[논문 리뷰] Inferring the COVID-19 infection curve in Italy

Andrea Pugliese, Sara Sottile|arXiv (Cornell University)|2020. 04. 20.

COVID-19 epidemiological studies참고 문헌 16인용 수 9

한 줄 요약

이 논문은 보고된 사망자 수와 입원자 수를 바탕으로 이탈리아의 SARS-CoV-2 감염의 실제 시계열을 추론하기 위해 역계산 방법을 제안한다. 이는 감염과 결과 사이의 추정된 지연 분포를 활용한다. 이 방법은 SIR 프레임워크 내에서 최대우도추정을 적용하며, 이탈리아의 유효 재생수 $R_0$가 3월 20일경에 1 이하로 떨어졌고, 4월 초에는 0.5에서 0.8 사이로 안정화된 것으로 나타났다.

ABSTRACT

Aim of this manuscript is to show a simple method to infer the time-course of new COVID-19 infections (the most important information in order to establish the effect of containment strategies) from available aggregated data, such as number of deaths and hospitalizations. The method, that was used for HIV-AIDS and was named `back-calculation', relies on good estimates of the distribution of the delays between infection and the observed events; assuming that the epidemic follows a simple SIR model with a known generation interval, we can then estimate the parameters that define the time-varying contact rate through maximum likelihood. We show the application of the method to data from Italy and several of its region; it is found that $R_0$ had decreased consistently below 1 around March 20, and in the beginning of April it was between 0.5 and 0.8 in the whole Italy and in most regions.

연구 동기 및 목표

• 검사의 변동성으로 인해 보고된 사례 데이터가 신뢰할 수 없을 때 이탈리아의 SARS-CoV-2 감염의 실제 시계열을 추정하기 위해.
• 사망자 수나 입원자 수와 같이 지연되고 집계된 건강 결과로부터 감염 역학을 추론하는 데 도전하는 문제를 해결하기 위해.
• 팬데믹 기간 동안 공중보건 결정을 안내하기 위해 시의적절하고 신뢰할 수 있는 유효 재생수 $R_0$ 추정치를 제공하기 위해.
• 이전에 HIV/AIDS에 사용된 바 있는 역계산 방법을 SARS-CoV-2의 더 빠른 전파 역학에 적응하여 적용함으로써 그 유용성을 입증하기 위해.
• 공개된 건강 데이터를 기반으로 한 모델 기반 추론을 통해 재개 전략을 지원하기 위해, 감염 추세에 대한 데이터 기반 추정을 제공하기 위해.

제안 방법

• 이 방법은 감염과 관찰된 결과(예: 사망 또는 입원) 사이의 시간 지연을 반대로 거꾸로 계산하여 감염 시기를 추론한다.
• 감염에서 사망까지의 지연 분포와 감염에서 입원까지의 지연 분포를 모델링하며, 이들이 지역 간으로 일정하고 알려져 있다고 가정한다.
• 고정된 세대 간격을 사용한 SIR 모델을 활용하여 감염 역학과 관찰된 결과를 연결하고, 시간에 따라 변하는 접촉률은 최대우도추정을 통해 추정한다.
• 누적 데이터에서 일일 신규 사망자 수($D_t$)와 신규 입원자 수($H_t$)를 유도하며, 퇴원자 수와 보고 지연을 보정한다.
• 소음이 많은 일일 데이터의 영향을 줄이고 보고의 이질성을 감소시키기 위해 3일 이동평균을 적용한다.
• 시간에 따라 변하는 접촉률을 추정하기 위해 스퍼린을 사용하여 모델을 피팅하며, 민감도 분석을 통해 노드 수와 피팅 윈도우 선택에 대한 강건성을 확인한다.

실험 결과

연구 질문

• RQ1 검사의 한계로 인해 보고된 사례 데이터가 신뢰할 수 없을 때 이탈리아에서 실제 감염 곡선을 어떻게 추론할 수 있는가?
• RQ2 광범위한 검사 없이 사망자 수와 입원자 수가 감염 발생률의 신뢰할 수 있는 대체 지표로 사용될 수 있는 정도는 어느 정도인가?
• RQ3 팬데믹 초기 단계 동안 이탈리아와 그 지역에서 유효 재생수 $R_0$의 추세는 어떠한가?
• RQ4 모델 가정과 데이터 정규화의 변동에 대해 추론된 감염 곡선과 $R_0$ 추정치가 얼마나 강건한가?
• RQ5 어느 지역에서 모델 피팅이 잘 되지 않았으며, 이는 지역 전파 역학이나 데이터 품질에 대해 무엇을 시사하는가?

주요 결과

• 이탈리아의 유효 재생수 $R_0$는 2020년 3월 20일경에 지속적으로 1 이하로 떨어졌으며, 이는 그 시점에 유행이 통제되고 있음을 시사한다.
• 2020년 4월 초에는 전국과 대부분의 지역에서 $R_0$가 0.5에서 0.8 사이로 안정화되었으며, 이는 전파 억제가 지속되고 있음을 나타낸다.
• 데이터 품질과 균일한 전파로 인해 예측이 매우 뚜렷한 피크를 보인 베네토 지역에서 모델 피팅이 특히 우수했다.
• 피에몬테 지역에서는 입원자 수의 일일 변동성이 높아 모델 피팅이 불량했으며, $R_0$ 추정치는 항상 1을 초과해 전파가 계속되고 있음을 시사했다.
• 4월 8일에서 11일 사이에 입원자 수에 허위 피크가 발견되었으며, 이는 데이터 보고 이상이나 퇴원자 보고 방식의 변화 때문일 가능성이 높다.
• 이 방법의 예측 능력은 단기 추세에 국한되었으며, 피팅 윈도우를 초월해 외삽할 경우 데이터 가정의 변화에 따라 차이가 발생하는 것으로 나타났다.