[論文レビュー] Simulation of Covid-19 epidemic evolution: are compartmental models really predictive?

Marco Paggi|arXiv (Cornell University)|Apr 14, 2020

COVID-19 epidemiological studies参考文献 6被引用数 10

ひとこと要約

本研究では、イタリアのロンバルディアにおけるCOVID-19流行の予測的信頼性を、無症状および死亡者 compartment を組み込んだ強化された SIR 限定的モデルを用いて評価する。逐次的に拡大するデータセットからモデルのパラメータを粒子群最適化（PSO）を用いてキャリブレーションすることで、予測結果がトレーニングデータのサイズに極めて敏感であることが判明した。これは、現在のデータでは収束的かつ信頼性のある予測が得られていないことを示している。

ABSTRACT

Computational models for the simulation of the severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) epidemic evolution would be extremely useful to support authorities in designing healthcare policies and lockdown measures to contain its impact on public health and economy. In Italy, the devised forecasts have been mostly based on a pure data-driven approach, by fitting and extrapolating open data on the epidemic evolution collected by the Italian Civil Protection Center. In this respect, SIR epidemiological models, which start from the description of the nonlinear interactions between population compartments, would be a much more desirable approach to understand and predict the collective emergent response. The present contribution addresses the fundamental question whether a SIR epidemiological model, suitably enriched with asymptomatic and dead individual compartments, could be able to provide reliable predictions on the epidemic evolution. To this aim, a machine learning approach based on particle swarm optimization (PSO) is proposed to automatically identify the model parameters based on a training set of data of progressive increasing size, considering Lombardy in Italy as a case study. The analysis of the scatter in the forecasts shows that model predictions are quite sensitive to the size of the dataset used for training, and that further data are still required to achieve convergent -- and therefore reliable -- predictions.

研究の動機と目的

• ロンバルディアにおけるCOVID-19流行の推移を、無症状および死亡者 compartment を含む強化されたSIRモデルで信頼性高く予測できるかどうかを評価すること。
• トレーニングデータセットのサイズがモデルの予測の収束性および信頼性に与える影響を調査すること。
• 粒子群最適化（PSO）を用いた機械学習ベースのパラメータ同定手法を、疫学的モデルに開発および適用すること。
• 公式機関のデータから得られるデータ駆動型予測は十分であるか、それとも力学的モデルが優れた予測力を持つのかを特定すること。
• パンデミック発生時における現実のデータ制限下で、限定的モデルの頑健性を評価すること。

提案手法

• 感受性、感染、無症状、回復、死亡者を表す compartment を含む拡張されたSIRモデルを定式化する。
• モデルのパラメータ（例：感染率、回復率）を、観察データとの誤差を最小化するように粒子群最適化（PSO）を用いて最適化する。
• 初期流行データから始まり、徐々に新しい観測値を追加する、増加するサイズのトレーニングセットを用いる。収束性を評価する。
• 予測性能は、実際のデータと予測値を比較することで評価され、異なるトレーニングセットサイズにおける予測の散らばりによって不確実性が定量化される。
• PSOアルゴリズムは、モデル出力と観察された症例数との間の平均二乗誤差を最小化するように、反復的にパラメータセットを調整する。
• トレーニングデータサイズに対する予測の感受性分析を実施し、予測の信頼性および収束性を評価する。

実験結果

リサーチクエスチョン

• RQ1 無症状および死亡者 compartment を含む強化されたSIRモデルは、ロンバルディアにおけるCOVID-19流行の推移を信頼性高く予測できるか？
• RQ2 トレーニングデータセットのサイズが、モデルの予測の収束性および信頼性にどのように影響するか？
• RQ3 粒子群最適化（PSO）の使用は、リアルタイムの流行予測における限定的モデルのパラメータ同定を改善するか？
• RQ4 公式統計からのデータ駆動型外挿は信頼性のある予測に十分か、それとも力学的モデルが優れた予測力を持つのか？
• RQ5 進行中の流行において、新規データの追加がモデルの予測にどの程度感受性を示すか？

主な発見

• 小規模なデータセットでトレーニングした場合、予測結果に顕著な散らばりが見られ、初期データに極めて敏感であることが示された。
• トレーニングデータセットのサイズが増加するにつれて、予測の散らばりが減少し、収束性が向上していることが示された。
• データが増加しても、予測は完全に収束しないことから、現在のデータでは長期的予測に信頼性がないことが示唆された。
• 粒子群最適化（PSO）アプローチにより、観察データとの誤差を最小化するモデルパラメータが的確に同定された。
• 本研究では、限られた初期段階の流行データでトレーニングされた良好に構築された限定的モデルでさえ、信頼性に欠けることが示された。
• 結果から、モデル構造そのものよりも、データの可用性がリアルタイムの流行予測の精度において依然として主要なボトルネックであることが示唆された。