[論文レビュー] Real-Time Differential Epidemic Analysis and Prediction for COVID-19 Pandemic

Sheldon X.-D. Tan, L Chen|arXiv (Cornell University)|Apr 15, 2020

COVID-19 epidemiological studies参考文献 15被引用数 9

ひとこと要約

本論文は、短い履歴データを用いて感染率と回復率を動的に調整する、リアルタイムでウィンドウベースの時間変動SEIRモデルを提案する。このモデルにより、COVID-19の発症者数および死亡者数について1〜4週間の短期的予測が高精度で可能となる。静的SEIRフレームワークに比べ、緩和策の変化、社会的行動、医療体制の変化への適応的反応を組み込むことで、米国、カリフォルニア州、ニューヨーク州、中国、イタリアの各地域で良好な性能を示し、予測の相対平均誤差が低く抑えられている。

ABSTRACT

In this paper, we propose a new real-time differential virus transmission model, which can give more accurate and robust short-term predictions of COVID-19 transmitted infectious disease with benefits of near-term trend projection. Different from the existing Susceptible-Exposed-Infected-Removed (SEIR) based virus transmission models, which fits well for pandemic modeling with sufficient historical data, the new model, which is also SEIR based, uses short history data to find the trend of the changing disease dynamics for the infected, the dead and the recovered so that it can naturally accommodate the adaptive real-time changes of disease mitigation, business activity and social behavior of populations. As the parameters of the improved SEIR models are trained by short history window data for accurate trend prediction, our differential epidemic model, essentially are window-based time-varying SEIR model. Since SEIR model still is a physics-based disease transmission model, its near-term (like one month) projection can still be very instrumental for policy makers to guide their decision for disease mitigation and business activity policy change in a real-time. This is especially useful if the pandemic lasts more than one year with different phases across the world like 1918 flu pandemic. Numerical results on the recent COVID-19 data from China, Italy and US, California and New York states have been analyzed.

研究の動機と目的

• 時間変動する感染率と回復率のため、静的SEIRモデルがリアルタイムのパンデミック予測において限界を示す問題を解決すること。
• 最近の履歴データを活用して変化する動的要因を捉えることで、感染症の広がりに関する短期的予測精度を向上させること。
• 医療体制や緩和策の計画に役立てるために、信頼性の高い近い将来の傾向予測を公衆衛生意思決定支援に提供すること。
• 1918年のインフルエンザパンデミックのような複数段階で長期間にわたるパンデミックを、変化する干渉策や行動パターンに適応してモデル化すること。
• 物理的ベースのSEIRモデルとデータ駆動型の適応を組み合わせることで、社会的行動や政策変更の不確実性に対しても頑健性を確保すること。

提案手法

• 本モデルは、短い履歴データ（例：7〜14日間）に基づいてSEIRパラメータ（感染率、回復率）をトレーニングするウィンドウベースのアプローチを用い、リアルタイムでの変化を反映する。
• 新規データの到着に伴い、パラメータを再キャリブレーションすることで、有効再生産数Rtを動的に更新し、時間変動する挙動を実現する。
• Susceptible（感受性者）、Exposed（潜伏者）、Infected（感染者）、Removed（回復者または死亡者）のエピデミオロジー的コンパートメントを含み、時間依存の感染率と回復率を導入する。
• 有効再生産数Rtを時間関数として推定し、現実の緩和策や行動変化を反映する。
• 中国、イタリア、米国、カリフォルニア州、ニューヨーク州のデータを用いてフレームワークを検証し、予測値と実際の発症者数・死亡者数を比較する。
• 最新データに基づくリアルタイムの予測を提供する専用のウェブサイトを運営し、一般および政策立案者への利用を支援する。

実験結果

リサーチクエスチョン

• RQ1 短い履歴ウィンドウでトレーニングされた時間変動SEIRモデルは、動的なパンデミック状況下で、静的SEIRモデルに比べより高い短期的予測精度を達成できるか？
• RQ2 本モデルは、緩和策の変化、社会的行動、医療体制の変化をリアルタイムでどのように適応するか？
• RQ3 有効再生産数Rtは、複数段階にわたるパンデミックにおける流行傾向の変化を追跡・予測するために、どの程度有効に使えるか？
• RQ4 予測精度と物理的妥当性の観点から、IHMEの曲線フィッティングのような完全にデータ駆動型のアプローチと比較して、本モデルの性能はいかがなものか？
• RQ5 本モデルは、感染症および死亡者数の近い将来（1〜4週間）の傾向を信頼性を持って予測でき、医療体制や政策意思決定を支援できるか？

主な発見

• 米国、カリフォルニア州、ニューヨーク州における短期的予測において、相対平均誤差が低く抑えられ、2020年3月上旬から7月中旬にかけて10％未満を維持した。
• 米国の有効再生産数Rtは2020年4月上旬に約5にピークに達し、緩和策が導入される前における高い感染拡大を反映していた。
• ニューヨーク州では2020年4月中旬までにRtが5未満に低下し、干渉策の効果による感染拡大の抑制が確認された。
• 本モデルは、米国の累積確定症例数が2020年6月12日までに約110万人に達すると予測したが、実際のデータとよく一致していた。
• カリフォルニア州では2020年4月13日ごろにRtが約5に達し、COVID-19の推定基本再生産数（2〜7）と整合的であった。
• 中国やイタリアを含む多様な地域でも本モデルは頑健な性能を示し、異なるパンデミック段階や政策環境への広範な適用可能性を示している。