[论文解读] Spatiotemporal Dynamics, Nowcasting and Forecasting of COVID-19 in the United States

Li Wang, Guannan Wang+6 more|arXiv (Cornell University)|Apr 29, 2020

COVID-19 epidemiological studies参考文献 23被引用 36

一句话总结

作者开发了一个非参数的时空疫情模型（STEM），将 SIR 思想扩展为具备变系数与样条组件，以对 US 各县/州的新冠疫情动态进行 nowcast 与 forecast，并包含基于自举的预测带来表达不确定性。

ABSTRACT

Epidemic modeling is an essential tool to understand the spread of the novel coronavirus and ultimately assist in disease prevention, policymaking, and resource allocation. In this article, we establish a state of the art interface between classic mathematical and statistical models and propose a novel space-time epidemic modeling framework to study the spatial-temporal pattern in the spread of infectious disease. We propose a quasi-likelihood approach via the penalized spline approximation and alternatively reweighted least-squares technique to estimate the model. Furthermore, we provide a short-term and long-term county-level prediction of the infected/death count for the U.S. by accounting for the control measures, health service resources, and other local features. Utilizing spatiotemporal analysis, our proposed model enhances the dynamics of the epidemiological mechanism and dissects the spatiotemporal structure of the spreading disease. To assess the uncertainty associated with the prediction, we develop a projection band based on the envelope of the bootstrap forecast paths. The performance of the proposed method is evaluated by a simulation study. We apply the proposed method to model and forecast the spread of COVID-19 at both county and state levels in the United States.

研究动机与目标

• 开发一个动态时空疫情建模框架，以研究 COVID-19 在县级的传播。
• 纳入广泛的县级协变量（政策、人口统计、医疗、移动性、社会经济地位等）以解释时空模式。
• 提供感染与死亡人数的短期与长期预测，并用预测带来不确定性量化。
• 通过仿真和对美国县/州的案例研究，展示计算效率与适用性。

提出的方法

• 引入一个 STEM，将经典 SIR 机械学与广义加性变系数模型相结合。
• 对于感染和死亡的条件均值结构设定对数/连接形式，以及时间变化的空间系数（3.1–3.4）。
• 采用 Poisson 或 Negative Binomial 响应来处理计数数据与过度离散。
• 通过带有样条 penalty 的惩罚拟似（4.1–4.5）和用于双变量空间函数的 BPST 进行估计。
• 对协变量效应使用单变量样条，对空间变化系数使用基于三角剖分的双变量样条。
• 实现移动窗口（t0）估计以捕捉时间动态，并通过重新参数化来强制实现光滑性约束。

实验结果

研究问题

• RQ1 STEM 能否捕捉并解释在考虑周边区域效应的前提下，COVID-19 在 US 各县的时空扩散？
• RQ2 县级协变量与实施的控制（政策、移动性、人口统计、医疗、SES）如何随时间影响感染率与致死率？
• RQ3 短期（每日）感染/死亡和长期（三个月）预测的准确性有多高，如何量化预测不确定性？
• RQ4 在大型的美国县级数据上，所提估计方法的计算效率如何？

主要发现

• STEM 提供了一个灵活的框架，能够涵盖若干现有模型并容纳非线性发病率。
• 对大型数据集的估计过程快速高效，适合及时分析。
• 该模型整合了局部特征与邻域信息，以阐明 COVID-19 的时空动态。
• 预测不确定性通过基于自举的投影带来量化，这些带来自于预测路径。
• 该方法通过仿真研究得到验证，并应用于美国的县级与州级 COVID-19 数据。