Google Trendsとアルゼンチンのインフルエンザデータを用いた2週間後と30週間後の韓国の季節的なインフルエンザ様疾患の予測

Forecasting seasonal influenza-like illness in South Korea after 2 and 30 weeks using Google Trends and influenza data from Argentina.

• Soo Beom Choi
• Insung Ahn

抄録

韓国におけるインフルエンザ様疾患（ILI）の季節的・短期的な目標値を予測するための変数、およびその他の入力変数を週次時系列で特定することを目的とした。また，外生変数を含む季節自己回帰統合移動平均（SARIMAX）モデルを用いて，ILI活動の予測モデルを提案することを目的とした．2010年から2019年までのILI、FluNet監視データ、Google Trends（GT）、気象、大気汚染データを収集し、相互相関分析を適用して、それぞれの時系列間のタイムラグを明らかにした。韓国のILIと入力変数との関係を線形回帰モデルを用いて評価した。選択された入力変数を検証するために、固定ローリングウィンドウ分析で使用された訓練セットの3年窓を用いて、2週間後と30週間後の季節的なILIを予測するために、外生変数を含む自己回帰移動平均（ARMAX）モデルを使用した。さらに、最終的なSARIMAXモデルを構築した。韓国におけるインフルエンザAウイルスの活動ピークは51週目と7週目に大別され，インフルエンザBウイルスの活動ピークは3週目と14週目に大別された．GTは1週間先の予測との相関係数が最も高く、アルゼンチンの季節性インフルエンザ発生パターンは韓国の30週間先の予測と高い相関を示した。ARMAXモデルを用いた2週間後、30週間後の予測モデルのR2値はそれぞれ0.789、0.621であり、過去の季節性のILIのみを用いた参照モデルの改善が可能であることが示された。相互相関分析によって選択された現在の入力変数は、韓国におけるILIの短期および長期予測を提案するのに役立った。我々の知見は、アルゼンチンにおけるインフルエンザサーベイランスが、韓国における30週後の季節性ILIパターンの予測に役立つことを示しており、これらは韓国疾病管理予防センターが次のILIシーズンのワクチン戦略を決定するのに役立つことを示している。

We aimed to identify variables for forecasting seasonal and short-term targets for influenza-like illness (ILI) in South Korea, and other input variables through weekly time-series of the variables. We also aimed to suggest prediction models for ILI activity using a seasonal autoregressive integrated moving average, including exogenous variables (SARIMAX) models. We collected ILI, FluNet surveillance data, Google Trends (GT), weather, and air-pollution data from 2010 to 2019, applying cross-correlation analysis to identify the time lag between the two respective time-series. The relationship between ILI in South Korea and the input variables were evaluated with Linear regression models. To validate selected input variables, the autoregressive moving average, including exogenous variables (ARMAX) models were used to forecast seasonal ILI after 2 and 30 weeks with a three-year window for the training set used in the fixed rolling window analysis. Moreover, a final SARIMAX model was constructed. Influenza A virus activity peaks in South Korea were roughly divided between the 51st and the 7th week, while those of influenza B were divided between the 3rd and 14th week. GT showed the highest correlation coefficient with forecasts from a week ahead, and seasonal influenza outbreak patterns in Argentina showed a high correlation with those 30 weeks ahead in South Korea. The prediction models after 2 and 30 weeks using ARMAX models had R2 values of 0.789 and 0.621, respectively, indicating that reference models using only the previous seasonal ILI could be improved. The currently eligible input variables selected by the cross-correlation analysis helped propose short-term and long-term predictions for ILI in Korea. Our findings indicate that influenza surveillance in Argentina can help predict seasonal ILI patterns after 30 weeks in South Korea, and these can help the Korea Centers for Disease Control and Prevention determine vaccine strategies for the next ILI season.