[论文解读] Efficient real-time monitoring of an emerging influenza epidemic: how feasible?

Paul Birrell, Lorenz Wernisch+5 more|arXiv (Cornell University)|Aug 18, 2016

Data-Driven Disease Surveillance参考文献 44被引用 5

一句话总结

本文提出一种顺序蒙特卡洛（SMC）算法，以利用多个存在偏差和突发公共卫生干预冲击的不完美数据流（如医疗就诊记录和监测报告），实现对新兴流感疫情的高效实时推断与预测。该方法在计算速度上优于标准MCMC，且通过在线预测检验保持模型合理性，证明了其在大流行期间及时开展公共卫生决策的可行性。

ABSTRACT

A prompt public health response to a new epidemic relies on the ability to monitor and predict its evolution in real time as data accumulate. The 2009 A/H1N1 outbreak in the UK revealed pandemic data as noisy, contaminated, potentially biased, and originating from multiple sources. This seriously challenges the capacity for real-time monitoring. Here we assess the feasibility of real-time inference based on such data by constructing an analytic tool combining an age-stratified SEIR transmission model with various observation models describing the data generation mechanisms. As batches of data become available, a sequential Monte Carlo (SMC) algorithm is developed to synthesise multiple imperfect data streams, iterate epidemic inferences and assess model adequacy amidst a rapidly evolving epidemic environment, substantially reducing computation time in comparison to standard MCMC, to ensure timely delivery of real-time epidemic assessments. In application to simulated data designed to mimic the 2009 A/H1N1 epidemic, SMC is shown to have additional benefits in terms of assessing predictive performance and coping with parameter non-identifiability.

研究动机与目标

• 为解决在2009年H1N1大流行期间观察到的数据噪声大、存在偏差且来自多个来源时，实时疫情监测的挑战。
• 通过用顺序蒙特卡洛（SMC）方法替代马尔可夫链蒙特卡洛（MCMC）方法，克服MCMC在在线推断中计算效率低下的问题。
• 通过一步 ahead 预测检验实现实时模型合理性评估，确保在突发变化（如公共卫生干预）下具有鲁棒性。
• 证明在现实数据约束下，SMC在复杂机制性流行病模型中实现在线推断的可行性。

提出的方法

• 该方法将年龄分层的SEIR传播模型与描述多个监测数据流生成过程的观测模型相结合。
• 采用顺序蒙特卡洛（SMC）算法，随着新数据批次的到达递归更新后验分布，实现高效的在线推断。
• SMC框架引入重采样-移动机制以重振粒子并维持多样性，提升采样效率。
• 通过一步 ahead 预测的预测检验评估模型合理性，预测区间发散表明可能存在模型不拟合或系统冲击。
• 在模拟数据上测试该算法，模拟2009年H1N1大流行的场景，包括在第178天引入的突发干预冲击，以评估鲁棒性。
• 重振步骤使用自适应调优的Metropolis-Hastings核函数，以维持粒子多样性并防止退化。

实验结果

研究问题

• RQ1 当数据存在噪声且来自多源时，顺序蒙特卡洛（SMC）能否提供计算高效的实时推断，用于新兴流感疫情？
• RQ2 与标准MCMC相比，SMC在检测模型不拟合或结构变化（如公共卫生干预引起的）方面表现如何？
• RQ3 当数据存在偏差、污染和突发变化时，SMC在多大程度上能维持准确的后验推断和预测性能？
• RQ4 SMC能否通过在线预测检验实现实时、自动的模型合理性评估，以支持疫情演变过程中的及时响应？
• RQ5 在数据复杂性较高的情况下，SMC相较于MCMC在实时疫情监测中具有哪些计算和推断优势？

主要发现

• SMC算法相比标准MCMC显著降低了计算时间，实现了及时的实时疫情评估。
• SMC在数据被污染或存在偏差的情况下仍能维持准确的后验推断，模拟2009年H1N1大流行结果已证实此点。
• 该方法通过预测区间发散及干预后Kullback–Leibler（KL）散度增加，成功检测到模型不拟合。
• SMC中的重采样-移动机制确保了粒子多样性，并在模型冲击下仍能有效探索参数空间。
• SMC通过一步 ahead 预测实现了在线模型合理性检查，使模型在需要时能迅速调整。
• 在存在突发变化或不可识别性的情境下，SMC在数据流信息丰富但不一致时，表现优于MCMC。