A Hybrid ABM-PDE Framework for Real-World Infectious Disease Simulations

技術要約：実世界の感染症シミュレーションのためのハイブリッドABM-PDEフレームワーク

問題提起
感染症の空間的拡大をシミュレーションすることは、計算効率とモデリングの忠実度の間の根本的なトレードオフを提示する。エージェントベースモデル（ABM）は、高解像度の個体ダイナミクスと空間的異質性を提供するが、特に大規模な集団に対しては計算コストが高くなる。対照的に、偏微分方程式（PDE）モデルは効率的な空間表現を提供するが、個人の行動や特定の移動パターンを捉えるための粒度が不足していることが多い。ドイツのベルリン・ブランデンブルク地域のような実世界の領域は、高密度の都市中心部と、農村部や異質な景観が混在する特性を示しており、単一のモデリングパラダイムでは不十分である。課題は、両方のアプローチの強みを活用しつつ、インターフェースにおける一貫性を維持し、安定した疫学的結果に必要な全体的な計算実行時間を削減するフレームワークを開発することである。

手法
著者らは、局所的なダイナミクスに基づいてシミュレーション領域を重複しないサブリージョンに分割する、ABMとPDEモデルを結合したハイブリッドモデリングフレームワークを提案している。

• PDEコンポーネント（ベルリン）： ベルリンの都市部は、運動ベースのABMから派生した確率的反応拡散PDEシステムを用いてモデル化される。このコンポーネントは、人口レベルのダイナミクスと、7つのコンパートメント（感受性者 $S$、潜伏感染者 $E$、感染者 $I$、発症者 $SY$、入院者$H, HC$、重症者$C$、回復者$R$）にわたる健康状態の遷移を捉える。モデルには、人口密度を導くためにエージェントの移動データから得られたランドスケープポテンシャルが組み込まれている。
• ABMコンポーネント（ブランデンブルク）： 周辺の農村部は、実世界の携帯電話の軌跡データによって駆動される高解像度ABMを用いてモデル化される。エージェントは、タイムスタンプ付きのイベントに基づき、施設（自宅、職場、学校、レジャー）間を移動する。感染伝播は、感受性エージェントと感染エージェントが共存する施設内でのみ発生し、通勤は隔離されたものとして扱われる。
• 結合メカニズム： 2つのドメインは、各タイムステップで動的に結合される。
  • ABMからPDEへ： エージェントが境界を越えてPDEドメインに入ると、彼らはABMから除去され、その健康状態は対応するPDEコンパートメントの密度寄与へと変換される。
  • PDEからABMへ： 密度がPDEドメインから離れるとき、新しいエージェントがABM内に生成される。彼らの健康状態は、現在のPDEコンパートメント密度の比率に基づいて決定論的に割り当てられ、その軌跡は既存の携帯電話データプランから抽出される。
  • 数値的安定性： 境界での不安定性を防ぐため、密度調整は単一のグリッドノードに適用されるのではなく、ドメイン全体に比例配分される。人工的なフラックスを回避するために、ゼロ・ノイマン境界条件が課される。
• データと実装： モデルは、ベルリン・ブランデンブルク地域の人口の25%および100%を表す携帯電話データを利用する。行動変化（例：ロックダウン）は、感染確率を調整する活動変化率を通じてシミュレートされる。PDEは、三角形メッシュ上の有限要素法（Kaskade7ソフトウェア）を用いて解かれ、ABMはEpiSimの簡略化されたC++実装である。

主な貢献

1. ハイブリッドアーキテクチャ： 本論文は、個人の識別（エージェントID）を失うことなく、個体ベースの表現と密度ベースの表現の間で総人口質量と健康状態の分布を維持しながら、個体間のシミュレスな交換を可能にする、感染症モデリングのための特定の結合メカニズムを導入している。
2. 実世界での検証： 細胞生物学に限定されていた従来のハイブリッドな適用とは異なり、本フレームワークは、ベルリン・ブランデンブルク地域におけるロバート・コッホ研究所（RKI）からの実世界の移動および感染データを用いたヒト対ヒトの感染伝播に適用されている。
3. パラメータ特定戦略： 著者らは、PDEにおけるペアワイズ相互作用の非線形スケーリングと、ABMにおける施設ベースの接触強度を考慮して、感染率（$\beta_{const}$）をPDEとABMのコンポーネントに対して個別に適合させる手法を詳述している。
4. スケーラビリティ分析： 本研究は、2つの人口スケール（25%および100%のサンプル）にわたってフレームワークを評価し、小さなサンプルで適合されたパラメータが、適切なスケーリングを伴って大きな集団に効果的に転移できることを示している。

結果

• 計算効率： ハイブリッドモデルは、フルABMと比較して、全体的なシミュレーション実行時間を大幅に削減した。この削減は、安定した結果を得るために必要な実行回数と、単一の実行時間の積として定義される。
• 精度： ハイブリッドモデルは、25%および100%の両方の人口サンプルにおいて、フルABMのリファレンスと比較してより小さな誤差を達成した。
• 短期ダイナミクス： ハイブリッドアプローチは、個別の時間間隔（学校閉鎖の前後）に対してフィッティングを行った場合、短期間のシミュレーションホライゾン（約2ヶ月間）において優れた精度を示した。
• パラメータフィッティング： グリッドサーチにより、異なる時間間隔に対する最適な感染率パラメータ（$\beta_{const}$）が特定された。25%のサンプルでは、最適なパラメータは $4.5 \times 10^2$（3月2日〜15日）および $1.6 \times 10^2$（3月16日〜4月28日）であった。フルABMは、その較正パラメータに対して異なるスケーリング係数を必要とした。

意義と主張
著者らは、提案されたABM-PDEフレームワークが、堅牢かつ計算効率の高い、フルスケールのエージェントベース・シミュレーションに代わる選択肢を提供すると主張している。計算負荷を軽減することで、本フレームワークはより迅速なパラメータフィッティングを可能にし、大規模で現実的な疫学モデリングおよびシナリオ分析をより実行可能なものにする。本論文は、ハイブリッドモデルが個別の追跡（例：PDEドメインに入るとエージェントIDが失われる）をある程度犠牲にするものの、核となる疫学的ダイナミクスを正常に捉えていることを強調している。本研究は、実世界の領域の構造的異質性に対処するための、異なるモデリングパラダイムを結合するための概念実証として機能しており、長期的な目標は、包括的なABM-PDE-ODE結合モデルへの拡張である。さらなる研究を支援するために、実装とデータは公開されている。