リアルタイムのパンデミック対応モデリングに適したスケーラブルな手法としての移動駆動合成接触行列

日常の移動がパンデミックで重要な理由

新たな呼吸器ウイルスが広がり始めるとき、年齢の異なる人々がどれくらい頻繁に密接接触するかは最大の未知の一つです。学校、職場、家庭、バスなどでの日常的な出会いが、病気が集団内をどれだけ速く広がるかを決めます。しかし、人々が規則や恐れに応じて行動を変える中で、これらの接触パターンをリアルタイムで測るのは非常に難しい。本研究は単純だが重要な問いを立てます：大規模な定期調査の代わりに、日常的に収集される移動や行動データを使って、パンデミック対応の意思決定に間に合う速さで変化する接触を追跡できるか？

移動データを社会的接触に変換する

研究者たちは、ロックダウン、学校閉鎖、門限、新しい変異株やワクチンの到来があったCOVID-19の最初の2年間のフランスに注目しました。中心となる道具は「接触行列」です—ある年齢層の人が別の年齢層の人と1日に何回接触するかを記録した表です。パンデミック前は、こうした行列はボランティアが接触を列挙する詳細な質問票から作られていました。COVID-19期には、研究チームは代わりに事前のパターンを出発点として、実時間の指標に基づいて特定の接触タイプを縮小または拡大することで週次の「合成」行列を作成しました。指標にはGoogleの職場モビリティ、学校出席と学期カレンダー、身体接触を避けたと答えた頻度に関する調査が含まれます。

合成接触行列と実世界の調査との比較

これらの合成行列が信頼できるかを試すため、著者らはフランスのSocialCov調査の7回分の波と比較しました。SocialCovはパンデミックの各時点で人々に直接接触を尋ねた調査です。全体として、両アプローチは似た大まかな傾向を示しました：最初のロックダウンでは接触はパンデミック前の約4分の1に落ち込み、その後制限緩和とともに徐々に増えたが、2022年中頃までに完全に元に戻ることはありませんでした。しかし重要な違いもありました。調査ベースの行列は最初のロックダウン後に合成行列のほぼ2倍の接触を報告しており、その差は主に児童と十代の若者に起因していました。学校が開いている期間では、調査は19歳未満の接触が合成推定の3〜4倍に上ると示唆した一方で、成人と高齢者の接触数は両手法でかなり近い一致を見せました。

両アプローチを感染症モデルに組み込む

真の試験は接触数を数えることだけでなく、各データ源が実際の流行の経過をどれだけ再現できるかでした。チームはフランス向けの同じCOVID-19伝播モデルに、週次の合成行列、間の仮定で時間的に引き伸ばした疎な調査ベースの行列、単一の固定されたパンデミック前行列という三つの異なる接触想定を入力しました。次に、マスク着用や季節性など行列に直接含まれない影響を捉えるために、パンデミックの各段階で一つの全体的な「補正係数」を調整しました。三つのモデルはいずれも病院入院数の全体的な曲線を追うことができましたが、合成行列モデルは最も誤差が小さく統計的適合が良好で、特に部分的な学校閉鎖や門限の段階的解除のような移行期に強みを示しました。

年齢別リスクについてモデルが示すこと

年齢群ごとに詳しく見ると、合成行列は思春期、成人、高齢者に対して最も現実的な像を与えました。これらの入力を使うと、モデルの予測する入院数や過去感染の血液検査推定値は該当年齢で観測データとよく一致しました。対照的に調査ベースの行列は児童や十代で感染を過大評価する傾向があり、これは学校でのマスク着用や短時間の接触など、伝播にとってそれほど意味がない接触を多く数えているためと考えられます。合成行列は幼児の感染を過小評価する傾向があり、どちらの方法も最も意味のある子どもの接触を捉えるのにまだ苦労していることを示しています。重要なのは、年齢別の混合構造が合わない場合、全体の接触数をいくらグローバルに再スケールしても修正できないという点でした：誰が誰と接触するかが、単なる接触総数よりも重要でした。

将来のパンデミック対応への含意

非専門家にとっての主なメッセージは、時間のかかる大規模調査を継続的に実施しなくても、リアルタイムの意思決定に十分な速さで変化する接触パターンを追跡することが可能だということです。モビリティデータ、単純な行動指標、接触がどこで起きるか（家庭、学校、職場、余暇）に関する知見を慎重に組み合わせることで、公衆衛生チームは柔軟でスケーラブル、費用対効果の高い週次合成接触行列を構築できます。本研究では、これらの行列は従来の調査行列や固定されたパンデミック前パターンよりも、誰がいつ入院したかを説明する点で優れていました。著者らは、年齢別に層別された定期的なモビリティと行動データの収集と、それらを素早く接触行列に変換できるシステムへの投資が、将来の流行に対するより機敏で効果的な対応の強力な要素になると結論付けています。

引用: Di Domenico, L., Bosetti, P., Sabbatini, C.E. et al. Mobility-driven synthetic contact matrices as a scalable solution for real-time pandemic response modeling. Nat Commun 17, 1845 (2026). https://doi.org/10.1038/s41467-026-68557-3

キーワード: パンデミックモデリング, 社会的接触, モビリティデータ, フランスのCOVID-19, 年齢構造化伝播