[論文レビュー] The geographic spread of COVID-19 correlates with the structure of social networks as measured by Facebook

Theresa Kuchler, Dominic Russel+1 more|arXiv (Cornell University)|Apr 7, 2020

COVID-19 epidemiological studies被引用数 11

ひとこと要約

この論文は、フェイスブックのソーシャルネットワークデータを集計したものを使って、初期のCOVID-19流行地域（例えばニューヨーク州ウェストチェスター郡やイタリアのロディ）と強い社会的つながりを持つ地域では、物理的距離、人口密度、人口統計的要因を補正した後でも、2020年3月下旬までに著しく高い感染者数を記録したことを示している。フェイスブックの友人関係から導出された社会的つながり指数（SCI）は、物理的接近度、スマートフォンの位置情報データ（LEX）、グーグル検索トレンドといった従来の指標を上回り、特にこうしたデータが不足する地域においても、流行の予測を改善する。

ABSTRACT

We use aggregated data from Facebook to show that COVID-19 is more likely to spread between regions with stronger social network connections. Areas with more social ties to two early COVID-19 "hotspots" (Westchester County, NY, in the U.S. and Lodi province in Italy) generally had more confirmed COVID-19 cases by the end of March. These relationships hold after controlling for geographic distance to the hotspots as well as the population density and demographics of the regions. As the pandemic progressed in the U.S., a county's social proximity to recent COVID-19 cases and deaths predicts future outbreaks over and above physical proximity and demographics. In part due to its broad coverage, social connectedness data provides additional predictive power to measures based on smartphone location or online search data. These results suggest that data from online social networks can be useful to epidemiologists and others hoping to forecast the spread of communicable diseases such as COVID-19.

研究の動機と目的

• フェイスブックの友人関係による測定によるソーシャルネットワーク構造が、COVID-19の地理的拡散を予測できるかどうかを評価すること。
• 物理的接近度、人口統計的要因、およびスマートフォンの位置情報や症状検索データといった他のデジタルプロキシと比較して、社会的つながりの予測力の有効性を評価すること。
• 疫学的モデリングにおける、スケーラブルで高カバレッジのツールとしての社会的つながり指数（SCI）の実用性を示すこと。
• GPSデータや検索データが利用できないまたは限られた地域において、ソーシャルネットワークデータの利点を強調すること。

提案手法

• 著者らは、米国の郡とイタリアの州間で匿名化・集計されたフェイスブックの友人関係データに基づき、社会的つながり指数（SCI）を構築した。
• SCIは、ある地域のフェイスブックユーザーが他の地域のユーザーと友人である確率を測定し、実世界の物理的接触の代理指標として機能する。
• 研究では、地理的距離、人口密度、人口統計的変数を制御した上で、初期の流行地域との社会的接近度が将来の感染者数の増加を予測できるかを検証する回帰モデルを用いた。
• 著者らは、SCIを含むモデルと含まないモデルを比較するためのインサンプルおよびアウトオブサンプルの予測演習を実施し、予測精度をRMSEで評価した。
• 彼らは、スマートフォン移動性から得られる位置暴露指数（LEX）と、グーグル検索のCOVID-19症状関連の検索量という2つの既存のプロキシとを比較した。
• 分析には、症例データと死亡者データの両方を含め、データの可用性に応じて別々のモデルを訓練することで、現実的なアウトオブサンプル予測を保証した。

実験結果

リサーチクエスチョン

• RQ1 フェイスブックの友人関係による地域間の社会的つながりが、COVID-19の感染拡大率を予測できるか？
• RQ2 物理的接近度や人口統計的要因を制御した上で、社会的つながりが流行予測をどの程度向上させるか？
• RQ3 スマートフォンの位置情報データ（LEX）やグーグルの症状検索トレンドと比較して、社会的つながりの予測力はどの程度か？
• RQ4 LEXやグーグルのデータが利用できない地域では、社会的つながりが予測精度を顕著に向上させるか？
• RQ5 農村部や国際的地域のようなデータが乏しい環境でも、ソーシャルネットワークデータが信頼性があり、高カバレッジの予測を提供できるか？

主な発見

• 2週間の期間において、ある郡の感染地域との社会的接近度が2倍になると、次の2週間でその郡の感染者数が24.9%増加したが、物理的接近度や人口統計的要因を補正した後でも同様の傾向が見られた。
• 死亡者との社会的接近度も、将来の死亡者数を予測することができたため、差別の的検査や報告による影響ではないことが示唆された。
• LEXおよびグーグルデータが両方存在する郡では、社会的つながりが追加の予測的価値をわずかに提供したが、これは物理的移動という共通のメカニズムの重複によるものと予想された。
• しかし、LEXやグーグルデータが利用できない米国の郡を含む全郡において、感染地域との社会的接近度を追加することで、予測誤差（RMSE）が顕著に低減された。これは、社会的つながりデータの可用性の優位性を示している。
• SCIは、14の予測期間のうち10回で、最良の利用可能なモデルフレームワークにおいてベースラインモデルを上回った。特にデータが乏しい地域で顕著な性能を発揮した。
• SCIは3,141の米国郡で利用可能であるのに対し、グーグルデータは2,572郡、LEXデータは2,018郡にとどまることから、より広範な地理的カバレッジを示している。