[論文レビュー] Proposal of a recursive compartment model of epidemics and applications to the Covid-19 pandemic

Matthias Kreck, Erhard Scholz|arXiv (Cornell University)|Sep 1, 2020

COVID-19 epidemiological studies参考文献 2被引用数 7

ひとこと要約

本稿では、実際のデータに直接関連する最小限のパラメータを用いて、感染拡大をシミュレートする離散的で再帰的な5 compartment SEPIRモデル（感受性、潜伏、拡散者、隔離、回復）を提案する。ドイツおよびスイスにおける定常な基本再生産数の期間において、予測精度が高く、短期間の予測と政策評価を、公開済みのツールを用いた試行錯誤シミュレーションによって可能にする。

ABSTRACT

This is work in progress. We make it accessible hoping that people might find the idea useful. We propose a discrete, recursive 5-compartment model for the spread of epidemics, which we call {\em SEPIR-model}. Under mild assumptions which typically are fulfilled for the Covid-19 pandemic it can be used to reproduce the development of an epidemic from a small number of parameters closely related to the data. We demonstrate this at the development in Germany and Switzerland. It also allows model predictions assuming nearly constant reproduction numbers. Thus it might be a useful tool for shedding light on which interventions might be most effective in the future. In future work we will discuss other aspects of the model and more countries.

研究の動機と目的

• 観察された症例データから直接導かれる少数のパラメータを用いて、単純でデータ駆動型の区分モデルを疫病予測に用いること。
• 特に伝播が安定している期間において、一定の基本再生産数のもとで、疫病曲線の短期的予測を可能にすること。
• 政策立案者が、実装前のシミュレートされた試行錯誤シナリオを通じて、干渉の影響を評価できる実用的ツールを提供すること。
• ドイツおよびスイスの実世界データに対して、モデルの正確性を検証すること。ここでは、健康データの報告が信頼できるとされる。
• 4週間の期間における疫病進行をシミュレートできる、公開・オープンソースのツールを提供すること。

提案手法

• モデルは5つの区分を用いる：S（感受性）、E（潜伏）、P（拡散者）、I（隔離）、R（回復）で、遷移は再帰的差分方程式で制御される。
• 主な入力パラメータは、5日間の新規症例データから推定される有効再生産数Rで、感染から隔離までに10日間の遅延がある。
• モデルはRが短い期間にわたり概ね一定であると仮定し、Rと過去の値に基づいて新しい隔離症例を再帰的に計算できる。
• モデルは、実世界の報告における潜伏期間および報告遅延を反映するために、5日前のデータを用いて将来のI(t)曲線を計算する。
• ハラルド・グローガンツが開発した公開ウェブツールにより、ユーザーは日付を入力して、現在のデータに基づき4週間分の疫病推移をシミュレートできる。
• モデルは、観察データに合わせて再生産数をフィッティングすることでキャリブレーションされ、Rの変化は新規隔離症例のトレンドの変化によって検出される。

実験結果

リサーチクエスチョン

• RQ1 単純で再帰的な区分モデルは、実際のデータから導かれる少数のパラメータのみを用いて、観察された疫病曲線を正確に再現できるか？
• RQ2 定常な基本再生産数の期間において、SEPIRモデルは将来の疫病動向をどの程度正確に予測できるか？
• RQ3 遅延のあるデータを用いた場合、モデルはピークなどの重要な転換点をどの程度効果的に特定できるか？
• RQ4 実装前のシミュレーションによる試行錯誤的アプローチを通じて、モデルは政策意思決定を支援できるか？
• RQ5 ドイツおよびスイスにおける実世界応用において、モデルの性能はより複雑なモデルと比較してどうなるか？

主な発見

• SEPIRモデルは、ドイツおよびスイスにおける基本再生産数が安定している期間に、観察データとほぼ一致する精度で疫病曲線を再現した。
• ドイツでは、3月25日〜26日までのデータに基づき、2020年4月3日ごろに疫病のピークを検出できた。これは、データにピークが現れる10日前の予測であった。
• 2020年8月5日に、7月21日〜22日までのデータを用いて予測したところ、追加の制限措置が講じられない場合、2020年9月30日までに約68,000件の隔離症例が発生すると予測された。
• モデルは、2020年8月下旬に有効再生産数が約1.3である場合、約3週間後に最初のピークと同等の規模の第二波が発生すると示した。
• Rの変化が緩やかで、かつモデルが10日ごとに再推定される限り、Rの変化があってもモデルの予測は頑健であった。
• モデルの単純さと、リアルタイムで入手可能な最小限のデータへの依存性から、本モデルは一般および政策利用に適しており、公開済みのシミュレーションツールによってその有効性が実証された。