[論文レビュー] Data-Driven Control of the COVID-19 Outbreak via Non-Pharmaceutical Interventions: A Geometric Programming Approach

Mikhail Hayhoe, Francisco Barreras+1 more|arXiv (Cornell University)|Nov 3, 2020

COVID-19 epidemiological studies参考文献 43被引用数 10

ひとこと要約

本論文は、非医療的介入（NPIs）である移動制限を用いてCOVID-19の流行を緩和するデータ駆動型最適制御フレームワークを提案する。マルチタスク学習を用いて実際の移動データと死亡者データを拡張SEIRモデルに統合することで、累積死亡者数を最小化しつつ経済的コスト制約を満たす幾何プログラミングに基づく最適制御問題を定式化し、フィラデルフィア都市圏で有効性を示している。

ABSTRACT

In this paper we propose a data-driven model for the spread of SARS-CoV-2 and use it to design optimal control strategies of human-mobility restrictions that both curb the epidemic and minimize the economic costs associated with implementing non-pharmaceutical interventions. We develop an extension of the SEIR epidemic model that captures the effects of changes in human mobility on the spread of the disease. The parameters of our data-driven model are learned using a multitask learning approach that leverages both data on the number of deaths across a set of regions, and cellphone data on individuals' mobility patterns specific to each region. We propose an optimal control problem on this data-driven model with a tractable solution provided by geometric programming. The result of this framework is a mobility-based intervention strategy that curbs the spread of the epidemic while obeying a budget on the economic cost incurred. Furthermore, in the absence of a straightforward mapping from human mobility data to economic costs, we propose a practical method by which a budget on economic losses incurred may be chosen to eliminate excess deaths due to over-utilization of hospital resources. Our results are demonstrated with numerical simulations using real data from the Philadelphia metropolitan area.

研究の動機と目的

• 実世界の移動データと死亡率データを用いて、人間の移動行動がSARS-CoV-2の感染拡大に与える影響を捉えるデータ駆動型エピデミックモデルの構築。
• 累積死亡者数を最小化しつつ経済的コスト制約を満たす最適な非医療的介入（NPIs）の設計。
• 過度なNPIの実施による病院システムの過負荷を防ぐために、経済的損失の予算を定義する原理的かつ一貫した手法の確立。
• 幾何プログラミングを用いて、リアルタイムの政策指針に適したスケーラブルで計算的に取り扱いやすい制御戦略の実現。

提案手法

• 曝露者（E）、感染者（I）、無症状者（A）、入院者（H）、死亡者（D）の各状態を含む拡張SEIRモデルを提案し、感染率を移動パターンによって制御する。
• 複数の地理的地域における死亡者数と移動データから、マルチタスク学習フレームワークを用いて同時にモデルパラメータを推定する。
• 移動変数u(t)のポリノミアル関数としての感染率β(𝐮(t))を定式化し、幾何プログラミングの定式化を可能にする。
• 有限時間内での累積死亡者数の最小化を目的関数とし、経済的コストに予算制約を課す最適制御問題を定式化する。
• 経済的コスト制約と目的関数をポリノミアル形式に変換し、幾何プログラミングによる高効率な解法を可能にする。
• 病院の収容能力を超えた過剰な死亡者を防ぐために、経済的予算のしきい値を決定する手法を提案する。

実験結果

リサーチクエスチョン

• RQ1 リアルタイムの移動データと死亡率データをどのように活用して、SARS-CoV-2の予測的でデータ駆動型のエピデミックモデルを構築できるか？
• RQ2 累積死亡者数を最小化しつつ経済的コスト制約を満たす最適な移動制限戦略は何か？
• RQ3 NPIの過剰な使用によって病院システムが崩壊するのを防ぐために、経済的損失の予算をどのように設定できるか？
• RQ4 幾何プログラミングは、エピデミックモデリングにおける非凸で非線形な最適制御問題を効果的に解けるか？
• RQ5 本フレームワークは、現実の状況において、ヒューリスティック的またはシミュレーションベースのNPI戦略に比べてどの程度優れているか？

主な発見

• 移動データと死亡率データを同時に学習することで、フィラデルフィア都市圏における日次および累積死亡者数を正確に予測するデータ駆動型モデルを構築した。
• 非線形性を含むエピデミックダイナミクスに対しても、幾何プログラミングの定式化により最適制御問題の効率的かつ取り扱いやすい解法が可能となった。
• 本フレームワークは、感染対策と経済的コストの両立に成功し、所定の予算内でのみ累積死亡者数を削減した。
• 病院の収容能力を超えた過剰な死亡者を防ぐために、経済的予算のしきい値を決定する手法が効果的に機能した。
• 数値シミュレーションにより、最適制御戦略がベースラインのNPI政策に比べて死亡者数の削減において顕著に優れていることが示された。
• モデルのポリノミアル構造のおかげで、ReLUネットワークや分数乗数を含むより複雑なデータ駆動型写像への拡張が可能となった。