[论文解读] Semi-Mechanistic Bayesian Modeling of COVID-19 with Renewal Processes

Samir Bhatt, Neil M. Ferguson+4 more|arXiv (Cornell University)|Dec 1, 2020

COVID-19 epidemiological studies被引用 10

一句话总结

本文提出了一种基于更新过程的半机制贝叶斯框架，用于建模COVID-19传播，通过干预措施和移动性等协变量对多个区域的时间变传播数 $R_t$ 进行联合估计。该方法实现了部分池化以增强推断的稳健性，并量化出封锁措施通过减少移动性间接降低了18.3%的传播，其后验概率为89.6%表明该中介效应为正。

ABSTRACT

We propose a general Bayesian approach to modeling epidemics such as COVID-19. The approach grew out of specific analyses conducted during the pandemic, in particular an analysis concerning the effects of non-pharmaceutical interventions (NPIs) in reducing COVID-19 transmission in 11 European countries. The model parameterizes the time varying reproduction number $R_t$ through a regression framework in which covariates can e.g be governmental interventions or changes in mobility patterns. This allows a joint fit across regions and partial pooling to share strength. This innovation was critical to our timely estimates of the impact of lockdown and other NPIs in the European epidemics, whose validity was borne out by the subsequent course of the epidemic. Our framework provides a fully generative model for latent infections and observations deriving from them, including deaths, cases, hospitalizations, ICU admissions and seroprevalence surveys. One issue surrounding our model's use during the COVID-19 pandemic is the confounded nature of NPIs and mobility. We use our framework to explore this issue. We have open sourced an R package epidemia implementing our approach in Stan. Versions of the model are used by New York State, Tennessee and Scotland to estimate the current situation and make policy decisions.

研究动机与目标

• 开发一种灵活且可推广的贝叶斯框架，用于建模类似COVID-19的流行病传播动态。
• 解决由于病例报告的检出率低且随时间变化，导致传播率估计困难的问题。
• 联合建模多种数据类型——病例数、死亡人数、住院人数、血清流行率——以提高稳健性并减少对单一数据源的依赖。
• 通过区域间的部分池化，实现对非药物干预措施（NPIs）和移动性影响的更稳定估计，尤其在数据稀疏或存在混杂因素时。
• 探索因果路径，特别是封锁措施通过移动性变化对传播产生的间接影响。

提出的方法

• 使用离散更新过程建模感染的传播，通过世代分布和观察分布将潜伏感染与观测结果联系起来。
• 采用回归框架，将 $R_t$ 参数化为时间变化协变量（如非药物干预措施（NPIs）和移动性模式）的函数。
• 在11个欧洲国家应用分层（部分池化）建模，以共享信息并提高估计的稳定性。
• 将多种数据类型——死亡人数、病例数、住院人数、重症监护病房入院人数、血清流行率——整合到统一的似然函数中，以增强模型稳健性。
• 使用因果中介分析将封锁措施的总效应分解为直接效应和通过移动性产生的间接效应，将中介效应估计为 $\beta^1_1 - \beta^2_1$。
• 通过开源R包 *epidemia* 在Stan中实现该模型，支持使用马尔可夫链蒙特卡洛方法进行可扩展且可复现的推断。

实验结果

研究问题

• RQ1 如何构建一个统一的贝叶斯模型，联合估计多个区域的 $R_t$，同时考虑区域异质性和数据稀疏性？
• RQ2 非药物干预措施（NPIs）在多大程度上减少了传播？其中有多大比例的效应是通过移动性变化实现的？
• RQ3 当病例数据存在偏差时，如何整合多种数据源（如死亡人数、病例数、血清流行率）以提高传播率估计的准确性？
• RQ4 NPIs与移动性之间的混杂因素对干预效果估计有何影响？如何将其分离？
• RQ5 结合生物学合理性与统计灵活性的半机制模型，能否在大流行期间提供及时且具有政策相关性的估计？

主要发现

• 封锁措施通过减少移动性间接降低了18.3%的传播，95%后验可信区间为[12.2%，44.4%]。
• 封锁通过移动性产生中介效应的后验概率为89.6%，表明该作用路径有充分证据支持。
• 该模型成功估计了11个欧洲国家的NPIs和移动性影响，其结果与后续流行病进程一致。
• 通过整合多种数据类型，该框架提升了稳健性，减轻了不可靠或不完整病例报告带来的偏差。
• 区域间的部分池化显著提高了估计精度，尤其在早期流行阶段数据有限时。
• 该模型已被纽约州、田纳西州和苏格兰用于政策决策，证明了其在现实世界中的实用性。