[論文レビュー] Why integral equations should be used instead of differential equations to describe the dynamics of epidemics

Zoltán Fodor, Sheldon Katz+1 more|arXiv (Cornell University)|Apr 15, 2020

COVID-19 epidemiological studies参考文献 25被引用数 17

ひとこと要約

この論文は、感染症の動態をモデル化する際、微分方程式に代わって積分方程式を用いるべきだと主張している。積分方程式は、近似を伴わずに潜伏期間の遅れを自然に扱えるためである。ニューヨーク市データを用いて、積分モデルが $R_0$ の推定をより正確にし、介入後の揺らぎをよりよく捉え、$R_0$ の変化をリアルタイムでモニタリング可能であることを示しており、標準的なSEIR型微分方程式モデルに比べて優れた予測性能を示している。

ABSTRACT

It is of vital importance to understand and track the dynamics of rapidly unfolding epidemics. The health and economic consequences of the current COVID-19 pandemic provide a poignant case. Here we point out that since they are based on differential equations, the most widely used models of epidemic spread are plagued by an approximation that is not justified in the case of the current COVID-19 pandemic. Taking the example of data from New York City, we show that currently used models significantly underestimate the initial basic reproduction number ($R_0$). The correct description, based on integral equations, can be implemented in most of the reported models and it much more accurately accounts for the dynamics of the epidemic after sharp changes in $R_0$ due to restrictive public congregation measures. It also provides a novel way to determine the incubation period, and most importantly, as we demonstrate for several countries, this method allows an accurate monitoring of $R_0$ and thus a fine-tuning of any restrictive measures. Integral equation based models do not only provide the conceptually correct description, they also have more predictive power than differential equation based models, therefore we do not see any reason for using the latter.

研究の動機と目的

• 微分方程式に基づく感染症モデルの概念的・定量的欠陥、特に潜伏期間の遅れや $R_0$ の急激な変化の取り扱いの不備を是正すること。
• 広く使われているSEIR型微分方程式モデルに比べ、積分方程式モデルがより正確で概念的に妥当な感染症ダイナミクスの記述を可能にすることを示すこと。
• 数値的計算の複雑さは同程度であるが、急速な政策変更に伴う状況においては著しく優れた予測性能を示す、積分方程式モデルの実装可能性を示すこと。
• 微分方程式モデルに内在する制御不能な近似を排除することで、$R_0$ 変化のリアルタイムで細かく調整可能なモニタリングを可能にすること。
• そのより現実的で正確な性質を鑑み、感染症モデリングにおける積分方程式形式の標準的手法としての採用を促すこと。

提案手法

• 本論文は、時刻 $t$ における新規感染数が、過去の感染率と潜伏期間分布 $P(\tau)$ との畳み込みに依存する積分方程式モデルを構築している。
• 中心的方程式は $\rho(t) = \beta \int_0^\infty \rho(t-\tau) P(\tau) d\tau$ であり、これにより、感染から発症までの遅れが追加の近似を伴わずにモデル化される。
• 基本再生産数は $R_0 = \beta \int_0^\infty P(\tau) d\tau$ と定義され、透明性と一貫性が保証されている。
• 個別集団への一般化は、個別隔離群間の感染率 $\beta_{i\leftarrow j}$ と人口動態 $S_i(t)$ を含む連立積分方程式によって行われる。
• 数値的実装は離散時間畳み込みを用い、SEIR微分方程式を解くのと同等の計算複雑性を持つ。
• このアプローチは、公衆衛生的介入による $R_0$ の急激な低下に伴う新規症例数の揺らぎを自然に捉えることができ、微分方程式モデルでは再現できない。

実験結果

リサーチクエスチョン

• RQ1 なぜ標準的な微分方程式モデルは、COVID-19 のような急速に広がる流行において初期の $R_0$ を顕著に低く推定してしまうのか？
• RQ2 制御不能な近似を導入せずに、感染から発症までの時間遅れを正確にモデル化するにはどうすればよいか？
• RQ3 積分方程式モデルは、微分方程式モデルに比べて、介入後の新規症例数の揺らぎをよりよく捉えることができるか？
• RQ4 積分方程式フレームワークを用いて、$R_0$ をどの程度リアルタイムでモニタリングできるか？
• RQ5 積分方程式モデルと微分方程式モデルを比較した場合、流行のピークの大きさと発生時刻にどのような定量的差が生じるか？

主な発見

• 積分方程式モデルは、潜伏期間の遅れを正確に扱うため、特に $R_0$ が大きい場合、微分方程式モデルよりも顕著に高い初期 $R_0$ を推定する。
• 規制措置が導入された後、積分モデルは観察された新規症例数の揺らぎを正しく再現するが、微分方程式モデルはこれを再現できない。
• 積分方程式形式により、$R_0$ 変化の正確なリアルタイムモニタリングが可能となり、公衆衛生的介入の微調整が可能になる。
• 初期の指数的増加段階ですら、微分方程式モデルは、潜伏期間を無視して「即座に感染性に移行する」と仮定しているため、$R_0$ を低く推定してしまう。
• 積分方程式モデルが予測する流行ピークの症例数は、パラメータの状況によってはSEIRモデルと顕著に異なる。これはより現実的な遅延の組み込みによるものである。
• 積分方程式アプローチは、SEIRモデルと同等の数値的実装の複雑さでありながら、より優れた予測精度と概念的明確性を提供する。