[論文レビュー] Forecasting hospital demand during COVID-19 pandemic outbreaks

Capistrán Ma, Ana Cláudia Niedhardt Capella+1 more|arXiv (Cornell University)|Jun 2, 2020

COVID-19 epidemiological studies被引用数 11

ひとこと要約

本研究では、COVID-19パンデミック期の病床需要を予測するために、明示的な潜伏期、感染、入院動態を備えたベイジアンSEIRD区分モデルを開発した。確定症例および死亡者データを、時間的に変化する接触率とロックダウンに起因するブレイクポイントと統合することで、メキシコ連邦政府が全国の70か所以上の都市部および32の州で公衆衛生意思決定に使用する、タイムリーで確率論的な予測を提供した。

ABSTRACT

We present a compartmental SEIRD model aimed at forecasting hospital occupancy in metropolitan areas during the current COVID-19 outbreak. The model features asymptomatic and symptomatic infections with detailed hospital dynamics. We model explicitly branching probabilities and non exponential residence times in each latent and infected compartments. Using both hospital admittance confirmed cases and deaths we infer the contact rate and the initial conditions of the dynamical system, considering break points to model lockdown interventions. Our Bayesian approach allows us to produce timely probabilistic forecasts of hospital demand. The model has been used by the federal government of Mexico to assist public policy, and has been applied for the analysis of more than 70 metropolitan areas and the 32 states in the country.

研究の動機と目的

• パンデミック期の病床占有率を予測する動的でデータ駆動型のモデルを開発すること。
• パラメータ推定とモデルの正確性を向上させるために、確定症例および死亡者データの両方を組み込むこと。
• 潜在期および感染期の非指数分布型の滞在時間と分岐確率をより現実的にモデル化すること。
• 公衆衛生計画のためのベイジアンフレームワークを通じて、タイムリーで確率論的な予測を可能にすること。
• 全国の32の州および70か所以上の都市部にわたるモデルの適用を通じて、国家的政策意思決定を支援すること。

提案手法

• 感受性、潜伏期、無症候性、症状性、入院、死亡者を明示的に区別する区分SEIRDモデルを用いる。
• 実際の感染および回復期間をよりよく反映するために、フェーズ型分布を用いて非指数分布型の滞在時間をモデル化する。
• 感染状態間の遷移および入院経路の分岐確率を明示的にモデル化する。
• 病床入院および死亡者データを用いてベイジアン推論により接触率および初期条件を推定する。
• 時間的に変化する接触率にブレイクポイントを組み込み、ロックダウン介入の影響を表現する。
• 事後予測分布を通じて、病床需要の確率論的予測を生成する。

実験結果

リサーチクエスチョン

• RQ1 非指数分布型の滞在時間を有する区分SEIRDモデルは、パンデミック期に病床占有率をどれほど正確に予測できるか？
• RQ2 確定症例および死亡者データの両方を統合することで、予測信頼性はどの程度向上するか？
• RQ3 接触率におけるブレイクポイントとしてモデル化されたロックダウン介入は、予測された病床需要にどのように影響するか？
• RQ4 ベイジアンフレームワークは、公衆衛生当局にとってタイムリーで実行可能な確率論的予測を提供できるか？
• RQ5 本モデルは、多様な都市部および州レベルの医療システムにどの程度スケーラブルか？

主な発見

• 本モデルは、メキシコ連邦政府が公的政策意思決定に使用する、タイムリーで確率論的な病床需要予測を的確に生成した。
• 確定症例および死亡者データの両方を組み込むことで、接触率および初期条件の推定精度が向上した。
• 非指数分布型の滞在時間をモデル化することで、入院および回復動態の現実性が向上した。
• ロックダウンを表すブレイクポイントの使用により、モデルは政策介入や変化する感染伝播パターンに適応可能となった。
• 本モデルは、メキシコの70か所以上の都市部および32の州に適用され、広範なスケーラビリティと実用的価値を示した。
• ベイジアンフレームワークにより不確実性の定量化が可能となり、公衆衛生分野におけるリスクに基づいた意思決定を支援した。