[論文レビュー] A deep-learning model for evaluating and predicting the impact of lockdown policies on COVID-19 cases

Ahmed Ben Said, Abdelkarim Erradi+2 more|arXiv (Cornell University)|Sep 11, 2020

COVID-19 epidemiological studies被引用数 13

ひとこと要約

この論文では、類似した封鎖政策を持つ国をクラスタリングし、政策の特徴と感染症データに基づいて、1日ごとのCOVID-19感染者数を予測する深層学習モデルを提案している。このモデルにより、シナリオベースの「もしも」分析が可能となり、学校および国境の制限を解除すると感染者数が急激に増加するが、他の制限を解除しても影響は最小限であることが示された。

ABSTRACT

To reduce the impact of COVID-19 pandemic most countries have implemented several counter-measures to control the virus spread including school and border closing, shutting down public transport and workplace and restrictions on gathering. In this research work, we propose a deep-learning prediction model for evaluating and predicting the impact of various lockdown policies on daily COVID-19 cases. This is achieved by first clustering countries having similar lockdown policies, then training a prediction model based on the daily cases of the countries in each cluster along with the data describing their lockdown policies. Once the model is trained, it can used to evaluate several scenarios associated to lockdown policies and investigate their impact on the predicted COVID cases. Our evaluation experiments, conducted on Qatar as a use case, shows that the proposed approach achieved competitive prediction accuracy. Additionally, our findings highlighted that lifting restrictions particularly on schools and border opening would result in significant increase in the number of cases during the study period.

研究の動機と目的

• 封鎖政策の影響を評価・予測するデータ駆動型の深層学習モデルを開発すること。
• 制限のレベルを異なる政策分野で変更するシナリオをシミュレートすることで、政策立案者によるシナリオ分析を可能にすること。
• 類似した封鎖戦略を持つ国をクラスタリングし、共通する政策-感染症パターンで学習することで、予測精度を向上させること。
• どの特定の封鎖措置を解除すると、感染者数の推移に最も顕著な影響を与えるかを特定し、カタールを事例として分析すること。

提案手法

• K-平均法を用いて、封鎖措置の実施時期と種別に基づいて国をクラスタリングし、最適なクラスタ数はエルボー法によって決定する。
• 最初の感染者発生から政策実施までの日数、および2週間ごとの平均基本再生産数（Rt）を含む政策特徴を抽出する。
• 各クラスタ内の国から得た1日ごとの感染者数と政策特徴を用いて、深層学習モデルを訓練し、将来の感染者数トレンドを予測する。
• 訓練済みモデルを用いて、「もしも」シナリオをシミュレートし、他の制限はそのままで、1つの政策分野の制限を仮想的に解除する。
• RMSEおよびMAE指標を用いてモデルの性能を評価し、カタールのデータのみを使用するベースラインや、封鎖データなしのベースラインと比較する。
• カタールの第4期封鎖（2020年9月上旬）にモデルを適用し、学校、国境、公共交通機関、職場、集会制限の解除が感染者数に与える影響を分析する。

実験結果

リサーチクエスチョン

• RQ1 封鎖政策の特徴を組み込むことで、深層学習モデルの1日ごとのCOVID-19感染者数予測精度がどの程度向上するか？
• RQ2 どの特定の封鎖措置を解除すると、予測される1日ごとの感染者数が最も顕著に増加するか？
• RQ3 シナリオベースのシミュレーションにおいて、学校、国境、公共交通機関などの異なる政策分野は、感染者数トレンドにどの程度の影響を及ぼすか？
• RQ4 類似した政策反応を示す国をクラスタリングすることで、個々の国を別々にモデル化するのと比較して、予測性能が向上するか？
• RQ5 国境管理や学校閉鎖といった重要な制限を完全に解除した場合、感染者数の予測トレンドはどのようになるか？

主な発見

• 提案されたモデルは、カタールの1日ごとの感染者数を予測する際、RMSEが28、MAEが21を達成し、ベースライン（カタールのみのデータ使用時：RMSE 129、MAE 108）を著しく上回った。
• 学校および教育機関のすべての制限を解除すると、2020年9月4日から感染者数が急激に増加し、持続的な上行トレンドが予測された。
• 国境管理の制限を解除すると、指数関数的な感染者急増が予測され、1週間以内に350例を超える感染者数に達し、実際の数値より100例以上も上回った。
• 公共交通機関、職場、集会制限の制限を解除しても、予測感染者数への影響は最小限であり、実際の値に近い変動を示した。
• モデルは、学校および国境の制限が感染拡大を制御する上で最も重要な要因であり、その解除は再流行の高いリスクを伴うと特定した。
• クラスタリングされた国々の類似した政策反応に基づいて学習させることで、単一国データで学習するモデルと比較して、予測精度が向上することを示した。