[논문 리뷰] Simulation of Covid-19 epidemic evolution: are compartmental models really predictive?

Marco Paggi|arXiv (Cornell University)|2020. 04. 14.

COVID-19 epidemiological studies참고 문헌 6인용 수 10

한 줄 요약

이 연구는 이탈리아 루카니아에서 코로나19 유행을 시뮬레이션하기 위해 무증상 및 사망자 병변을 포함한 향상된 SIR 병행 모델의 예측 신뢰성을 평가한다. 점차 증가하는 데이터셋으로부터 모델 매개변수를 校정하기 위해 입자군집최적화(PSO)를 사용하여, 저자들은 예측이 훈련 데이터 크기에 매우 민감함을 발견하였으며, 이는 현재 데이터로는 수렴하고 신뢰할 수 있는 예측을 내기에는 부족하다는 것을 시사한다.

ABSTRACT

Computational models for the simulation of the severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) epidemic evolution would be extremely useful to support authorities in designing healthcare policies and lockdown measures to contain its impact on public health and economy. In Italy, the devised forecasts have been mostly based on a pure data-driven approach, by fitting and extrapolating open data on the epidemic evolution collected by the Italian Civil Protection Center. In this respect, SIR epidemiological models, which start from the description of the nonlinear interactions between population compartments, would be a much more desirable approach to understand and predict the collective emergent response. The present contribution addresses the fundamental question whether a SIR epidemiological model, suitably enriched with asymptomatic and dead individual compartments, could be able to provide reliable predictions on the epidemic evolution. To this aim, a machine learning approach based on particle swarm optimization (PSO) is proposed to automatically identify the model parameters based on a training set of data of progressive increasing size, considering Lombardy in Italy as a case study. The analysis of the scatter in the forecasts shows that model predictions are quite sensitive to the size of the dataset used for training, and that further data are still required to achieve convergent -- and therefore reliable -- predictions.

연구 동기 및 목표

• 무증상 및 사망자 병변을 포함한 향상된 SIR 모델이 루카니아에서의 코로나19 유행의 전개를 신뢰성 있게 예측할 수 있는지 평가하기.
• 훈련 데이터셋 크기가 모델 예측의 수렴성과 신뢰성에 미치는 영향을 조사하기.
• 기계학습 기반의 매개변수 식별 방법을 개발하고 적용하기 위해 입자군집최적화(PSO)를 사용한 전염병 모델에 적용하기.
• 공식 기관에서 제공하는 데이터 기반 예측이 충분한지, 또는 기계적 모델이 더 뛰어난 예측 능력을 제공하는지 판단하기.
• 대규모 유행 발생 기간 동안 실제 데이터 제약 조건 하에서 병행 모델의 강건성 평가하기.

제안 방법

• 감염자, 무증상자, 회복자, 사망자 병변을 포함한 확장된 SIR 모델을 수립한다.
• 모델의 매개변수(예: 전파 및 회복 속도)는 관측된 데이터와의 오차를 최소화하기 위해 입자군집최적화(PSO)를 사용하여 최적화한다.
• 훈련 세트의 크기를 점차 늘려가며, 초기 유행 데이터에서 시작하여 새로운 관측치를 점진적으로 추가하여 모델 수렴성 평가한다.
• 모델의 예측 성능은 실제 데이터와의 예측 비교를 통해 평가되며, 다양한 훈련 세트 크기에서의 예측 산란도를 통해 불확실성 측정한다.
• PSO 알고리즘은 모델 출력과 관측된 확진자 수 사이의 제곱근 평균 제곱오차를 최소화하도록 매개변수 조합을 반복 조정한다.
• 훈련 데이터 크기 변화에 따른 예측 민감도 분석을 수행하여 예측의 신뢰성과 수렴성 평가한다.

실험 결과

연구 질문

• RQ1 무증상자 및 사망자 병변을 포함한 향상된 SIR 모델이 루카니아에서의 코로나19 유행의 진행을 신뢰성 있게 예측할 수 있는가?
• RQ2 훈련 데이터셋 크기가 모델 예측의 수렴성과 신뢰성에 어떤 영향을 미치는가?
• RQ3 입자군집최적화(PSO)의 사용이 실시간 유행 예측을 위한 병행 모델의 매개변수 식별에 개선을 가져오는가?
• RQ4 공식 통계 자료에서의 데이터 기반 외삽 예측은 신뢰할 수 있는 예측을 위해 충분한가, 아니면 기계적 모델이 더 뛰어난 예측 능력을 제공하는가?
• RQ5 유행이 진행되는 동안 새로운 데이터 포함 여부에 따라 모델 예측이 어느 정도 민감한가?

주요 결과

• 작은 데이터셋으로 훈련된 모델 예측은 산란이 심해 초기 데이터에 매우 민감함을 나타낸다.
• 훈련 데이터셋 크기가 증가함에 따라 예측의 산란이 감소하며, 수렴성이 향상됨을 시사한다.
• 데이터가 증가함에도 불구하고 예측은 완전히 수렴하지 않아 현재 데이터로는 장기 예측에 대해 신뢰할 수 없다는 것을 의미한다.
• 입자군집최적화(PSO) 접근법은 관측 데이터와의 오차를 최소화하는 모델 매개변수를 성공적으로 식별하였다.
• 이 연구는 조기에 제한된 데이터로 훈련된 잘 정리된 병행 모델이라도 여전히 신뢰할 수 없다는 것을 입증한다.
• 결과적으로 예측 정확도의 핵심 장애 요소는 모델 구조가 아니라 데이터 가용성임을 시사한다.