[論文レビュー] Stochastic modeling and estimation of COVID-19 population dynamics

Nikolay M. Yanev, Vessela Stoimenova+1 more|arXiv (Cornell University)|Apr 2, 2020

COVID-19 epidemiological studies参考文献 6被引用数 9

ひとこと要約

本稿では、日次に報告された感染症確定件数のみを用いて、COVID-19の平均伝播率（m）を推定する二種類の分岐過程モデルを提案する。これにより、観察されなかった感染者の予測が可能となる。モデルは、無症状の保菌者（タイプT₁）と確定症例（タイプT₂）を扱い、mはハリス推定量を用いて推定される。結果としてブルガリアおよび世界規模でm ≈ 1.11が得られ、感染拡大が超臨界的であることを示し、感染の55％が報告されていると判明した。

ABSTRACT

The aim of the paper is to describe a model of the development of the Covid-19 contamination of the population of a country or a region. For this purpose a special branching process with two types of individuals is considered. This model is intended to use only the observed daily statistics to estimate the main parameter of the contamination and to give a prediction of the mean value of the non-observed population of the contaminated individuals. This is a serious advantage in comparison with other more complicated models where the observed official statistics are not sufficient. In this way the specific development of the Covid-19 epidemics is considered for different countries.

研究の動機と目的

• 観察された日次確定症例数のみに基づいて、二種類の分岐過程を用いたCOVID-19感染拡大の確率的ダイナミクスをモデル化すること。
• 公式統計のみを用いて、1人の感染者が引き起こす二次感染の平均数（m）を推定し、観察されないまたは不完全なデータに依存しないこと。
• 推定された伝播パラメータに基づいて、非登録（報告されない）感染者の期待数を予測すること。
• 報告された症例の割合（α）を評価し、時間経過に伴う予測値と観察値の症例数を比較することで、モデルの適合度を評価すること。
• 公開可能な日次症例報告のみを用いて、任意の国や地域に適用可能なスケーラブルでデータ駆動型のフレームワークを提供すること。

提案手法

• 二種類のガルトン＝ワトソン分岐過程を定式化する：タイプT₁（無症状保菌者）は新たなT₁個体を生じるか、タイプT₂（確定症例）に変換されるが、T₂個体は増殖しない。
• T₁の子孫の同時確率生成関数（p.g.f.）を定義する：h₁(s₁,s₂) = p₀ + Σⱼ₌₁ᵏ pⱼs₁ʲ + qs₂ ここでqは確定症例に移行する確率を表す。
• ハリス推定量を用いて、観察された日次確定症例数Z₂(n)から、平均子孫数m = E[ξ₁⁽¹⁾]を推定する。Z₁(0) > 0 かつ Z₂(0) = 0 を仮定する。
• 最初の20日間の確定症例数を用いて、ブルガリア、イタリア、ドイツ、フランス、および世界規模の実データに推定量を適用し、20日間の期間で分析を行う。
• 推定されたmを用いて将来の確定症例数を予測し、95％信頼区間を含めて実際のデータと比較する。
• 観察されたと予測された総感染数の比を用いて、報告された感染者の割合（α）を推定する。遅延期間としてs = 10日または20日を考慮する。

実験結果

リサーチクエスチョン

• RQ1 ブルガリア、イタリア、および世界規模で、日次に報告された症例数のみに基づいて、1人の感染者が引き起こす二次感染の平均数（m）はどれほど推定されるか？
• RQ2 初期の20日間のデータと推定されたmのみを用いて、モデルが将来の確定症例数をどれほど正確に予測できるか？
• RQ3 公式統計に含まれる全感染者の割合（α）はどの程度で、国ごとにどのように変動するか？
• RQ4 推定されたmに基づいて、感染拡大プロセスは超臨界的、臨界的、または亜臨界的と評価されるか？
• RQ5 データ窓の終了から5日前までの期間において、モデルの予測性能は実際の症例数と比べてどの程度か？

主な発見

• ハリス推定量により、ブルガリアではm ≈ 1.1093、イタリアでは1.1348、世界規模では1.0875が得られ、指数的増加の可能性を示す超臨界的プロセスであることが判明した。
• ブルガリアでは、20日目に31人の非報告感染者が予測されたが、報告されたのは38例であったため、報告率α = 0.5507と推定された。
• 推定されたmを用いた予測症例数は、実際のデータとよく一致しており、3つのデータセットすべてで95％予測区間が観察値をカバーした。
• データ窓の終了から5日前の世界の症例数予測値（11,754例）は、実際の13,998例の範囲内にあり、95％信頼区間は[8,289, 15,393]であった。
• 感染拡大期の終焉時点で、報告症例の割合（α）は依然として比較的高い（約0.55）水準を維持しており、効果的な検査や隔離措置がとられている可能性を示唆している。
• ハリス推定量およびモデルの予測は、異なる国で一貫して頑健であり、研究対象のすべての地域でm > 1の超臨界的行動が観察された。