The covariance matrix of metapopulation disease models and applications to early warning signals

Dit artikel stelt het gebruik van de eigendecompositie van de niet-stationaire covariantiematrix voor als een verbeterd vroegwaarschuwingssignaal voor het detecteren van epidemische overgangen in metapopulatieziektemodellen, waarbij de theoretische geldigheid en praktische toepassing worden aangetoond via simulaties en SARS-CoV-2-gevalsgegevens uit Engeland.

De kern

Stel je een ziekte-uitbraak voor, niet als een enkele, gladde golf, maar als een complexe dans uitgevoerd door duizenden verschillende groepen mensen (zoals verschillende leeftijdsgroepen of mensen in verschillende steden). Meestal kijken wetenschappers, wanneer ze proberen te voorspellen wanneer deze dans een piek bereikt of plotseling stopt, naar het "ruis" van slechts één groep tegelijk. Ze luisteren naar het ritme van één enkele trommel.

Dit artikel stelt dat we naar het hele orkest tegelijk moeten luisteren. De auteurs stellen een nieuwe manier voor om naar de "covariantiematrix" te luisteren, wat in feite een kaart is die aangeeft hoe alle verschillende groepen zich ten opzichte van elkaar bewegen.

Hier is een uiteenzetting van hun bevindingen met eenvoudige analogieën:

1. Het probleem met het luisteren naar één trommel

De meeste vroegwaarschuwingssystemen voor ziekten kijken naar een enkele tijdreeks (zoals het totale aantal gevallen in een heel land). Het is alsof je probeert een storm te voorspellen door alleen de windsnelheid in één stad te bekijken. Het artikel merkt op dat ziektesystemen zelden "rustig" of "stationair" zijn (stilzittend in een evenwicht). Ze veranderen voortdurend, vooral wanneer nieuwe varianten verschijnen of beperkingen veranderen. Vanwege dit feit missen de oude methoden, die ervan uitgaan dat het systeem stabiel is, vaak het doel.

2. Het nieuwe gereedschap: De "partituur van de orkestleider"

De auteurs suggereren om naar de covariantiematrix te kijken. Denk hierbij aan een partituur die je vertelt hoe de vioolsectie (Stad A) zich beweegt in vergelijking met de trompetsectie (Stad B).

• De eigenwaarden (Het volume): Deze getallen vertellen je hoe "luid" of chaotisch het systeem is. Het artikel stelt vast dat naarmate een ziekte een kritiek moment nadert (zoals een plotselinge piek of een nieuwe golf), het "volume" van de fluctuaties van het systeem op een voorspelbare manier verandert.
• De eigenvectoren (De danspasjes): Dit is de meest creatieve bijdrage van het artikel. De eigenvectoren vertellen je welke groepen de dans leiden.
  • Analogie: Stel je een dansgroep voor. Eerst dansen iedereen in een kring. Plotseling verandert de muziek en schuiven de dansers over in een rij. De "eigenvector" is de beschrijving van die verschuiving.
  • Het inzicht: De auteurs ontdekten dat voordat een nieuwe golf toeslaat, de "danspasjes" veranderen. De groepen die voorheen stil waren, beginnen plotseling synchroon te bewegen met de leiders. Door te kijken hoe de dansformatie roteert, kun je vertellen welke specifieke groep (bijvoorbeeld een specifieke leeftijdsgroep of stad) op het punt staat de volgende uitbraak te veroorzaken.

3. De theorie testen: De simulatie

Het team bouwde een computermodel van drie steden die met elkaar verbonden waren via wegen. Ze simuleerden ziektes die zich tussen hen verspreidden.

• Wat ze zagen: Toen ze een nieuwe variant introduceerden of de reisinstructies veranderden, verschoften de "danspasjes" (eigenvectoren) voordat het aantal zieke mensen de pan uitrees.
• De "rotatie": Ze stelden voor om de rotatiesnelheid van deze danspasjes te meten. Als de formatie snel begint te draaien of van vorm verandert, is dit een waarschuwingssignaal dat een overgang op komst is.
• Incidentie versus prevalentie: Ze controleerden of het tellen van nieuwe gevallen (incidentie) versus totaal actieve gevallen (prevalentie) uitmaakte. Ze ontdekten dat het kijken naar nieuwe gevallen net zo goed werkte voor het opsporen van deze dansverschuivingen, wat uitstekend is omdat dat de gegevens zijn die we meestal hebben.

4. Toepassing in de echte wereld: De pandemie in het VK

Ze pasten deze methode toe op echte gegevens uit het VK tijdens de pandemie van 2020–2021, met gegevens van:

• Maidstone (een klein lokaal gebied).
• Het Zuidoosten (een groter gebied).
• Engeland (het hele land).

Wat ze vonden:

• De signalen werkten: Net als in hun simulaties begonnen de "danspasjes" (eigenvectoren) te wiebelen en te roteren voordat er grote pieken waren (zoals de kerstgolf van 2020) en voordat nieuwe varianten (Alpha en Delta) de overhand namen.
• De "wie" is belangrijk: De methode zei niet alleen "er komt een golf aan"; het gaf een hint over wie de drijvende kracht was. Bijvoorbeeld, voordat de Delta-variant-golf toesloeg, verschuifde de "dans" om het Noordwesten van Engeland te benadrukken, wat inderdaad het gebied was waar de variant het snelst verspreidde.
• De "hoe" is belangrijk: Ze ontdekten dat het kijken naar kleinere, gedetailleerde groepen (gedesaggregeerde gegevens) een duidelijker beeld gaf dan het bekijken van het hele land als één grote klomp. Het te veel samenvoegen van gegevens gladde de waarschuwingssignalen weg, alsof je een foto wazig maakt totdat je de details niet meer kunt zien.

5. De kernboodschap

Het artikel beweert dat we door te analyseren hoe verschillende groepen mensen samen bewegen (de covariantie) in plaats van alleen totale aantallen te tellen, een eerdere en gedetailleerdere waarschuwing kunnen krijgen voor ziekte-uitbraken.

• Het "volume" (Eigenwaarden) vertelt ons dat een overgang nabij is.
• De "danspasjes" (Eigenvectoren) vertellen ons welke groepen op het punt staan problemen te veroorzaken en wanneer de verschuiving plaatsvindt.

De auteurs concluderen dat deze methode werkt als een "kanarie in de kolenmijn" die niet alleen schreeuwt "gevaar", maar ook met een vinger wijst naar het exacte deel van de bevolking dat op het punt staat de lont te ontsteken. Ze hebben dit getest op zowel computermodellen als echte VK-gegevens, en in beide gevallen diende de "rotatie" van de structuur van de gegevens als een betrouwbaar vroegwaarschuwingssignaal.

Technische samenvatting

Technische Samenvatting: De Covariantiematrix van Metapopulatie-Ziektemodellen en Toepassingen voor Vroege Waarschuwingssignalen

Probleemstelling
Tijdreeksen van infectieziekten vertonen vaak kritieke overgangen, zoals pieken of dalen van epidemieën, of verschuivingen tussen ziekte-uitroeiing en persistentie, gedreven door veranderingen in onderliggende parameters zoals het basisreproductiegetal ($R_0$). Hoewel vroege waarschuwingssignalen (EWS) op basis van kritieke vertraging zijn ontwikkeld om deze overgangen te anticiperen, vertrouwen bestaande methoden voornamelijk op univariate tijdreeksen of gaan ervan uit dat het systeem zich in een stationair evenwicht bevindt. Ziektesystemen, met name tijdens uitbraken of de opkomst van nieuwe varianten, zijn vaak niet-stationair. Bovendien gaan standaard ecologische benaderingen die gebruikmaken van de covariantiematrix van multivariate tijdreeksen vaak uit van stationaire stochastische fluctuaties rond een stabiel evenwicht. Deze aanname faalt in het vastleggen van de dynamiek van metapopulatie-ziektemodellen, waarbij demografische verschuivingen en bifurcatieparameters op vergelijkbare tijdschalen evolueren, waardoor het systeem geen steady state bereikt. Bijgevolg bestaat er behoefte aan EWS-methoden die rekening houden met het niet-stationaire karakter van epidemiologische data en gebruikmaken van de ruimtelijke of op leeftijd gestructureerde granulariteit van casusdata.

Methodologie
De auteurs stellen voor om de eigendecompositie van de niet-stationaire covariantiematrix te gebruiken als een multivaarig vroeg waarschuwingssignaal. De methodologie verloopt in drie fasen:

1. Theoretisch Kader: De studie modelleert de verspreiding van infectieziekten met behulp van een metapopulatie Susceptible-Infectious-Recovered (SIR)-kader met demografie, weergegeven door een systeem van gewone differentiaalvergelijkingen (ODE's). Om stochastiek op te nemen, passen de auteurs de systeemgrootte-expansie van van Kampen toe om een lineaire Fokker-Planck-vergelijking voor stochastische afwijkingen af te leiden. In tegenstelling tot eerdere literatuur die de tijdsafgeleide van de covariantiematrix ($\frac{d\Sigma}{dt}$) op nul stelt (aannemende stationariteit), lost dit werk de tijdvariërende Lyapunov-vergelijking op:
   $$\frac{d\Sigma}{dt} = J\Sigma + \Sigma J^T + B$$
   waarbij $J$ de Jacobiaan van het systeem is, $B$ de diffusiematrix is, en $\Sigma$ de tijdsafhankelijke covariantiematrix is. De auteurs analyseren de evolutie van de eigenwaarden ($\lambda$) en de eigenbasis (eigenvectoren) van $\Sigma$ naarmate het systeem een bifurcatie nadert.

2. Simulatie-experimenten: De theoretische voorspellingen worden getest met behulp van stochastische simulaties (Gillespie-algoritme) op een netwerk van drie interagerende steden. Scenario's omvatten:

   • Baseline-epidemiegolven.
   • Het inzaaien van infecties in specifieke subpopulaties.
   • Implementatie van Niet-Pharmaceutische Interventies (NPI's) die de transmissie tussen of binnen steden verminderen.
   • Introductie van een nieuwe, meer overdraagbare variant.
     Simulaties worden uitgevoerd voor zowel macroscopische (100.000 individuen per stad) als mesoscopische (10.000 individuen) populatiegroottes om robuustheid tegen stochastiek te beoordelen.

3. Empirische Toepassing: De methoden worden toegepast op real-world SARS-CoV-2-casusdata uit Engeland (2020–2021), verstrekt door de UK Health Security Authority (UKHSA). De analyse omvat:

   • Op leeftijd gestratificeerde data: Geaggregeerd in klassen van 10 jaar voor Maidstone (een lagere lokale autoriteit) en de regio South East.
   • Ruimtelijk gestratificeerde data: Geaggregeerd over NHS-regio's in Engeland.
   • Data-verwerking: Tijdreeksen worden geanalyseerd als zowel ruwe incidentie als getrend data. Rolverende covariantiematrices worden berekend met behulp van vensters van 60 en 100 dagen.
   • Detectie van Veranderingspunten: Online statistische tests (CUSUM, 2-sigma, genormaliseerde 2-sigma) en offline methoden (lineair gepenaliseerde segmentatie) worden toegepast op de hoekverplaatsing van de dominante eigenvector om kwantitatief verschuivingen in infectiedynamiek te detecteren.

Belangrijkste Resultaten

• Niet-stationaire Eigenwaarde-trends: In niet-stationaire systemen die een bifurcatie naderen (bijv. $R_t \to 1$), vertoont de dominante eigenwaarde ($\lambda_1$) van de covariantiematrix voorspelbare trends. Specifiek toont $\lambda_1$ vaak een duidelijke toename of een "dubbele piek"-patroon rond de epidemische piek. De genormaliseerde eigenwaarde ($\lambda_1 / \sqrt{\sum \lambda_i^2}$) toont ook pieken nabij overgangen, hoewel het tijdstip ten opzichte van de piek kan variëren afhankelijk van of de data getrend is.
• Rotatie van de Eigenbasis als EWS: Een nieuwe bevinding is dat de rotatie van de dominante eigenvector fungeert als een gevoelig vroeg waarschuwingssignaal. Veranderingen in de dominante eigenvector gaan vaak vooraf aan of vallen samen met epidemische overgangen. Cruciaal is dat de componenten van de dominante eigenvector de relatieve bijdrage van verschillende subpopulaties (bijv. specifieke leeftijdsgroepen of steden) aan de algehele infectiedynamiek weerspiegelen. Bijvoorbeeld, in simulaties waarbij de transmissie in een specifieke stad werd verminderd, nam het corresponderende element in de dominante eigenvector af voordat de waarneembare daling in prevalentie plaatsvond.
• Impact van Aggregatie: De studie toont aan dat data-aggregatie (ruimtelijk of op leeftijd) de signaalsterkte van EWS's kan dempen. Gedisaggregeerde data (bijv. kleinere lokale autoriteiten of fijnere leeftijdsklassen) behoudt meer stochastiek en biedt duidelijkere signalen in de rotatie van de eigenbasis in vergelijking met sterk geaggregeerde data. Echter, het detrenden van geaggregeerde data kan een deel van dit verloren signaal herstellen.
• Real-world Validatie: Toegepast op UK SARS-CoV-2-data, voorspelden de dominante eigenwaarde en de rotatie van de eigenvector succesvol grote epidemische overgangen, inclusief de pieken in december 2020 en juli 2021, en de opkomst van de Alpha- en Delta-varianten. De eigenvectoranalyse onthulde verschuivende ruimtelijke dynamiek, zoals het feit dat het Noordwesten het epicentrum werd voor de Delta-variant, en op leeftijd specifieke verschuivingen die overeenkwamen met de heropening van scholen.
• Incidentie versus Prevalentie: De studie merkt op dat hoewel theoretische modellen zich vaak richten op prevalentie, de covariantie-eigenbasis van incidentiedata zich qua eigenvectortrends vergelijkbaar gedraagt als prevalentie, wat het gebruik van gerapporteerde casusaantallen valideert.

Betekenis en Claims
Het artikel claimt de theorie van kritieke vertraging en op covariantie gebaseerde EWS's uit te breiden naar niet-stationaire ziektesystemen, een voorwaarde die veel voorkomt in de real-world epidemiologie maar vaak wordt genegeerd in theoretische modellen. De primaire bijdrage is de demonstratie dat de eigendecompositie van een niet-stationaire covariantiematrix twee distincte soorten informatie biedt:

1. Timing: De grootte van de dominante eigenwaarde en zijn genormaliseerde vorm kunnen het naderen of passeren van een epidemische piek signaleren.
2. Structuur: De rotatie van de dominante eigenvector biedt kwalitatieve en kwantitatieve inzichten in welke subpopulaties de dynamiek aansturen, waardoor modellatoren een hulpmiddel krijgen om risicogroepen of verschuivende transmissiepatronen te identificeren voordat deze volledig zichtbaar zijn in geaggregeerde casuscurves.

De auteurs concluderen bescheiden dat hoewel deze methoden veelbelovend zijn als zowel anticiperende signalen als bevestigingsinstrumenten voor overgangen (zoals het verifiëren dat een piek voorbij is), hun effectiviteit afhangt van de data-granulariteit en de keuze van de grootte van het rollende venster. Zij suggereren dat toekomstig werk de afwegingen moet onderzoeken tussen de stochastiek van gedisaggregeerde modellen en de gladmakende effecten van aggregatie, en deze methoden moet toepassen op andere ziektedatasets om de universaliteit van deze trends te bevestigen.