[논문 리뷰] The shapes of an epidemic: using Functional Data Analysis to characterize COVID-19 in Italy

Tobia Boschi, Jacopo Di Iorio외 3명|arXiv (Cornell University)|2020. 08. 11.

COVID-19 epidemiological studies참고 문헌 39인용 수 11

한 줄 요약

이 연구는 2020년 2월 16일부터 4월 30일까지 이탈리아 20개 지방에서의 일일 코로나19 사망곡선의 형태를 모델링하고 비교하기 위해 기능적 데이터 분석(Functional Data Analysis, FDA)을 적용한다. 연구에서는 라이베르티아와 같은 북부 산업지역에서는 지수형 패턴을, 특히 베네토 지역을 포함한 나머지 이탈리아에서는 더 평탄한 패턴을 확인한다. 또한 이동성과 확진률이 사회적·인구통계학적 및 인프라 요인을 보정한 후에도 사망률을 예측하는 데 중요한 요소로 작용함을 보여준다.

ABSTRACT

We investigate patterns of COVID-19 mortality across 20 Italian regions and their association with mobility, positivity, and socio-demographic, infrastructural and environmental covariates. Notwithstanding limitations in accuracy and resolution of the data available from public sources, we pinpoint significant trends exploiting information in curves and shapes with Functional Data Analysis techniques. These depict two starkly different epidemics; an "exponential" one unfolding in Lombardia and the worst hit areas of the north, and a milder, "flat(tened)" one in the rest of the country -- including Veneto, where cases appeared concurrently with Lombardia but aggressive testing was implemented early on. We find that mobility and positivity can predict COVID-19 mortality, also when controlling for relevant covariates. Among the latter, primary care appears to mitigate mortality, and contacts in hospitals, schools and work places to aggravate it. The techniques we describe could capture additional and potentially sharper signals if applied to richer data.

연구 동기 및 목표

• 초기 팬데믹 단계 동안 이탈리아 지방 간 코로나19 사망곡선의 공간적·시간적 변동성을 규명하기 위해.
• 기능적 형태로 표현된 사망곡선의 형태가 이동성, 검사 양성률 및 지역 특성과 어떻게 관련되어 있는지 조사하기 위해.
• 사회적·인구통계학적, 인프라 및 환경적 요인을 보정한 후 이동성과 양성률이 사망 패턴에 미치는 예측 능력을 평가하기 위해.
• 기능적 회귀와 특성 선택을 통해 전염병의 심각도 차이를 설명하는 주요 지역적 특성을 규명하기 위해.
• 더 풍부한 데이터가 확보되지 않은 상황에서 기능적 데이터 분석이 미세한 전염병 역학을 포착하는 데 유용함을 보여주기 위해.

제안 방법

• 일일 사망곡선을 시간에 따라 연속적인 함수로 모델링하기 위해 기능적 데이터 분석(FDA) 기법을 사용하여 곡선의 형태와 정렬을 분석할 수 있도록 하였다.
• 곡선의 정렬은 기능적 깊이 기반 순위 방법을 사용하여 지역 간 전염병 궤적을 비교하였으며, 중앙에 위치한(가장 깊은) 중앙값 곡선이 데이터 클러스터 내에서 가장 중심적인 곡선으로 정의되었다.
• 기능적 선형 모델을 사용하여 사망곡선을 반응 변수로 하고, 기능적 예측변수(이동성, 양성률) 또는 스칼라 예측변수(예: 연령, 주치의 진료 접근성)를 예측변수로 사용하였다.
• SsNAL-EN 알고리즘을 일반화하여 기능적 회귀에서 그룹 구조를 가진 엘라스틱 넷 특성 선택을 수행하였으며, 가장 예측 능력이 높은 스칼라 예측변수를 식별하였다.
• 모델 적합도는 샘플 내 및 한 개 지역을 제외한 교차검증(LOO-CV)을 통해 R²로 평가하였으며, 개별 예측변수의 기여도 평가에 부분 R²를 사용하였다.
• 기능적 계수(곡선 및 표면)는 R 패키지 'refund'를 사용하여 신뢰구간과 함께 추정되었다.

실험 결과

연구 질문

• RQ1 초기 팬데믹 기간 동안 이탈리아 전역의 지역별 코로나19 사망곡선은 어떤 서로 다른 형태를 보였는가?
• RQ2 이동성과 검사 양성률은 지역별 사망곡선의 형태와 크기에 어떻게 영향을 미치는가?
• RQ3 사회적·인구통계학적, 인프라 또는 환경적 예측변수 중에서 전염병 심각도의 차이와 가장 강하게 연관된 것은 무엇인가?
• RQ4 병원, 학교, 직장에서의 접촉 빈도가 사망 패턴에 어떤 영향을 미치는가?
• RQ5 기능적 데이터 분석은 저해상도의 공개 데이터로부터 의미 있는 전염병 패턴을 탐지할 수 있는가?

주요 결과

• 두 가지 명확한 전염병 패턴이 나타났다: 라이베르티아 및 북부 산업지역에서는 '지수형' 패턴, 나머지 이탈리아(특히 베네토 포함)에서는 '평탄한' 패턴.
• 이동성과 양성률은 지역 예측변수를 보정한 후에도 사망곡선의 주요 예측변수로 유의미했으며, 높은 샘플 내 및 LOO-CV R² 값으로 높은 예측 능력이 확인되었다.
• 더 강력한 주치의 시스템을 가진 지역에서는 사망률이 낮아, 심각한 결과에 대한 보호 효과가 있음을 시사한다.
• 병원, 학교, 직장에서의 높은 접촉 빈도는 사망률 증가와 관련이 있었으며, 기관 내 전파 위험을 시사한다.
• 기능적 특성 선택을 통해 선정된 상위 5개 스칼라 예측변수는 DPC, ISTAT, MAX의 세 데이터 소스에서 일관되게 나타나, 강력한 유의성과 관련성을 보였다.
• 기능적 데이터 분석은 공개된 저해상도 데이터로부터 의미 있는 신호를 효과적으로 추출하였으며, 더 풍부한 데이터가 확보되지 않은 상황에서 초기 전염병 특성 분석의 잠재력을 입증하였다.