[논문 리뷰] Spatiotemporal Dynamics, Nowcasting and Forecasting of COVID-19 in the United States

Li Wang, Guannan Wang외 6명|arXiv (Cornell University)|2020. 04. 29.

COVID-19 epidemiological studies참고 문헌 23인용 수 36

한 줄 요약

저자들은 varying-coefficient와 spline 구성요소를 갖춘 비모수적 시공간 전염병 모형(STEM)을 개발하여 미국 카운티/주 차원의 COVID-19 역학을 현재추정(nowcast)하고 예측하며, 불확실성에 대한 부트스트랩 기반 예측 밴드를 포함합니다.

ABSTRACT

Epidemic modeling is an essential tool to understand the spread of the novel coronavirus and ultimately assist in disease prevention, policymaking, and resource allocation. In this article, we establish a state of the art interface between classic mathematical and statistical models and propose a novel space-time epidemic modeling framework to study the spatial-temporal pattern in the spread of infectious disease. We propose a quasi-likelihood approach via the penalized spline approximation and alternatively reweighted least-squares technique to estimate the model. Furthermore, we provide a short-term and long-term county-level prediction of the infected/death count for the U.S. by accounting for the control measures, health service resources, and other local features. Utilizing spatiotemporal analysis, our proposed model enhances the dynamics of the epidemiological mechanism and dissects the spatiotemporal structure of the spreading disease. To assess the uncertainty associated with the prediction, we develop a projection band based on the envelope of the bootstrap forecast paths. The performance of the proposed method is evaluated by a simulation study. We apply the proposed method to model and forecast the spread of COVID-19 at both county and state levels in the United States.

연구 동기 및 목표

• 카운티 수준에서 COVID-19 확산을 연구하기 위한 동적 시공간 역학 모델링 프레임워크를 개발한다.
• 정책, 인구통계, 보건의료, 이동성, SES 등 광범위한 카운티 수준의 공변량을 도입하여 공간-시간 패턴을 설명한다.
• 감염자 수 및 사망자 수의 단기 및 장기 예측을 제공하고 예측 밴드를 통해 불확실성을 정량화한다.
• 시뮬레이션과 미국의 카운티/주 사례 연구를 통해 계산 효율성과 적용 가능성을 입증한다.

제안 방법

• 전통적인 SIR 역학과 일반화 가법 가변 계수 모델을 혼합한 STEM을 도입한다.
• 감염 및 사망의 조건부 평균 구조를 로그/링크 형태와 시계열로 변화하는 공간 계수(3.1–3.4)로 명시한다.
• 계수 데이터와 과분산을 고려하기 위해 Poisson 혹은 Negative Binomial 응답을 채택한다.
• 스플라인 기반 페널티(4.1–4.5)와 이변 시공간 함수에 대해 BPST를 사용한 페널라이즈드 준가능도로 추정한다.
• 공변 변수 효과에는 단변 스플라인을, 공간적으로 변하는 계수에는 삼각분할 기반 이변 스플라인을 사용한다.
• 시간 역학을 포착하기 위해 이동 창(window) 추정(t0)을 구현하고 매끄러움 제약을 강제하기 위한 재매개변화(reparameterization)에 의존한다.

실험 결과

연구 질문

• RQ1 STEM이 인접 영역의 효과를 고려하여 미국 카운티 전역의 시공간적 확산을 포착하고 설명할 수 있는가?
• RQ2 정책, 이동성, 인구통계, 보건의료, SES 등의 카운티 수준 공변량 및 구현된 통제가 시간이 지남에 따라 감염 및 사망률에 어떤 영향을 미치는가?
• RQ3 단기(일일) 감염/사망 및 장기(3개월) 예측을 얼마나 정확하게 제공할 수 있으며 예측 불확실성은 어떻게 정량화될 수 있는가?
• RQ4 대규모 미국 카운티 수준 데이터에서 제안된 추정 방법의 계산 효율성은 어느 정도인가?

주요 결과

• STEM은 여러 기존 모델을 포괄하고 비선형 발생률을 수용하는 유연한 프레임워크를 제공한다.
• 추정 절차는 대용량 데이터에서도 빠르고 효율적이며 시의적절한 분석에 적합하다.
• 모델은 국지적 특징과 이웃 지역 정보를 통합하여 COVID-19의 시공간적 역학을 설명한다.
• 예측 불확실성은 예측 경로로부터 구성된 부트스트랩 기반 사영 밴드로 정량화된다.
• 이 방법은 시뮬레이션 연구를 통해 검증되었으며 미국의 카운티 및 주 수준 COVID-19 데이터에 적용되었다.