An SIR‐based Bayesian framework for COVID‐19 infection estimation

• Published in: Canadian journal of statistics 2024-12, Vol.52 (4), p.n/a
• Main Authors: Wu, Haoyu, Stephens, David A., Moodie, Erica E. M.
• Format: Article
• Language: English
• Subjects: Availability; Bayesian analysis; Bayesian inference; COVID-19; Epidemics; Estimation; Fatalities; Health surveillance; identifiability; infection fatality rate; Infections; Parameter identification; Parameter robustness; Public health; Robustness; Simulation; SIR; Surveillance; Time series
• ISSN: 0319-5724; 1708-945X
• DOI: 10.1002/cjs.11817

Estimating the COVID‐19 infection fatality rate, inferring the latent incidence and predicting the future epidemic evolution are critical to public health surveillance, but often challenging due to limited data availability or quality. Recently, a Bayesian framework combining time series deconvolution of deaths with a parametric Susceptible–Infectious–Recovered (SIR) model was proposed by Irons and Raftery, 2021. We assess the parameter identifiability of the model using the profile likelihood approach and simulations, when only the time series of deaths and seroprevalence survey data are available. The robustness of the model to the more complex but also more realistic Susceptible–Exposed–Infectious–Recovered (SEIR)‐based epidemics is evaluated through simulations; the influence of potential biases in the serosurveys on the inference is also investigated. We use a stationary first‐order autoregressive prior to account for the variability of transmission rate over time. The results suggest that the model is relatively robust to SEIR‐based epidemics, especially when the reproductive number is low, given sufficient information from serosurveys or priors. However, the lack of parameter identifiability under limited data availability cannot be neglected. We apply the model to infer the COVID‐19 infections in Ontario and Quebec, Canada during the Omicron era. Résumé L'estimation du taux de létalité de l'infection par COVID‐19, la déduction de l'incidence latente et la prévision de l'évolution future de l'épidémie sont essentielles pour la surveillance de la santé publique, mais souvent difficiles à réaliser en raison de la disponibilité et de la qualité limitées des données. Une approche bayésienne récente, proposée par Irons et Raftery (2021), combine la déconvolution des séries temporelles de décès avec un modèle Susceptibles‐Infectieux‐Rétablis (SIR) paramétrique. Dans ce travail, les auteurs évaluent l'identifiabilité des paramètres de ce modèle au moyen d'une approche de vraisemblance de profil et de simulations, dans le contexte où seules les séries temporelles de décès et les données d'enquêtes sérologiques sont disponibles. Ils examinent également la robustesse du modèle face à des épidémies simulées à partir du modèle plus complexe mais plus réaliste Susceptibles‐Exposés‐Infectieux‐Rétablis (SEIR), tout en considérant les impacts potentiels des biais d'enquête sérologique sur les inférences. Afin de capturer la variabilité temporelle du taux de transmi