Diese Präsentation wurde erfolgreich gemeldet.
Wir verwenden Ihre LinkedIn Profilangaben und Informationen zu Ihren Aktivitäten, um Anzeigen zu personalisieren und Ihnen relevantere Inhalte anzuzeigen. Sie können Ihre Anzeigeneinstellungen jederzeit ändern.

COVID-19の感染者数 今後の見通しの考え方

2020年4月25日に第 44回 Machine Learning 15 minutes で発表。(特定部分を発表後に削除。) このスライドは、かなり口頭で説明を補う部分が多かった。

  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

COVID-19の感染者数 今後の見通しの考え方

  1. 1. COVID-19の感染者数 今後の見通しの考え方 2020-04-25(土) DG LAB 下野寿之 本発表は私個人の見解であり、所属する組織の公式な意見や 成果物ではありません。
  2. 2. 国ごとの患者数(4月23日(木)現在)。ジョンズホプキンス大学のサイトから。
  3. 3. 初めに • 未知の現象への対処の方法論が問われています。 • 合理的かつ手際良い対策が、今は必要です。 • 下記は避けましょう。 • 短絡的思考 — 例. 原因と結果を逆に考える • 希望的観測 — 例. いろんな可能性の存在を忘れる • 時間の浪費 — 例. ひとつの目標だけに縛られる • 利己主義 — 例. 他の人へのリソースを奪ってしまう 4月5日の朝の草稿
  4. 4. 直感に反する理屈を知ること 1. 患者数と死者数は、指数関数的に増えます。 2. 潜伏期間があります。(中央値約5日,最長14日) 3. 「蔓延」対策と「感染」対策は違います。 4. 問題は「再生産する感染者数が多い人」です。 5. 既存ルール遵守/完全主義は害悪のことも。 6. 病院が人口の1%弱を収容すると破綻します。 7. 今の社会は、(たぶん永遠に)元に戻りません。 8. 政策の遂行とバグ取りは1個ずつ(検証のため)。 4月5日の朝の草稿
  5. 5. ここから(11ページ; 図が多め + Rのコード) 今回の話は : • 「数理モデルこそ大事」と考えます。 • AIや機械学習の話はあまりありません。 • 現在までのデータを多数引用しました。 • いくつかの国、及び、東京の話をします。 含まれていないこと : • 東京都以外の日本、及び、特定国以外の状況。
  6. 6. https://web.sapmed.ac.jp/canmol/coronavirus/ 札幌医科大学のサイトから
  7. 7. 人口当たり死者数の推移の場合。
  8. 8. 蔓延阻止の考え方 (等比級数の和の公式) • 1+ r + r² + r³ + r⁴ + r⁵ + .. + rⁿ = (1 - r×rⁿ) / (1-r) • 1+ r + r² + r³ + r⁴ + r⁵ + .. + rⁿ ≦ 1/(1-r) (0≦ r<1 の時) • 100人の患者がいる場合: • 0.5倍ずつ拡大しても、合計200人で止まる。 • 0.6倍ずつ拡大しても、合計250人で止まる。 • 0.7倍ずつ拡大しても、合計333.33..人で止まる。 • 0.8倍ずつ拡大しても、合計500人で止まる。 • 0.9倍ずつ拡大しても、合計1,000人で止まる。 • 1.0倍ずつ拡大したら、100人ずつ増える。 • 1.1倍ずつ拡大したら、増大しつつ増える。 • 1人の患者が次に平均R₀人に感染する(基本再生産数)。
  9. 9. https://www.itmedia.co.jp/news/articles/2004/20/news075.html から図を引用。 元の図は、インスタグラムの創始者が作成。 https://rt.live/ にそれらしきサイトはあるが、縦軸の数値が正しく無さそう。 https://github.com/k-sys/covid-19/blob/master/Realtime%20R0.ipynb 4月22日は見えた。
  10. 10. https://www.politico.com/interactives/2020/coronavirus-testing-by-state-chart-of-new-cases/
  11. 11. How a peak appears after "80% lockdown" Days after the blockdown Newpatientsoneachday -40 -20 0 20 40 0 5000 10000 15000 20000 25000 「8割減開始」がすぐ成功した場合:
  12. 12. 蔓延阻止が失敗した場合 : SIRモデルによる最終流行規模φと基本再生産数R₀の関係 : 1-φ = exp (-R₀ φ) 基本再生産数R0
  13. 13. 東京都,年代別,日ごと,積み上げ https://catalog.data.metro.tokyo.lg.jp/dataset/t000010d0000000068/resource/c2d997d b-1450-43fa-8037-ebb11ec28d4c からcsvファイルをダウンロードして、エクセルの ピボットテーブルで、年代と日付でクロス集計して、グラフの機能を用いた。
  14. 14. 用いたコード(GNU R言語) 以上。 xt <-c (-50);# yt <- c() for(i in1:30){ xt<- unlist(lapply(xt, function(x){y<-x+rweibull(rpois(1,2.5),2.2,5.5)})) print(paste (" ",i, min(xt), max(xt) ,length(xt)) ) xt0 <-subset(xt,xt>=0) xt <- c ( subset(xt,xt<0) , sample( xt0 , rbinom(1,length(xt0),0.2)) ) yt<- c(yt,xt) } length(yt) hist( subset(yt,yt<50) , breaks=-50:50,col="orange2",las=1, ylab="Newpatients on each day", xlab="Days after the blockdown",main="Howa peak appears after "80%lockdown"")
  15. 15. library(matlab) x<-1:60/60; y<--log(1-x)/x par(family= "HiraKakuProN-W3",mai=c(1,1.2,1,1)) plot(y,x,type="l",yaxt="n",lwd=2,xlab="基本再生算数",ylab="最終流行規模 ",cex=2,xlim=c(0,3.5),ylim=0:1,cex.lab=1.4,main="最終的に罹患する人の割合(免疫を仮定する 場合)",cex.main=1.45) axis(2,0:4/4,c("0%","25%","50%","75%","100%"),las=1,cex=3) points(meshgrid(0:270/50,0:100/100),pch=3,cex=0.1,col="gray80") points(meshgrid(0:45/10,0:20/20),pch=3,cex=0.4,col="gray50") points(meshgrid(0:9/2,0:4/4),pch=3) points(c(0,1,y),c(0,0,x),type="l",yaxt="n",lwd=2,xlab="基本再生算数",ylab="最終流行規模")
  16. 16. 予備 スライド 15ページ(質疑応答用) https://rpubs.com/kupotti/stclustcovid19rep14
  17. 17. https://toyokeizai.net/sp/visual/tko/covid19/
  18. 18. https://www.jsph.jp/covid/files/gainen.pdf 52ページ目 (東北大医,押谷仁,3月29日)
  19. 19. https://www.mhlw.go.jp/content/10900000/000624048.pdf 専門家会議(2020年4月22日), 21ページのPDFファイルの3ページ目
  20. 20. べき乗で知るべき数 指数関数的な増大時に、暗算に使える数 • 常用対数 : • log 10 2 ≒ 0.30102 ; log 10 3 ≒ 0.4771 ; log 10 7 ≒ 0.8451 • 「9乗」は覚えてしまいましょう。 • 29 ≒ 500 +2.5% • 39 ≒ 2万 -1.5% • 79 ≒ 4000万 + 0.9% • 139 ≒ 100億 + 6% • ネイピア数 e (自然対数の底)のべき乗 : • e3 = 20 + 0.4% • e8 = 3000 - 0.6% 4月5日の朝の草稿
  21. 21. 基本再生産数 R0 と集団免疫 • 免疫を持つ人口が1 - R0 -1あれば、流行阻止可能。 • ただし一様性を仮定している。cf. super spreader • 新型コロナは、肺に永久的なダメージを与えうる。4月5日の朝の草稿
  22. 22. 武谷三男の三段階論 • 武谷三男(1911-2000) , 素粒子論の物理学者 • 量子力学に対して (1) 現象論的段階 — 単に測定結果の記述 (2) 実態論的段階 — 粒子, 模型などの概念の発生 (3) 本質論的段階 — さらに方程式で記述 • 放射線被曝について確定的影響でなく確率的影響 の考え方により単なる許容量の考え方を超えた考 えが放射線防護体系(ICRP国際勧告)としてまとめ られた。 4月5日の朝の草稿
  23. 23. 新たな数理モデリング • 世帯単位で考える。 • 乳幼児 o1 + 就学者 o2 + 有職者 o3 + 無職 o4 の 4個の数で各世帯を分類する • 数学的には(o1, o2, o3, o4)の組合せは無限。 • 計算機上 (o1, o2, o3, o4)の組合せは有限しかない。 • 地域ごとに、(o1, o2, o3, o4)ごとに感染者有無 の件数の推移をシミュレートする。 4月5日の朝の草稿
  24. 24. インペリアル・カレッジ・ロンドンの サイトから https://imperialcollegelondon.github.io/co vid19estimates/#/details/United_Kingdom https://imperialcollegelondon.github.io/covi d19estimates/#/details/Italy
  25. 25. 素朴な試算 1日に14%ずつ増加していたとする。そして新規感染者は、4.0日目に1.14^4=1.68 人に新たな感染者を出していたとする。そして横軸x=0日から以降、突然、 1.68*0.2 = 0.336人しか新規感染者を出さないとする。すると、こういうギザギザ な曲線になる。(4日ごとにその4日前の0.336倍になるため。) f1<-function(t) (1.14^t)*( (1.14^4*0.2)^ifelse(t<0,0,ceiling(t/4))) curve(f1(x),-10,10, ylim=c(0,1)) ;abline (0,0,h=0)#<- 第0日までは指数 関数的成長。 その後、新規感染者数は、丁度4日前の0.336倍し かいないと仮定。第-4〜0日の0.336倍が第0〜4日、 その0.336倍が第4〜8日、その0.336倍が第8〜12 日となる。4日間の区間ごとに単調増加だが、 隣 合う区間は急降下する。従って、ぎざぎざになる。
  26. 26. 電車の乗り方の提案 1. 上記の色の塗り分けは、両端が同じ車両の数 で、どの3色も車両数はできるだけ近い数。 2. 家側を青、会社/学校側を桃色とする。どの 色に乗るかを各人が決める。 3. 同じ色の中の人(数十人から数百人)は、電車 の進む向きに対して、身長順に並ぶ。 電車の進行方向は 左右両方ありうる。 家 会社/学校 4月5日の朝の草稿
  27. 27. SIRモデル と SEIRモデル • SIRモデルはKermack-McKendrick モデルとも呼ぶ(稲葉先生資料) • Susceptible(未免疫); Exposed (潜伏期) ; Infectious (発症中) ; Recovered (回復) • EからRにおいて各個体の各段階の滞在期間は「指数分布」。 • 人口を連続値(実数)として捉え、離散値(整数)とは考えない。 • 集団の各個体の個体差は考えない。 (ビーカーで溶液中を撹拌しつつ、S+I(+E)+Rの各成分の量の推移に 注目したモデリングになっている。) • (実効)基本再生産数R0の解析的な算出と議論は容易。
  28. 28. モデルの改良 (1) • 指数分布の部分は、別の分布に置き換え可能。 • ガンマ分布 : λ個のiidな指数分布の確率変数の和。 • ワイブル分布: 時刻tの残存個体の次の単位時間当た りの非残存確率はtk/λとする(k=0なら指数分布と一致)。 How a peak appears after "80% lockdown" Days after the blockdown Newpatientsoneachday -40 -20 0 20 40 0 5000 10000 15000 20000 25000 パラメータ整数のガンマ分布に限り、乱数生成容易。Rならワイブルでも良い が、モデリングの高速計算に難ありかも知れない。 形状係数(ワイブル係数)2.2, 尺度 5.5日 https://www.sciencedirect.com/scien ce/article/pii/S1201971220301193 から逆算
  29. 29. モデリング後の気づき • 感染者数が、一日数百人だと、意外と少数性に よる凸凹が日単位の推移で生じる。 • 約80%の感染を拡大しない人の存在は、今回モ デリングに反映せずとも、妥当性は高いだろう。 • ポアソン分布を仮定したようなモデルと比べて実態 のずれ(分散)が何倍も大きくなりうる。 • クラスタの追跡上、最初が指数関数的増大に見えな くなる。
  30. 30. 各国の非常事態発令の日付 (Wikipediaから) https://ja.wikipedia.org/w/index.php?curid=463562

×