[논문 리뷰] High-resolution Spatio-temporal Model for County-level COVID-19 Activity in the U.S

Shixiang Zhu, Alexander Bukharin외 4명|arXiv (Cornell University)|2020. 09. 15.

COVID-19 epidemiological studies참고 문헌 41인용 수 8

한 줄 요약

이 논문은 미국의 주 단위 코로나19 확진자 수와 사망자 수를 일주일 전행으로 고해상도 시공간 모델을 제안한다. 이 모델은 시간적 상관관계, 군구 간 공간 전파, 이동성 및 인구통계학적 요인과 같은 핵심 공변량을 활용한다. 모델은 검증 가능한 예측 성능을 달성하며 주요 메트로폴리탄 허브와 이동 패턴이 전파의 주요 원인으로 규명된다.

ABSTRACT

We present an interpretable high-resolution spatio-temporal model to estimate COVID-19 deaths together with confirmed cases one-week ahead of the current time, at the county-level and weekly aggregated, in the United States. A notable feature of our spatio-temporal model is that it considers the (a) temporal auto- and pairwise correlation of the two local time series (confirmed cases and death of the COVID-19), (b) dynamics between locations (propagation between counties), and (c) covariates such as local within-community mobility and social demographic factors. The within-community mobility and demographic factors, such as total population and the proportion of the elderly, are included as important predictors since they are hypothesized to be important in determining the dynamics of COVID-19. To reduce the model's high-dimensionality, we impose sparsity structures as constraints and emphasize the impact of the top ten metropolitan areas in the nation, which we refer (and treat within our models) as hubs in spreading the disease. Our retrospective out-of-sample county-level predictions were able to forecast the subsequently observed COVID-19 activity accurately. The proposed multi-variate predictive models were designed to be highly interpretable, with clear identification and quantification of the most important factors that determine the dynamics of COVID-19. Ongoing work involves incorporating more covariates, such as education and income, to improve prediction accuracy and model interpretability.

연구 동기 및 목표

• 미국 군구 수준의 코로나19 활동을 예측하기 위한 고해상도이자 해석 가능한 시공간 모델을 개발하기 위해
• 확진자 수와 사망자 수 간 시간적 자기상관 및 교차상관관계를 통합하기 위해
• 이웃 군구 및 국가 수준의 메트로폴리탄 허브로부터의 공간 전파 효과를 모델링하기 위해
• 지역 공변량, 예를 들어 공동 이동성 및 인구통계학적 요인(예: 노인 인구 비율, 총 인구 수)을 통합하기 위해
• 희소성 강조 및 최상위 도시 허브 중심 모델링을 통해 예측 정확도와 해석 가능성을 향상시키기 위해

제안 방법

• 확진자 수와 사망자의 시간적 동역학을 포착하기 위해 시간 지연 반응을 포함한 다변량 선형 모델을 사용한다
• 각 군구가 인접 군구 및 10개의 국가 수준 메트로폴리탄 허브와 연결되는 계수를 통해 공간적 의존성을 통합한다
• 모델 차원을 줄이고 해석 가능성을 향상시키기 위해 희소성 제약 조건을 적용한다
• 이동성(업무장소, 여가활동, 식료품, 공원, 대중교통, 주거지) 및 인구통계학적 요인(총 인구 수, 노인 비율)을 포함한 공변량을 표준화한다
• 예측값이 음수가 되지 않도록 하고 카운트 데이터의 불확실성을 다루기 위해 로그선형 포아송 회귀 프레임워크를 사용한다
• 공변량 계수의 통계적 유의성을 평가하기 위해 t-검정과 p-값을 활용한다

실험 결과

연구 질문

• RQ1 고해상도 시공간 모델링을 통해 군구 수준의 코로나19 확진자 수와 사망자 수를 얼마나 정확하게 일주일 전행으로 예측할 수 있는가?
• RQ2 특히 이동성과 인구통계학적 요인이 군구 수준에서 코로나19 전파에 가장 강하게 영향을 주는 지역적 및 지역적 요인은 무엇인가?
• RQ3 주요 메트로폴리탄 허브는 미국 전역의 코로나19 공간 전파에 어떻게 기여하는가?
• RQ4 확진자 수와 사망자 수 간의 시간적 상관관계는 예측 정확도를 얼마나 향상시키는가?
• RQ5 희소성 제약 조건과 목표 지정 허브 모델링은 성능 저하 없이 모델의 해석 가능성을 향상시킬 수 있는가?

주요 결과

• 모델은 확진자 수와 사망자 수 모두에 대해 군구 수준에서 검증 가능한 외부 예측을 정확하게 달성하였다.
• 업무장소 이동성과 여가활동 이동성은 모두 확진자 수 증가와 강한 정적 상관관계를 보였으며, 계수는 각각 +9.67e+2와 +1.67e+3였다.
• 주거지 이동성은 확진자 수 증가에 강력한 부정적 영향을 미쳤다(계수: -5.08e+3), 이는 이동 감소가 전파 속도를 늦출 수 있음을 시사한다.
• 사망자 수에 대해 식료품 및 약국 이동성은 유의미한 정적 영향을 미쳤다(계수: +4.77e+3), 이는 필수 소매 업소에서 전파 위험이 높다는 것을 의미한다.
• 노인 인구 비율은 사망률과 유의미하게 연관되어 있었다(계수: -1.17e+3, p-값: 6.85e-5), 그러나 확진자 수에는 영향을 주지 않았다.
• 총 인구 수 계수는 확진자 예측에서 가장 큰 값이었으며(계수: +2.91e+4), 이는 인구 밀도가 질병 전파에 지배적인 요인임을 확인한다.