[논문 리뷰] Efficient real-time monitoring of an emerging influenza epidemic: how feasible?

Paul Birrell, Lorenz Wernisch외 5명|arXiv (Cornell University)|2016. 08. 18.

Data-Driven Disease Surveillance참고 문헌 44인용 수 5

한 줄 요약

이 논문은 여러 개의 완벽하지 않은 데이터 스트림—예를 들어 의료기관 내원 기록과 감시 보고서—에서 발생하는 편향과 공중보건 조치로 인한 갑작스러운 충격을 고려하여, 신속한 실시간 추론과 예측을 가능하게 하는 순차적 몽테카를로(SMC) 알고리즘을 제안한다. 이 방법은 표준 MCMC보다 계산 속도가 빠르며, 온라인 예측 검증을 통해 모델 적합성을 유지하여 패닉 상황에서의 신속한 공중보건 의사결정 가능성을 입증한다.

ABSTRACT

A prompt public health response to a new epidemic relies on the ability to monitor and predict its evolution in real time as data accumulate. The 2009 A/H1N1 outbreak in the UK revealed pandemic data as noisy, contaminated, potentially biased, and originating from multiple sources. This seriously challenges the capacity for real-time monitoring. Here we assess the feasibility of real-time inference based on such data by constructing an analytic tool combining an age-stratified SEIR transmission model with various observation models describing the data generation mechanisms. As batches of data become available, a sequential Monte Carlo (SMC) algorithm is developed to synthesise multiple imperfect data streams, iterate epidemic inferences and assess model adequacy amidst a rapidly evolving epidemic environment, substantially reducing computation time in comparison to standard MCMC, to ensure timely delivery of real-time epidemic assessments. In application to simulated data designed to mimic the 2009 A/H1N1 epidemic, SMC is shown to have additional benefits in terms of assessing predictive performance and coping with parameter non-identifiability.

연구 동기 및 목표

• 2009년 H1N1 유행 기간 동안 관찰된 바와 같이, 데이터가 소음이 많고 편향되며 다수의 출처에서 유래할 경우 실시간 유행 감시의 과제를 해결하기 위해.
• 실시간 추론에서 마르코프 체인 몽테카를로(MCMC)의 계산 비효율성을 해결하기 위해, 이를 순차적 몽테카를로(SMC) 접근법으로 대체함으로써.
• 공중보건 조치 등 갑작스러운 변화가 발생할 경우에도 강건성을 확보하기 위해, 한 단계 앞선 예측 검증을 통한 실시간 모델 적합성 평가를 가능하게 하기 위해.
• 실제 데이터 제약 조건 하에서 복잡한 기계적 유행 모델에 대한 실시간 추론에 SMC를 사용할 수 있는 가능성을 입증하기 위해.

제안 방법

• 모델은 연령별 분류된 SEIR 전파 모델과 다수의 감시 스트림의 데이터 생성 과정을 나타내는 관측 모델을 조합한다.
• 새로운 데이터 배치가 도착함에 따라 후행 분포를 순차적으로 갱신할 수 있도록 순차적 몽테카를로(SMC) 알고리즘을 사용하여 효율적인 실시간 추론을 구현한다.
• 입자 간의 다양성을 유지하고 샘플링 효율을 향상시키기 위해, 입자 재표본화-이동(resample-move) 메커니즘을 SMC 프레임워크에 통합한다.
• 예측 검증을 통해 한 단계 앞선 예측을 사용하여 모델 적합성을 평가하며, 예측 간격의 분리가 발생하면 모델 부적합성 또는 시스템 충격 가능성을 경고한다.
• 알고리즘은 2009년 H1N1 유행을 모의한 시뮬레이션 데이터를 대상으로 테스트되었으며, 갑작스러운 개입으로 인한 충격을 평가하기 위해 시뮬레이션된 개입을 포함한다.
• 입자 다양성을 유지하고 분해를 방지하기 위해, 적응형 조정을 적용한 메트로폴리스-하스팅스 커널을 사용하여 재생성 단계를 수행한다.

실험 결과

연구 질문

• RQ1 소음이 많고 다수의 출처에서 온 데이터일 경우, 순차적 몽테카를로(SMC)가 신속한 실시간 유행 감시를 위한 계산 효율적인 추론을 제공할 수 있는가?
• RQ2 표준 MCMC와 비교해 볼 때, SMC는 공중보건 조치로 인한 모델 부적합성 또는 구조적 변화를 감지하는 데 얼마나 효과적인가?
• RQ3 데이터에 편향, 오염, 급격한 변화가 존재할 경우 SMC가 정확한 후행 추론과 예측 성능을 얼마나 오랫동안 유지할 수 있는가?
• RQ4 진행 중인 유행 상황에서 실시간 예측 검증을 통해 자동으로 모델 적합성을 평가할 수 있는가?
• RQ5 데이터의 복잡성 하에서 실시간 유행 감시에서 SMC는 MCMC에 비해 어떤 계산적 및 추론적 이점이 있는가?

주요 결과

• SMC 알고리즘이 표준 MCMC에 비해 계산 시간을 크게 단축시켜 실시간 유행 감시 평가의 시기적 적합성을 확보한다.
• 2009년 H1N1 유행의 시뮬레이션에서 데이터가 오염되거나 편향되더라도 SMC가 정확한 후행 추론을 유지함을 입증한다.
• 모의 개입이 day 178에 발생한 후, 예측 간격의 분리와 증가하는 쿨백-라이블러(KL) 발산을 통해 SMC가 모델 부적합성을 성공적으로 감지한다.
• SMC의 재표본화-이동 메커니즘은 모델 충격 상황에서도 입자 다양성을 유지하고 매개변수 공간의 효과적인 탐색을 가능하게 한다.
• SMC는 한 단계 앞선 예측을 통한 실시간 모델 적합성 검증을 가능하게 하여, 필요에 따라 빠르게 모델을 적응시킬 수 있다.
• 특히 데이터 스트림이 유의미하지만 일관되지 않은 경우, 갑작스러운 변화나 식별 불가능성 상황에서 SMC는 MCMC를 능가하는 성능을 보인다.