[논문 리뷰] When and How to Lift the Lockdown? Global COVID-19 Scenario Analysis and Policy Assessment using Compartmental Gaussian Processes

Zhaozhi Qian, Ahmed M. Alaa외 1명|arXiv (Cornell University)|2020. 05. 13.

Gaussian Processes and Bayesian Inference참고 문헌 29인용 수 14

한 줄 요약

이 논문은 전 세계 코로나19 사망자 수에 대한 봉쇄 정책의 영향을 예측하기 위해 병원 감염 모델(SEIR) 역학과 국가별 특성 및 정책 지표를 결합한 계층적 이중층 가우시안 프로세스 모델을 제안한다. 공통된 상위 계층 GP를 통해 국가 간 정책 효과의 이질성을 학습함으로써 정확한 가짜 시나리오 분석이 가능해지며, CDC가 제시한 기준 모델들을 능가하고, 더 이른 영국 봉쇄 조치가 13,000명 이상의 생명을 구할 수 있었음을 예측한다.

ABSTRACT

The coronavirus disease 2019 (COVID-19) global pandemic has led many countries to impose unprecedented lockdown measures in order to slow down the outbreak. Questions on whether governments have acted promptly enough, and whether lockdown measures can be lifted soon have since been central in public discourse. Data-driven models that predict COVID-19 fatalities under different lockdown policy scenarios are essential for addressing these questions and informing governments on future policy directions. To this end, this paper develops a Bayesian model for predicting the effects of COVID-19 lockdown policies in a global context -- we treat each country as a distinct data point, and exploit variations of policies across countries to learn country-specific policy effects. Our model utilizes a two-layer Gaussian process (GP) prior -- the lower layer uses a compartmental SEIR (Susceptible, Exposed, Infected, Recovered) model as a prior mean function with "country-and-policy-specific" parameters that capture fatality curves under "counterfactual" policies within each country, whereas the upper layer is shared across all countries, and learns lower-layer SEIR parameters as a function of a country's features and its policy indicators. Our model combines the solid mechanistic foundations of SEIR models (Bayesian priors) with the flexible data-driven modeling and gradient-based optimization routines of machine learning (Bayesian posteriors) -- i.e., the entire model is trained end-to-end via stochastic variational inference. We compare the projections of COVID-19 fatalities by our model with other models listed by the Center for Disease Control (CDC), and provide scenario analyses for various lockdown and reopening strategies highlighting their impact on COVID-19 fatalities.

연구 동기 및 목표

• 다양한 국가들에 걸쳐 봉쇄 정책의 영향을 사망자 수에 대해 데이터 기반으로 예측하는 글로벌 모델을 개발하기 위해.
• 예를 들어 더 이른 또는 더 늦은 봉쇄 조치와 같은 '만약에' 시나리오를 평가할 수 있는 모델의 부족을 해결하기 위해.
• 국가 간 특성 유사성과 정책 다양성을 활용하여 국가별 정책 효과를 학습하기 위해.
• 기계적 SEIR 모델과 민감한 데이터 기반 가우시안 프로세스 사전분포를 조합함으로써 예측 정확도를 향상시키기 위해.
• 점진적인 봉쇄 해제 및 재개 전략에 대한 시나리오 분석을 가능하게 하여 근거 기반 정책 결정을 지원하기 위해.

제안 방법

• 모델은 이중층 가우시안 프로세스(GP) 사전분포를 사용한다: 상위 계층은 국가 특성과 정책 지표를 시간에 따라 변하는 기본 재생수 $ R_0 $로 매핑한다.
• 하위 계층은 상위 계층의 $ R_0 $를 사용하여 평균 함수로 SEIR 모델을 사용하여 각 국가의 시간에 따른 사망자 곡선을 모델링한다.
• 모델 전체는 확률적 변분 추론을 통해 엔드 투 엔드로 훈련되어 매개변수와 예측의 사후분포를 추론한다.
• 특성 유사성이 있는 국가들 간의 정보 공유를 통해 국가별 정책 효과를 학습함으로써, 데이터가 제한된 경우에도 견고한 예측이 가능해진다.
• 가짜 시나리오 사망자 곡선은 상위 계층 GP에서 정책 지표를 수정하고 하위 계층 SEIR-GP 모델을 통해 전파함으로써 생성된다.
• 정책 강도의 지표로 강도 지수를 활용하여 $ R_0 $와 사망자 경로에 대한 정책 영향을 정량화할 수 있다.

실험 결과

연구 질문

• RQ1 다른 봉쇄 시기와 강도 수준은 국가 간 코로나19 사망자 수의 경로에 어떻게 영향을 미치는가?
• RQ2 공유된 계층적 사전분포를 가진 글로벌 모델은 국가별 모델 대비 예측 정확도를 얼마나 향상시킬 수 있는가?
• RQ3 더 이른 또는 지연된 봉쇄 조치와 같은 대체 정책 일정 하에서 예상되는 생명 구조 수나 유실 수는 얼마인가?
• RQ4 다른 인구, 경제 및 공중보건 특성을 가진 국가들 간에 정책 효과는 어떻게 다를까?
• RQ5 기계학습 강화된 SEIR 모델은 전통적인 역학 모델 기준 대비 글로벌 사망자 예측에서 더 나은 성능을 보일 수 있는가?

주요 결과

• 모델은 유럽, 아시아, 아프리카, 아메리카의 10개 국가에서 7일 및 14일 예측 기간 모두에서 CDC가 제시한 기준 모델(IHME, Imperial, YYG)을 10개 모두에서 능가했다.
• 글로벌 버전의 모델은 미국 전용 버전보다 유의미하게 뛰어나며, 특성 유사성 기반의 국가 간 데이터 공유의 가치를 입증했다.
• 영국의 경우, 한 주 일찍 봉쇄 조치를 내렸다면 13,827명의 생명을 구할 수 있었고, 한 주 늦춰졌다면 추가로 22,405명의 사망자가 발생했을 것이다.
• 영국의 실제 재개 계획에 따르면, 모델은 일일 사망자가 약 200명 수준에서 안정화될 것으로 예측했지만, 봉쇄를 유지할 경우 8월까지 일일 사망자가 100명 이하로 감소해 추가로 6,215명의 생명을 구할 수 있었다.
• 6월에 완전히 재개할 경우, 두 번째 파동이 발생해 8월~9월에 피크에 도달할 것으로 예측되었지만, 피크의 크기에는 높은 불확실성이 있었다.
• 모델은 정책 효과의 이질성을 드러냈다: 영국과 이탈리아처럼 $ R_0 $ 감소 폭이 정책 강도 증가에 따라 유의미하게 다름을 보였으며, 전파 역학의 맥락적 차이를 반영했다.