[論文レビュー] Epidemic parameters for COVID-19 in several regions of India

Sourendu Gupta|arXiv (Cornell University)|May 18, 2020

COVID-19 epidemiological studies参考文献 4被引用数 6

ひとこと要約

本研究では、2020年4月の時系列データをベイズ的手法で分析し、主にインドの複数地域における疫病パラメータ—特に $R_0$ と CFR—を推定した。初期の成長率が監視体制の拡充によって誇張されていた可能性が示された。$R_0$ と死亡率（CFR）の間に強い相関が認められ、感染拡大の可能性が高い地域では死亡率も高くなる傾向にあり、医療体制の計画立案および公衆衛生政策に影響を与える可能性がある。

ABSTRACT

Bayesian analysis of publicly available time series of cases and fatalities in different geographical regions of India during April 2020 is reported. It is found that the initial apparent rapid growthin infections could be partly due to confounding factors such as initial rapid ramp-up of disease surveillance. A brief discussion is given of the fallacies which arise if this possibility is neglected. The growth after April 10 is consistent with a time independent but region dependent exponential. From this, R0 is extracted using both known cases and fatalities. The two estimates are seen to agree in many cases; for these CFR is reported. It is seen that CFR and R0 increase together. Some public health implications of this observation are discussed, including a target doubling interval if medical facilities are to remain adequate.

研究の動機と目的

• COVID-19流行の初期段階における、インドの複数地域の基本再生産数 $R_0$ および症例死亡率（CFR）を推定すること。
• 特に、遅延または不完全な症例同定の文脈において、監視体制の拡充および検査政策が顕在的な流行の成長率に与える影響を評価すること。
• 地域間での $R_0$ と CFR の相関関係を調査し、公衆衛生計画および資源配分に役立てる。
• 確認済み症例と死亡者数の両方を独立した伝染ダイナミクスの指標として用い、流行の成長率の整合性を評価すること。
• 観察された $R_0$ および CFR の傾向に基づき、医療体制が逼迫しないよう維持すべき症例の倍増間隔の目標値を導出すること。

提案手法

• 公式出典およびソーシャルメディアを経由して入手した、インド6都市・州（アフマダーバード、チェンナイ、インドル、ムンバイ、プネ、デリー）の累積確認症例 $C(t)$ および死亡者数 $D(t)$ の公開時系列データを、ベイズ推論に用いた。
• 指数関数的増加を仮定し、$R_0 = 1 + \frac{t_2 \ln 2}{\tau_0}$ により $R_0$ を推定する。ここで $t_2 = 17.8$ 日は感染から死亡または回復までの中央値である。
• ロックダウンなどの政策効果を反映させるために、時間変動型 $R_0$ モデルを用い、$R_0 = R_0^0 + R_0^1 \frac{t}{T} + \cdots$ のテイラー展開を適用し、SEIRモデルを時間単位の基準として用いた。
• 症例データと死亡者データからの成長率を比較し、整合性を検証。一貫した傾向が示された場合、$R_0$ と $R_0$-CFR の相関関係が信頼できると判断できる。
• 非定常な流行の成長をモデル化するため、誤差関数 ${\rm Erfi}$ および漸近的展開を用い、時間依存の $R_0$ のフィッティングを可能にした。
• 2020年5月1日までに遡って修正されたデータを補正したが、5月1日以降の修正は分析の一貫性を保つために除外した。

実験結果

リサーチクエスチョン

• RQ1 インドにおけるCOVID-19の症例数の初期の急激な増加は、真の流行拡大によるものよりも、監視体制の拡充に起因している可能性はどれほど高いか？
• RQ2 インドの異なる地域において、確認済み症例と死亡者数から導かれる流行の成長率はどれほど整合性があるか？
• RQ3 地域間で、基本再生産数 $R_0$ と症例死亡率（CFR）の間に有意な相関があるか。その公衆衛生的意義は何か？
• RQ4 観察された $R_0$ および CFR の値に基づき、医療体制が逼迫しないよう維持すべき症例の倍増間隔の目標値は何か？
• RQ5 検査政策（例：症状のある者だけを対象とする）および報告バイアスは、インドにおける $R_0$ および CFR 評価の信頼性にどのように影響するか？

主な発見

• インドの地域における初期の顕著な症例数の急増は、特に流行の初期段階において、監視体制の拡充に起因している可能性が高かった。
• 2020年4月10日以降、大多数の地域で、時間に依存しないが地域に依存する指数関数的モデルに従う流行の成長が確認され、$R_0$ の推定が信頼できることが裏付けられた。
• 症例数と死亡者数から得られた $R_0$ の推定値は、地域間で強く一致しており、両方のデータストリームをパラメータ推定に用いることの妥当性が裏付けられた。
• 地域間で $R_0$ と CFR の間に有意な正の相関が認められ、感染拡大の可能性が高い地域では死亡率も高くなる傾向があることが示された。
• 州全体の CFR は都市部よりも高く、地方では医療能力が低いことが反映されており、制御不能な拡大の際、医療体制の圧迫が CFR を上昇させる可能性がある。
• 本研究では、医療体制が逼迫しないように維持すべき目標となる倍増間隔を特定した。これは、公衆衛生対策によって $R_0$ を制御することが極めて重要であることを示唆している。