[논문 리뷰] Learning to Forecast and Forecasting to Learn from the COVID-19 Pandemic

Ajitesh Srivastava, Viktor K. Prasanna|arXiv (Cornell University)|2020. 04. 23.

COVID-19 epidemiological studies참고 문헌 7인용 수 11

한 줄 요약

이 논문은 가중 최소 제곱법을 사용하여 변화하는 추세에 빠르게 적응할 수 있도록 인간 이동성과 이질적인 감염률 모델을 제안하여 국가 및 주 수준에서 코로나19 감염자 수를 예측한다. 높은 예측 정확도를 달성하며 시간에 따라 변화하는 매개수를 통해 전염병 역학을 학습할 수 있으며, 정책 영향을 정량화하고 사회적 거리 두기 해제와 같은 예측 시나리오를 수립하기 위해 접촉 감소 지표 및 전염병 감소 지표와 같은 새로운 지표를 도입한다.

ABSTRACT

Accurate forecasts of COVID-19 is central to resource management and building strategies to deal with the epidemic. We propose a heterogeneous infection rate model with human mobility for epidemic modeling, a preliminary version of which we have successfully used during DARPA Grand Challenge 2014. By linearizing the model and using weighted least squares, our model is able to quickly adapt to changing trends and provide extremely accurate predictions of confirmed cases at the level of countries and states of the United States. We show that during the earlier part of the epidemic, using travel data increases the predictions. Training the model to forecast also enables learning characteristics of the epidemic. In particular, we show that changes in model parameters over time can help us quantify how well a state or a country has responded to the epidemic. The variations in parameters also allow us to forecast different scenarios such as what would happen if we were to disregard social distancing suggestions.

연구 동기 및 목표

• 코로나19 팬데믹 기간 동안 변화하는 추세에 신속히 적응할 수 있는 확장성 있고 자동화된 전염병 예측 모델을 개발하기 위해.
• 보고된 감염자 데이터에서 시간에 따라 변화하는 모델 매개수를 학습함으로써 공중보건 정책의 효과를 정량화하기 위해.
• 학습된 매개수를 사용하여 사회적 거리 두기 해제와 같은 다양한 정책 시나리오에 대한 미래 전염병 궤적 예측을 가능하게 하기 위해.
• 지역적 대응의 효과성을 평가하기 위해 해석 가능한 지표인 접촉 감소 지표 및 전염병 감소 지표를 도입하기 위해.
• 항체 연구 데이터를 통합하여 향후 미보고 및 면역 상태의 경우를 모델링하기 위해.

제안 방법

• 각 하위감염 상태 k개에 대해 서로 다른 전파율 βi를 가진 이질적인 SIR 유형 모델이 감염성의 시간적 변화를 포착한다.
• 모델은 이주 지역 간 이동성을 반영하기 위해 이동 매트릭스 F(q,p)를 포함하여 다른 지역으로부터의 새로운 감염을 도입한다.
• 감염을 J일 간격으로 묶어 선형화함으로써 과적합을 줄이고 효율적인 학습을 가능하게 한다.
• 추세 적응을 위해 최근 데이터에 더 높은 가중치를 주기 위해 기록 인자와 함께 가중 최소 제곱법을 사용하여 모델을 학습시킨다.
• 초기화 매개수 선택은 고정 및 가변 방식을 사용하며, 다수의 예측 모델을 평균화하여 안정성을 향상시킨다.
• 보고 확률 γi 및 면역 ρp를 포함시켜 미보고 사례 및 혈청유병률을 고려하기 위해 모델을 확장한다.

실험 결과

연구 질문

• RQ1 인간 이동성과 함께 시간에 따라 변화하는 데이터 기반의 동적 전염병 모델은 국가 및 하위 국가 수준에서 코로나19 예측 정확도를 어떻게 향상시킬 수 있는가?
• RQ2 시간에 따라 변화하는 모델 매개수는 사회적 거리 두기와 같은 공중보건 정책의 실제 세계 영향을 어느 정도 반영할 수 있는가?
• RQ3 사회적 거리 두기 철회와 같은 다양한 정책 시나리오 하에서 모델은 신뢰할 수 있는 미래 전염병 궤적 예측을 생성할 수 있는가?
• RQ4 접촉 감소 지표 및 전염병 감소 지표는 지역 간 전염병 대응 효과성의 차이를 어떻게 정량화하는가?
• RQ5 미보고 사례 및 면역을 통합할 경우 장기 예측 신뢰도에 어떤 영향을 미치는가?

주요 결과

• 가중 최소 제곱법과 기록 인자를 활용하여 추세 적응을 도모함으로써, 모델은 국가 및 미국 주 수준에서 보고된 감염자 수에 대해 매우 정확한 예측을 달성하였다.
• 접촉 감소 지표는 기준 대비 지역 내 전파 감소 정도를 효과적으로 정량화하여 정책 영향을 반영하였다.
• 전염병 감소 지표는 과거 추세가 유지되었을 경우와 비교하여 확진자 수의 실제 감소 폭을 측정하여 지역적 대응 성공 여부를 나타내었다.
• 예측 시나리오 분석 결과, 사회적 거리 두기를 해제할 경우 감염자 수가 급격히 증가할 것으로 나타났으며, 그림 7의 빨간 선이 이 급격한 증가를 시각화하고 있다.
• 모델의 성능은 지역 간에 뛰어난 안정성을 보였으며, 가변적 초기화 매개수 설정 방식은 더 높은 분산을 보였지만 더 많은 데이터가 제공될 경우 향상 가능성이 있었다.
• 보고 확률 γ 및 면역 ρ를 통합함으로써 장기 시나리오 시뮬레이션을 가능하게 하였으며, 그림 8은 다양한 보고율이 예측된 감염자 수에 미치는 영향을 보여주었다.