[논문 리뷰] Semiparametric Bayesian Inference for the Transmission Dynamics of COVID-19 with a State-Space Model

Tianjian Zhou, Yuan Ji|arXiv (Cornell University)|2020. 06. 10.

COVID-19 epidemiological studies참고 문헌 45인용 수 4

한 줄 요약

이 논문은 유량 회귀를 사용하여 시간에 따라 변하는 전파율을 유연하게 추정하고, 병렬 온도 조절 MCMC를 통해 효율적인 사후 표본 추출을 수행하는 반모수적 베이지안 상태공간 모델을 제안한다. 이 방법은 효과적 복제 수의 비선형 추세를 포착하고 향후 감염자 수를 예측하며, 미국의 6개 주에서 공중보건 조치와 관련하여 $ρ_e$가 감소하는 경향을 드러낸다.

ABSTRACT

The outbreak of Coronavirus Disease 2019 (COVID-19) is an ongoing pandemic affecting over 200 countries and regions. Inference about the transmission dynamics of COVID-19 can provide important insights into the speed of disease spread and the effects of mitigation policies. We develop a novel Bayesian approach to such inference based on a probabilistic compartmental model using data of daily confirmed COVID-19 cases. In particular, we consider a probabilistic extension of the classical susceptible-infectious-recovered model, which takes into account undocumented infections and allows the epidemiological parameters to vary over time. We estimate the disease transmission rate via a Gaussian process prior, which captures nonlinear changes over time without the need of specific parametric assumptions. We utilize a parallel-tempering Markov chain Monte Carlo algorithm to efficiently sample from the highly correlated posterior space. Predictions for future observations are done by sampling from their posterior predictive distributions. Performance of the proposed approach is assessed using simulated datasets. Finally, our approach is applied to COVID-19 data from four states of the United States: Washington, New York, California, and Illinois. An R package BaySIR is made available at https://github.com/tianjianzhou/BaySIR for the public to conduct independent analysis or reproduce the results in this paper.

연구 동기 및 목표

• 제한된 일일 확진자 수치 자료를 바탕으로 시간에 따라 변하는 코로나19 전파 역학을 모델링하기 위한 유연한 베이지안 접근법을 개발하기 위해.
• 검사 제한과 무증상 전파로 인해 자주 생략되는 비확인 감염자를 고려하기 위해.
• 정보성 사전분포와 사후 예측 분포를 사용하여 일관된 불확실성 정량화를 통한 효과적 복제 수 ($\mathcal{R}_e$) 추정하기 위해.
• 고차원이고 상관관계가 높은 사후 분포 공간에서 MCMC 표본 추출의 효율성과 혼합 성능을 향상시키기 위해 병렬 온도 조절 알고리즘을 도입하기 위해.
• 제한된 역학적 데이터를 가진 지역에 적용 가능한 일반화 가능한, 공개된 모델링 프레임워크 제공하기 위해.

제안 방법

• 클래식한 SIR 모델의 확률적 확장 모델을 사용하며, 감염 가능자(S), 비확인 감염자(I^U), 확인된 감염자(I^D), 회복자(R)의 분류를 포함한다.
• 전파율 $\beta_t$는 비모수적 방법으로 유량 회귀 사전분포를 사용하여 시간에 따라 비선형적이고 비단조화적인 변화를 포착하며, 특정한 모수적 가정 없이 추정한다.
• 모델은 상태공간 설정을 사용하며, 감염 및 진단 확률에 기반한 이항 분포 likelihood를 통해 분류 간 전이를 기술한다.
• 고차원적이고 상관관계가 높은 사후 분포 공간에서의 혼합과 수렴을 향상시키기 위해 병렬 온도 조절 마르코프 체인 몬테카를로(PTMCMC) 알고리즘을 적용한다.
• 미래 예측은 일일 확진자 수의 사후 예측 분포에서 표본을 추출하여 생성한다.
• 모델은 전파율 및 진단율 방정식에 공변량을 통합할 수 있도록 설계되었지만, 식별성과 모델 단순화를 고려해 절편과 시간 추세만 사용한다.

실험 결과

연구 질문

• RQ1 특정한 모수적 형태를 가정하지 않고 시간에 따라 변하는 코로나19 전파율을 어떻게 민첩하게 추정할 수 있는가?
• RQ2 비확인 감염자가 전파 역학 추론의 정확성에 얼마나 큰 영향을 미치는가?
• RQ3 역학 모델에서 흔히 나타나는 고차원적이고 상관관계가 높은 사후 분포 공간에서 MCMC 표본 추출의 효율성을 어떻게 향상시킬 수 있는가?
• RQ4 미국 주들 사이에서 효과적 복제 수 ($\mathcal{R}_e$)의 추세는 어떠한가? 그리고 이는 완화 정책과 어떤 관련이 있는가?
• RQ5 제한된 일일 감염자 수치 자료로부터 신뢰할 수 있고 불확실성 정량화가 포함된 미래 감염자 수 예측을 어떻게 도출할 수 있는가?

주요 결과

• 효과적 복제 수 ($\mathcal{R}_e$)는 워싱턴, 뉴욕, 캘리포니아, 플로리다, 텍사스, 일리노이의 6개 주에서 일관된 감소 추세를 보였으며, 이는 공중보건 조치의 영향을 시사한다.
• 유량 회귀 사전분포를 통해 모델은 비선형적인 전파율 변화를 성공적으로 포착하였으며, 제한적인 모수적 가정 없이도 유연성을 확보하였다.
• 병렬 온도 조절 MCMC 알고리즘이 표준 MCMC에 비해 수렴성과 혼합 성능을 크게 향상시켜 신뢰할 수 있는 사후 추론을 가능케 하였다.
• 사후 예측 분포는 현재 전파 추세를 반영한 예측 감염자 수를 제공하였지만, 인간 행동의 외삽에 의존하므로 주의가 필요하였다.
• 모델은 시뮬레이션 데이터셋을 통해 검증되었으며, 매개변수 추정의 정확성과 강인성을 입증하였다.
• R 패키지 BaySIR은 개발되어 https://github.com/tianjianzhou/BaySIR 에 공개되어 있어 재현성과 독립적 분석이 가능하다.