[논문 리뷰] Gaussian Process Nowcasting: Application to COVID-19 Mortality Reporting

Iwona Hawryluk, Henrique Hoeltgebaum외 8명|arXiv (Cornell University)|2021. 02. 22.

Gaussian Processes and Bayesian Inference참고 문헌 22인용 수 7

한 줄 요약

이 논문은 브라질의 코로나19 사망자 수 보고 지연을 보정하기 위해 가우시안 프로세스 기반 실시간 예측 프레임워크를 제안한다. 잠재적 GP와 가군성 커널을 사용하여 시간에 따라 변화하는 보고 지연 분포를 모델링한다. 이는 점 예측과 예측 불확실성 정량화에서 NobBS와 같은 기준 방법보다 뛰어난 성능을 보이며, 브라질에서 유효 복제 수와 같은 핵심 역학적 지표의 정확한 실시간 추정을 가능하게 한다.

ABSTRACT

Updating observations of a signal due to the delays in the measurement process is a common problem in signal processing, with prominent examples in a wide range of fields. An important example of this problem is the nowcasting of COVID-19 mortality: given a stream of reported counts of daily deaths, can we correct for the delays in reporting to paint an accurate picture of the present, with uncertainty? Without this correction, raw data will often mislead by suggesting an improving situation. We present a flexible approach using a latent Gaussian process that is capable of describing the changing auto-correlation structure present in the reporting time-delay surface. This approach also yields robust estimates of uncertainty for the estimated nowcasted numbers of deaths. We test assumptions in model specification such as the choice of kernel or hyper priors, and evaluate model performance on a challenging real dataset from Brazil. Our experiments show that Gaussian process nowcasting performs favourably against both comparable methods, and against a small sample of expert human predictions. Our approach has substantial practical utility in disease modelling -- by applying our approach to COVID-19 mortality data from Brazil, where reporting delays are large, we can make informative predictions on important epidemiological quantities such as the current effective reproduction number.

연구 동기 및 목표

• 실시간 코로나19 사망자 수 보고에서 지연되는 문제를 다루어 전염병 역학의 실시간 추정을 왜곡하는 것을 방지한다.
• 시간에 따라 변화하는 보고 지연의 구조를 잠재적 가우시안 프로세스를 사용해 모델링하는 유연하고 확률론적 프레임워크를 개발한다.
• 브라질 사망자 수 보고의 지연을 보정함으로써 유효 복제 수(R_t)의 실시간 추정 정확도를 향상시킨다.
• 브라질의 높은 지연 데이터셋을 대상으로 제안된 방법을 NobBS 및 전문가 인간 예측과 비교하여 평가한다.
• 국가 수준과 하위 국가 수준에서 실시간 예측의 실용적 적용을 가능하게 하며, 보고의 지역적 이질성을 반영한다.

제안 방법

• 모델은 시간에 따라 변화하는 자기상관 패턴을 포착하기 위해 가군성 커널을 갖춘 잠재적 가우시안 프로세스로 보고 지연 표면을 모델링한다.
• 주간 사망자 수는 음이 이항 분포를 사용하여 모델링하며, 평균 매개변수는 잠재적 GP로 매개변수화되어 지연 과정의 비모수적이고 민감한 모델링을 가능하게 한다.
• GP 커널 하이퍼파rameter에 하이퍼프리오르를 설정하고, 스탠에서 마르코프 체인 몬테카를로(MCMC)를 사용해 전체 베이지안 사후 분포 근사치를 추정한다.
• 모델은 역사적 보고 데이터로 훈련되며, 최소 3개월의 데이터로도 예측 및 불확실성 구간을 포함한 실시간 예측을 수행할 수 있다.
• 예측 성능 평가에는 점 예측의 경우 RMSE, 예측 분포의 경우 CRPS를 사용하며, NobBS 및 전문가 예측과의 비교를 통해 평가한다.
• 이 프레임워크는 공간적으로 분리된 실시간 예측을 지원하여, 보고서의 보조 그림에서 보여지듯이 브라질의 주 수준에서의 적용이 가능하다.

실험 결과

연구 질문

• RQ1 가우시안 프로세스 기반 모델이 실제 사망자 수 데이터의 시간에 따라 변화하는 지연 구조를 효과적으로 포착할 수 있는가?
• RQ2 NobBS와 같은 기존 방법과 비교했을 때, GP 실시간 예측 모델의 예측 정확도와 불확실성 캘리브레이션 성능은 어떠한가?
• RQ3 보고 지연이 존재하는 상황에서 모델이 유효 복제 수(R_t)의 실시간 추정을 얼마나 향상시킬 수 있는가?
• RQ4 브라질의 코로나19 보고 체계처럼 실제 세계에서 지연이 높은 맥락에서 모델은 전문가 인간 예측과 비교해 어떻게 성능을 발휘하는가?
• RQ5 이 프레임워크는 지역 보고의 이질성을 반영하기 위해 주 단위와 같은 하위 국가 수준에서 효과적으로 적용될 수 있는가?

주요 결과

• GP 실시간 예측 모델은 브라질 사망자 수 데이터셋에서 점 예측의 경우 RMSE와 예측 분포의 경우 CRPS 모두에서 NobBS 방법을 뛰어나게 성능을 발휘한다.
• 그림 S13과 S14에서 확인된 커버리지 평가 결과에 따르면, 모델은 더 현실적이고 잘 校정된 불확실성 구간을 생성한다.
• 이 프레임워크는 유효 복제 수(R_t)의 정확한 실시간 추정을 가능하게 하며, 원자료에서 발생하는 R_t < 1로 인한 오해를 유발하는 편향을 보정한다.
• 모델은 훈련 데이터가 제한된 상황에서도 뛰어난 성능을 보이며, 약 3개월의 역사적 보고 데이터만으로도 신뢰할 수 있는 실시간 예측을 생성할 수 있다.
• 이 방법은 하위 국가 수준에 적응 가능하며, 브라질의 주 수준에서 성공적으로 적용되어 지역 보고의 다양성을 반영한다.
• 가군성 GP 커널을 통해 비정상적인 지연 패턴을 포착하는 모델의 유연성 덕분에, NobBS의 일차 랜덤 워크보다 역사적 보고 데이터를 더 잘 설명할 수 있다.