[논문 리뷰] Beyond $R_0$: Heterogeneity in secondary infections and probabilistic epidemic forecasting

Laurent Hébert‐Dufresne, Benjamin M. Althouse외 2명|arXiv (Cornell University)|2020. 02. 10.

COVID-19 epidemiological studies인용 수 16

한 줄 요약

이 논문은 기본적인 전파 수치 $R_0$를 넘어서 전파의 이차 감염 분포 전체, 특히 이질성을 포함한 네트워크 기반의 유행 예측 프레임워크를 제안한다. 접촉 추적 데이터와 확률 생성 함수를 활용하여, 유행 규모는 전파의 변동성, 즉 단지 $R_0$에 의해 결정되지 않음을 보여주며, 이질성을 忽略할 경우 유행 예측에 막대한 불확실성이 발생함을 입증한다.

ABSTRACT

The basic reproductive number -- $R_0$ -- is one of the most common and most commonly misapplied numbers in public health. Although often used to compare outbreaks and forecast pandemic risk, this single number belies the complexity that two different pathogens can exhibit, even when they have the same $R_0$. Here, we show how to predict outbreak size using estimates of the distribution of secondary infections, leveraging both its average $R_0$ and the underlying heterogeneity. To do so, we reformulate and extend a classic result from random network theory that relies on contact tracing data to simultaneously determine the first moment ($R_0$) and the higher moments (representing the heterogeneity) in the distribution of secondary infections. Further, we show the different ways in which this framework can be implemented in the data-scarce reality of emerging pathogens. Lastly, we demonstrate that without data on the heterogeneity in secondary infections for emerging infectious diseases like COVID-19, the uncertainty in outbreak size ranges dramatically. Taken together, our work highlights the critical need for contact tracing during emerging infectious disease outbreaks and the need to look beyond $R_0$ when predicting epidemic size.

연구 동기 및 목표

• 전파 이질성을 반영하지 못하는 $R_0$를 유일한 유행 위험 지표로 사용할 경우의 한계를 해결하기 위해.
• 단지 평균 $R_0$가 아니라 이차 감염 분포의 고차 모멘트를 포함한 유행 규모 예측 방법을 개발하기 위해.
• 이차 감염의 이질성을 忽略할 경우 예측 불확실성이 심각하게 증가함을 입증하기 위해.
• 초기 접촉 추적 데이터를 활용해 전파 분포를 추정하고 실시간 유행 예측을 향상시키는 실용적 프레임워크를 제공하기 위해.

제안 방법

• 뉴먼 등(2001)의 고전적인 무작위 네트워크 이론 결과를 재구성하고 확장하여, 도수 분포의 확률 생성 함수(PGF)를 사용해 유행 전파를 모델링한다.
• 접촉 추적 데이터를 활용해 이차 감염 분포의 첫 번째 모멘트($R_0$)와 고차 모멘트(이질성)를 추정한다.
• 초기 감염자로부터의 이차 감염 수를 부정이항 분포로 모델링하여 슈퍼스프레딩 사건을 영구적으로 유연하게 모델링한다. 이는 $R_0$와 산란도수 $k$로 매개변수화된다.
• 이차 감염의 PGF $G_1(x)$를 접촉 네트워크의 도수 분포 PGF $G_0(x)$로부터 관계 $G_1(x) = G_0'(x)/G_0'(1)$를 사용해 유도한다.
• 최종 유행 규모 $R(∞)$를 구하기 위해 $u = G_1(u)$의 고정점 $u$를 찾고, 수치적 안정화 방법을 사용해 $R(∞) = 1 - G_0(u)$를 계산한다.
• 합성 및 실제 세계 데이터를 사용해 프레임워크를 검증하였으며, 이질성이 높을 경우 $R_0$만으로는 정확한 예측이 불가능함을 보였다.

실험 결과

연구 질문

• RQ1 전파 이질성이 일정한 $R_0$ 조건에서 최종 유행 규모에 어떤 영향을 미치는가?
• RQ2 접촉 추적 데이터를 사용해 이차 감염 분포의 $R_0$뿐 아니라 산란도수 매개변수 $k$도 추정할 수 있는가?
• RQ3 이차 감염의 이질성을 忽略할 경우 유행 예측의 불확실성은 어느 정도 증가하는가?
• RQ4 전체 분포 정보를 포함한 네트워크 기반 모델은 신속한 유행 발생 초기에 실시간 유행 예측을 어떻게 향상시킬 수 있는가?
• RQ5 전파가 매우 이질적인 조건에서, 초기 이차 감염 수(예: 환자 0호)와 최종 유행 규모 사이의 관계는 어떠한가?

주요 결과

• 동일한 $R_0$를 가진 두 병원체가 전파 이질성의 차이로 인해 매우 다른 유행 규모를 초래할 수 있으며, 이는 $R_0$를 유일한 예측 지표로 사용하는 데에 비효율적임을 시사한다.
• 최종 유행 규모는 단지 $R_0$에 의해 결정되지 않으며, 특히 슈퍼스프레딩 사건의 존재 여부에 따라 이차 감염 분포의 전체 분포에 의해 결정된다.
• 이질성을 忽略할 경우, 정확한 $R_0$ 추정이 이루어져도 예측된 유행 규모의 불확실성이 극적으로 증가한다.
• 프레임워크는 $R_0 > 1$이 큰 규모의 유행을 위한 필수 조건이지만 충분 조건은 아니며, 이차 감염 분포의 형태가 유행이 폭발할지 여부를 결정함을 보여준다.
• 환자 0호의 예상 이차 감염 수는 네트워크 구조와 $p_0$ (접촉이 없는 확률)에 따라 $R_0$와 다를 수 있다.
• 모델은 접촉 추적 및 감염 통제를 통해 슈퍼스프레딩 사건을 관리하는 것이 평균 전파만을 대상으로 하는 것보다 더 효과적일 수 있음을 시사한다.