[論文レビュー] Machine learning spatio-temporal epidemiological model to evaluate Germany-county-level COVID-19 risk

Lingxiao Wang, Tian Xu+4 more|arXiv (Cornell University)|Nov 30, 2020

COVID-19 epidemiological studies参考文献 22被引用数 5

ひとこと要約

本論文は、空間的セルオートマトンと時間的SUIR（感受性・未診断・感染・隔離）モデルを組み合わせた機械学習強化型の時空間疫学的モデルCA-SUIRを提案する。このモデルはドイツの412のLandkreisにおける県レベルのCOVID-19リスクを予測することを目的としており、リアルタイムの感染データと移動パターンを統合することで、t日先の正確な予測と政策影響の評価を可能にする。予測によると、効果的な介入がとられれば、2020年クリスマスの死亡者数は34.5千人から21千人未満にまで減少すると示された。

ABSTRACT

As the COVID-19 pandemic continues to ravage the world, it is of critical significance to provide a timely risk prediction of the COVID-19 in multi-level. To implement it and evaluate the public health policies, we develop a framework with machine learning assisted to extract epidemic dynamics from the infection data, in which contains a county-level spatiotemporal epidemiological model that combines a spatial Cellular Automaton (CA) with a temporal Susceptible-Undiagnosed-Infected-Removed (SUIR) model. Compared with the existing time risk prediction models, the proposed CA-SUIR model shows the multi-level risk of the county to the government and coronavirus transmission patterns under different policies. This new toolbox is first utilized to the projection of the multi-level COVID-19 prevalence over 412 Landkreis (counties) in Germany, including t-day-ahead risk forecast and the risk assessment to the travel restriction policy. As a practical illustration, we predict the situation at Christmas where the worst fatalities are 34.5 thousand, effective policies could contain it to below 21 thousand. Such intervenable evaluation system could help decide on economic restarting and public health policies making in pandemic.

研究の動機と目的

• パンデミック期における公衆衛生および経済政策意思決定を支援する、国・州・県の多段階的リスク予測モデルの開発。
• ドイツの県レベルにおける空間的不均一性と人口移動パターンを組み込むことで、従来の時域モデルの限界を克服すること。
• 旅行制限などの政策が地域感染拡大および死亡者数に与える影響をシミュレートできる、介入可能な評価システムの構築。
• ハイブリッドな機械学習と疫学的モデリングフレームワークを用いて、県レベルでの正確な局所的予測を可能にすること。

提案手法

• CA-SUIRモデルは、地理的人口分布を扱う空間的セルオートマトン（CA）と、412のドイツ県における感染動態をシミュレートする時間的SUIRモデルを統合する。
• SUIRモデルは微分方程式を用いて感受性、未診断、感染、隔離状態の人口を追跡し、パラメータ推定を可能にするために指数関数的フィッティングにより近似解が得られる。
• 2次元畳み込み層（64x4）とマックスプーリング、256個のLSTMセルを備えたConv2LSTMニューラルネットワークを、正規化された感染マップの学習に用いる。
• 時間分散畳み込み構造に従い、フラットニングとReLUおよびシグモイド活性化関数を用いた全結合層を経て、将来の感染状態を予測する。
• パラメータフィッティングは、大規模感受性人口の仮定の下で簡略化されたSUIRシステムを用い、識別可能な組み合わせ（例：σU₀とc*）に焦点を当てる。
• モデルの妥当性は、2020年3月の実際のRKIデータとシミュレートされた感染マップの比較により検証され、累積症例分布において強い一致が得られた。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッドな機械学習と疫学的モデリングフレームワークを用いたモデルは、ドイツの県レベルにおけるCOVID-19の有病率をどの程度正確に予測できるか？
• RQ2 冬2020年の波において、旅行制限政策の影響はドイツの県レベルでの感染数および死亡者数にどのような影響を与えるか？
• RQ3 空間的人口分布と移動パターンは、県レベルでのSARS-CoV-2の拡散にどのように寄与するか？
• RQ4 CA-SUIRモデルは、従来の時間的要因のみを考慮するモデルに比べ、多段階の時空間伝播ダイナミクスをよりよく捉えられるか？
• RQ5 機械学習は、複雑で不均一な流行システムのキャリブレーションと予測をどの程度向上できるか？

主な発見

• CA-SUIRモデルは2020年3月に実際のRKI感染データと強く一致し、現実の感染伝播パターンをシミュレートする能力が裏付けられた。
• 効果的な介入がとられない場合、2020年クリスマスにドイツの県全体で最大34,500人の死亡が予測された。
• 効果的な公衆衛生政策がとられれば、死亡者数は21,000人未満に抑えられると予測され、政策シミュレーションの価値が示された。
• Conv2LSTMモデルはトレーニング過程で平均二乗誤差（MSE）損失が低下し、決定係数R²が上昇しており、真値データとの強い予測相関が示された。
• パラメータフィッティングの結果、σU₀とc*のような組み合わせのみが識別可能であることが判明し、個々のパラメータ推定における固有の不確実性が浮き彫りになった。
• このフレームワークは、県レベルでのt日先のリスク予測と政策影響評価を可能にし、局所的意思決定を支援する。