[논문 리뷰] Machine learning spatio-temporal epidemiological model to evaluate Germany-county-level COVID-19 risk

Lingxiao Wang, Tian Xu외 4명|arXiv (Cornell University)|2020. 11. 30.

COVID-19 epidemiological studies참고 문헌 22인용 수 5

한 줄 요약

이 논문은 독일의 412개 Landkreis에서의 지역 수준 코로나19 위험을 예측하기 위해 공간적 세포자동기(CA)와 시간적 SUIR(감염자-미진단자-감염자-제거자) 모델을 결합한 기계학습 기반의 시공간(epidemiological) 모델인 CA-SUIR을 제안한다. 이 모델은 실시간 감염 데이터와 이동 패턴을 통합하여 t일 전망 예측과 정책 영향 평가를 가능하게 하며, 효과적인 간병 조치가 있었다면 2020년 크리스마스에 사망자가 34.5만 명에서 21만 명 이하로 줄어들 수 있음을 예측한다.

ABSTRACT

As the COVID-19 pandemic continues to ravage the world, it is of critical significance to provide a timely risk prediction of the COVID-19 in multi-level. To implement it and evaluate the public health policies, we develop a framework with machine learning assisted to extract epidemic dynamics from the infection data, in which contains a county-level spatiotemporal epidemiological model that combines a spatial Cellular Automaton (CA) with a temporal Susceptible-Undiagnosed-Infected-Removed (SUIR) model. Compared with the existing time risk prediction models, the proposed CA-SUIR model shows the multi-level risk of the county to the government and coronavirus transmission patterns under different policies. This new toolbox is first utilized to the projection of the multi-level COVID-19 prevalence over 412 Landkreis (counties) in Germany, including t-day-ahead risk forecast and the risk assessment to the travel restriction policy. As a practical illustration, we predict the situation at Christmas where the worst fatalities are 34.5 thousand, effective policies could contain it to below 21 thousand. Such intervenable evaluation system could help decide on economic restarting and public health policies making in pandemic.

연구 동기 및 목표

• 팬데믹 기간 동안 공중보건 및 경제 정책 결정을 지원하기 위해 국가-지역-군집 수준의 다층적 위험 예측 모델을 개발하는 것.
• 기존의 시간 영역 모델의 한계를 보완하기 위해 독일의 각 군역 간 공간적 이질성과 인구 이동 패턴을 통합하는 것.
• 여행 제한과 같은 정책의 영향을 지역 감염 확산과 사망률에 미치는 영향을 시뮬레이션할 수 있는 간섭 가능한 평가 체계를 구축하는 것.
• 기계학습과 전염병학 모델링의 하이브리드 프레임워크를 활용해 지역 수준에서 정확한 국지적 예측을 가능하게 하는 것.

제안 방법

• CA-SUIR 모델은 지리적 인구 분포를 위한 공간적 세포자동기(CA)와 412개 독일 군역에서 감염 동역학을 시뮬레이션하기 위한 시간적 SUIR 모델을 결합한다.
• SUIR 모델은 미감염자, 미진단자, 감염자, 제거자 인구를 추적하기 위해 미분방정식을 사용하며, 매개변수 추정을 가능하게 하기 위해 지수적 피팅을 통해 해를 근사한다.
• 정규화된 감염 지ap을 기반으로 훈련된 Conv2LSTM 신경망은 시공간 패턴을 학습하며, 64x4 컨볼루션 계층, 맥스 풀링, 256개의 LSTM 셀을 활용해 시퀀스 모델링을 수행한다.
• 모델은 시간 분산 컨볼루션 아키텍처를 사용한 후 평탄화 및 ReLU와 시그모이드 활성화 함수를 갖는 밀집 계층을 거쳐 향후 감염 상태를 예측한다.
• 매개변수 피팅은 대규모 감염 가능 인구가 존재하는 가정 하에 단순화된 SUIR 시스템을 사용하며, 식별 가능한 조합인 σU₀와 c*에 집중한다.
• 모델은 2020년 3월의 실제 RKI 데이터와 시뮬레이션된 감염 지도를 비교하여 검증되었으며, 누적 사례 분포에서 강한 일치를 보였다.

실험 결과

연구 질문

• RQ1 기계학습과 전염병학 모델링의 하이브리드 프레임워크는 독일의 지역 수준에서 코로나19 유병률을 얼마나 정확하게 예측할 수 있는가?
• RQ2 겨울 2020년 파동 기간 동안 여행 제한 정책의 영향은 독일 군역의 예상 감염자 수와 사망자 수에 어떤 영향을 미치는가?
• RQ3 공간적 인구 분포와 이동 패턴은 지역 수준에서 SARS-CoV-2의 확산에 어떤 영향을 미치는가?
• RQ4 CA-SUIR 모델은 기존의 시간 전용 모델보다 다층적 시공간 전파 역학을 더 잘 포착할 수 있는가?
• RQ5 기계학습은 복잡하고 이질적인 전염병 시스템의 校정 및 예측을 어느 정도 향상시킬 수 있는가?

주요 결과

• CA-SUIR 모델은 2020년 3월 동안 실제 RKI 감염 데이터와 강한 일치를 보이며 실제 전파 패턴을 시뮬레이션할 수 있음을 검증했다.
• 효과적인 간병 조치가 없었다면 2020년 크리스마스에 독일 군역에서 최대 34,500명의 사망자가 발생할 것으로 모델이 예측했다.
• 효과적인 공중보건 정책이 적용된 경우, 사망자는 21,000명 이하로 제한될 수 있으며, 이는 정책 시뮬레이션의 가치를 입증한다.
• Conv2LSTM 모델은 훈련 과정에서 평균 제곱오차(MSE) 손실이 감소하고 R²가 증가함을 보이며, 실제 데이터와 강한 예측 상관관계를 보였다.
• 모델의 매개변수 피팅 결과, 유일하게 식별 가능한 조합은 σU₀와 c*뿐이며, 이는 개별 매개변수 추정에 내재된 불확실성을 강조한다.
• 이 프레임워크는 지역 수준에서 t일 전망 위험 예측과 정책 영향 평가를 가능하게 하여 국지적 의사결정 지원에 기여한다.