[논문 리뷰] Bayesian adjustment for preferential testing in estimating the COVID-19 infection fatality rate: Theory and methods

Harlan Campbell, Valpine Pd외 5명|arXiv (Cornell University)|2020. 05. 18.

COVID-19 epidemiological studies참고 문헌 48인용 수 13

한 줄 요약

이 논문은 코로나19 감염률 사망률(IFR)을 추정할 때 감염된 개인이 더 많이 검사되는 '선별적 검사' 현상에 대응하기 위해 베이지안 계층 모델을 제안한다. 다양한 정도의 검사 편향을 가진 여러 자료원의 데이터를 통합하고, 편향 이질성에 대한 사전 가정을 활용함으로써 신뢰할 수 있는 IFR 추정을 달성한다. 유럽 데이터에 적용한 결과, 총합 IFR는 0.47% (95% 신뢰구간: 0.34%–0.63%)로 추정된다.

ABSTRACT

A key challenge in estimating the infection fatality rate (IFR) is determining the total number of cases. The total number of cases is not known because not everyone is tested but also, more importantly, because tested individuals are not representative of the population at large. We refer to the phenomenon whereby infected individuals are more likely to be tested than non-infected individuals, as ''preferential testing.'' An open question is whether or not it is possible to reliably estimate the IFR without any specific knowledge about the degree to which the data are biased by preferential testing. In this paper we take a partial identifiability approach, formulating clearly where deliberate prior assumptions can be made and presenting a Bayesian model, which pools information from different samples. Results of a simulation study suggest that when certain populations with representative testing (i.e., or for which the degree of preferential testing is known) are included in the analysis, identifiability and reliable estimates are attainable. When only limited knowledge is available about the magnitude of preferential testing, reliable estimation of the IFR may still be possible so long as there is sufficient ''heterogeneity of bias'' across samples. When the model is fit to European data obtained from seroprevalence studies and national official COVID-19 statistics, we estimate the overall COVID-19 IFR for Europe to be 0.47%, 95% C.I. = [0.34%, 0.63%].

연구 동기 및 목표

• 코로나19 감염률 사망률(IFR)을 추정할 때 감염된 개인이 더 많이 검사되는 '선별적 검사' 현상이 초래하는 과제를 해결하기 위해.
• 완전한 편향 지식이 없이도 신뢰할 수 있는 IFR 추정이 가능한지, 부분 식별 가능성 프레임워크를 통해 확인하기 위해.
• 다양한 정도의 선별적 검사를 가진 여러 표본의 데이터를 통합하는 베이지안 모델을 개발하여 추정 정확도를 향상시키기 위해.
• 편향에 대한 지식이 제한된 상황에서도 식별 가능성과 안정적인 IFR 추정치를 확보할 수 있는 조건을 평가하기 위해.
• 실제 유럽 혈청유병률 및 공식 통계 자료에 모델을 적용하여 지역에 대한 견고한 IFR 추정치를 도출하기 위해.

제안 방법

• 저자는 선별적 검사로 인한 선택 편향을 고려한 베이지안 계층 모델을 사용하여, 다양한 인구 집단 간 검사 확률의 이질성을 처리한다.
• 편향 정도에 대한 사전 분포를 포함함으로써, 완전한 편향 지식이 없을 경우에도 부분 식별 가능성을 확보한다.
• 모델은 일부 표본에서 알려진 또는 대표적인 검사 행동을 가진 자료를 포함하여, 여러 표본의 데이터를 통합함으로써 추정의 안정성과 편향 감소를 도모한다.
• 표본 간 편향의 이질성을 활용하여, 개별 표본의 편향이 불확실하더라도 IFR의 식별 가능성을 확보한다.
• 관측된 사례 수와 사망 수를 기반으로 한 가능도 함수를 사용하며, 보조 데이터로부터 유도된 추정된 검사 확률로 조정한다.
• 후행 추론은 마르코프 체인 몬테카를로(MCMC) 샘플링을 통해 수행되어 IFR 및 신뢰구간을 추정한다.

실험 결과

연구 질문

• RQ1 검사가 선별적이고 편향 정도가 알려져 있지 않을 때 코로나19 감염률 사망률(IFR)을 신뢰할 수 있게 추정할 수 있는가?
• RQ2 표본 간 검사 편향의 이질성이 IFR의 식별 가능성을 어떻게 가능하게 하는가?
• RQ3 알려진 또는 대표적인 검사 행동을 가진 인구 집단의 데이터를 통합할 경우 IFR 추정 정확도는 어떻게 향상되는가?
• RQ4 선별적 검사에 대한 사전 가정이 결과로 도출된 IFR 추정치에 어떤 영향을 미치는가?
• RQ5 부분 식별 가능성 구조를 가진 베이지안 모델이 실제 유럽 데이터에 적용되었을 때, 얼마나 견고한 IFR 추정치를 도출할 수 있는가?

주요 결과

• 베이지안 모델은 유럽 지역의 총합 코로나19 감염률 사망률(IFR)을 0.47%로 성공적으로 추정하였으며, 95% 신뢰구간은 [0.34%, 0.63%]이다.
• 어느 정도의 표본에서 알려진 또는 대표적인 검사 행동이 있는 경우, 다른 표본의 편향이 불확실하더라도 안정적인 IFR 추정이 가능하다.
• 선별적 검사 정도의 충분한 이질성이 존재할 경우, 전체 편향 정보가 없더라도 IFR의 식별이 가능하다.
• 시뮬레이션 연구 결과, 현실적인 편향 및 데이터 가용성 조건 하에서 모델이 양호한 빈도주의 성질을 유지함을 확인하였다.
• 대표적인 검사 데이터의 통합은 IFR 추정치의 정밀도와 신뢰성에 크게 기여한다.
• 보조 데이터에 의해 적절히 정보화된 사전 분포를 사용할 경우, 편향 매개변수의 불확실성에 대해 모델이 강건함을 입증하였다.