[논문 리뷰] Survival Dynamical Systems for the Population-level Analysis of Epidemics

Wasiur R. KhudaBukhsh, Boseung Choi외 2명|arXiv (Cornell University)|2019. 01. 02.

COVID-19 epidemiological studies참고 문헌 42인용 수 6

한 줄 요약

이 논문은 생존 함수를 사용하여 단방향 질병 전파 모델(MTs), 예를 들어 고전적인 SIR 모델을 재해석하는 새로운 프레임워크인 생존 동역학 시스템(SDS)을 제안한다. 인구 수치 대신 개인의 감염 및 회복 시간을 기반으로 전염병 역학을 기술함으로써 통계적으로 타당한 가능도 기반 추론이 가능해지며, 데이터 집계 및 확률적 모델링의 핵심 문제를 해결한다. 수치적 검증 결과, SDS-가능도를 통해 정확한 모수 복원이 가능함을 보여준다.

ABSTRACT

Motivated by the classical Susceptible-Infected-Recovered (SIR) epidemic models proposed by Kermack and Mckendrick, we consider a class of stochastic compartmental dynamical systems with a notion of partial ordering among the compartments. We call such systems unidirectional Mass Transfer Models (MTMs). We show that there is a natural way of interpreting a uni-directional MTM as a Survival Dynamical System (SDS) that is described in terms of survival functions instead of population counts. This SDS interpretation allows us to employ tools from survival analysis to address various issues with data collection and statistical inference of unidirectional MTMs. In particular, we propose and numerically validate a statistical inference procedure based on SDS-likelihoods. We use the SIR model as a running example throughout the paper to illustrate the ideas.

연구 동기 및 목표

• 실제 데이터에서 인구 규모의 불확실성, 간격 캡처, 가능도 기반 추론의 부재 등 결정론적 SIR 모델의 한계를 해결하기 위함.
• 생존 분석 프레임워크를 통해 거시 수준의 분할 모델과 미시 수준의 개인 동역학 간 격차를 메우기 위함.
• 생존 함수와 가능도를 사용하여 전염병 모델에 대해 통계적으로 타당한 추론 방법을 개발하기 위함.
• 모의 전염병 데이터를 대상으로 SDS-가능도를 사용한 모수 추정의 가능성과 정확성을 입증하기 위함.

제안 방법

• 감염자 수준의 전이 시간에 대한 생존 함수로 간주할 수 있는 분할 비율을 이용해, SIR 모델과 같은 단방향 MTM을 생존 동역학 시스템(SDS)으로 재구성한다.
• 감염 시간 $T_I$를 감염자로 전이되는 데 걸리는 시간의 난수변수로 정의하며, $S_t = \mathbb{P}(T_I > t)$로 표현하고, 회복 시간 $T_R$를 감염자에서 회복되는 데 걸리는 시간으로 정의한다.
• 감염의 누적 위험도를 $\mathcal{R}_0$로 스케일링한 $R_t$ 곡선을 사용하여 모델링하고, $I_t$ 곡선을 $T_I$와 $T_R$의 커플라션으로 유도한다.
• 생존 함수와 위험도 함수를 기반으로 SDS-가능도 함수를 구성함으로써, 임의의 가정 없이 가능도 기반 통계적 추론이 가능하도록 한다.
• 간격 캡처된 데이터로부터 모수 $\beta$, $\gamma$, $\rho$를 추정하기 위해 마르코프 체인 몬테카를로(MCMC) 방법을 구현한다.
• 다양한 마감 시간과 인구 규모에서 모의 전염병 데이터를 사용하여 방법을 수치적으로 검증하였으며, 진짜 모수 값으로 수렴하는 것으로 나타났다.

실험 결과

연구 질문

• RQ1 실제 전염병 데이터에 대해 통계적 추론이 가능하도록 SIR 모델을 생존 함수로 재해석할 수 있는가?
• RQ2 생존 분석 프레임워크를 통해 고전적 SIR 모델의 확률적 변동성과 데이터 집계 문제를 어떻게 해결할 수 있는가?
• RQ3 간격 캡처된 데이터 및 유한 인구 규모 조건 하에서 SDS-가능도를 사용한 모수 추정 성능은 어떠한가?
• RQ4 제안된 SDS 프레임워크는 질량작용 가정을 초월한 네트워크 기반 전염병 모델로 확장될 수 있는가?
• RQ5 마감 시간과 인구 규모의 선택이 SDS-가능도 접근법을 통한 모수 복원 정확도에 어떤 영향을 미치는가?

주요 결과

• SIR 모델은 생존 함수를 사용하여 동일하게 기술될 수 있으며, $S_t = \mathbb{P}(T_I > t)$로 표현되며, 여기서 $T_I$는 감염 가능성이 있는 개인의 감염 시간이다.
• 감염의 누적 위험도는 $\mathcal{R}_0$로 스케일링된 $R_t$ 곡선과 일치하며, 생존 분석과의 직접적인 연결 고리를 제공한다.
• 감염자 수 $I_t$ 곡선은 초기 감염을 보정한 후, 감염 시간 $T_I$와 감염 기간 $T_R$의 커플라션과 수학적으로 동일하다.
• 수치적 검증 결과, MCMC 기반 추론이 SDS-가능도를 사용하여 모수 $\beta=2$, $\gamma=0.5$, $\rho=0.05$를 성공적으로 복원함을 보여주었다.
• 더 큰 인구 규모($n=10^3$)와 더 긴 마감 시간($T=6$) 조건에서는 $\beta$, $\gamma$, $\rho$의 사후 분포가 진짜 값 주변에 집중되어 있어 신뢰할 수 있는 추론임을 시사한다.
• 모수 설정 3($\beta=1.5$, $\gamma=1$, $\rho=0.05$) 하에서 MCMC 체인의 트레이스 플롯(그림 6)은 양호한 믹싱과 수렴을 보여주며, 추정 절차의 안정성과 정확성을 확인한다.