[논문 리뷰] Introduction to statistical inference for infectious diseases

Tom Britton, Federica Giardina|arXiv (Cornell University)|2014. 11. 12.

COVID-19 epidemiological studies참고 문헌 48인용 수 15

한 줄 요약

이 논문은 최종 감염 규모 또는 시간적 유행 데이터를 사용하여 전염병 모델의 핵심 매개변수, 예를 들어 기본 재생수 $R_0$와 임계 백신 접종률 $v_c$를 추정하는 통계적 추론 프레임워크를 포괄적으로 제시한다. 미관측 감염 과정, 개인 및 혼합 이질성, 감시 모델을 통한 초기 유행 탐지 등을 처리하기 위한 방법을 통합하였으며, 시간 시리즈 모델과 MCMC 기법을 활용한 실시간 감시 및 예측 응용에 초점을 맞추고 있다.

ABSTRACT

In this paper we first introduce the general stochastic epidemic model for the spread of infectious diseases. Then we give methods for inferring model parameters such as the basic reproduction number $R_0$ and vaccination coverage $v_c$ assuming different types of data from an outbreak such as final outbreak details and temporal data or observations from an ongoing outbreak. Both individual heterogeneities and heterogeneous mixing are discussed. We also provide an overview of statistical methods to perform parameter estimation for stochastic epidemic models. In the last section we describe the problem of early outbreak detection in infectious disease surveillance and statistical models used for this purpose.

연구 동기 및 목표

• 최종 유행 규모 및 시간적 유병률 데이터를 포함한 다양한 유형의 데이터를 바탕으로 확률적 전염병 모델에 대한 통계적 추론 방법을 개발하기 위해.
• 감염 과정이 미관측되거나 데이터가 누락되는 전염병 역학에서의 매개변수 추정 과제를 해결하기 위해.
• 기본 모델을 개인 이질성, 이질적 혼합 및 공간 전파 패턴을 고려하여 확장하기 위해.
• 감염병 감시 시스템에서 초기 유행 탐지 및 예측을 위한 통계적 도구를 제공하기 위해.
• 개선된 추론 및 예측 성능을 위해 MCMC 및 상태공간 모델과 같은 현대 계산 기법을 통합하기 위해.

제안 방법

• 균일한 혼합을 가정하고 전파율 $\lambda$, 회복율 $\gamma$가 일정한 일반적인 확률적 SIR 모델을 사용하여 전파 역학을 모델링한다.
• 감염 과정이 관측되지 않을 경우 모델 매개변수를 추정하기 위해 MCMC 기법을 적용하여 불확실성 정량화를 가능하게 한다.
• 감시 수치를 모델링하기 위해 자기상관 및 공간 가중 요소를 포함한 음수 이항 회귀 모델을 사용하여 만성성 및 유행성 성분을 분리한다.
• 감시 데이터에서 계절 패턴과 외부 간섭을 모델링하기 위해 푸리에 항과 시변수 계수를 통합한다.
• 엄격히 적절한 프레임워크 내에서 감시 모델의 평가 및 선택을 위해 예측 점수 규칙, 특히 로그 점수를 사용한다.
• 병원체 유전적 데이터에서 전파 경로와 시기를 추론하기 위한 확장으로 형질역학 접근법을 통합한다.

실험 결과

연구 질문

• RQ1 일반적인 확률적 SIR 모델에서 최종 유행 규모 데이터로부터 기본 재생수 $R_0$는 어떻게 추정할 수 있는가?
• RQ2 시간적 유병률 데이터만 관측 가능한 상황에서 $R_0$와 $v_c$를 신뢰성 있게 추론할 수 있는 통계적 방법은 무엇인가?
• RQ3 개인 수준의 이질성과 이질적 혼합은 확률적 전염병 모델의 매개변수 추정에 어떤 영향을 미치는가?
• RQ4 지속 중인 유행 동안 전파 매개변수를 추정하는 데 발생하는 과제는 무엇이며, 기하급수적 증가율은 $R_0$와 어떻게 연결될 수 있는가?
• RQ5 과분산과 공간적 의존성이 있는 시간 시리즈 데이터를 사용할 때 통계적 감시 모델은 어떻게 초기 유행 탐지 및 유병률 예측을 수행할 수 있는가?

주요 결과

• 일반적인 확률적 SIR 모델의 기본 재생수는 $R_0 = \lambda / \gamma$로, 전파율 $\lambda$와 회복율 $\gamma$의 비율로 유도된다.
• 최종 규모 데이터의 경우, 초기 조건가지 알려진 폐쇄된 균일 인구에서 가정할 때 우도 기반 방법을 통해 $R_0$를 추정할 수 있다.
• 시간적 데이터를 통해 기하급수적 증가율 $r$을 추정할 수 있으며, 이는 세대 간격 분포 및 순차 간격 추정을 통해 $R_0$와 연결될 수 있다.
• 임계 백신 접종률 $v_c = 1 - 1/R_0$는 $R_0$에서 유도되며, 균일 혼합 모델에서 집단 면역의 임계점을 제공한다.
• 자기상관 및 공간 성분을 포함한 음수 이항 회귀 모델을 사용한 감시 모델은 과분산과 계절성을 고려할 경우 초기 탐지 및 예측 성능을 향상시킨다.
• R 패키지 'surveillance'은 이러한 모델의 범위를 구현하며, 로그 점수와 같은 적절한 점수 규칙을 사용한 모델 평가를 지원한다.