Mixed Time Series Quasi-Likelihood Models for Uncovering Covid-19 Viral Load and Mortality Dynamics

1. Probleemstelling en Motivatie

Het artikel adresseert de uitdaging om de dynamiek van epidemieën nauwkeurig te monitoren, specifiek voor Covid-19. Traditionele maatstaven zoals gerapporteerde gevallen of ziekenhuisopnames lijden vaak onder vertragingen in rapportage, selectiebias en onderregistratie. Een veelbelovend alternatief zijn de Cycle Threshold (Ct) waarden verkregen uit RT-qPCR-tests, die fungeren als een proxy voor de virale last (viral load).

De kernuitdaging in deze studie is het gezamenlijk modelleren van twee verschillende soorten tijdreeksen:

1. Virale last: Een continue, begrende variabele (afgeleid van Ct-waarden, genormaliseerd naar het interval (0,1)).
2. Sterftecijfers: Een discrete, tellende variabele (aantal overlijdens).

Bestaande methoden voor het testen van Granger-causaliteit (de relatie waarbij één tijdreeks de andere voorspelt) zijn vaak beperkt tot lineaire VAR-modellen die normaalverdeling aannemen, of ze vereisen dat alle variabelen tot de exponentiële familie behoren. Er was geen geschikt model beschikbaar dat deze specifieke mix van begrende continue en tellende data kon hanteren zonder strenge distributie-aannames.

2. Methodologie: Het MixTSQL Model

De auteurs introduceren een nieuw model: het Mixed-valued Time Series Quasi-Likelihood (MixTSQL) model.

• Kernconcept: Het model is gebaseerd op een quasi-likelihood (QL) raamwerk (Wedderburn, 1974). In plaats van een volledige kansdistributie te specificeren, vereist het model alleen een specificatie van de eerste twee momenten: de voorwaardelijke gemiddelde ($\mu$) en de variantie ($\phi V(\mu)$).
• Modelspecificatie:
  • Twee tijdreeksen $Y_{1,t}$ (virale last) en $Y_{2,t}$ (sterfte) worden gemodelleerd als conditioneel onafhankelijk gegeven hun verleden.
  • De linkfuncties $g_1$ en $g_2$ koppelen de gemiddelden aan een lineaire predictor die autoregressieve termen en kruislag-effecten bevat.
  • Voor de virale last wordt een Beta-achtige variantiefunctie gebruikt ($V(\mu) = \mu(1-\mu)$), en voor de sterfte een Poisson-achtige variantiefunctie ($V(\mu) = \mu$).
• Granger-Causaliteit: Het model stelt de auteurs in staat om causaliteit te testen in zowel het gemiddelde als de variantie tegelijkertijd. De nulhypothese ($H_0$) is dat de kruislag-coëfficiënten ($\gamma$) gelijk zijn aan nul, wat impliceert dat de virale last geen voorspellende waarde heeft voor de sterfte.
• Schatting: Parameters worden geschat via Quasi-Maximum Likelihood Estimation (QMLE). De auteurs bewijzen de consistentie en asymptotische normaliteit van deze schatters onder specifieke regulariteitsvoorwaarden.

3. Belangrijkste Bijdragen

1. Nieuw Methodologisch Kader: Introductie van MixTSQL, een flexibel model voor multivariate tijdreeksen met verschillende datatypes (begrensd, tellend, continu) zonder volledige distributie-aannames.
2. Gecombineerde Causaliteitstest: Het bieden van noodzakelijke en voldoende voorwaarden om Granger-causaliteit gelijktijdig in gemiddelde en variantie te testen, wat essentieel is voor het begrijpen van de leidende-lagende effecten van virale last op mortaliteit.
3. Statistische Garantieën: Wiskundige bewijzen voor de consistentie en asymptotische normaliteit van de QMLE-schatters, inclusief een methode voor het berekenen van standaardfouten via asymptotische theorie en pseudo-parametrische bootstrapping.
4. Empirische Validatie: Uitgebreide simulatiestudies die aantonen dat zowel theoretische als bootstrap-methoden goed presteren in steekproeven van beperkte omvang (n=100), vergelijkbaar met de werkelijke dataset.

4. Resultaten en Data-analyse

De methode werd toegepast op wekelijkse data uit São Paulo, Brazilië, van maart 2020 tot mei 2022 (112 observaties).

• Data-voorbereiding: Dagelijkse data werd geaggregeerd naar wekelijkse data om problemen met nul-overlijdens (vaak door rapportagevertragingen in het weekend) en hoge volatiliteit te vermijden.
• Modelfit: Het model paste de drie belangrijkste epidemiologische golven in Brazilië nauwkeurig aan (de eerste golf in 2020, de Gamma-variant in 2021, en de Omicron-golf in 2022).
• Granger-Causaliteit: De test leverde sterke statistische bewijzen op ($p < 10^{-5}$) dat de virale last Granger-oorzaak is van de sterftecijfers. Er werd een significant verouderd effect gevonden: de virale last van 6 weken eerder had een significante invloed op het aantal overlijdens. Dit komt overeen met de biologische verwachting van de tijd tussen infectie, hospitalisatie en overlijden.
• Voorspellingsvermogen: Een out-of-sample voorspellingsexperiment toonde aan dat het MixTSQL-model een lagere Root Mean Forecasting Error (RMFE) opleverde dan een standaard Gaussisch lineair model. Het MixTSQL-model behield de oorspronkelijke schaal van de data en leverde nauwkeurigere korte-termijn voorspellingen op.
• Distributie-aanpassing: Probability Integral Transform (PIT) plots bevestigden dat een variantiefunctie met een dispersieparameter (Double Poisson) beter paste dan een standaard Poisson-distributie voor de sterftecijfers.

5. Betekenis en Conclusie

Dit artikel biedt een robuust statistisch instrument voor de analyse van complexe, gemengde epidemiologische data. De belangrijkste implicaties zijn:

• Praktische Toepassing: Ct-waarden/virale last kunnen dienen als vroege waarschuwingssignalen (leading indicators) voor toekomstige sterftecijfers, wat cruciaal is voor real-time gezondheidsbeleid.
• Methodologische Vooruitgang: Het overwint de beperkingen van bestaande modellen die niet om kunnen gaan met gemengde datatypes zonder onrealistische aannames.
• Toekomstperspectief: Het model kan worden uitgebreid met covariaten zoals vaccinatiegraad en mobiliteitsbeperkingen, en biedt een raamwerk voor het modelleren van toekomstige pandemieën veroorzaakt door diverse virussen.

Kortom, de auteurs tonen aan dat het gebruik van een quasi-likelihood benadering voor gemengde tijdreeksen niet alleen theoretisch onderbouwd is, maar ook superieure prestaties levert bij het modelleren en voorspellen van de dynamiek van Covid-19.