Compared performance of Covid19 reproduction number estimators based on realistic synthetic data
Performances comparées d'estimateurs du coefficient de reproduction de la Covid19 à l'aide de données synthétiques réalistes
Résumé
Covid19 pandemic has seen a boom in signal processing research for epidemiology. In particular, numerous epidemiological data processing strategies to infer the reproduction number, quantifying the virus spread dynamics, have been designed to address the main challenges raised by daily analysis of Covid19 data, namely their limited quality, the requirement of epidemiologically grounded methods, and the need for efficient algorithms for daily monitoring of the pandemic. Elaborating on Cori's epidemiological model, variational strategies have been proposed, yielding consistent and fast reproduction number estimators.
Though, at the time of writing, no systematic accuracy analysis have been carried out, the main reason being the absence of annotated data. Quantitative assessment is crucial, first, to validate the ability of reproduction number estimators to manage highly corrupted data, and second, to envision enlarging their use to other epidemics. To this purpose, a synthetic data generation procedure is designed, capturing both Cori's epidemiological model and the limited quality of real-world data, to yield realistic synthetic infection counts accompanied with ground truth time-varying reproduction numbers. This procedure is then leveraged to compare the performance of different estimators through intensive Monte Carlo numerical experiments, exploring different epidemiological dynamics and levels of data corruption.
La pandémie de Covid19 a vu une explosion du nombre de travaux en traitement du signal pour l'épidémiologie. Plusieurs méthodes d'analyse de données épidémiologiques ont notamment été développées pour estimer le coefficient de reproduction, quantifiant la dynamique de propagation du virus, et ont relevé plusieurs défis soulevés par le traitement quotidien des données relatives à la Covid19 : les données sont de qualité limitée, une assise épidémiologique solide doit sous-tendre l'analyse, et les algorithmes qui en découlent doivent être suffisamment efficaces pour effectuer un suivi quotidien. S'appuyant sur le modèle épidémiologique de Cori, des stratégies variatonnelles ont été proposées, fournissant des estimateurs du coefficient de reproduction à la fois précis et calculables rapidement. Néanmoins, à l'heure où nous écrivons, aucune analyse de performance systématique n'a été conduite, la raison principale étant le manque de données annotées. Une évaluation quantitative est pourtant cruciale, tout d'abord, pour valider la capacité des estimateurs du coefficient de reproduction à gérer des données sévèrement corrompues, et par suite pour envisager d'étendre leur utilisation à d'autres épidémies. Dans ce but, une procédure de génération de données synthétiques est élaborée, rendant compte à la fois du modèle épidémiologique de Cori et de la qualité limitée des données réelles afin de fournir des séries temporelles de nouvelles infections réalistes, accompagnées du coefficient de reproduction variable dans le temps constituant la vérité terrain. Cette procédure est mise à profit pour comparer différents estimateurs au moyen de simulations numériques de Monte Carlo intensives, explorant différentes dynamiques épidémiques et différents niveaux de corruption des données.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |
