[論文レビュー] Semi-Mechanistic Bayesian Modeling of COVID-19 with Renewal Processes

Samir Bhatt, Neil M. Ferguson+4 more|arXiv (Cornell University)|Dec 1, 2020

COVID-19 epidemiological studies被引用数 10

ひとこと要約

本稿では、再生過程を用いた半機械的ベイズ枠組みを提示し、COVID-19の感染伝播をモデル化する。非薬物的介入（NPI）や移動行動などの共変量に基づいて、地域間で時変化する基本再生産数 $R_t$ を回帰的に同時に推定する。部分的プーリングにより推定の安定性を高め、ロックダウンが移動行動の低下を通じて感染伝播を18.3%間接的に低減したと特定し、その媒介効果が正である確率は89.6%であることを定量的に示した。

ABSTRACT

We propose a general Bayesian approach to modeling epidemics such as COVID-19. The approach grew out of specific analyses conducted during the pandemic, in particular an analysis concerning the effects of non-pharmaceutical interventions (NPIs) in reducing COVID-19 transmission in 11 European countries. The model parameterizes the time varying reproduction number $R_t$ through a regression framework in which covariates can e.g be governmental interventions or changes in mobility patterns. This allows a joint fit across regions and partial pooling to share strength. This innovation was critical to our timely estimates of the impact of lockdown and other NPIs in the European epidemics, whose validity was borne out by the subsequent course of the epidemic. Our framework provides a fully generative model for latent infections and observations deriving from them, including deaths, cases, hospitalizations, ICU admissions and seroprevalence surveys. One issue surrounding our model's use during the COVID-19 pandemic is the confounded nature of NPIs and mobility. We use our framework to explore this issue. We have open sourced an R package epidemia implementing our approach in Stan. Versions of the model are used by New York State, Tennessee and Scotland to estimate the current situation and make policy decisions.

研究の動機と目的

• パンデミック時における感染症動態をモデリングする柔軟で一般化可能なベイズフレームワークの開発。
• 症例報告の感覚率が低く時間的に変動する場合に生じる感染率推定の課題への対処。
• 症例、死亡、入院、血清疫学的有病率といった複数のデータタイプを統合して推定することで、単一のデータソースへの依存を低減し、推定の堅牢性を向上。
• データが乏しくて混同要因が強い状況においても、非薬物的介入（NPI）および移動行動の影響をより安定して推定できるよう、地域間で部分的プーリングを実装。
• 特に、ロックダウンが移動行動の変化を通じて感染伝播に与える間接的効果を含む因果的経路の解明。

提案手法

• 感染の伝播を離散的再生過程でモデル化し、潜在的感染と観察された結果との間を生成期間分布および観察分布で結びつける。
• 非薬物的介入（NPI）や移動パターンなどの時変共変量を用いて、$R_t$ を回帰的にパラメータ化するフレームワークを採用。
• 11カ国の地域間で階層的（部分的プーリング）モデルを適用し、情報共有によって推定の安定性を向上。
• 死亡、症例、入院、集中治療室（ICU）入室、血清疫学的有病率といった複数のデータタイプを統合し、一元的な尤度関数に組み込むことで推定の堅牢性を強化。
• 因果中介分析を用いて、ロックダウンの全効果を直接効果と移動行動を通じた間接効果に分解し、媒介効果を $\beta^1_1 - \beta^2_1$ として推定。
• オープンソースのRパッケージ *epidemia* を介してStanでモデルを実装し、マルコフ連鎖モンテカルロ法を用いたスケーラブルかつ再現可能な推定を実現。

実験結果

リサーチクエスチョン

• RQ1 症例報告の感覚率のばらつきや地域間の異質性、データの乏しさを考慮しつつ、複数地域の $R_t$ を統合的に推定する方法は何か？
• RQ2 非薬物的介入（NPI）は感染伝播をどの程度低減するのか？ その効果のうち、移動行動の変化を通じた間接的効果はどの程度か？
• RQ3 症例データがバイアスを受ける状況において、死亡、症例、血清疫学的有病率といった複数のデータソースを統合することで、感染率推定の正確性はどの程度向上するか？
• RQ4 NPIと移動行動の間の交絡要因が、介入効果の推定に与える影響は何か？ そして、その影響をどのように解消できるか？
• RQ5 生物学的妥当性と統計的柔軟性を併せ持つ半機械的モデルは、パンデミック発生時における迅速かつ政策的意義のある推定を可能にするか？

主な発見

• ロックダウンは移動行動の低下を通じて、感染伝播を18.3%間接的に低減した。95%信用区間は[12.2%, 44.4%]であった。
• 移動行動を介したロックダウンの媒介効果が正であるという事後確率は89.6%であり、この経路に強い証拠があることを示している。
• 本モデルは11カ国の非薬物的介入および移動行動の影響を成功裏に推定し、その後の流行推移と整合性を示した。
• 複数のデータタイプを統合することで、信頼性が低いまたは不完全な症例報告によるバイアスを低減し、推定の堅牢性が向上した。
• 地域間での部分的プーリングにより、特に初期流行段階でデータが乏しい状況でも推定の精度が向上した。
• 本モデルはニューヨーク州、田納西州、スコットランドで政策意思決定に実際に活用されており、現実世界での実用的価値を示している。