[論文レビュー] Gaussian Process Nowcasting: Application to COVID-19 Mortality Reporting

Iwona Hawryluk, Henrique Hoeltgebaum+8 more|arXiv (Cornell University)|Feb 22, 2021

Gaussian Processes and Bayesian Inference参考文献 22被引用数 7

ひとこと要約

本稿では、COVID-19死亡者数の報告遅延を是正するためのガウス過程ベースの即時推定フレームワークを提案する。潜在的なガウス過程と加法的カーネルを用いて、時間的に変化する報告遅延分布をモデル化する。NobBSなどのベンチマーク手法に比べて、点予測および不確実性の定量化において優れた性能を発揮し、ブラジルにおける有効再生産数R_tなどの主要な疫学的指標の正確なリアルタイム推定を可能にする。

ABSTRACT

Updating observations of a signal due to the delays in the measurement process is a common problem in signal processing, with prominent examples in a wide range of fields. An important example of this problem is the nowcasting of COVID-19 mortality: given a stream of reported counts of daily deaths, can we correct for the delays in reporting to paint an accurate picture of the present, with uncertainty? Without this correction, raw data will often mislead by suggesting an improving situation. We present a flexible approach using a latent Gaussian process that is capable of describing the changing auto-correlation structure present in the reporting time-delay surface. This approach also yields robust estimates of uncertainty for the estimated nowcasted numbers of deaths. We test assumptions in model specification such as the choice of kernel or hyper priors, and evaluate model performance on a challenging real dataset from Brazil. Our experiments show that Gaussian process nowcasting performs favourably against both comparable methods, and against a small sample of expert human predictions. Our approach has substantial practical utility in disease modelling -- by applying our approach to COVID-19 mortality data from Brazil, where reporting delays are large, we can make informative predictions on important epidemiological quantities such as the current effective reproduction number.

研究の動機と目的

• リアルタイムのCOVID-19死亡者数データにおける報告遅延の課題に対処し、疫学的ダイナミクスのリアルタイム推定に歪みを生じさせることを目的とする。
• 時間的に変化する報告遅延構造を潜在的ガウス過程を用いてモデル化する、柔軟で確率論的なフレームワークを開発することを目的とする。
• ブラジルの死亡者数データにおける報告遅延を是正することで、有効再生産数（R_t）のリアルタイム推定の正確性を向上させることを目的とする。
• ブラジルの高遅延データセットを用いて、提案手法をNobBSや熟練した人間の予測と比較する。
• 国レベルおよび準国レベルでの即時推定の実用的応用を可能とし、報告における地域的非均質性を反映することを目的とする。

提案手法

• 本手法は、報告遅延の表面を、時間的・自己相関パターンが複雑に変化するのを捉えるために加法的カーネル構造を持つ潜在的ガウス過程としてモデル化する。
• 週次死亡者数を負の二項分布でモデル化し、平均パラメータを潜在的ガウス過程でパrameter化することで、遅延プロセスの柔軟で非パラメトリックなモデル化を可能にする。
• ガウス過程カーネルのハイパーパrameterにハイパーパriorを設定し、Stanを用いたマルコフ連鎖モンテカルロ法（MCMC）により、完全なベイズ後部近似を実行する。
• 本モデルは歴史的報告データで学習され、わずか3か月分のデータを用いても、不確実性区間を伴った即時推定が可能である。
• RMSEによる点予測とCRPSによる予測分布の評価指標を用い、NobBSおよび熟練した人間の予測と比較してモデルの性能を評価する。
• 本フレームワークは空間的に分解能の高い即時推定を可能とし、補足図で示されるように、ブラジルの州レベルへの応用が可能である。

実験結果

リサーチクエスチョン

• RQ1 ガウス過程ベースのモデルは、現実の死亡者数データにおける時間的に変化する報告遅延構造を効果的に捉えることができるか？
• RQ2 NobBSなどの既存手法と比較して、GP即時推定モデルの予測精度および不確実性のキャリブレーションはどの程度優れているか？
• RQ3 報告遅延が存在する状況において、本モデルは有効再生産数（R_t）のリアルタイム推定をどの程度改善できるか？
• RQ4 ブラジルのCOVID-19報告システムのような現実的で高遅延な文脈において、本モデルは熟練した人間の予測と比較してどの程度の性能を示すか？
• RQ5 本フレームワークは、個々の州など準国レベルに効果的に応用可能か？また、報告における地域的非均質性を反映できるか？

主な発見

• GP即時推定モデルは、ブラジル死亡者数データセットにおいて、NobBS手法に比べてRMSE（点予測）およびCRPS（予測分布）の両方で顕著に優れた性能を発揮する。
• 図S13およびS14におけるカバレッジ評価から、より現実的で適切にキャリブレートされた不確実性区間を生成することが裏付けられている。
• 本フレームワークにより、有効再生産数（R_t）の正確なリアルタイム推定が可能となり、未補正データでは生じるR_t < 1という誤ったバイアスを是正する。
• 本モデルは、限定的な学習データでも優れた性能を示し、わずか3か月程度の歴史的報告データで信頼性の高い即時推定が可能である。
• 本手法は準国レベルへの応用に適応可能であり、ブラジルの州レベルでの成功した応用例が示されており、地域ごとの報告のばらつきを反映している。
• 加法的ガウス過程カーネルによる非定常な遅延パターンの捉え方の柔軟性により、NobBSの一次のランダムウォークよりも、歴史的報告データをよりよく説明できる。