[논문 리뷰] Epidemiological short-term Forecasting with Model Reduction of Parametric Compartmental Models. Application to the first pandemic wave of COVID-19 in France

Athmane Bakhta, Thomas Boiveau외 2명|HAL (Le Centre pour la Communication Scientifique Directe)|2020. 11. 05.

COVID-19 epidemiological studies참고 문헌 6인용 수 4

한 줄 요약

이 논문은 감소된 기저를 사용하는 시간에 따라 변하는 SIR 모델을 활용하여 단기 전염병 예측을 위한 모델 순서 감소 기법을 제안한다. 합성 전염병 시나리오에서 전파($\beta$) 및 회복($\gamma$) 속도의 저차원 다양체를 학습함으로써, 첫 번째 및 두 번째 코로나19 유행 기간 동안 프랑스의 감염자 및 회복자 수에 대해 2주간의 정확한 예측을 가능하게 한다. Eikonal 기반 비음성 그레디언트(ENG) 감소 기저는 정규분해(SVD)와 비음성 행렬분해(NMF)보다 정확성과 강건성 면에서 뛰어나다.

ABSTRACT

We propose a forecasting method for predicting epidemiological health series on a two-week horizon at the regional and interregional resolution. The approach is based on model order reduction of parametric compartmental models, and is designed to accommodate small amount of sanitary data. The efficiency of the method is shown in the case of the prediction of the number of infected and removed people during the two pandemic waves of COVID-19 in France, which have taken place approximately between February and November 2020. Numerical results illustrate the promising potential of the approach.

연구 동기 및 목표

• 제한적이고 노이즈가 많은 보건 데이터 상황에서 대유행 기간 동안 단기 전염병 예측의 과제를 해결한다.
• 특히 사스코비르-2와 같은 새로운 질병에 대해 전통적 분할 모델의 매개변수 추정에 있어 높은 불확실성을 극복한다.
• 모델 복잡도를 줄임으로써 적합성 정확도와 예측 능력의 균형을 이루는 예측 프레임워크를 개발한다.
• 병원 입원자 수 데이터와 무증상 환자 수 조정 요소만을 사용하여 2주간의 지역 및 지역 간 예측을 가능하게 한다.
• 실제 프랑스 첫 번째 및 두 번째 유행 기간(2020년 2월~11월)의 데이터를 활용하여 방법의 효과성을 입증한다.

제안 방법

• 학습 윈도우 $[0,T]$ 동안 관측된 데이터를 정확히 맞추기 위해 시간에 따라 변하는 전파($\beta(t)$) 및 회복($\gamma(t)$) 속도를 갖는 매개변수 SIR 모델을 사용한다.
• 더 긴 시간 간격 $[0,T+\tau]$ 동안 균일하게 샘플링된 매개변수 설정을 사용하여 가상의 전염병 시나리오 대량을 생성함으로써 $\beta(t)$ 및 $\gamma(t)$의 역학을 학습한다.
• 모델 순서 감소 기법—특이값 분해(SVD), 비음성 행렬분해(NMF), Eikonal 기반 비음성 그레디언트(ENG)—를 적용하여 $\beta$ 및 $\gamma$에 대한 저차원 감소 기저를 구성한다.
• 관측된 데이터를 감소 기저에 투영하여 $[0,T]$ 기간 동안 최적의 $\beta_n^*(t)$ 및 $\gamma_n^*(t)$ 함수를 찾는다.
• 감소 기저의 확장된 시간 간격 $[0,T+\tau]$ 를 사용하여 $T$에서 $T+\tau$까지의 예측을 생성하며, $\tau=14$일이다.
• 감염자($I$) 및 제거자($R$) 인구에 대한 상대 오차의 $L^1$ 및 $L^\infty$ 오차를 사용하여 예측 성능을 평가한다.

(a) Infected

실험 결과

연구 질문

• RQ1 시간에 따라 변하는 SIR 매개변수의 감소된 순서 모델이 최소한의 데이터로 정확한 단기 예측을 달성할 수 있는가?
• RQ2 SVD, NMF, ENG와 같은 다양한 모델 순서 감소 기법 간의 적합성 및 예측 성능은 어떻게 비교되는가?
• RQ3 적합 방법(루틴-IR 대 루틴-$\bm{\beta\gamma}$)의 선택이 예측의 강건성과 정확성에 영향을 미치는가?
• RQ4 예측 윈도우의 시작 일자 $T$에 따라 예측 오차는 얼마나 민감한가?
• RQ5 제한된 감시 데이터 상황에서 초기 대유행 단계 동안 지역 및 지역 간 추세를 신뢰성 있게 예측할 수 있는가?

주요 결과

• Eikonal 기반 비음성 그레디언트(ENG) 감소 기저는 모든 테스트 시나리오에서 SVD 및 NMF보다 적합성 및 예측 정확도 면에서 일관되게 뛰어나다.
• ENG 감소 기저를 사용한 루틴-$\bm{\beta\gamma}$ 예측은 가장 낮고 안정적인 오차를 보였으며, $n=2$에서 $n=7$ 사이에서 $I$에 대한 $L^1$ 상대 오차는 $10^{-2}$ 이하, $R$에 대한 $L^\infty$ 오차는 $10^{-3}$ 이하였다.
• SVD 기반 예측은 기저 차원 $n$ 증가에 따라 오차 감소가 중간 정도로 나타났지만, $n=20$일 때도 $I$에 대해 $10^{-4}$ 이상, $R$에 대해 $10^{-5}$ 이상의 오차가 유지되었다.
• NMF 기반 방법은 $\beta$ 및 $\gamma$에 대해 약 $10^{-1}$ 정도의 진동하는 적합 오차를 보였지만, 내재된 정규화 덕분에 $I$ 및 $R$에 대한 예측 오차는 비교적 낮았다.
• SVD 및 NMF를 사용한 루틴-IR 예측은 루틴-$\bm{\beta\gamma}$ 예측보다 더 강건했으며, 후자는 일부 경우에서 오차 폭발 현상을 겪었다.
• 예측 성능은 예측 윈도우의 시작 일자 $T$에 크게 의존했으며, 이는 초기 예측(예: $T=01/04$)이 후기 예측(예: $T=05/05$)보다 오차 변동성이 더 높았다.

(b) Removed