[论文解读] Contact intervals, survival analysis of epidemic data, and estimation of R_0

Eben Kenah|arXiv (Cornell University)|Dec 17, 2009

COVID-19 epidemiological studies参考文献 30被引用 12

一句话总结

本文提出使用接触间隔（即从传染性发作到实际传染接触的时间）作为流行病建模的更优基础，相较于传统的世代间隔或序列间隔。通过将生存分析应用于右删失的接触间隔数据，作者推导出接触间隔分布的似然估计量，从而在真实条件下，于大规模作用和基于网络的流行病模型中实现对 $ R_0 $ 的精确估计，模拟结果表明其具有高覆盖率和低偏差。

ABSTRACT

We argue that the time from the onset of infectiousness to infectious contact, which we call the contact interval, is a better basis for inference in epidemic data than the generation or serial interval. Since contact intervals can be right-censored, survival analysis is the natural approach to estimation. Estimates of the contact interval distribution can be used to estimate R_0 in both mass-action and network-based models.

研究动机与目标

• 解决现有 $ R_0 $ 估计方法的局限性，这些方法依赖于世代间隔或序列间隔，但在传播竞争条件下往往无法观测或存在偏差。
• 确立接触间隔（定义为原发病例传染性发作至首次与易感个体发生传染接触的时间）作为流行病推断更自然且可观测的基础。
• 应用生存分析技术处理右删失的接触间隔数据，实现对传播动态的稳健统计估计。
• 展示如何利用接触间隔分布来估计大规模作用和基于网络的流行病模型中的 $ R_0 $。
• 通过模拟评估所提方法在不同传播假设和数据结构下的性能。

提出的方法

• 将接触间隔定义为原发病例传染性发作至首次与易感个体发生传染接触的时间。
• 当传播通过其他传染源发生或传染源在接触前康复时，将接触间隔视为右删失数据。
• 使用生存分析框架，特别是计数过程理论，推导接触间隔分布参数的似然函数与得分过程。
• 构建基于鞅的估计方程以估计接触间隔分布参数，确保在真实参数值下推断的有效性。
• 通过将接触间隔分布与传染力结合，估计大规模作用模型中的 $ R_0 $；通过模拟传播链估计网络模型中的 $ R_0 $。
• 对接触间隔分布应用参数模型（指数分布、威布尔分布、恒定分布），并通过模拟研究评估其性能。

实验结果

研究问题

• RQ1 与传统的世代间隔或序列间隔相比，使用接触间隔在 $ R_0 $ 估计方面有何改进？
• RQ2 生存分析方法是否能有效处理流行病推断中右删失的接触间隔数据？
• RQ3 基于接触间隔分布估计的 $ R_0 $ 估计量在大规模作用和基于网络的流行病模型中的表现如何？
• RQ4 对传染期和接触间隔分布的假设如何影响估计精度？
• RQ5 竞争传播在多大程度上扭曲了传统间隔度量（如序列间隔）？

主要发现

• 通过生存分析估计的接触间隔分布，为 $ R_0 $ 估计提供了比世代间隔或序列间隔更准确、更稳健的基础。
• 在各种模型和分布下，$ R_0 $ 置信区间的覆盖概率始终接近 95%，表明统计推断有效。
• 在接触间隔呈指数分布的大规模作用模型中，估计的 $ R_0 $ 与真实值高度一致，覆盖概率为 0.952（95% 置信区间：0.937–0.964）。
• 对于威布尔分布的接触间隔，低 $ R_0 $ 时估计几乎无偏，但在高 $ R_0 $ 时，尤其在大规模作用模型中，出现向上偏差。
• 网络模型表现相当，关键参数的覆盖概率约为 0.94–0.96，而大规模作用模型在网络环境中对 $ R_0 $ 的估计严重偏高。
• 模拟结果表明，即使传染期为固定值或非指数分布，该方法仍保持稳健，支持其广泛适用性。