[논문 리뷰] Dynamic graph based epidemiological model for COVID-19 contact tracing data analysis and optimal testing prescription

Shashanka Ubaru, Lior Horesh외 1명|arXiv (Cornell University)|2020. 09. 10.

COVID-19 epidemiological studies참고 문헌 40인용 수 6

한 줄 요약

이 논문은 접촉 추적 데이터와 다항 chaos 전개를 통합하여 질병 상태의 불확실성을 정량화하는 동적 그래프 기반 SEIR 모델을 제안한다. 이는 제한된 검사 능력 하에서 노출된 개인에 대한 조기 경고와 최적의 검사 처방을 가능하게 하며, 개별 위험 추정에 기반해 테스트를 전략적으로 배분함으로써 총 불확실성을 감소시킨다.

ABSTRACT

In this study, we address three important challenges related to the COVID-19 pandemic, namely, (a) providing an early warning to likely exposed individuals, (b) identifying asymptomatic individuals, and (c) prescription of optimal testing when testing capacity is limited. First, we present a dynamic-graph based SEIR epidemiological model in order to describe the dynamics of the disease transmission. Our model considers a dynamic graph/network that accounts for the interactions between individuals over time, such as the ones obtained by manual or automated contact tracing, and uses a diffusion-reaction mechanism to describe the state dynamics. This dynamic graph model helps identify likely exposed/infected individuals to whom we can provide early warnings, even before they display any symptoms. When COVID-19 testing capacity is limited compared to the population size, reliable estimation of individual's health state and disease transmissibility using epidemiological models is extremely challenging. Thus, estimation of state uncertainty is paramount for both eminent risk assessment, as well as for closing the tracing-testing loop by optimal testing prescription. Therefore, we propose the use of arbitrary Polynomial Chaos Expansion, a popular technique used for uncertainty quantification, to represent the states, and quantify the uncertainties in the dynamic model. This design enables us to assign uncertainty of the state of each individual, and consequently optimize the testing as to reduce the overall uncertainty given a constrained testing budget. We present a few simulation results that illustrate the performance of the proposed framework, and estimate the impact of incomplete contact tracing data.

연구 동기 및 목표

• 증상 발현 이전에 노출된 것으로 예상되는 개인을 식별하는 데 도전하는 문제를 해결하기 위해.
• 검사 능력이 제한된 상황에서 무증상 병원균 보유자를 개선하여 탐지하기 위해.
• 제한된 검사 예산 하에서 질병 상태 추정의 불확실성을 최소화하는 최적의 검사 전략을 개발하기 위해.
• 다양한 불확실성 정량화 기법을 활용하여 역학 모델의 상태 불확실성을 다항 chaos 전개를 통해 정량화하여 더 나은 위험 평가를 가능하게 하기 위해.
• 접촉 추적 데이터와 타겟팅된 검사 처방을 연결함으로써 추적-검사 루프를 완성하기 위해.

제안 방법

• 접촉 추적 데이터에서 유도된 시간에 따라 변화하는 인간 상호작용의 동적 그래프 표현을 사용하여 질병 전파를 모델링한다.
• SEIR 상태 전이(감염 가능성, 잠복기, 감염, 회복)를 시뮬레이션하기 위해 동적 그래프 상에서 확산-반응 메커니즘을 수립한다.
• 부분적 또는 노이즈가 있는 데이터로 인한 개인 건강 상태의 불확실성을 표현하고 정량화하기 위해 임의의 다항 chaos 전개(PCE)를 적용한다.
• PCE 기반의 불확실성 추정치를 활용하여, 전체 모델 불확실성을 가장 크게 감소시킬 수 있는 개인을 선별함으로써 검사를 우선순위에 따라 배치한다.
• 예산 제약과 함께 불확실성 감소를 목표로 하는 목적 함수를 최적화하여 검사 배분을 최적화한다.
• 성능 평가 및 데이터 불완전성에 대한 강건성을 평가하기 위해 합성 또는 실제 접촉 추적 데이터를 기반으로 프레임워크를 시뮬레이션한다.

실험 결과

연구 질문

• RQ1 시간에 따라 변화하는 상호작용 패턴을 효과적으로 모델링하여 증상 발현 이전에 조기 질병 전파를 예측하고, 위험에 노출된 개인을 식별할 수 있는가?
• RQ2 부분적인 접촉 추적 데이터 하에서 다항 chaos 전개를 사용하여 개인의 질병 상태 불확실성을 어느 정도 정량화할 수 있는가?
• RQ3 접촉 추적 데이터의 불완전성 또는 누락이 노출 및 감염 예측 정확도에 어떤 영향을 미치는가?
• RQ4 제한된 검사 능력 하에서 전체 모델의 질병 상태 추정 불확실성을 최소화하기 위해 어떻게 최적의 검사를 처방할 수 있는가?
• RQ5 접촉 추적과 불확실성 인식 모델링을 통합함으로써 추적-검사 루프를 닫을 수 있으며, 이는 패an데믹 대응을 향상시킬 수 있는가?

주요 결과

• 동적 그래프 기반 SEIR 모델은 시간적 상호작용 패턴을 활용하여 전통적 모델보다 조기에 노출된 개인을 성공적으로 식별한다.
• 다항 chaos 전개가 개인 건강 상태의 불확실성을 효과적으로 정량화하여 위험 인식 의사결정을 가능하게 한다.
• 불확실성 감소 기반 최적의 검사 처방은 제약된 검사 예산 하에서 전체 모델 불확실성을 크게 감소시킨다.
• 프레임워크는 데이터 불완전성에 강건성을 보이며, 상호작용 기록이 누락된 경우에도 신뢰할 수 있는 예측을 유지한다.
• 시뮬레이션 결과는 무작위 또는 비최적화된 검사 전략에 비해 불확실성 인식 기반의 검사 우선순위 설정이 감염 및 노출 예측 정확도를 향상시킨다는 것을 보여준다.