[논문 리뷰] Bayesian dynamical estimation of the parameters of an SE(A)IR COVID-19 spread model

Daniela Calvetti, Alexander Hoover외 2명|arXiv (Cornell University)|2020. 05. 09.

COVID-19 epidemiological studies인용 수 12

한 줄 요약

이 논문은 새로운 유입 및 사망 데이터가 도착함에 따라 실시간으로 매개변수를 업데이트하는 입자 필터링을 사용하여, 잠복기 및 무증상 전파를 고려한 베이지안 역동적 추정 프레임워크를 제안한다. 주요 기여는 무증상 및 유증상 집단 간의 안정된 평형 비율 덕분에, 사례 수가 다른 오ハイ오주 및 미시간주 카운티 간에 일관되게 감염 억제 효과를 반영하는 강력한 동적 업데이트된 전파 수치 $ R_0 $를 제공한다는 점이다.

ABSTRACT

In this article, we consider a dynamic epidemiology model for the spread of the COVID-19 infection. Starting from the classical SEIR model, the model is modified so as to better describe characteristic features of the underlying pathogen and its infectious modes. In line with the large number of secondary infections not related to contact with documented infectious individuals, the model includes a cohort of asymptomatic or oligosymptomatic infectious individuals, not accounted for in the data of new daily counts of infections. A Bayesian particle filtering algorithm is used to update dynamically the relevant cohort and simultaneously estimate the transmission rate as the new data on the number of new infections and disease related death become available. The underlying assumption of the model is that the infectivity rate is dynamically changing during the epidemics, either because of a mutation of the pathogen or in response to mitigation and containment measures. The sequential Bayesian framework naturally provides a quantification of the uncertainty in the estimate of the model parameters, including the reproduction number, and of the size of the different cohorts. Moreover, we introduce a dimensionless quantity, which is the equilibrium ratio between asymptomatic and symptomatic cohort sizes, and propose a simple formula to estimate the quantity. This ratio leads naturally to another dimensionless quantity that plays the role of the basic reproduction number $R_0$ of the model. When we apply the model and particle filter algorithm to COVID-19 infection data from several counties in Northeastern Ohio and Southeastern Michigan we found the proposed reproduction number $R_0$ to have a consistent dynamic behavior within both states, thus proving to be a reliable summary of the success of the mitigation measures.

연구 동기 및 목표

• 공식 데이터에 기록되지 않은 무증상 및 전임상 전파를 반영할 수 있는 역동적 전염병 모델을 개발하기 위해.
• 실시간 유병률 및 사망률 데이터를 사용하여 시간에 따라 변하는 전파율과 집단 규모를 추정하기 위해.
• 순차 베이지안 프레임워크를 통해 모델 매개변수, 특히 전파 수치 $ R_0 $의 불확실성을 정량화하기 위해.
• 무증상 집단과 유증상 집단 간의 무차원 평형 비율을 도입하여 $ R_0 $ 추정의 기초로 삼기 위해.
• 노던 오하이오와 남동부 미시간주 카운티의 실제 데이터를 기반으로 모델 성능을 평가하기 위해.

제안 방법

• 전통적인 SEIR 모델에 감염된 무증상 집단(A)을 추가하여 감지되지 않은 전파를 표현한다.
• 새로운 일일 감염 및 사망 데이터가 도착함에 따라 시스템 상태와 매개변수를 순차적으로 업데이트하기 위해 베이지안 입자 필터링 알고리즘을 적용한다.
• 무증상 집단과 유증상 집단 규모 간의 무차원 비율을 정의하는 평형 조건을 도출하기 위해 비선형 리카티 유형의 방정식을 사용한다.
• 이 평형 비율을 기반으로 새로운 $ R_0 $를 정의하며, 이는 전파 가능성의 동적 지표로 기능한다.
• 오하이오주 및 미시간주의 여러 카운티에서의 일일 사례 수와 사망률 데이터를 사용하여 모델을 校정한다.
• 입자 필터가 생성한 사후 분포를 통해 매개변수 추정치의 불확실성을 정량화한다.

실험 결과

연구 질문

• RQ1 동적 SE(A)IR 모델은 실시간 전염병 추정에서 감지되지 않은 무증상 전파를 어떻게 더 잘 반영할 수 있는가?
• RQ2 제안된 베이지안 입자 필터링 프레임워크는 전파율 및 집단 규모 추정의 불확실성 정량화에 얼마나 향상시키는가?
• RQ3 무증상 집단과 유증상 집단 간의 무차원 평형 비율은 시간에 따라 변하는 전파 환경에서 $ R_0 $의 신뢰할 수 있는 대체 지표가 될 수 있는가?
• RQ4 유사한 억제 조치를 시행한 지리적· epidemiologic적으로 상이한 카운티 간에 추정된 $ R_0 $는 얼마나 일관된가?
• RQ5 전파율 $ \beta $가 유사할 때도 사례 수 예측이 상당히 다를 수 있는 이유는 무엇이며, 이 분열에 집단 규모가 어떤 역할을 하는가?

주요 결과

• 무증상 집단과 유증상 집단 간의 평형 비율에서 유도된 추정된 $ R_0 $는 오하이오주 및 미시간주 전 카운티에서 일관된 동적 행동을 보였으며, 억제 조치의 영향을 신뢰할 수 있게 반영하고 있음을 시사한다.
• 미시간주가 초기 감염 수가 더 높았음에도 불구하고, 두 주의 $ R_0 $ 값이 유사한 수준으로 안정화되었으며, 이는 이 지표가 기초 전파 강도와 무관하게 억제 효과를 잘 캡처하고 있음을 시사한다.
• 모든 카운티에서 무증상 대 유증상 개인 간의 평형 비율이 1 미만으로 안정화되었으며, 이는 이전 혈청역학 조사에서 예상한 50~85의 비율과 정반대되는 결과를 보였다.
• 모델는 무증상 집단이 규모는 작지만 전파의 대부분을 담당하고 있음을 예측하며, 이는 전파 확산에서 그 중요성을 강조한다.
• 관측 기간 종료 시 유사한 $ \beta $ 값이더라도 예측 결과가 상당히 다름을 보였으며, 이는 노출/무증상 집단 규모의 차이가 예측에 결정적인 영향을 미친다는 것을 시사한다. 즉, 집단 역학이 예측에 매우 중요하다.
• 10일 예측은 최종 일주일 동안 유병률을 과대평가하는 경향이 있었으며, 이는 보고 지연 때문일 가능성이 높아, 모델 검증에 있어 데이터 지연을 고려하는 것이 중요하다는 점을 강조한다.