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

기술 요약: 다중 유형 시공간 전염병 데이터를 위한 베이지안 코풀라 기반 모델링

문제 제기
감염병 감시는 균주 구분을 위해 (예: 혈청형, MLST, PCR) 분류 방법을 점점 더 많이 의존하고 있습니다. 교차 면역이나 초감염과 같은 균주 간 상호작용을 연구하기 위해 구획 모델 (예: SIR) 이 오랫동안 사용되어 왔지만, 기존 전염병 데이터용 시공간 모델은 대부분 각 균주를 개별적으로 분석하거나 모든 유형을 단일 질병으로 집계하는 데 국한되어 왔습니다. 이러한 한계는 지리적 및 시간적 차원에서 균주 간 복잡한 상호작용을 조사하는 것을 방해하며, 이는 질병 메커니즘을 이해하고 통제 전략을 수립하는 데 필수적입니다. 저자들은 균주 간 의존 구조를 고려하면서 다중 유형 시공간 전염병 데이터를 공동으로 모델링할 수 있는 프레임워크의 필요성에 대응합니다.

방법론
본 논문은 이전의 시공간 모델을 확장하여 여러 병원체 유형 ($K$개의 균주) 을 동시에 처리하는 새로운 베이지안 상태 공간 프레임워크를 제안합니다.

• 모델 구조: 위치 $i$, 시간 $t$, 균주 $k$에 대한 관찰된 사례 수 ($y_{itk}$) 는 포아송 분포를 사용하여 모델링됩니다. 로그 위험은 균주별 절편 ($a_k$), 공유된 시간적 추세 ($r_t$), 공유된 계절성 성분 ($s_{t \mod C}$), 공유된 공간적 성분 ($u_i$), 그리고 균주별 전염병 효과 ($x_{itk}\beta_k$) 로 분해됩니다. 전염병 지표 $x_{itk}$는 마르코프 체인을 따릅니다.
• 공동 상태 공간 및 코풀라: 핵심 혁신은 모든 $K$개 균주에 걸쳐 전염병 상태 ($x_{itk}$) 의 공동 역학을 모델링하는 데 있습니다. 저자들은 각 균주의 전염병 전이 주변 행동을 그들 간의 공동 의존 구조와 분리하기 위해 코풀라를 도입합니다.
  • 독립 모델: 기준 모델은 균주들이 단일 전이 행렬을 공유하거나 고유한 행렬을 가지는 경우에도 전이가 독립적으로 일어난다고 가정합니다.
  • 의존 모델: 저자들은 **프랭크 코풀라 (Frank copulas)**와 **가우스 인자 코풀라 (Gaussian factor copulas)**를 사용하여 의존성을 모델링합니다. 이러한 방법들은 주변부 (marginals) 에 대한 특정 다변량 분포를 가정하지 않으면서 균주 전이 간의 양의 및 음의 상관관계를 유연하게 표현할 수 있게 합니다. 또한 완전한 전이 행렬을 사용하여 일반 의존 모델도 정의됩니다.
• 추론: 매개변수 (특히 시간적 및 공간적 성분) 의 고차원성과 강한 상관관계로 인해 표준 MCMC 방법은 비효율적입니다. 저자들은 계산적으로 효율적인 샘플링 체계를 개발했습니다.
  • MMALA: 시간적 및 공간적 성분에 대해 리만 다양체 메트로폴리스 조정 랑주뱅 알고리즘 (Riemannian Manifold Metropolis Adjusted Langevin Algorithm) 을 사용하며, 잠재 전염병 상태를 처리하기 위해 분석적으로 유도된 기울기와 관찰된 피셔 정보 행렬 (피셔 및 루이스 항등식을 통해) 을 활용합니다.
  • 깁스 영감 이동: 포아송 - 감마 켤레성을 이용하여 균주별 절편에 대한 특정 업데이트를 유도합니다.
  • 기타 업데이트: 전이 확률 및 코풀라 매개변수에 대해 랜덤 워크 및 적응형 디리클레 이동을 사용합니다.
• 모델 비교: 고차원 공간에서 모델 증거를 평가하기 위해 저자들은 **브리지 샘플링 (bridge sampling)**과 **중요도 샘플링 (importance sampling)**을 활용하여 주변 가능도 추정 시 성능을 비교합니다.

주요 기여

1. 공동 시공간 프레임워크: 본 논문은 "개별 분석" 또는 "집계" 접근법을 넘어 시공간 설정에서 다중 유형 감염병 데이터를 공동으로 모델링하는 최초의 프레임워크를 제시합니다.
2. 코풀라 통합: 전염병 상태 전이에 코풀라 (프랭크 및 가우스 인자) 를 적용함으로써 주변 행동의 유연성을 유지하면서도 균주 간 의존 구조 (예: 교차 면역 효과) 를 명시적으로 모델링할 수 있게 합니다.
3. 계산 효율성: 분석적 기울기와 MMALA 를 사용한 맞춤형 MCMC 샘플러 개발은 스탠 (Stan) 과 같은 범용 도구 (수치 미분에 의존) 로는 계산적으로 처리 불가능한 복잡하고 고차원적인 모델의 추론을 가능하게 합니다.
4. 소프트웨어 구현: 이 방법론은 무료로 제공되는 R 패키지 MultiOutbreaks에 구현되어 있습니다.

결과

• 시뮬레이션 연구: 5 년 동안 9 개 지역에 걸쳐 $K=5$개의 균주에 대한 시뮬레이션 데이터를 사용하여 저자들은 제안된 모델이 시뮬레이션된 전염병을 성공적으로 식별하고 매개변수 (추세, 계절성, 공간적 효과, 전이 확률, 코풀라 매개변수) 를 올바르게 추론할 수 있음을 입증했습니다. 전용으로 제작된 MMALA 샘플러는 범용 HMC 접근법보다 훨씬 빠르고 확장 가능했습니다 (예: 스탠 기준 약 48 시간 대비 약 1 시간).
• 실제 데이터 적용: 이 모델들은 2010 년부터 2019 년까지 26 개 유럽 국가의 침습성 수막구균 질환 (혈청군 B, W, Y, C) 월별 발병률 데이터에 적용되었습니다.
  • 모델들은 서로 다른 혈청군의 독특한 역동적 패턴 (예: 2013 년부터 2017 년까지 여러 국가에서 혈청군 W 의 증가) 을 성공적으로 포착했습니다.
  • 브리지 샘플링을 통한 모델 비교 결과, 프랭크 코풀라 1 모델 (프랭크 의존성을 가진 공유 전이 확률) 이 가장 가능성 높은 모델로 나타났으며, 이어 독립 1 모델과 가우스 인자 코풀라 1 모델이 뒤따랐습니다.
  • 일반 의존 모델은 과매개변수화 ($K=4$인 경우 240 개의 전이 매개변수) 로 인해 성능이 저조했습니다.
  • 모델들은 전염병 상태가 없는 모델에 비해 데이터에 대한 적합도 (사후 예측 검증) 가 더 좋았으며, 특히 혈청군 W 의 경우 두드러졌습니다.

의의 및 주장
저자들은 이 작업이 대규모 다인자 감염병 데이터셋 분석을 위한 중요한 방법론적 진전이라고 주장합니다. 여러 균주의 공동 분석을 가능하게 함으로써 이 프레임워크는 균주를 개별적으로 분석할 때 보이지 않는 상호작용 (예: 교차 면역 또는 경쟁적 배제) 을 연구자들이 발견할 수 있게 합니다. 논문은 모델이 복잡하지만 제안된 추론 기계를 통해 실제 세계 감시 데이터에 대해 확장 가능하고 실용적임을 강조합니다. 저자들은 식별성 문제를 피하기 위해 균주별 시간적 추세를 허용하도록 모델을 확장하지는 않았지만, 현재 프레임워크가 다중 유형 전염병 역학을 이해하는 데 견고한 기초를 제공한다는 점을 겸손하게 지적합니다. 이 연구는 서로 다른 병원체 유형이 공간과 시간을 어떻게 확산하고 상호작용하는지에 대한 더 세밀한 이해를 제공함으로써 통제 개입 전략 개발을 지원하는 도구로 제시됩니다.