[論文レビュー] A statistical model of COVID-19 testing in populations: effects of sampling bias and testing errors

Lucas Böttcher, Maria R. D’Orsogna+1 more|arXiv (Cornell University)|May 24, 2021

SARS-CoV-2 detection and testing参考文献 31被引用数 20

ひとこと要約

本論文は、COVID-19の有病率推定における誤検出、誤陰性、および検査バイアスを補正する統計モデルを提示する。誤差率とサンプリングバイアスを伴う二値検査結果をモデル化することで、実世界の検査データから真の感染有病率および致死率を最尤推定するフレームワークを提供し、バイアスと誤りによる公式な症例報告の顕著な歪みを明らかにする。

ABSTRACT

We develop a statistical model for the testing of disease prevalence in a population. The model assumes a binary test result, positive or negative, but allows for biases in sample selection and both type I (false positive) and type II (false negative) testing errors. Our model also incorporates multiple test types and is able to distinguish between retesting and exclusion after testing. Our quantitative framework allows us to directly interpret testing results as a function of errors and biases. By applying our testing model to COVID-19 testing data and actual case data from specific jurisdictions, we are able to estimate and provide uncertainty quantification of indices that are crucial in a pandemic, such as disease prevalence and fatality ratios. This article is part of the theme issue 'Data science approach to infectious disease surveillance'.

研究の動機と目的

• COVID-19パンデミック期におけるバイアスと不正確な検査による真の疾患有病率推定の重大な課題に対処すること。
• 偽陽性率（FPR）と偽陰性率（FNR）の影響が、報告された症例数と監視指標に与える影響を定量化すること。
• 特に、症候性または高リスクの個人が公式な症例データに過剰に代表されていることによるサンプリングバイアスを是正すること。
• バイアスのある検査と検査誤りを是正することで、真の感染致死率（IFR）を推定すること。
• 二値検査結果と既知の誤差率を有する任意の感染性疾患に適用可能な汎用的フレームワークを提供すること。

提案手法

• 指定された偽陽性率（FPR）と偽陰性率（FNR）を有する二値検査結果（陽性／陰性）のための統計モデルを開発する。
• 感染した個人（b > 0）または感受性の高い個人（b < 0）の優先的検査をモデル化するための検査バイアスパラメータbを組み込む。
• 観察された検査データから真の感染分率fとバイアスパラメータbを推定するために最尤推定（MLE）を用いる。
• 観察された検査結果を真の潜在的有病率にマップする補正済み陽性率関数µ(f, b, FPR, FNR)を導出する。
• ランダムサンプリングによる血清学的およびPCR検査をゴールドスタンダードとして用い、ドイツのガングェルトからの実データにモデルを適用する。
• バイアスのないサンプリング（f = 15.53%）とバイアスのある公式報告（fb = 10%）との観察された乖離を用い、バイアス（b = -0.50）を推定する。

実験結果

リサーチクエスチョン

• RQ1 偽陽性および偽陰性の検査誤りは、実世界のデータにおける報告された有病率にどのように歪みをもたらすか？
• RQ2 症候性または高リスクの個人の優先的検査は、報告された感染率にどの程度バイアスをもたらすか？
• RQ3 統計モデルは、検査誤りとサンプリングバイアスの両方を是正し、真の感染有病率を推定できるか？
• RQ4 検査バイアスと誤り率は、公式な症例および死亡データから感染致死率（IFR）を推定する際に、どのように影響を与えるか？
• RQ5 バイアスのある検査は、リアルタイムの流行監視指標の信頼性にどのような影響を与えるか？

主な発見

• 北レイン＝ヴェストファーレン地方では、b = -0.50の検査バイアスが推定され、公式の検査データに感染した人々が顕著に過剰に代表されていることを示唆している。これは、ガングェルトがハイポットとして機能していた可能性がある。
• バイアスのないサンプリングデータ（f = 15.53%）を用いることで、公式に報告された陽性率10%が真の潜在的有病率15.53%に補正される。
• バイアスを是正した場合、感染致死率（IFR）は0.36%（95%信頼区間：0.29%–0.45%）と推定される。バイアスを無視した場合の観察されたIFRは、誤解を招く可能性がある。
• 20%の高いバイアス付き陽性率であれば、推定される検査バイアスはb = 0.31となり、モデルのデータ入力に対する感受性を示している。
• モデルは、正の検査バイアス（b > 0）が真のIFRを低く見積もること、逆に負のバイアス（b < 0）がそれを高める傾向にあることを示しており、バイアス補正の必要性を強調している。
• このフレームワークは、有病率やIFRといった主要な疫学的指標の不確実性を評価可能にし、公衆衛生意思決定の信頼性を向上させる。