[論文レビュー] Total Variation Regularization for Compartmental Epidemic Models with Time-Varying Dynamics

Wenjie Zheng|arXiv (Cornell University)|Apr 1, 2020

COVID-19 epidemiological studies参考文献 20被引用数 7

ひとこと要約

本稿では、コンpartimental疫病モデルの時変化パラメータ（感染率や隔離率など）における不連続な変化を検出するため、全 variation 正則化と反復的 Nelder–Mead アルゴリズムを用いた新しい最適化フレームワークを提案する。本手法は、スパースまたはマルチソースのデータを用いて、ロックダウンや field hospital の開設などによる急激な変化を成功裏に回復でき、連続的モデリング手法に比べて、突然の公衆衛生介入を捉える能力に優れている。

ABSTRACT

Compartmental epidemic models are among the most popular ones in epidemiology. For the parameters (e.g., the transmission rate) characterizing these models, the majority of researchers simplify them as constants, while some others manage to detect their continuous variations. In this paper, we aim at capturing, on the other hand, discontinuous variations, which better describe the impact of many noteworthy events, such as city lockdowns, the opening of field hospitals, and the mutation of the virus, whose effect should be instant. To achieve this, we balance the model's likelihood by total variation, which regulates the temporal variations of the model parameters. To infer these parameters, instead of using Monte Carlo methods, we design a novel yet straightforward optimization algorithm, dubbed Iterated Nelder--Mead, which repeatedly applies the Nelder--Mead algorithm. Experiments conducted on the simulated data demonstrate that our approach can reproduce these discontinuities and precisely depict the epidemics.

研究の動機と目的

• ロックダウンやウイルス変異などによって引き起こされる、滑らかでない時間的変化（非連続変化）を、連続的な時変化パラメータを仮定するのではなく、モデル化すること。
• 連続的パラメータ関数やモンテカルロ法の限界を克服し、感染率に及ぼす政策的・生物学的要因の急激な影響を捉えること。
• 限られた監視データや血清学的データから不連続なダイナミクスを推定できる、ロバストでモンテカルロを用いない最適化手法を開発すること。
• 介入のタイミングを事前に定義せずに、データが構造的変化（構造的ブレイク）を明らかにできるように、データ駆動型のフェーズシフト検出を可能にすること。
• 公衆衛生介入の即時の影響を正確に推定することで、疫病の進行経路に対する介入の評価を改善すること。

提案手法

• 時変感染率および隔離率に全 variation 正則化を適用し、検出可能な不連続性を持つ区分的定数ダイナミクスを促進する。
• 未観測のコンパートメント状態（例：感受性者、感染者など）を潜在変数としてモデル化する状態空間フレームワークを採用し、観測データ（例：病原性、確定症例、血清学的データ）をノイズを含む証拠として扱う。
• Nelder–Mead 単体法を繰り返し適用することで収束性を向上させ、非凸最適化における局所最適解の回避を図る、新しい反復的 Nelder–Mead アルゴリズムを採用する。
• モデルの尤度と全 variation ペナルティのバランスを取ることで、観測データに同時に適合させるとともに、時間的変化のスパarsity（希少性）を強制する。
• 監視データ、血清学的データ、病原性データといった複数のデータソースを、状態空間モデル内に統合し、推定のロバスト性を向上させる。
• 疫病モデルを隠れた動的システムとして扱い、時変パラメータを確率的サンプリングではなく最適化によって推定する。

実験結果

リサーチクエスチョン

• RQ1 スパースなデータであっても、全 variation 正則化が感染率や隔離率といった疫病パラメータの急激な変化を検出できるか？
• RQ2 提案された反復的 Nelder–Mead アルゴリズムは、モンテカルロ法に比べて、コンパートメントモデルにおける不連続ダイナミクスの回復において、どのように優れているか？
• RQ3 介入（例：ロックダウン）やウイルス変異によって引き起こされる構造的ブレイクを、そのタイミングを事前に知らない状態で、どの程度正確に検出できるか？
• RQ4 確定症例の完全なデータが得られない状況（例：病原性データや血清学的データのみ）において、本手法は疫病ダイナミクスを正確に再構築できるか？
• RQ5 パラメータダイナミクスに連続性制約を設けないことで、連続的モデリング手法に比べて、公衆衛生介入の影響をより良い精度で推定できるか？

主な発見

• 提案手法は、感染率 βt における不連続な変化を成功裏に回復した。都市のロックダウンによる急激な低下や、休暇シーズンに伴う増加といった変化ですら、わずか 9 件のスパースな病原性サンプルでも検出できた。
• SIRQ モデルにおいて、2 つの時変パラメータ（βt と δt）を扱った場合、フィールドホスピタルの開設に伴う隔離率の急増と、病床が満杯に達した後のその低下を、正確に捉えた。
• 推定された疫病ダイナミクスは真値に近く、シミュレーションされた SIR および SIRQ の両状況において、合成観測データが観測データと完全に一致した。
• 全 variation 正則化は、滑らかに平滑化されるのを防ぐ、明確な遷移を示す区分的定数解を効果的に促進した。
• 反復的 Nelder–Mead アルゴリズムは安定した収束を達成し、スパースなデータ条件下でも、複雑な非滑らかパラメータダイナミクスを回復する点で、標準的最適化手法を上回った。
• 本手法は、固定された介入タイミングを仮定せず、データ駆動型で政策の有効性を同定できるため、公衆衛生介入の影響を正確に推定できる。