[논문 리뷰] A linear noise approximation for stochastic epidemic models fit to partially observed incidence counts

Jonathan Fintzi, Jon Wakefield외 1명|arXiv (Cornell University)|2020. 01. 15.

COVID-19 epidemiological studies참고 문헌 43인용 수 24

한 줄 요약

이 논문은 부분적으로 관측된 발생률 데이터에 대한 확률적 유행병 모델을 적합하기 위한 선형 소음 근사(LNA) 프레임워크를 제안한다. 이는 데이터 보정 MCMC를 통해 효율적인 베이지안 추론을 가능하게 한다. 모델을 재매개변수화하고 LNA를 비중앙 매개변수화와 타원형 슬라이스 샘플러에 통합함으로써, 결정론적 ODE와 시뮬레이션 기반 방법에 비해 통계적 성능과 계산 효율성이 뛰어나며, 특히 에볼라, 인플루엔자, 코로나19 등 복잡하고 고차원적인 상황에서 유의미하다.

ABSTRACT

Stochastic epidemic models (SEMs) fit to incidence data are critical to elucidating outbreak dynamics, shaping response strategies, and preparing for future epidemics. SEMs typically represent counts of individuals in discrete infection states using Markov jump processes (MJPs), but are computationally challenging as imperfect surveillance, lack of subject-level information, and temporal coarseness of the data obscure the true epidemic. Analytic integration over the latent epidemic process is impossible, and integration via Markov chain Monte Carlo (MCMC) is cumbersome due to the dimensionality and discreteness of the latent state space. Simulation-based computational approaches can address the intractability of the MJP likelihood, but are numerically fragile and prohibitively expensive for complex models. A linear noise approximation (LNA) that approximates the MJP transition density with a Gaussian density has been explored for analyzing prevalence data in large-population settings, but requires modification for analyzing incidence counts without assuming that the data are normally distributed. We demonstrate how to reparameterize SEMs to appropriately analyze incidence data, and fold the LNA into a data augmentation MCMC framework that outperforms deterministic methods, statistically, and simulation-based methods, computationally. Our framework is computationally robust when the model dynamics are complex and applies to a broad class of SEMs. We evaluate our method in simulations that reflect Ebola, influenza, and SARS-CoV-2 dynamics, and apply our method to national surveillance counts from the 2013--2015 West Africa Ebola outbreak.

연구 동기 및 목표

• 부분적으로 관측된 발생률 데이터에 대한 확률적 유행병 모델(SEM) 적합의 계산 불가능성 문제를 해결하기 위해, 잠재 상태 공간의 차원과 이산 동역학으로 인한 문제를 다루기 위해.
• 시뮬레이션 기반 방법(예: 입자 MCMC)의 한계를 극복하기 위해, 이는 계산 비용이 높고 복잡한 모델에서 취약하기 때문이다.
• 이전에 유행률 데이터에 사용된 선형 소음 근사(LNA)를, 정규성 가정 없이 발생률 데이터에 확장하기 위해.
• 복잡한 동역학을 가진 SEM에 대해 데이터 보정과 비중앙 매개변수화를 활용한 강력하고 확장 가능한 베이지안 추론 프레임워크를 개발하기 위해.
• 2013–2015년 서아프리카 에볼라 유행을 포함한 시뮬레이션 및 실제 유행 사례를 대상으로 방법을 평가하기 위해.

제안 방법

• 확률적 유행병 모델(SEM)을 재매개변수화하여 발생률 데이터를 직접 모델링하고, 우도에서 정규성 가정을 피함.
• 선형 소음 근사(LNA)를 적용하여 마르코프 점프 과정(MJP)의 전이 밀도를 가우시안 밀도로 근사함으로써, 계산 가능한 우도 평가를 가능하게 함.
• 비중앙 매개변수화와 함께 LNA를 데이터 보정 MCMC 프레임워크에 통합하여 혼합 및 수렴을 향상시킴.
• 고차원 잠재 상태와 모델 매개변수의 사후 분포 샘플링을 위해 타원형 슬라이스 샘플러를 사용함.
• 초기 병변 수와 유효 모집단 크기의 사전분포에 다변량 정규 근사법을 적용하고, 결정론적 유행 규모 관계에 기반한 정보를 반영함.
• 에볼라, 인플루엔자, 코로나19의 동역학을 반영한 시뮬레이션 데이터와 2013–2015년 서아프리카 에볼라 유행의 실제 발생률 데이터를 사용해 접근법을 검증함.

실험 결과

연구 질문

• RQ1 선형 소음 근사(LNA)는 우도에서 정규성 가정 없이 발생률 데이터를 효과적으로 모델링하는 데 적합한가?
• RQ2 제안된 LNA 기반 데이터 보정 MCMC 프레임워크는 유행병 추론의 통계 정확도 측면에서 결정론적 ODE 모델에 비해 어떻게 비교되는가?
• RQ3 복잡한 유행병 모델에 대해 LNA 접근법은 입자 MCMC와 같은 시뮬레이션 기반 방법에 비해 계산 효율성과 강건성 면에서 뛰어나지 않는가?
• RQ4 특히 보고 누락과 제한된 감시 정밀도가 있는 상황에서, 이 방법은 실제 발생률 데이터에 대해 얼마나 잘 성능을 발휘하는가?
• RQ5 이 프레임워크는 복잡한 동역학과 잠재 상태를 가진 광범위한 확률적 유행병 모델에 일반화 가능한가?

주요 결과

• LNA 기반 데이터 보정 MCMC 프레임워크는 특히 유행 경로의 불확실성을 잘 포착하는 데 있어 결정론적 ODE 근사에 비해 통계적 정확도에서 뚜렷한 승리를 거두었다.
• 이 방법은 ODE 모델 수준의 계산 효율성을 달성하면서도 유행 규모와 지속 기간에 대한 신뢰할 수 있는 추론에 필요한 확률적 성격을 유지했다.
• 에볼라, 인플루엔자, 코로나19의 동역학을 반영한 시뮬레이션에서, LNA 프레임워크는 ODE 기반 방법보다 훨씬 낮은 편향과 더 나은 커버리지로 사후 추정치를 생성했다.
• 2013–2015년 서아프리카 에볼라 유행에 대해, LNA 모델은 관측된 발생 패tern을 성공적으로 포착했고, 유효 복제 수와 감염자 발견 비율과 같은 핵심 매개변수를 추정했다.
• 비중앙 매개변수화와 타원형 슬라이스 샘플러의 사용은 특히 고차원 잠재 상태 공간에서 MCMC 혼합과 수렴을 향상시켰다.
• 진짜 모델이 잘못 지정되거나 감시 데이터가 희박한 경우에도 이 프레임워크는 강건성을 보였으며, 계산 비용과 안정성 측면에서 시뮬레이션 기반 방법을 능가했다.