[논문 리뷰] Learning the Probability of Activation in the Presence of Latent Spreaders

Maggie Makar, John V. Guttag외 1명|arXiv (Cornell University)|2017. 12. 02.

Data-Driven Disease Surveillance인용 수 4

한 줄 요약

이 논문은 감염 확률을 개인의 감수성과 네트워크 내 잠재적 주변 전파자 상태를 종합적으로 모델링함으로써 감염 가능성을 학습하는 생성적 확률 모델인 PALS를 제안한다. 환자 간 접촉 네트워크에서 변분 추론을 적용한 PALS는 건강 관리 관련 C. diff 감염 예측에서 벤치마크를 능가하며, 잠재적 고위험 비증상 전파자를 식별함으로써 표적화된 감염 관리 조치를 가능하게 한다.

ABSTRACT

When an infection spreads in a community, an individual's probability of becoming infected depends on both her susceptibility and exposure to the contagion through contact with others. While one often has knowledge regarding an individual's susceptibility, in many cases, whether or not an individual's contacts are contagious is unknown. We study the problem of predicting if an individual will adopt a contagion in the presence of multiple modes of infection (exposure/susceptibility) and latent neighbor influence. We present a generative probabilistic model and a variational inference method to learn the parameters of our model. Through a series of experiments on synthetic data, we measure the ability of the proposed model to identify latent spreaders, and predict the risk of infection. Applied to a real dataset of 20,000 hospital patients, we demonstrate the utility of our model in predicting the onset of a healthcare associated infection using patient room-sharing and nurse-sharing networks. Our model outperforms existing benchmarks and provides actionable insights for the design and implementation of targeted interventions to curb the spread of infection.

연구 동기 및 목표

• 이웃 전파자 상태가 은폐되어 있고 관찰되지 않을 때 감염 위험을 예측하는 데 도전하는 것.
• 관찰된 특성에 기반한 개인의 감수성과 네트워크 내 은폐된 전파자 상태를 함께 모델링하는 것.
• 은폐된 전파자를 忽시하거나 개인별 감수성을 모델링하지 않는 기존 모델들보다 위험 추정 성능을 향상시키는 것.
• 개인 특성과 전파 가능성 간 상관관계를 학습함으로써 감염 관리에 실질적인 통찰을 제공하는 것.
• 합성 데이터와 실제 병원 환자 데이터를 기반으로 한 C. diff 전파에 대한 모델 성능 평가

제안 방법

• 개인의 감수성과 이웃의 잠재적 베르누이 분포를 따르는 전파자 상태를 종합적으로 고려한 생성적 확률 모델을 수립한다.
• 각 이웃의 전파자 상태를 그들의 관찰된 특성(예: 항생제 복용, 설사)에 기반한 학습된 가중치 u로 모델링한다.
• 변분 추론을 적용하여 은폐된 전파자 상태와 모델 파라미터를 동시에 추정함으로써 확장 가능한 추론을 가능하게 한다.
• 엣지가 공동 사용하는 객실 또는 간호사의 공유를 나타내는 네트워크 구조를 사용하여 노출 경로를 인코딩한다.
• 감수성(예: 연령, 병력)과 노출(이웃의 영향)을 모두 입력으로 사용하여 감염 확률을 예측한다.
• 특성과 노출을 감염 위험로 매핑하기 위해 로지스틱 회귀 유사 링크 함수를 사용하며, 은폐된 전파자 상태는 데이터로부터 추론한다.

실험 결과

연구 질문

• RQ1 이웃 전파자 상태가 은폐되어 있고 관찰되지 않을 때 모델이 감염 위험을 정확하게 예측할 수 있는가?
• RQ2 은폐된 전파자 상태를 포함함으로써, 관찰된 상태 또는 무시된 상태를 가정하는 모델에 비해 예측 정확도가 얼마나 향상되는가?
• RQ3 병원 환경에서 C. diff 전파자로 작용할 가능성이 높은 환자 특성은 무엇인가?
• RQ4 임상적으로 진단되지 않았지만 여전히 병원균을 전파하는 비증상 전파자를 모델이 얼마나 잘 식별할 수 있는가?
• RQ5 노출 전용, 감수성 전용, 또는 병합된 방식의 감염 모드에서 모델 성능은 어떻게 변화하는가?

주요 결과

• PALS는 부분적으로 전파자 상태가 관찰되는 간호사 공유 네트워크에서 AUC 0.705(95% 신뢰구간: 0.703–0.706)를 기록하여 NbrProbInf(AUC 0.641)와 NbrInfRate(AUC 0.606) 등 벤치마크를 뛰어넘었다.
• 감수성 전용 설정에서 PALS는 AUC 0.698을 달성하여 노출 요인이 작동하지 않을 경우에도 강건함을 입증했다.
• 모델은 광범위한 항생제 복용(예: 정맥 주사용 바나코마이신, 시프로플록사신) 환자와 설사 치료(예: 로페라마이드)를 받는 환자에서 가장 높은 양의 u 가중치를 보였으며, 이는 전파 가능성 증가를 시사한다.
• CDI 치료를 받는 환자는 가장 큰 음수 u 가중치를 보였으며, 이는 임상적 격리 및 접촉 예방 조치가 전파 위험을 효과적으로 감소시킨다는 것을 시사한다.
• 간호사 공유 데이터를 사용하고 부분 관찰 조건에서 PALS는 10%의 위양성 비율에서 참양성률(TPR) 0.324를 달성하여 모든 벤치마크를 능가했다.
• 이웃 상태에 대한 부분 정보만 있을 때에도 모델은 은폐된 전파자를 정확히 식별했으며, 부분 관찰 조건에서 성능 향상이 더욱 두드러졌다.