[論文レビュー] Impact studies of nationwide measures COVID-19 anti-pandemic: compartmental model and machine learning

Mouhamadou A. M. T. Baldé, Coura Baldé+1 more|arXiv (Cornell University)|May 17, 2020

COVID-19 epidemiological studies参考文献 3被引用数 5

ひとこと要約

本研究では、変更されたSIRU compartmentalモデルと機械学習技術を用いて、セネガルにおける全国的パンデミック対策の影響を評価する。時間変動する接触率モデルを指数的フィッティングと組み合わせ、Wolfram MathematicaのニューラルネットワークおよびProphetツールからの予測を統合し、対策がパンデミックの指数的増加を顕著に遅らせ、介入後には伝播率が低下したことを示している。

ABSTRACT

In this paper, we deal with the study of the impact of nationwide measures COVID-19 anti-pandemic. We drive two processes to analyze COVID-19 data considering measures. We associate level of nationwide measure with value of parameters related to the contact rate of the model. Then a parametric solve, with respect to those parameters of measures, shows different possibilities of the evolution of the pandemic. Two machine learning tools are used to forecast the evolution of the pandemic. Finally, we show comparison between deterministic and two machine learning tools.

研究の動機と目的

• 全国的パンデミック対策の有効性を、 compartmental 疫学モデルを用いて評価すること。
• 実際の症例データを用いて、接触率、回復率、死亡率などの主要な疫学的パラメータを推定すること。
• 政策的介入の影響を、時間変動する接触率を有する動的伝播モデルに統合すること。
• 微分方程式モデルの予測と、機械学習ツール（ニューラルネットワークおよびProphet）の予測を比較すること。
• 全国的対策が、セネガルにおけるパンデミックの指数的増加軌道を変化させたかどうかを評価すること。

提案手法

• 感受性（S）、無症候性感染（I）、報告されない症候性（IU）、報告された症候性（IR）の4つの状態を有する、変更されたSIRU compartmentalモデルを用いる。
• 全国的対策の実施後に減少する時間変動する接触率β(t)を導入し、t > Tに対してβ(T/t)^(δ/p)としてモデル化する。
• 2020年3月2日から4月25日までの累積症例データに指数的フィッティング（TNI(t) = b·exp(ct) − a）を適用し、初期の増加ダイナミクスを推定する。
• 感染個体数の時間積分と指数的フィットの関係を用いて、モデルパラメータ（β, ν, η, γ, α）を推定する。
• 機械学習ツール（Wolfram MathematicaのニューラルネットワークおよびProphet）を用い、介入の影響を組み込んだ将来のパンデミック動向を予測する。
• 次世代行列法を用いて基本再生産数R₀を導出し、無症候性および報告されない感染伝播を考慮する。

実験結果

リサーチクエスチョン

• RQ1 セネガルにおける全国的パンデミック対策は、COVID-19の有効伝播率をどの程度低減したか？
• RQ2 時間変動する接触率モデルは、介入後の症例増加の低下をどの程度適切に捉えているか？
• RQ3 介入後における機械学習モデル（ニューラルネットワークおよびProphet）の予測は、SIRU compartmentalモデルの予測とどの程度一致するか？
• RQ4 セネガルの文脈における主要な疫学的パラメータ（例：β, ν, η, γ）の推定値は何か？
• RQ5 全国的対策の実施後に、指数的増加から劣指数的増加への軌道のシフトがモデルで予測されるか？

主な発見

• 2020年3月2日から4月25日までの累積症例への指数的フィッティングにより、a = 99.9214、b = 81.325、c = 0.0371767が得られ、介入後の増加率の低下を示している。
• モデルは初期増加率c = 0.0371767/日を推定し、これにより介入後約18.6日で二重化時間が達成される。
• 接触率βは、β = (c + ν)(c + η) / [S₀(c + η + (1−γ)ν)]の式を用いて0.042/日と推定され、ν = 7日⁻¹およびη = 7日⁻¹である。
• 基本再生産数R₀は1.28と計算され、持続的な伝播を示唆するが、対策前の水準に比べ顕著な低下が確認された。
• ニューラルネットワークおよびProphetの両方の機械学習予測は、4月25日以降に症例増加が著しく緩やかになる傾向を一貫して示し、対策の有効性に関するモデルの結論を支持している。
• モデルは、全国的対策の実施後にパンデミックの軌道が指数的増加から劣指数的増加にシフトし、新しい曲線が対策前のトレンド以下に位置することを示した。