[论文解读] Bayesian dynamical estimation of the parameters of an SE(A)IR COVID-19 spread model

Daniela Calvetti, Alexander Hoover+2 more|arXiv (Cornell University)|May 9, 2020

COVID-19 epidemiological studies被引用 12

一句话总结

本文提出了一种贝叶斯动态估计框架，用于SE(A)IR模型，该模型考虑了无症状和前症状期传播，利用粒子滤波技术在新发病率和死亡率数据到达时实时更新参数。关键贡献在于，即使在病例数不同的俄亥俄州和密歇根州各县之间，该框架仍能提供稳定、动态更新的再生数 $ R_0 $，其表现一致地反映了缓解措施的有效性，原因在于无症状与有症状人群之间的稳定均衡比例。

ABSTRACT

In this article, we consider a dynamic epidemiology model for the spread of the COVID-19 infection. Starting from the classical SEIR model, the model is modified so as to better describe characteristic features of the underlying pathogen and its infectious modes. In line with the large number of secondary infections not related to contact with documented infectious individuals, the model includes a cohort of asymptomatic or oligosymptomatic infectious individuals, not accounted for in the data of new daily counts of infections. A Bayesian particle filtering algorithm is used to update dynamically the relevant cohort and simultaneously estimate the transmission rate as the new data on the number of new infections and disease related death become available. The underlying assumption of the model is that the infectivity rate is dynamically changing during the epidemics, either because of a mutation of the pathogen or in response to mitigation and containment measures. The sequential Bayesian framework naturally provides a quantification of the uncertainty in the estimate of the model parameters, including the reproduction number, and of the size of the different cohorts. Moreover, we introduce a dimensionless quantity, which is the equilibrium ratio between asymptomatic and symptomatic cohort sizes, and propose a simple formula to estimate the quantity. This ratio leads naturally to another dimensionless quantity that plays the role of the basic reproduction number $R_0$ of the model. When we apply the model and particle filter algorithm to COVID-19 infection data from several counties in Northeastern Ohio and Southeastern Michigan we found the proposed reproduction number $R_0$ to have a consistent dynamic behavior within both states, thus proving to be a reliable summary of the success of the mitigation measures.

研究动机与目标

• 开发一种动态流行病学模型，以反映官方数据中常被低估的无症状和前症状期传播。
• 利用实时发病率和死亡率数据，估计时变传播率和各人群规模。
• 通过顺序贝叶斯框架量化模型参数（包括再生数 $ R_0 $）的不确定性。
• 引入无症状与有症状人群之间的无量纲均衡比，作为估计 $ R_0 $ 的基础。
• 在俄亥俄州东北部和密歇根州东南部各县的真实数据上评估模型性能。

提出的方法

• 通过增加无症状/传染性隔间（A）扩展经典SEIR模型，以表示未被检测到的传播。
• 应用贝叶斯粒子滤波算法，随着新每日感染和死亡数据的出现，顺序更新系统状态并估计参数。
• 使用非线性Riccati型方程推导出定义无症状与有症状人群规模无量纲比的均衡条件。
• 基于此均衡比定义新的 $ R_0 $，作为传播潜力的动态指标。
• 使用俄亥俄州和密歇根州多个县的每日病例数和死亡率数据校准模型。
• 通过粒子滤波生成的后验分布量化参数估计的不确定性。

实验结果

研究问题

• RQ1 如何通过动态SE(A)IR模型更好地在实时疫情估计中捕捉未被检测到的无症状传播？
• RQ2 所提出的贝叶斯粒子滤波框架在传播率和人群规模估计的不确定性量化方面，改善程度如何？
• RQ3 在时变传播环境中，无症状与有症状人群之间的无量纲均衡比能否作为 $ R_0 $ 的可靠代理？
• RQ4 在实施相似缓解措施但地理和流行病学特征不同的各县之间，估计的 $ R_0 $ 一致性如何？
• RQ5 为何在传播率 $ \beta $ 相似的情况下，病例数预测仍存在显著差异？人群规模在这一分歧中起到何种作用？

主要发现

• 基于无症状与有症状人群规模均衡比估算的 $ R_0 $ 在俄亥俄州和密歇根州所有研究县中表现出一致的动态行为，表明其可靠地反映了缓解措施的影响。
• 尽管密歇根州初始感染人数更高，但 $ R_0 $ 值在两个州均稳定在相似水平，表明该指标能独立于基线传播强度有效反映缓解措施的有效性。
• 所有县的无症状与有症状个体的均衡比始终稳定在小于1的值，与早期血清流行病学调查估计的50–85的比例相矛盾。
• 模型预测，尽管规模较小，无症状人群仍对大多数传播负有责任，凸显其在传播中的关键作用。
• 即使在观察期末 $ \beta $ 值相似，预测结果仍存在显著差异，原因在于暴露/无症状人群规模的差异，表明人群动力学对预测至关重要。
• 十天预测在最后几天往往高估了发病率，可能由于报告延迟所致，强调了在模型验证中考虑数据延迟的重要性。