[논문 리뷰] CRISP: A Probabilistic Model for Individual-Level COVID-19 Infection Risk Estimation Based on Contact Data

Ralf Herbrich, Rajeev Rastogi외 1명|arXiv (Cornell University)|2020. 06. 09.

COVID-19 epidemiological studies인용 수 7

한 줄 요약

CRISP는 접촉 추적 데이터와 검사 결과를 사용하여 개인 수준의 코로나19 감염 위험을 추정하는 확률적 그래픽 모델이다. 블록-지브스 샘플링과 몬테카를로 EM을 활용하여 접촉 채널을 통해 전파 확률과 잠재 감염 상태를 추론하며, 증상 기반 또는 접촉 추적 전용 접근 방식보다 인구 수준의 전파를 더 효과적으로 억제하는 사전 검사 및 격리 전략을 가능하게 한다.

ABSTRACT

We present CRISP (COVID-19 Risk Score Prediction), a probabilistic graphical model for COVID-19 infection spread through a population based on the SEIR model where we assume access to (1) mutual contacts between pairs of individuals across time across various channels (e.g., Bluetooth contact traces), as well as (2) test outcomes at given times for infection, exposure and immunity tests. Our micro-level model keeps track of the infection state for each individual at every point in time, ranging from susceptible, exposed, infectious to recovered. We develop both a Monte Carlo EM as well as a message passing algorithm to infer contact-channel specific infection transmission probabilities. Our Monte Carlo algorithm uses Gibbs sampling to draw samples of the latent infection status of each individual over the entire time period of analysis, given the latent infection status of all contacts and test outcome data. Experimental results with simulated data demonstrate our CRISP model can be parametrized by the reproduction factor $R_0$ and exhibits population-level infectiousness and recovery time series similar to those of the classical SEIR model. However, due to the individual contact data, this model allows fine grained control and inference for a wide range of COVID-19 mitigation and suppression policy measures. Moreover, the block-Gibbs sampling algorithm is able to support efficient testing in a test-trace-isolate approach to contain COVID-19 infection spread. To the best of our knowledge, this is the first model with efficient inference for COVID-19 infection spread based on individual-level contact data; most epidemic models are macro-level models that reason over entire populations. The implementation of CRISP is available in Python and C++ at https://github.com/zalandoresearch/CRISP.

연구 동기 및 목표

• 코로나19 패닉 기간 동안 인구 통계의 거시 수준 통계를 넘어서 개인 수준의 확률적 모델을 개발하는 것.
• 부분적인 검사 결과와 접촉 추적 데이터를 바탕으로 개인의 잠재 감염 상태(감수성, 잠복기, 감염 가능성, 회복)를 추론하는 것.
• 접촉 패턴과 검사 결과를 기반으로 개인 위험 점수를 추정하여 사전 검사 및 격리 정책을 가능하게 하는 것.
• 격리 및 검사 전략과 같은 표적화된 간섭의 영향을 시뮬레이션하여 정책 평가를 지원하는 것.

제안 방법

• CRISP는 SEIR 프레임워크에 기반한 확률적 그래픽 모델로, 개인의 감염 상태를 시간에 따라 변화하는 잠재 변수로 모델링한다.
• 모델은 접촉 데이터와 검사 결과를 조건으로 하여 전체 시간 동안 개인의 잠재 감염 상태를 반복적으로 재표본 추출하는 데 블록-지브스 샘플링을 사용한다.
• 모델은 접촉 채널 별 전파 확률을 통합하여 접촉 지속 시간, 거리, 방식에 따라 차별화된 위험 추정이 가능하도록 한다.
• 몬테카를로 EM 및 메시지 전달 알고리즘을 사용하여 관측된 데이터로부터 전파 확률과 모델 파라미터를 추론하고 업데이트한다.
• 추론 절차는 고위험 개인을 식별하여 우선 순위를 정한 검사 및 격리 전략을 효율적으로 지원한다.
• 최적화된 C++ 및 파이썬 구현을 통해 약 10,000명의 인구 집단에 대한 확장 가능한 추론이 가능해졌다.

실험 결과

연구 질문

• RQ1 개인의 접촉 데이터와 검사 결과를 사용하는 확률적 모델이 시간에 따라 개인의 감염 위험을 정확하게 추정할 수 있는가?
• RQ2 접촉 채널 별 전파 확률이 인구 집단 내 감염 전파의 역학에 어떤 영향을 미치는가?
• RQ3 모델이 증상 기반 또는 표준 접촉 추적 전용 격리 정책보다 Outbreak를 더 효과적으로 억제할 수 있는가?
• RQ4 모델이 전체 전파를 줄이기 위해 사전 검사 및 격리 전략을 얼마나 효과적으로 지원할 수 있는가?
• RQ5 모델이 개인 수준의 정밀도를 유지하면서도 거시 수준의 전염병 동역학(예: R₀, 회복 속도)을 얼마나 잘 재현하는가?

주요 결과

• CRISP 모델은 기존 SEIR 모델의 행동을 잘 재현하며 기본 전파 수치 R₀와 회복 시간 시리즈와 같은 거시 수준의 전염병 역학을 성공적으로 재현했다.
• 모델 기반의 검사 및 격리 정책은 시간이 지남에 따라 격리 대상자 수를 줄였으며, 특히 감수성 개인에서 안정된 저수준으로 수렴했다.
• 증상 기반 정책은 감염 및 격리 수가 기하급수적으로 증가시켰지만, CRISP는 더 효과적으로 유행을 억제했다.
• 접촉 추적 전용 정책은 매일 인구의 25% 이상을 격리시켰지만, CRISP는 초반 고강도 단계 이후 이 부담을 크게 감소시켰다.
• 블록-지브스 샘플링 알고리즘은 현실 규모의 인구 집단에서 효율적인 추론을 달성하여 공중보건 의사결정 지원을 위한 실용적 구현이 가능해졌다.