[論文レビュー] Monitoring SEIRD model parameters using MEWMA for the COVID-19 pandemic with application to the State of Qatar

Edward L. Boone, Abdel‐Salam G. Abdel‐Salam+4 more|arXiv (Cornell University)|Jan 29, 2021

COVID-19 epidemiological studies参考文献 26被引用数 5

ひとこと要約

本稿では、オンラインパラメータ推定を伴う拡張型粒子マルコフ連鎖モンテカルロ（APMCMC）アルゴリズムを用いたベイジアンSEIRDモデルを用いて、COVID-19パンデミックのリアルタイム監視フレームワークを提案する。その後、MEWMAを用いた多変量プロセス統制を実施する。この手法は、政策による感染伝播ダイナミクスの変化を効果的に検出でき、カタールの事例では決定係数（pseudo-R²）が0.999に達し、40日目ごろに主要な介入策が実施されたことを早期に検知した。

ABSTRACT

During the current COVID-19 pandemic, decision makers are tasked with implementing and evaluating strategies for both treatment and disease prevention. In order to make effective decisions, they need to simultaneously monitor various attributes of the pandemic such as transmission rate and infection rate for disease prevention, recovery rate which indicates treatment effectiveness as well as the mortality rate and others. This work presents a technique for monitoring the pandemic by employing an Susceptible, Exposed, Infected, Recovered Death model regularly estimated by an augmented particle Markov chain Monte Carlo scheme in which the posterior distribution samples are monitored via Multivariate Exponentially Weighted Average process monitoring. This is illustrated on the COVID-19 data for the State of Qatar.

研究の動機と目的

• COVID-19危機期における変化するパンデミックパラメータを動的にリアルタイムで監視する手法を開発すること。
• 既存の文献におけるギャップを埋めるために、感染伝播、回復、死亡率の変化を迅速に検出すること。
• ベイジアン推論と多変量プロセス統制を統合し、政策の早期評価を可能にすること。
• 意思決定者に、公衆衛生介入の影響を評価するための迅速な対応ツールを提供すること。
• カタールの実世界データを用いて、この手法の有効性を実証すること。

提案手法

• 本研究では、カタールの疫学的データに適合した時変化型SEIRDモデルを採用し、感受性、潜伏、感染、回復、死亡者を含む状態区分を組み込む。
• ベイジアン推論フレームワークを用い、後方分布は拡張型粒子マルコフ連鎖モンテカルロ（APMCMC）アルゴリズムにより推定する。これにより、粒子枯渇を防ぎ、毎日の更新が可能になる。
• APMCMCアルゴリズムは、粒子の増強を伴う重要度再抽出を用い、サンプルの多様性を維持し、新規の毎日のデータからの効率的な逐次更新を可能にする。
• 多変量指数加重移動平均（MEWMA）制御図を、モデルパラメータの後方サンプルの時間的推移を監視するために適用する。
• MEWMA統計量は、多変量パラメータ空間におけるシフトを追跡し、制御限界は95百分位数に設定され、顕著な変化を示す。
• この手法により、過去の後方サンプルを再利用し、新規データのみを統合することで、毎日の監視が可能となり、計算効率が保証される。

実験結果

リサーチクエスチョン

• RQ1 オンラインパラメータ更新を伴うベイジアンSEIRDモデルは、リアルタイムでパンデミックダイナミクスの意味のある変化を検出できるか？
• RQ2 MEWMA監視方式は、感染率や回復率といった主要な疫学的パラメータの変化をどの程度効果的に同定できるか？
• RQ3 提案手法は、政府の介入が疾病進行に与える影響をどの程度検出できるか？
• RQ4 APMCMCアルゴリズムは、逐次推定におけるサンプル品質の維持に関して、標準的な粒子フィルターよりも優れているか？
• RQ5 この手法は、SEIRDモデルを超えた他の地域や疾病モデルへ一般化可能か？

主な発見

• 提案手法は、カタールのCOVID-19データへのSEIRDモデルのフィッティングにおいて、決定係数（pseudo-R²）が0.999に達し、優れたモデル適合を示した。
• MEWMA制御図は、パンデミックダイナミクスの最初の顕著な変化を40日目ごろに検出しており、専用の医療センターの開設など主要な政府介入と一致した。
• 40日目以降に複数の追加のシグナル日を効果的に同定でき、これらはすべて既知の政策変更や感染伝播パターンの変化と一致した。
• APMCMCアルゴリズムは粒子枯渇を効果的に防止し、再フィッティングを伴わず、毎日の後方分布の更新を効率的に行うことができた。
• ホテリングのT²統計量（多変量制御図として使用）は、40日目以降に継続的なシグナルを示し、システムのパラメータ空間における持続的変化を確認した。
• フレームワークは計算的に効率的かつスケーラブルであり、過去の後方サンプルを再利用し、新規の毎日のデータのみを処理するため、リアルタイムの公衆衛生監視に適している。