[논문 리뷰] Total Variation Regularization for Compartmental Epidemic Models with Time-Varying Dynamics

Wenjie Zheng|arXiv (Cornell University)|2020. 04. 01.

COVID-19 epidemiological studies참고 문헌 20인용 수 7

한 줄 요약

이 논문은 SIR/SIRQ 모델과 같은 분할 전염병 모델의 시간에 따라 변화하는 매개변수(예: 전파율, 격리율)에서의 불연속적인 변화를 탐지하기 위해 총 변동성 정규화와 반복적인 Nelder–Mead 알고리즘을 사용하는 새로운 최적화 프레임워크를 제안한다. 이 방법은 희소하거나 다중 소스의 데이터를 바탕으로 봉쇄나 임시 병원 개소와 같은 갑작스러운 변화를 성공적으로 복원하며, 연속적인 모델링 방법에 비해 급작스러운 공중보건 개입을 더 잘 포착한다.

ABSTRACT

Compartmental epidemic models are among the most popular ones in epidemiology. For the parameters (e.g., the transmission rate) characterizing these models, the majority of researchers simplify them as constants, while some others manage to detect their continuous variations. In this paper, we aim at capturing, on the other hand, discontinuous variations, which better describe the impact of many noteworthy events, such as city lockdowns, the opening of field hospitals, and the mutation of the virus, whose effect should be instant. To achieve this, we balance the model's likelihood by total variation, which regulates the temporal variations of the model parameters. To infer these parameters, instead of using Monte Carlo methods, we design a novel yet straightforward optimization algorithm, dubbed Iterated Nelder--Mead, which repeatedly applies the Nelder--Mead algorithm. Experiments conducted on the simulated data demonstrate that our approach can reproduce these discontinuities and precisely depict the epidemics.

연구 동기 및 목표

• 봉쇄나 바이러스 변이와 같은 원인으로 인한 전염병 역학의 급격하고 비연속적인 변화를 연속적인 시간에 따라 변화하는 매개변수를 가정하는 것과는 달리 모델링하는 것.
• 전파율에 대한 갑작스러운 정책 또는 생물학적 영향을 포착하는 데에 연속적인 매개변수 함수와 몬테카를로 방법의 한계를 극복하는 것.
• 제한적이거나 희소한 감시 및 혈액학적 데이터로부터 불연속적인 역학을 추론할 수 있는 강력한 몽테카를로 기반 최적화 방법을 개발하는 것.
• 사전에 개입 시점을 정의하지 않고도 데이터가 구조적 변화를 드러내도록 하여, 데이터 기반의 단계 전환 탐지 기능을 제공하는 것.
• 공중보건 개입의 즉각적인 영향을 전염병 궤적에 대해 정확하게 추정함으로써 개입 평가를 향상시키는 것.

제안 방법

• 시간에 따라 변화하는 전파율과 격리율에 총 변동성 정규화를 적용하여, 탐지 가능한 불연속성이 있는 조각별로 일정한 역학을 촉진한다.
• 관측되지 않은 분할 상태(예: 감염자, 회복자 등)를 잠재 변수로 모델링하기 위해 상태공간 프레임워크를 사용하며, 관측된 데이터(예: 병원성, 확진자 수, 혈액학적 검사)를 노이즈가 있는 증거로 간주한다.
• 비볼록 최적화 문제에서 국소 최소값을 피하고 수렴성을 향상시키기 위해 Nelder–Mead 단체법을 반복적으로 적용하는 새로운 반복적 Nelder–Mead 알고리즘을 도입한다.
• 모델의 가능도와 총 변동성 펜alties를 균형 있게 조정하여 관측된 데이터에 동시에 적합하면서도 시간에 따른 매개변수 변화의 흩어짐을 강조한다.
• 감시, 혈액학적 검사, 병원성 데이터 등 다양한 데이터 소스를 상태공간 모델에 통합하여 추론의 강건성을 향상시킨다.
• 전염병 모델을 숨겨진 동적 시스템으로 간주하며, 매개변수의 시간에 따른 변화는 스토케스틱 샘플링 대신 최적화를 통해 추론한다.

실험 결과

연구 질문

• RQ1 희소한 데이터가 존재하는 상황에서도 총 변동성 정규화가 전파율이나 격리율과 같은 전염병 매개변수의 급격한 변화를 탐지할 수 있는가?
• RQ2 제안된 반복적 Nelder–Mead 알고리즘은 몬테카를로 방법에 비해 분할 모델에서 불연속적인 역학을 회복하는 데 얼마나 효과적인가?
• RQ3 사전에 개입 시점이 알려져 있지 않은 상황에서 모델이 봉쇄나 바이러스 변이에 의해 유도된 구조적 변화를 어느 정도 정확하게 탐지할 수 있는가?
• RQ4 완전한 확진자 수가 아닌 병원성 또는 혈액학적 데이터만 존재할 경우, 이 방법이 전염병 역학을 정확하게 재구성할 수 있는가?
• RQ5 매개변수 역학에 연속성 제약 조건이 없을 경우, 연속적인 모델링 방법에 비해 공중보건 개입 효과의 추정 성능이 향상되는가?

주요 결과

• 제안된 방법은 전파율 βt의 불연속적인 변화를 성공적으로 복원하였으며, 도시 봉쇄로 인한 급격한 감소나 휴가 기간의 집합으로 인한 증가와 같은 변화를 9개의 희소한 병원성 샘플만으로도 탐지하였다.
• 두 개의 시간에 따라 변화하는 매개변수(βt 및 δt)를 가진 SIRQ 모델에서, 임시 병원 개소로 인한 격리율의 급격한 상승과 병원 용량에 도달한 후의 감소를 정확히 포착하였다.
• 추정된 전염병 역학이 실제 값과 매우 유사하게 나타났으며, 시뮬레이션된 SIR 및 SIRQ 시나리오 모두에서 합성 증거가 관측된 데이터와 정확히 일치하였다.
• 총 변동성 정규화는 날카운 전이를 보이는 조각별 일정한 해를 촉진하여 연속적인 매개변수 함수에서 발생하는 부드러움 효과를 피할 수 있었다.
• 반복적 Nelder–Mead 알고리즘은 안정적인 수렴을 달성하였으며, 희소한 데이터 조건에서 복잡한 비연속적인 매개변수 역학을 회복하는 데 있어 표준 최적화 방법보다 뛰어난 성능을 보였다.
• 고정된 개입 시점 가정 없이도 공중보건 개입 영향을 정확하게 추론할 수 있었으며, 데이터 기반의 정책 효과 발견을 가능하게 하였다.