物理情報ニューラルネットワーク（PINN）の手法を応用した新しい疫学モデルが提案されました。このモデル「GeoID-PINN」は、地域の感染症サーベイランスデータから、地域内での感染、報告率、初期感染、外部からの感染圧力といった複数の要因を分離して識別することを目的としています。従来の疫学モデルでは、これらの要因を同時に推定することが困難でしたが、GeoID-PINNはSIRD（感受性保有者・感染者・回復者・死亡者）動学に基づいたアプローチを採用しています。 モデルの特徴は、地域間の空間的依存性を行確率行列である「ソース構成行列」で表現する点にあります。この行列の各行は非負の重みを持ち、異なる地域からの感染源の寄与度を0から1の範囲で表します。距離、隣接性、通勤パターン、またはリード・ラグ情報から構築された空間先験を用いて正則化することで、モデルの精度を向上させています。シミュレーション実験では、適切な距離先験を用いた場合のソース構成誤差が0.099に留まる一方、正則化なしでは0.159、誤指定された先験では0.577に達することが示されました。 COVID-19データを用いたルイジアナ州64郡の実例検証では、従来の自己回帰負二項モデルと比較して、Forecast-Trained Geo-PINNが平均二乗誤差（MSE）を32,957から11,468に、平均絶対誤差（MAE）を70.60から57.73に削減しました。15郡の限定比較では、郡の隣接性を組み込むことでMSEが6.85パーセント、MAEが3.1パーセント改善されています。これらの結果から、適切な空間的先験による構造化正則化が有効であることが示唆されており、地域流行推論の精度向上に貢献する可能性があります。