ を用いて）は、感染の増加する累積ハザードに対応し、生存分析と直接的な関連を持つ。
• 調整された初期感染数を考慮した後、$I_t$ 曲線は感染時刻 $T_I$ と感染期間 $T_R$ の畳み込みと数学的に同等である。
• 数値的検証により、MCMCを用いたSDS尤度に基づく推論が、パrameter設定1における真のパラメータ $\beta=2$, $\gamma=0.5$, および $\rho=0.05$ を的確に回復することが示された。
• 集団サイズが大きい（$n=10^3$）および打ち切り時刻が長い（$T=6$）条件下では、$\beta$, $\gamma$, および $\rho$ の事後分布が真の値の周囲に集中し、信頼性の高い推論が可能であることが示された。
• MCMCチェーンのトレースプロット（図6）は、良好な混合と収束を示しており、パrameter設定3（$\beta=1.5$, $\gamma=1$, $\rho=0.05$）における推定手順の安定性と正確性が確認された。