[论文解读] Dynamic graph based epidemiological model for COVID-19 contact tracing data analysis and optimal testing prescription

Shashanka Ubaru, Lior Horesh+1 more|arXiv (Cornell University)|Sep 10, 2020

COVID-19 epidemiological studies参考文献 40被引用 6

一句话总结

本文提出一种基于动态图的SEIR模型，结合接触追踪数据与多项式混沌展开（Polynomial Chaos Expansion），以量化疾病状态中的不确定性，实现对易感个体的早期预警，并在有限检测能力下实现最优检测方案。该框架通过基于个体风险估计的战略性检测分配，降低了整体不确定性。

ABSTRACT

In this study, we address three important challenges related to the COVID-19 pandemic, namely, (a) providing an early warning to likely exposed individuals, (b) identifying asymptomatic individuals, and (c) prescription of optimal testing when testing capacity is limited. First, we present a dynamic-graph based SEIR epidemiological model in order to describe the dynamics of the disease transmission. Our model considers a dynamic graph/network that accounts for the interactions between individuals over time, such as the ones obtained by manual or automated contact tracing, and uses a diffusion-reaction mechanism to describe the state dynamics. This dynamic graph model helps identify likely exposed/infected individuals to whom we can provide early warnings, even before they display any symptoms. When COVID-19 testing capacity is limited compared to the population size, reliable estimation of individual's health state and disease transmissibility using epidemiological models is extremely challenging. Thus, estimation of state uncertainty is paramount for both eminent risk assessment, as well as for closing the tracing-testing loop by optimal testing prescription. Therefore, we propose the use of arbitrary Polynomial Chaos Expansion, a popular technique used for uncertainty quantification, to represent the states, and quantify the uncertainties in the dynamic model. This design enables us to assign uncertainty of the state of each individual, and consequently optimize the testing as to reduce the overall uncertainty given a constrained testing budget. We present a few simulation results that illustrate the performance of the proposed framework, and estimate the impact of incomplete contact tracing data.

研究动机与目标

• 为解决在症状出现前识别可能暴露个体的挑战，利用动态接触网络进行建模。
• 在检测能力受限的情况下，提升对无症状携带者的检测能力。
• 在有限检测预算下，开发一种最小化疾病状态估计不确定性最优检测策略。
• 利用多项式混沌展开（Polynomial Chaos Expansion）量化流行病学模型中的状态不确定性，以实现更精准的风险评估。
• 通过将接触追踪数据与针对性检测方案相结合，实现追踪-检测闭环。

提出的方法

• 利用来自接触追踪数据的时变人际互动动态图表示来建模疾病传播。
• 在动态图上构建扩散-反应机制，以模拟SEIR状态转换（易感、潜伏、感染、康复）。
• 应用任意多项式混沌展开（Arbitrary Polynomial Chaos Expansion, PCE）来表示和量化由于数据不完整或噪声导致的个体健康状态不确定性。
• 利用基于PCE的不确定性估计，通过选择最能降低整体模型不确定性的个体进行检测，实现检测优先级排序。
• 通过预算约束的、以减少不确定性为目标的优化函数，实现检测分配的最优化。
• 在合成或真实接触追踪数据上模拟该框架，以评估其性能及对数据不完整性的鲁棒性。

实验结果

研究问题

• RQ1 如何有效建模动态接触网络，以预测早期疾病传播并识别症状出现前的高风险个体？
• RQ2 在接触追踪数据不完整的情境下，多项式混沌展开（Polynomial Chaos Expansion）在量化个体疾病状态不确定性方面能达到何种程度？
• RQ3 接触追踪数据不完整或缺失对暴露和感染预测准确性有何影响？
• RQ4 在检测能力有限的条件下，如何实现最优检测处方以最小化疾病状态估计的整体不确定性？
• RQ5 将接触追踪与不确定性感知建模相结合，能否实现追踪-检测闭环，从而提升疫情应对能力？

主要发现

• 基于动态图的SEIR模型通过利用时间交互模式，能够比传统模型更早识别出可能暴露的个体。
• 多项式混沌展开（Polynomial Chaos Expansion）能有效量化个体健康状态的不确定性，从而支持风险感知决策。
• 基于不确定性减少的最优检测处方在检测预算受限条件下，显著降低了整体模型不确定性。
• 该框架对不完整的接触追踪数据表现出鲁棒性，在缺少部分交互记录的情况下仍能保持可靠的预测能力。
• 仿真结果表明，与随机或非优化检测策略相比，基于不确定性的检测优先策略能显著提高感染和暴露估计的准确性。