統計模型於新冠肺炎防疫評估

Abstract

"背景 面對新冠肺炎大流行下不同高關注變異株 (VOC) 持續出現，急需新穎的統計模型方法了解疾病的流行與影響。因此，本論文的研究目的包括兩個部分：第一部分是發展機器學習方法於族群層級防疫作為的評估，結合無監督和監督方式，評估在COVID-19不同波流行之下NPIs作為和疫苗接種對社區疫情爆發的影響；第二部分則是發展一系列隨機過程模式估計個人層級從感染、症狀前期到症狀期的自然進展，並應用於邊境控制的精準監測及不同病毒量層級轉的轉轉移以進行流行病學監測。 材料與方法 本論文使用2020年至2022年1月間全球開放式資料進行分析，包括考量疫苗施打情境下解封指數(Social Distancing Index, SDI)、有效再生數等。並利用臺灣地區2021年5月至7月的社區感染資料，結合人口學特徵、症狀和個人病毒量進行個人層級自然病史統計模型的估計。首先，以易感-感染-傳染-恢復(SEIR)模型估計有效再生數(Rt)。結合無監督及監督機器學習方法預測COVID-19的傳播式，開發貝氏隨機多階段馬可夫模型，估計COVID-19疾病進展，以此為基礎進行電腦模擬並提供不同邊境控制精準策略的預期結果。最後，發展病毒量導引馬可夫模型，以四階段馬可夫回歸模式和九階段離散時間馬可夫模型，用於模擬個案在恢復前於不同隱狀態(Hidden State)之間與病毒量相關的詳細動態轉換。 結果 從2021年1月1日到2022年1月22日，全球的流行病至少有三波流行。2021年5月臺灣社區流行的實證資料顯示NPI手段和檢測在前爆發剛開始的兩周估計其降低流行的效益達60%，並在2021年6月14日之後增强到超過90%，同時Rt從2021年5月的4.40下降到7月的0.29。 本論文使用的監督機器學習三種（SVM、邏輯斯回歸和貝氏網絡(Bayesian Network, BN)）中，BN在AUC方面表現最為出色，其次則為邏輯斯回歸和SVM。BN將全球流行資料區分為兩個群集：疫苗主導群集(群集1)及NPI主導群集(群集2)。 利用臺灣2020年3月至2022年1月境外移入個案估計個人層級疾病進展模式，本論文將資料依變異株種類及流行趨勢分為7個時期，包括兩期D614G、兩期Alpha、兩期Delta，及近期Omicron。在D614G-1時期，無症狀COVID-19的每日發生率估計爲109（每10萬人）（95%信賴區間（CI）：98-121），D614G-2時期下降到40（95% CI：30-51），Alpha-1時期回到163（95% CI：141-188），在疫苗廣泛接種的Alpha-2、Delta-1和Delta-2時期發生率再次分別下降到117（95% CI。100-135）、97（95%CI：77-120）和112（95%CI：90-134），而最近出現的VOC Omicron期則又使發生率重新上升到317（95%CI：267-371）。若以5天隔離期估算，Omicron將累積最多從症狀前期發展到症狀期的個案（94%），其次是Delta（74%和80%於兩時期）、Alpha VOC（74%和66%於兩時期）及D614G（80%和74%於兩時期）。 利用隱藏馬可夫模式分析臺灣地區2021年5月至7月本土個案重覆Ct值變化可將個案分為五種狀態：低風險、中風險、高風險、極高風險和康復狀態，這五種隱狀態對應的放射高斯機率(Emission Probability)分佈之平均值分別爲45.0、34.2、29.9、23.8和15.8。其轉移機率矩陣則顯示病患在病程中不同Ct值變化傾向由低值(轉高風險)至高值(較低風險)。 從上述隱藏馬可夫模式的結果，我們進一步以Ct值15及25將病毒量分為三層，結合個案症狀發生建構四階段馬可夫模式，分析不同病毒量對症狀發生的勝算比及對潛伏時間的影響，結果發現中病毒量（15≦Ct<25）和高病毒量（Ct<15）比低病毒量（Ct≧25）的症狀發生勝算比分別為3.04（2.43 - 3.61）和10.87（1.69 - 44.90）。中病毒量和高病毒量有較短的潛伏時間。 將病毒量變化視為不同階段並估計其多階段病程，結果顯示不論在症狀前期或症狀期，疾病進展朝向高Ct水平（低病毒量）進展的速度比向低Ct水平（高病毒量）方向進展速度快。若比較不同Ct層級由症狀前期進展到症狀期的速率則發現低Ct水平的患者進展至症狀期的速率較高。一旦進入症狀期，向高Ct水平進展的速度比症狀前期階段的速率快。 結論 本論文以一系列系統性的新穎統計模型預測社區流行介入措施之效益，估計考量疫苗施打情境下的解封指數，評估遏制措施（包括NPIs、檢測和疫苗）的效益，並估計考量病毒變化之個人層級COVID-19疾病自然進展史，期望以科學的方法系統性的提供邊境管制實證效益評估和社區監測政策制定的寶貴訊息。 "