[논문 리뷰] A Spatiotemporal Epidemic Model to Quantify the Effects of Contact Tracing, Testing, and Containment

Lars Lorch, William Trouleau외 4명|arXiv (Cornell University)|2020. 04. 15.

COVID-19 epidemiological studies참고 문헌 31인용 수 35

한 줄 요약

이 논문은 티빙엔, 독일의 실질적 데이터를 바탕으로, 접촉자 추적, 검사 및 이동성 데이터를 통합하여 고해상도로 질병 전파를 예측하기 위해 표식이 부여된 시간적 점과정을 사용하는 시공간 전염병 모델을 제안한다. 베이지안 최적화를 활용하여 개인의 노출 위험, 유증상 비율 및 전파 차이를 추정하며, 실질적 데이터를 바탕으로 통제 전략의 정량적 영향을 입증한다.

ABSTRACT

Motivated by the current COVID-19 outbreak, we introduce a novel epidemic model based on marked temporal point processes that is specifically designed to make fine-grained spatiotemporal predictions about the course of the disease in a population. Our model can make use and benefit from data gathered by a variety of contact tracing technologies and it can quantify the effects that different testing and tracing strategies, social distancing measures, and business restrictions may have on the course of the disease. Building on our model, we use Bayesian optimization to estimate the risk of exposure of each individual at the sites they visit, the percentage of symptomatic individuals, and the difference in transmission rate between asymptomatic and symptomatic individuals from historical longitudinal testing data. Experiments using real COVID-19 data and mobility patterns from Tubingen, a town in the southwest of Germany, demonstrate that our model can be used to quantify the effects of tracing, testing, and containment strategies at an unprecedented spatiotemporal resolution. To facilitate research and informed policy-making, particularly in the context of the current COVID-19 outbreak, we are releasing an open-source implementation of our framework at this https URL.

연구 동기 및 목표

• 코로나19 패닉 기간 동안 질병 전파를 예측하기 위한 세밀한 시공간 모델을 개발하기 위해.
• 접촉자 추적, 검사 및 사회적 거리 두기 조치가 전파 역학에 미치는 영향을 정량화하기 위해.
• 종단적 검사 및 이동성 데이터를 사용하여 개인 수준의 노출 위험을 추정하기 위해.
• 유증상자와 무증상자 간의 전파율을 비교하기 위해.
• 오픈소스 기반의 데이터 기반 시뮬레이션을 통해 근거 기반 정책 수립을 지원하기 위해.

제안 방법

• 모델는 시공간 좌표를 갖는 감염 사건을 나타내기 위해 표식이 부여된 시간적 점과정을 사용한다.
• 개인 및 장소 수준의 전파 위험을 모델링하기 위해 접촉자 추적 기술 및 이동 패턴 데이터를 통합한다.
• 은닉 매개변수인 개인의 노출 위험, 유증상 사례 비율, 상대 전파율을 추론하기 위해 베이지안 최적화를 적용한다.
• 역사적 종단적 검사 데이터에 맞추어 전파 역학을 추정함으로써 프레임워크를 구축한다.
• 고공간 및 고시간 해상도에서 다양한 검사 및 통제 전략에 대한 시나리오 분석을 가능하게 한다.
• 재현 가능성과 정책 연구를 지원하기 위해 오픈소스 구현을 공개한다.

실험 결과

연구 질문

• RQ1 다양한 접촉자 추적 및 검사 전략은 개인 수준에서 전염병의 시공간적 확산에 어떻게 영향을 미치는가?
• RQ2 실제 환경에서 무증상자와 유증상자 간에 질병 전파에 기여하는 비율은 각각 얼마나 되는가?
• RQ3 이동성 및 검사 데이터를 사용하여 개인 수준의 노출 위험을 어떻게 정량화할 수 있는가?
• RQ4 세밀한 시공간 해상도로 모델링했을 때, 사회적 거리 두기 및 사업 제한과 같은 통제 조치는 전파를 얼마나 줄일 수 있는가?
• RQ5 베이지안 최적화는 실질적 종단적 검사 데이터로부터 핵심 전염병학적 매개변수를 얼마나 정확하게 추정할 수 있는가?

주요 결과

• 모델는 독일 티빙엔의 실질적 데이터를 바탕으로 고해상도 시공간 예측을 가능하게 한다.
• 접촉자 추적 및 검사 전략은 개인 및 장소 수준에서 전파 감소에 미치는 영향을 정량적으로 평가할 수 있다.
• 프레임워크는 종단적 데이터로부터 유증상자 비율과 무증상자 대비 상대 전파율을 성공적으로 추정한다.
• 베이지안 최적화는 방문 기록과 검사 결과를 바탕으로 개인의 노출 위험을 효과적으로 추론한다.
• 모델는 데이터 기반 시뮬레이션을 통해 통제 조치를 체계적으로 평가하고 최적화할 수 있음을 입증한다.
• 지속적인 연구 및 정책 평가를 지원하기 위해 오픈소스 구현이 공개되었다.