Graph Learning for Bidirectional Disease Contact Tracing on Real Human Mobility Data

要約

多くの症例が症状を示さない急速に広がる疾患の場合、迅速かつ効果的な接触トレースが不可欠です。
露出通知アプリケーションは、潜在的な露出に関するアラートを提供しますが、感染性伝送ルートを追跡するには完全に自動化されたシステムが必要です。
この目的のために、私たちの研究は、実際の人間のモビリティデータから大規模な連絡先ネットワークを活用して、伝送の経路を特定します。
より正確には、グラフ学習エッジ分類器に重要な伝送イベントを識別するためにグラフ学習エッジ分類器に通知する新しい感染パス中心ネットワークメトリックを導入し、94％のF1スコアを達成します。
さらに、双方向の接触トレースを検討します。これは、個人を遡及的かつ積極的に検討し、その有効性を従来のフォワードトレースと比較します。
我々の結果は、症候性の個人の30％のみがテストされている場合、双方向トレースが感染性の効果的な生殖率を71％減らすことができるため、発生を大幅に制御できることを示しています。

要約(オリジナル)

For rapidly spreading diseases where many cases show no symptoms, swift and effective contact tracing is essential. While exposure notification applications provide alerts on potential exposures, a fully automated system is needed to track the infectious transmission routes. To this end, our research leverages large-scale contact networks from real human mobility data to identify the path of transmission. More precisely, we introduce a new Infectious Path Centrality network metric that informs a graph learning edge classifier to identify important transmission events, achieving an F1-score of 94%. Additionally, we explore bidirectional contact tracing, which quarantines individuals both retroactively and proactively, and compare its effectiveness against traditional forward tracing, which only isolates individuals after testing positive. Our results indicate that when only 30% of symptomatic individuals are tested, bidirectional tracing can reduce infectious effective reproduction rate by 71%, thus significantly controlling the outbreak.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google