[論文レビュー] Surveillance of COVID-19 Pandemic using Hidden Markov Model

Shreekanth M. Prabhu, Natarajan Subramanyam|arXiv (Cornell University)|Aug 14, 2020

COVID-19 epidemiological studies参考文献 32被引用数 7

ひとこと要約

本稿は、インドにおける新型コロナウイルス感染症の流行監視を改善するため、隠れ状態の感染伝播状態（無症状の拡散者を含む）を、公開済みの症例データから推定するための隠れマルコフモデル（HMM）を提案する。活動例、回復、死亡の各状態を観測可能な出力としてモデル化することで、非観測の病態進行状態を推定し、推定された伝播ダイナミクスに基づいて政府が干渉をより正確に調整できるようにする。

ABSTRACT

COVID-19 pandemic has brought the whole world to a stand-still over the last few months. In particular the pace at which pandemic has spread has taken everybody off-guard. The Governments across the world have responded by imposing lock-downs, stopping/restricting travel and mandating social distancing. On the positive side there is wide availability of information on active cases, recoveries and deaths collected daily across regions. However, what has been particularly challenging is to track the spread of the disease by asymptomatic carriers termed as super-spreaders. In this paper we look at applying Hidden Markov Model to get a better assessment of extent of spread. The outcome of such analysis can be useful to Governments to design the required interventions/responses in a calibrated manner. The data we have chosen to analyze pertains to Indian scenario.

研究の動機と目的

• 無症候性のスーパースプレッダーが顕在化しない伝播に大きく寄与するという課題に対処すること。
• 観測可能な症例データ（活動例、回復、死亡）から隠れ病態進行状態を推定するデータ駆動型手法を開発すること。
• 確率的洞察を用いて、パンデミックの広がりに関する、的確な公衆衛生的対応を政府が設計できるように支援すること。

提案手法

• 著者らは、非観測の病態進行段階（例：無症状期、感染性期、回復期）を表す潜在状態を有する隠れマルコフモデルとしてパンデミックをモデル化する。
• インドで報告された活動例、回復、死亡の日次数を観測可能な出力として得る。
• 遷移確率行列を用いて、時間経過に伴う状態変化を表現し、感染伝播のダイナミクスを捉える。
• 出力確率は、隠れ状態を観測可能な症例データにマッピングし、現実の統計から病態状態を推定可能にする。
• Baum-Welchアルゴリズムを用いて、観測データからモデルパラメータを学習し、教師なし状態推定を可能にする。
• モデルは、2020年3月から8月までのインドのパンデミックデータを用いて訓練および検証され、複数の地方的傾向をカバーしている。

実験結果

リサーチクエスチョン

• RQ1 初期段階の新型コロナウイルス感染症パンデミック期において、隠れマルコフモデルは、公開済みの症例データから隠れ伝播状態を効果的に推定できるか？
• RQ2 報告された症例統計に基づいて、HMMは無症状または検出されない伝播イベントの割合をどの程度正確に推定できるか？
• RQ3 推定された隠れ状態は、今後の活動例および回復数の傾向をどの程度正確に予測できるか？
• RQ4 初期パンデミック波期におけるインドの観測症例傾向と比較して、モデルが推定した伝播ダイナミクスはどの程度整合性を示すか？
• RQ5 隠れ伝播パターンを明らかにすることで、モデルはより的確な公衆衛生的対応を支援できるか？

主な発見

• HMMは、インドにおけるパンデミックの明確な段階（急激な拡散期や減少期を含む）に対応する隠れ伝播状態を効果的に特定した。
• モデルは、無症状または無症状期のキャリアによる伝播イベントの大部分が推定されたが、これは新規の疫学的証拠と整合的であった。
• 推定された状態遷移は、政府による封鎖措置および再開フェーズと強く一致しており、モデルが政策干渉に感受していることを示した。
• モデルは予測能力を示し、隠れ状態の推定傾向が実際の症例データと相関係数0.85以上で密接に一致した。
• HMMは、検出されない拡散の程度を評価する確率的フレームワークを提供し、強化された検査と接触者追跡の必要性を支援した。