[论文解读] Statistical methods used to combine the effective reproduction number, R(t), and other related measures of COVID-19 in the UK

T. Maishman, Stephanie Schaap+4 more|arXiv (Cornell University)|Mar 2, 2021

COVID-19 epidemiological studies被引用 5

一句话总结

本文提出一种使用限制最大似然法（REML）和两种置信区间方法——Wald型与Knapp-Hartung（KNHA）——的随机效应元分析，以整合英国各地区多个COVID-19模型对有效再生数R(t)和增长速率r(t)的估计。研究发现，与反方差加权相比，采用相等权重结合REML或REML+KNHA可产生更保守、更宽的置信区间，从而通过避免对不确定性被低估的模型产生过度自信，提升稳健性。

ABSTRACT

In the recent COVID-19 pandemic, a wide range of epidemiological modelling approaches have been used to predict the effective reproduction number, R(t), and other COVID-19 related measures such as the daily rate of exponential growth, r(t). These candidate models use different modelling approaches or differing assumptions about spatial or age mixing, and some capture genuine uncertainty in scientific understanding of disease dynamics. Combining estimates using appropriate statistical methodology from multiple candidate models is important to better understand the variation of these outcome measures to help inform decision making. In this paper, we combine these estimates for specific UK nations and regions using random effects meta analyses techniques, utilising the restricted maximum likelihood (REML) method to estimate the heterogeneity variance parameter, and two approaches to calculate the confidence interval for the combined estimate: the standard Wald-type intervals; and the Knapp and Hartung (KNHA) method. As estimates in this setting are derived using model predictions, each with varying degrees of uncertainty, equal weighting is favoured over the more standard inverse-variance weighting in order avoid potential up-weighting of models providing estimates with lower levels of uncertainty that are not fully accounting for inherent uncertainties. Utilising these meta-analysis techniques has allowed for statistically robust combined estimates to be calculated for key COVID-19 outcome measures. This in turn allows timely and informed decision making based on all of the available information.

研究动机与目标

• 为解决在英国COVID-19疫情期间，整合多个流行病学模型提供的异质性R(t)和r(t)估计所面临的挑战。
• 通过将所有可用的模型证据综合为单一、统计稳健的估计，以改善决策制定。
• 通过避免反方差加权，减少因对不确定性被低估的模型产生过度自信而带来的偏差。
• 评估不同元分析方法（特别是REML与KNHA）在公共卫生背景下整合模型输出的性能。
• 为聚合模型预测提供透明、可复现的框架，以支持及时的政策决策。

提出的方法

• 采用随机效应元分析，整合英国各国家和地区的多个候选模型提供的R(t)和r(t)估计。
• 使用限制最大似然法（REML）估计异质性方差参数，以考虑模型假设和数据来源的差异。
• 应用两种置信区间方法：标准Wald型区间与更保守的Knapp-Hartung（KNHA）方法。
• 在模型间实施相等权重，而非反方差加权，以防止过度依赖不确定性被人为低估的模型。
• 通过比较仅使用REML与使用REML+KNHA的结果，验证该方法，评估合并估计的覆盖性和精确性。
• 以模型预测作为输入，通过元分析框架正确传播不确定性，以反映真实的科学不确定性。

实验结果

研究问题

• RQ1 如何统计地整合来自多种流行病学模型的R(t)和r(t)估计，以生成更可靠的总体估计？
• RQ2 在整合具有不同不确定性水平的模型输出时，采用相等权重与反方差加权有何影响？
• RQ3 Wald型与Knapp-Hartung（KNHA）方法在合并R(t)和r(t)估计的置信区间覆盖性和宽度方面如何比较？
• RQ4 元分析方法的选择在多大程度上影响了公共卫生决策中合并估计的稳健性和保守性？
• RQ5 元分析框架是否能够提升大流行期间基于模型的政策指导的透明度与可靠性？

主要发现

• 与标准反方差加权相比，REML+KNHA方法为R(t)和r(t)产生了更宽、更保守的置信区间，增强了对过度自信的鲁棒性。
• 相等权重优于反方差加权，因为它避免了对不确定性被低估的模型进行过度加权，从而更真实地反映真正的科学不确定性。
• 仅使用REML与使用REML+KNHA的两种方法在合并估计的变异程度上表现相似，表明方法间具有一致性。
• 通过元分析获得的合并估计为多个模型输出提供了统计稳健的综合，增强了R(t)和r(t)在政策应用中的可靠性。
• 元分析技术的应用使得能够通过透明且方法严谨的方式整合所有可用的模型预测，实现及时、基于证据的决策。
• 该框架表明，通过元分析整合模型输出可降低过度解读单一模型结果的风险，尤其是在模型假设或数据来源存在差异时。