[논문 리뷰] Modelling provincial Covid-19 epidemic data in Italy using an adjusted time-dependent SIRD model

Luisa Ferrari, G Gerardi외 5명|arXiv (Cornell University)|2020. 05. 25.

COVID-19 epidemiological studies참고 문헌 24인용 수 12

한 줄 요약

이 논문은 이탈리아의 성급 수준 코로나19 데이터를 고려한 시간에 따라 변하는 SIRD 모델을 제안하며, 공식 데이터와 크롤링한 데이터를 통합하여 NUTS-3 수준에서 전염병 역학을 예측한다. 데이터 제약에도 불구하고 모델은 최대 9일까지 신뢰할 수 있는 단기 예측을 달성하고, 시간에 따라 변화하는 매개변수를 통해 전파, 회복 및 사망률에 대한 통찰을 제공한다.

ABSTRACT

In this paper we develop a predictive model for the spread of COVID-19 infection at a provincial (i.e. EU NUTS-3) level in Italy by using official data from the Italian Ministry of Health integrated with data extracted from daily official press conferences of regional authorities and from local newspaper websites. This integration is mainly concerned with COVID-19 cause specific death data which are not available at NUTS-3 level from open official data data channels. An adjusted time-dependent SIRD model is used to predict the behavior of the epidemic, specifically the number of susceptible, infected, deceased and recovered people. Predictive model performance is evaluated using comparison with real data.

연구 동기 및 목표

• 이탈리아 성급(=NUTS-3 수준)에서 지역적 이질성을 반영하지 못하는 지역 수준 모델의 한계를 보완하기 위해 코로나19 전파를 예측하는 모델을 개발하는 것.
• 특히 원인별 사망자 수가 부족한 일관성 있는 세분화된 데이터의 부족 문제를 해결하기 위해 공식 데이터와 지역 브리핑 및 지역 신문에서 크롤링한 정보를 통합하는 것.
• 공공 보건 조치와 지역 의료 시스템 용량의 변화를 반영하기 위해 전파, 회복 및 사망률이 시간에 따라 변화하는 매개변수를 갖춘 시간에 따라 변하는 SIRD 모델을 구현하는 것.
• 실제 전염병 데이터와의 비교를 통해 모델 성능을 평가하며, 단기 예측 정확도와 매개변수 신뢰성에 중점을 두는 것.

제안 방법

• 이 연구는 네 개의 컴partments(감염 가능자 S, 감염자 I, 회복자 R, 사망자 D)를 갖는 시간에 따라 변하는 SIRD 모델을 사용하며, 성급 수준 분석에 적합하게 조정한다.
• 매개변수 β(t), γR(t), γD(t)는 이중 단계 학습 접근법을 사용하여 시간에 따라 변화하는 함수로 추정한다: 개별 성급 학습과 지역 집계 학습.
• 데이터 통합은 NUTS-3 수준의 데이터 격차를 보완하기 위해 보건부 공식 데이터와 지역 브리핑 및 지역 신문 웹사이트에서 크롤링한 원인별 사망자 수 데이터를 결합한다.
• 부트스트랩 리샘플링을 사용하여 매개변수 및 변수의 예측 구간을 계산하며, 두 매개변수에 대한 점 추정과 하나의 매개변수에 대한 구간 추정을 통해 불확실성 전파를 평가한다.
• 모델은 S, I, R, D를 시간에 따라 앞으로 전진시키기 위한 재귀식을 사용하며, β(t)의 불확실성을 복합 매개변수 경계를 통해 시스템 전반에 전파한다.
• 모델 성능 평가는 실전 전염병 데이터와의 비교를 통해 이루어지며, 단기 예측(최대 9일)과 매개변수 안정성에 중점을 둔다.

실험 결과

연구 질문

• RQ1 데이터 제약 조건이 존재하는 상황에서 시간에 따라 변하는 SIRD 모델이 이탈리아 성급(NUTS-3 수준)에서 단기 코로나19 역학을 얼마나 정확하게 예측할 수 있는가?
• RQ2 비공식 데이터 소스 통합이 성급 수준의 전염병 예측 신뢰도에 어느 정도 기여하는가?
• RQ3 시간에 따라 변화하는 전파, 회복 및 사망률은 지역 차원의 격리 조치 효과성과 의료 시스템 성능을 어떻게 반영하는가?
• RQ4 모델 학습 전략(개별 성급 대비 지역 집계)이 예측 정확도에 미치는 영향은 어떠한가?
• RQ5 매개변수 불확실성을 SIRD 모델 전반에 효과적으로 전파하여 예측 신뢰도를 평가하는 방법은 무엇인가?

주요 결과

• 지역 집계 학습 전략이 개별 성급 학습보다 성능이 뛰어나 더 정확한 단기 예측을 제공했다.
• 모델은 최대 9일까지 안정적인 예측을 달성했으며, 이 이상의 예측 기간에서는 데이터 부족과 모델 단순화로 인해 성능이 떨어졌다.
• 매개변수 β(t), γR(t), γD(t)에 대한 부트스트랩 구간을 계산하였으며, 변수의 예측 구간은 매개변수 불확실성과 두 매개변수의 점 추정을 조합하여 유도되었다.
• 전파율 β(t)는 성급 간에 뚜렷한 변동성을 보였으며, 이는 지역 차원의 격리 조치 및 인구 행동의 차이를 반영했다.
• 회복율과 사망률은 성급 간에 의미 있는 차이를 보였으며, 이는 지역 의료 시스템의 능력과 대응 효과성의 격차를 드러냈다.
• 특히 회복자 수 부족과 사망자 수 보고의 일관성 부족 등 데이터 제약이 존재하더라도, 모델은 성급 수준에서 전염병 추세와 위험 패tern에 대한 실질적인 통찰을 제공했다.