Covid-19およびその他の感染症の症例致死率を決定するための新しいコホート分析アプローチ

コロナウイルスの伝染が発達するにつれて、病気のダイナミクスを理解することがますます重要になっています。その重症度は、その2つのパラメーターで最もよく説明されています：その拡散能力とその致死。ここでは、数学モデルとコホート分析アプローチを組み合わせて、症例致死率（CFR）の範囲を決定します。ロジスティック関数を使用して、最終CFR（L）、CFR成長速度（K）、および死ぬ間隔（T0）の3つのパラメーターに依存するCovid-19 CFRの指数関数的成長とその後の平坦化を記述します。。特定のパラメーター（L、K、T0）を使用してロジスティックモデルを使用して、各コホートの毎日の死亡数を計算します。累積死の実際の値と予測値の間のルート平均平方根誤差を最小化し、3つのパラメーターを変更することにより複数のシミュレーションを実行する目的関数を構築します。これらのすべての値を使用して、実際の死亡数と比較した場合、どのパラメーターのセットが最低誤差を返すかがわかります。従来の方法と比較して、ウイルスの発生のすべての段階でCFRを現実にずっと近い予測することができました。このモデルは、現在のモデルよりもはるかに効果的に使用して、発生中にCFRを推定し、より良い計画を可能にします。このモデルは、CFRに対する個々の介入の影響をよりよく理解するのにも役立ちます。はるかに優れたデータ収集とラベル付けにより、予測力をさらに改善できるはずです。

As the Coronavirus contagion develops, it is increasingly important to understand the dynamics of the disease. Its severity is best described by two parameters: its ability to spread and its lethality. Here, we combine a mathematical model with a cohort analysis approach to determine the range of case fatality rates (CFR). We use a logistical function to describe the exponential growth and subsequent flattening of COVID-19 CFR that depends on three parameters: the final CFR (L), the CFR growth rate (k), and the onset-to-death interval (t0). Using the logistic model with specific parameters (L, k and t0), we calculate the number of deaths each day for each cohort. We build an objective function that minimizes the root mean square error between the actual and predicted values of cumulative deaths and run multiple simulations by altering the three parameters. Using all of these values, we find out which set of parameters returns the lowest error when compared to the number of actual deaths. We were able to predict the CFR much closer to reality at all stages of the viral outbreak compared to traditional methods. This model can be used far more effectively than current models to estimate the CFR during an outbreak, allowing for better planning. The model can also help us better understand the impact of individual interventions on the CFR. With much better data collection and labeling, we should be able to improve our predictive power even further.