Bayesian copula-based modelling for multi-type spatio-temporal epidemic data

技術的概要：多型時空間流行データのためのベイズ的コピュラに基づくモデリング

問題提起
感染症サーベイランスは、病原体の株を区別するために、血清型分類、MLST、PCR などのタイピング手法にますます依存している。コンパートメントモデル（例：SIR モデル）は、交差免疫やスーパーインフェクションなどの株間の相互作用を研究するために長らく用いられてきたが、流行データに対する既存の時空間モデルは、各株を個別に分析するか、すべての型を単一の疾患に集約することに大きく限定されてきた。この制限により、地理的および時間的な範囲にわたる株間の複雑な相互作用の調査が妨げられており、これは疾患メカニズムの理解や制御戦略の策定に不可欠である。著者らは、株間の依存構造を考慮しつつ、多型時空間流行データを共同でモデル化できる枠組みの必要性に対応する。

手法
本論文は、以前の時空間モデルを拡張し、複数の病原体型（$K$ 株）を同時に処理する新しいベイズ的状態空間枠組みを提案する。

• モデル構造: 場所 $i$、時間 $t$、株 $k$ に対する観測症例数（$y_{itk}$）は、ポアソン分布を用いてモデル化される。対数リスクは、株固有の切片（$a_k$）、共有された時間的傾向（$r_t$）、共有された季節性成分（$s_{t \mod C}$）、共有された空間成分（$u_i$）、および株固有の流行効果（$x_{itk}\beta_k$）に分解される。流行インジケーター $x_{itk}$ はマルコフ連鎖に従う。
• 結合状態空間とコピュラ: 中核的な革新は、すべての $K$ 株にわたる流行状態（$x_{itk}$）の結合ダイナミクスをモデル化することにある。著者らは、各株の流行遷移の周辺挙動と、それらの結合依存構造を分離するためにコピュラを導入する。
  • 独立モデル: ベースラインモデルは、株が単一の遷移行列を共有するか、固有の行列を持つ場合でも、遷移が独立であると仮定する。
  • 依存モデル: 著者らは、依存性をモデル化するためにフランクコピュラとガウス因子コピュラを利用する。これらは、周辺分布に対して特定の多次元分布を仮定することなく、株間遷移間の正および負の相関を柔軟に表現することを可能にする。また、完全な遷移行列を用いた一般的な依存モデルも定義される。
• 推論: パラメータ（特に時間的および空間的コンポーネント）の次元が高く、強い相関があるため、標準的な MCMC 法は非効率的である。著者らは、計算的に効率的なサンプリング手法を開発した。
  • MMALA: リーマン多様体メトロポリス調整ランジュバンアルゴリズムが時間的および空間的コンポーネントに使用され、解析的に導出された勾配と観測フィッシャー情報行列（フィッシャーおよびルイの恒等式を介して）を活用して、潜在的な流行状態を処理する。
  • ギブス流の更新: ポアソン - ガマ共役性を用いて、株固有の切片に対する特定の更新が導出される。
  • その他の更新: 遷移確率およびコピュラパラメータには、ランダムウォークおよび適応的ディリクレ移動が使用される。
• モデル比較: 高次元空間におけるモデル証拠を評価するために、著者らはブリッジサンプリングと重要度サンプリングを採用し、周辺尤度の推定におけるそれらの性能を比較する。

主要な貢献

1. 結合時空間枠組み: 本論文は、時空間設定において多型感染症データを共同でモデル化する最初の枠組みを提示し、「個別分析」または「集約」のアプローチを超えている。
2. コピュラの統合: 流行状態遷移へのコピュラ（フランクおよびガウス因子）の適用により、周辺挙動の柔軟性を維持しつつ、株間の依存構造（例：交差免疫効果）を明示的にモデル化することが可能になる。
3. 計算効率: 解析的勾配と MMALA を用いた専用 MCMC サンプリャーの開発により、Stan のような汎用ツール（数値微分に依存）では計算的に扱いが困難な複雑で高次元のモデルの推論を可能にした。
4. ソフトウェア実装: この手法は、無料で利用可能な R パッケージ MultiOutbreaks に実装されている。

結果

• シミュレーション研究: 9 の場所における 5 年間の $K=5$ 株のシミュレーションデータを用いて、著者らは提案されたモデルがシミュレーションされた流行を正常に特定し、パラメータ（傾向、季節性、空間効果、遷移確率、およびコピュラパラメータ）を正しく推論できることを実証した。専用 MMALA サンプリャーは、汎用 HMC アプローチよりも著しく高速（例：Stan での約 48 時間に対し約 1 時間）で、スケーラビリティに優れていた。
• 実データへの適用: モデルは、26 のヨーロッパ諸国（2010–2019 年）における侵襲性髄膜炎菌（血清群 B、W、Y、C）の月次発生データに適用された。
  • モデルは、異なる血清群の明確な動的パターン（例：2013–2017 年のいくつかの国における血清群 W の増加）を成功裡に捉えた。
  • ブリッジサンプリングによるモデル比較は、フランクコピュラ 1 モデル（フランク依存性を伴う共有遷移確率）が最も可能性の高いモデルであることを示し、次いで独立 1 モデルおよびガウス因子コピュラ 1 モデルが続いた。
  • 一般的な依存モデルは、過剰パラメータ化（$K=4$ に対して 240 の遷移パラメータ）が原因で性能が悪かった。
  • モデルは、流行状態を含まないモデルと比較して、データへの適合性（事後予測チェック）が向上し、特に血清群 W において顕著であった。

意義と主張
著者らは、この研究が大規模で多因子性の感染症データセットの分析に対する重要な方法論的進歩を提供すると主張している。複数の株の共同分析を可能にすることで、この枠組みは、株を個別に分析した場合には見えない相互作用（交差免疫や競争的排除など）を研究者が解明することを可能にする。論文は、モデルが複雑である一方で、提案された推論機構により、それらがスケーラブルであり、実世界のサーベイランスデータに対して実用的であることを強調している。著者らは控えめに、識別性の問題を避けるために株固有の時間的傾向をモデルに拡張しなかったが、現在の枠組みが多型流行動態の理解のための堅固な基盤を提供していると指摘している。この研究は、異なる病原体型が時空間にわたってどのように拡散し相互作用するかをより微妙に理解することにより、制御介入戦略の開発を支援するツールとして提示されている。