[论文解读] Total Variation Regularization for Compartmental Epidemic Models with Time-Varying Dynamics

Wenjie Zheng|arXiv (Cornell University)|Apr 1, 2020

COVID-19 epidemiological studies参考文献 20被引用 7

一句话总结

本文提出了一种新颖的优化框架，结合全变差正则化与迭代Nelder–Mead算法，用于检测基于分室模型的时变参数（如传播率与隔离率）中的不连续变化。该方法在稀疏或多源数据条件下，成功恢复了封锁或野战医院开放等突发事件导致的突变，其在捕捉突发公共卫生干预方面优于连续建模方法。

ABSTRACT

Compartmental epidemic models are among the most popular ones in epidemiology. For the parameters (e.g., the transmission rate) characterizing these models, the majority of researchers simplify them as constants, while some others manage to detect their continuous variations. In this paper, we aim at capturing, on the other hand, discontinuous variations, which better describe the impact of many noteworthy events, such as city lockdowns, the opening of field hospitals, and the mutation of the virus, whose effect should be instant. To achieve this, we balance the model's likelihood by total variation, which regulates the temporal variations of the model parameters. To infer these parameters, instead of using Monte Carlo methods, we design a novel yet straightforward optimization algorithm, dubbed Iterated Nelder--Mead, which repeatedly applies the Nelder--Mead algorithm. Experiments conducted on the simulated data demonstrate that our approach can reproduce these discontinuities and precisely depict the epidemics.

研究动机与目标

• 建模疫情动态中的突发、非平滑变化（如封锁或病毒突变引起的变化），而非假设参数随时间连续变化。
• 克服连续参数函数与蒙特卡洛方法在捕捉传播率上突发政策或生物影响方面的局限性。
• 开发一种稳健的非蒙特卡洛优化方法，能够从有限或稀疏的监测与血清学数据中推断不连续动态。
• 实现在不预先定义干预时间的前提下，通过数据驱动方式检测阶段转变，使数据揭示结构性断裂。
• 通过准确估计干预对疫情轨迹的即时影响，改进公共卫生干预的评估。

提出的方法

• 对时变传播率与隔离率应用全变差正则化，以促进具有可检测不连续性的分段常数动态。
• 采用状态空间框架，将未观测的分室状态（如易感者、感染者）视为隐变量，将观测数据（如致病性、确诊病例、血清学数据）视为带有噪声的证据。
• 采用一种新颖的迭代Nelder–Mead算法，通过反复应用Nelder–Mead单纯形法，提升收敛性并避免非凸优化中的局部极小值。
• 在模型似然与全变差惩罚之间取得平衡，以同时拟合观测数据并强制参数随时间变化的稀疏性。
• 在状态空间模型中整合多种数据源（监测数据、血清学数据与致病性数据），以增强推断的鲁棒性。
• 将流行病模型视为隐藏动态系统，其中时变参数通过优化而非随机抽样推断。

实验结果

研究问题

• RQ1 即使数据稀疏，全变差正则化是否能检测到传播率与隔离率等流行病参数的突发变化？
• RQ2 与蒙特卡洛方法相比，所提出的迭代Nelder–Mead算法在恢复分室模型中的不连续动态方面表现如何？
• RQ3 在未知干预时间的前提下，该模型在多大程度上能检测到由干预（如封锁）或病毒突变引起的结构性断裂？
• RQ4 当仅有致病性或血清学数据而无完整病例数时，该方法是否能准确重构流行病动态？
• RQ5 与连续建模方法相比，参数动态中不施加连续性约束是否能带来更优的公共卫生干预效果估计？

主要发现

• 所提出的方法即使仅有9个稀疏的致病性样本，也能成功恢复传播率βt中的不连续变化，包括因城市封锁导致的突然下降与因假期聚会引发的上升。
• 在具有两个时变参数（βt与δt）的SIRQ模型中，该方法准确捕捉了野战医院开放导致的隔离率突然上升及其后因医院达容积而下降的动态。
• 估计的流行病动态与真实情况高度吻合，生成的合成证据在模拟的SIR与SIRQ情景中均与观测数据完全一致。
• 全变差正则化有效促进分段常数解与锐利过渡，避免了连续参数函数固有的平滑效应。
• 迭代Nelder–Mead算法实现了稳定的收敛，且在稀疏数据条件下，其在恢复复杂非平滑参数动态方面优于标准优化方法。
• 该方法可在不假设固定干预时间的前提下，实现对公共卫生干预影响的准确推断，从而实现基于数据的政策有效性发现。