Incorporating county-level NO2 data into a metapopulation model: a case study of the first COVID-19 wave in Oklahoma

技術要約：オクラホマ州における第1波のCOVID-19メタ個体群モデルへの郡レベルのNO2データの組み込み

問題提起
疫学研究により、二酸化窒素（NO2）への曝露と呼吸器感染症への感受性増加との関連性が確立されており、生物学的証拠もNO2が感染に対する脆弱性を高めることを示唆しているが、大気汚染物質データを明示的に統合したメカニズムに基づく流行モデルは不足している。既存のモデルは、環境要因が人間の移動性と並行して、どのように伝播ダイナミクスを直接変調させるかを考慮できていないことが多い。

手法
著者らは、オクラホマ州におけるCOVID-19パンデミックの第1波を分析するために、新しいNO2およびモビリティ情報を活用したメタ個体群モデルを導入する。この手法は、2つの主要なデータストリームを統合している：

1. 環境データ： 郡レベルのNO2濃度が、一次パラメータ化を通じて感染率に直接組み込まれる。
2. モビリティデータ： 高解像度の移動パターンを用いて、郡間の不均一な連結性を捉える。

本研究では、数値シミュレーションを用いて、環境感受性の変動がアウトブレイクの軌跡にどのような影響を与えるかを調査する。さらに、モデルを郡レベルのCOVID-19罹患データに適合させ、以下の2つのベースラインと比較検討を行う：

• 各郡に対して独立して適合させた古典的なSIRモデル。
• NO2を除去し、郡間での感染率が均質であると仮定した、モビリティのみのモデル。

性能評価には、サージ（急増）、ピーク、ポストピーク（ピーク後）、および減少の各流行段階における標準誤差指標、具体的には正規化平方根平均二乗誤差（nRMSE）を用いる。

主な結果

• シミュレーションのダイナミクス： 数値シミュレーションの結果、環境感受性が高いほど、郡間でのアウトブレイクは早期かつ同期的に発生し、感受性が低い場合は、遅延し非同期的な軌跡を示すことが示された。
• SIRモデルとの比較： ヒストリカルデータに適合させた際、提案されたモデルは、すべての標準誤差指標において、オクラホマ州の75%以上の郡で独立したSIRモデルを上回る性能を示した。
• 予測精度： 提案されたモデルは、すべての流行段階において優れた予測能力を示した。nRMSEによるSIRモデルに対する勝利率は以下の通りである：
  • サージ：59.74%
  • ピーク：87.01%
  • ポストピーク：80.52%
  • 減少：88.31%
• NO2の寄与： NO2成分を分離して解析したところ、高罹患期において予測精度が大幅に向上することが明らかになった。具体的には、モビリティのみのモデルと比較して、NO2を含めることで、サージ期（94.81%の郡）、ポストピーク期（88.31%）、およびピーク期（62.34%）における郡レベルの予測が改善された。しかし、NO2項は初期および減少期においては改善をもたらさなかった。

意義と主張
本論文は、環境曝露、特にNO2が、メカニズムに基づく流行モデルの伝播構造に直接統合できることを主張している。著者らは、この統合が、特に高罹患期において測定可能な予測精度の向上をもたらすことを断言しており、環境データとモビリティパターンを組み合わせることが、モビリティデータや標準的なコンパートメントモデル単独よりも、流行のダイナミクスを理解し予測するためのより堅牢な枠組みを提供することを実証している。