[논문 리뷰] Dynamic SIR/SEIR-like models comprising a time-dependent transmission rate: Hamiltonian Monte Carlo approach with applications to COVID-19

Hristo Inouzhe, María Xosé Rodríguez‐Álvarez외 2명|arXiv (Cornell University)|2023. 01. 16.

COVID-19 epidemiological studies인용 수 5

한 줄 요약

이 논문은 B-spline을 통해 시간에 따라 변하는 전파율을 모델링한 영향력 있는 데이터 기반 베이지안 동적 SIR/SEIR 모델을 제안한다. 이는 해밀토니안 몬테카를로(Hamiltonian Monte Carlo)를 통해 정확한 전파 역학 추론을 가능하게 하며, 코로나19 데이터에서 비기하학적 감염 기간과 저보도 현상을 효과적으로 포착한다. 합성 데이터 및 바스크 지방(스페인)의 실제 데이터에서 최신 기술보다 뛰어난 성능을 보이며, 신뢰도 높은 불확실성 정량화와 효율적인 계산을 제공한다.

ABSTRACT

A study of changes in the transmission of a disease, in particular, a new disease like COVID-19, requires very flexible models which can capture, among others, the effects of non-pharmacological and pharmacological measures, changes in population behaviour and random events. In this work, we give priority to data-driven approaches and choose to avoid a priori and ad-hoc methods. We introduce a generalised family of epidemiologically informed mechanistic models, guided by Ordinary Differential Equations and embedded in a probabilistic model. The mechanistic models SIKR and SEMIKR with K Infectious and M Exposed sub-compartments (resulting in non-exponential infectious and exposed periods) are enriched with a time-dependent transmission rate, parametrized using Bayesian P-splines. This enables an extensive flexibility in the transmission dynamics, with no ad-hoc intervention, while maintaining good differentiability properties. Our probabilistic model relies on the solutions of the mechanistic model and benefits from access to the information about under-reporting of new infected cases, a crucial property when studying diseases with a large fraction of asymptomatic infections. Such a model can be efficiently differentiated, which facilitates the use of Hamiltonian Monte Carlo for sampling from the posterior distribution of the model parameters. The features and advantages of the proposed approach are demonstrated through comparison with state-of-the-art methods using a synthetic dataset. Furthermore, we successfully apply our methodology to the study of the transmission dynamics of COVID-19 in the Basque Country (Spain) for almost a year, from mid February 2020 to the end of January 2021.

연구 동기 및 목표

• 복잡한 전파 역학을 광범위하게 포착할 수 있는 탄력적이고 역학적으로 타당한 기계적 모델을 개발하는 것.
• 시간에 따라 변하는 전파율을 베이지안 P-spline을 활용해 더 높은 시간적 민감도와 매끄러움을 확보하는 것.
• 생성 확률 모델을 통해 데이터 불확실성과 저보도 상황에서도 강력한 매개변수 추론을 가능하게 하는 것.
• 모델의 미분 가능성에 기반해 해밀토니안 몬테카를로(HMC)를 활용해 효율적인 사후 분포 샘플링을 실현하는 것.
• 2020년 2월부터 2021년 1월까지 스페인 바스크 지방의 실제 코로나19 유병률 데이터를 바탕으로 본 방법의 성능을 입증하는 것.

제안 방법

• 표준 SIR/SEIR 프레임워크를 확장하여 K개의 감염자 하위집단과 M개의 잠복기 하위집단(SI K R 및 SE M I K R)을 도입함으로써 비기하학적 지속 기간 분포를 가능하게 한다.
• 전파율 β(t)는 미지의 계수를 가진 B-spline 기저 전개로 모델링되어 시간에 따라 유연하고 매끄러운 변화를 가능하게 한다.
• ODE 해를 기반으로 생성 모델을 구축하며, 관측 불확실성과 저보도를 음이항분포 우도를 통해 통합한다.
• 해밀토니안 몬테카를로(HMC)를 사용해 사후 분포 샘플링을 수행하며, 자동 미분를 통한 반분석적 기울기 계산으로 가능성이 보장된다.
• 모델은 전체 사후 분포 추론을 통해 불확실성 정량화를 지원하며, 높은 미분 가능성 덕분에 헤시안 행렬 계산이 가능하다.
• 모델은 C와 R로 구현되어 있어 계산 효율성이 뛰어나며, 근일 단위로 전파 추세 모니터링이 가능하다.

실험 결과

연구 질문

• RQ1 기계적 SIR/SEIR 모델은 어떻게 시간에 따라 변하는 전파 역학을 광범위하게 포착할 수 있는가? 이는 특수 조치 없이 가능할까?
• RQ2 상수 또는 조각별로 일정한 모델에 비해 β(t)의 B-spline 파arameterization이 전파율 추정의 탄력성과 정확도를 얼마나 향상시킬 수 있는가?
• RQ3 제안된 베이지안 동적 모델은 바스크 지방과 같은 실제 환경에서 저보도와 노이즈가 많은 유병률 데이터를 어떻게 다루는가?
• RQ4 시간에 따라 변하는 매개변수를 가진 복잡한, 미분 가능한 ODE 기반 모델에서 해밀토니안 몬테카를로(HMC)가 효율적이고 정확한 사후 분포 추론을 제공할 수 있는가?
• RQ5 예를 들어 SI K R 대비 SE M I K R 등의 다양한 모델 구조와 사전 분포 선택이 추론의 강건성과 해석 가능성에 어떤 영향을 미치는가?

주요 결과

• 모델은 바스크 지방에서 사스코로나2바이러스의 비단조화적인 전파 역학을 성공적으로 포착했으며, 첫 번째 및 이후 파동 동안 전파 피크를 식별했다.
• 모든 모델에서 제재 조치 기간 동안 전파가 감소하고 조치 완화 후에 증가하는 경향을 보였으며, 첫 번째 파동에서 가장 높은 전파가 관찰되었다.
• 후속 파동에서의 제재 조치는 전파 피크와 거의 동시에나 그 이후에 시행되어 즉각적인 효과를 판단하는 데 주의가 필요하다는 점을 시사했다.
• 합성 데이터에서 최신 기술 대비 뛰어난 성능을 보이며, 시간에 따라 변하는 전파율 추정에서 경쟁적인 성능을 입증했다.
• 사후 샘플링은 계산적으로 가능했으며, 바스크 지방 데이터셋의 경우 조정 및 샘플링 포함 총 실행 시간이 24시간 이내였다.
• 모델의 미분 가능성 덕분에 효율적인 HMC 샘플링이 가능했고, 헤시안 기반 추론 및 기타 머신러닝 절차로의 확장 가능성도 확보되었다.