MEDICINE & AI

タイトル：Evaluating COVID-19 vaccine allocation policies using Bayesian m-top exploration 雑誌名：Sci Rep. 2026 Apr 05; doi: 10.1038/s41598-026-40787-x. 概　要： 本研究は、個別ベースの疫学モデルを用いて、COVID-19ワクチンの配分政策を評価する新しい手法を提案します。計算負荷が高い個別モデルの中で、合理的な計算予算内で最適な戦略を特定することが重要です。また、予防策の実施に伴う社会的影響を考慮し、政策決定者に不確実性を伝える必要があります。提案手法は、マルチアームバンディットフレームワークとベイジアンm-top探索アルゴリズムを組み合わせており、最も高い効用が期待されるmつの政策を学習し、専門家がその不確実性を定量化した上で検討できるようにします。ベルギーのCOVID-19流行を対象に、感染者数と入院者数を最小化するワクチン接種政策を学習します。 方　法： 本研究は、個別ベースのモデルSTRIDEを用いたコホート研究です。各政策は、限られた週ごとのCOVID-19ワクチン供給を年齢層に配分する方法を指定し、社会的接触削減政策の下でワクチン接種キャンペーンを進めます。各配分政策は、マルチアームバンディットフレームワーク内のアームとして定義されます。実験を通じて、提案手法がm-top政策を効率的に特定できることを示します。 結　果： 実験により、提案手法はm-top政策を効率的に特定し、接種政策が異なる接触削減スキームや接種率に基づいてどのように組織されるべきかを探ります。最適な政策は、優先される年齢層と割り当てられるワクチンタイプに関して明確な傾向を示し、将来のワクチン接種キャンペーンに対する洞察を提供します。また、接種率が全体の政策最適性に与える影響は限られていることが示唆されました。 結　論： 本研究は、COVID-19ワクチン配分政策の評価において、ベイジアンアプローチを用いた新たな手法が有効であることを示しました。提案手法は、政策決定者に対して不確実性を伝えつつ、効率的に最適なワクチン配分戦略を特定する可能性を持っています。