[論文レビュー] COVID-19: Strategies for Allocation of Test Kits

Arpita Biswas, Shruthi Bannur+2 more|arXiv (Cornell University)|Apr 3, 2020

Machine Learning and Algorithms参考文献 4被引用数 4

ひとこと要約

本稿は、無症候性および早期の新型コロナウイルス感染症の症例を検出するため、限られた毎日の検査キットを適応的に割り当てるデータ駆動型の戦略を提案する。主な目的は、コミュニティ内での感染拡大を低減し、バイアスのないデータ収集を促進することである。リスク、不確実性、または均等サンプリングに基づく利得スコアを用いた、オフラインおよびオンラインの推奨フレームワークを導入し、毎日の予算内で優先順位を付けて個人を検査対象とする。また、検査施設への混雑を防ぐために、時間帯別レート制限を導入する。

ABSTRACT

With the increasing spread of COVID-19, it is important to systematically test more and more people. The current strategy for test-kit allocation is mostly rule-based, focusing on individuals having (a) symptoms for COVID-19, (b) travel history or (c) contact history with confirmed COVID-19 patients. Such testing strategy may miss out on detecting asymptomatic individuals who got infected via community spread. Thus, it is important to allocate a separate budget of test-kits per day targeted towards preventing community spread and detecting new cases early on. In this report, we consider the problem of allocating test-kits and discuss some solution approaches. We believe that these approaches will be useful to contain community spread and detect new cases early on. Additionally, these approaches would help in collecting unbiased data which can then be used to improve the accuracy of machine learning models trained to predict COVID-19 infections.

研究の動機と目的

• 症候性または接触者ベースのテストポリシーが無症候性およびコミュニティ内感染症例を逃すという現在のルールベースのテスト政策の限界を是正すること。
• 新規感染症の早期検出と、予測モデルの改善に寄与するバイアスのないデータ収集を可能にする、体系的な検査キット割り当て戦略の開発。
• コミュニティ内感染拡大の抑制を高めつつ、高リスク個体を優先するため、限られた毎日の検査キット予算を最適化すること。
• 症状チェックアプリと検査施設の間の調整メカニズムを設計し、検査施設の容量を管理し、混雑を防ぐこと。
• 公衆衛生の制御とモデル改善の両方の目的を支援する、利得ベースの優先順位付けフレームワークの提供。

提案手法

• 個々のリスク要因に基づいて導出された利得関数 U(x) を用いて、毎日 K_i 人の個人を選別して検査対象とするというテスト割り当て問題を形式化する。
• すべての個人が利得関数に基づいてスコア付けされ、順位付けされるオフラインモードを提案し、スコアの上位 K_i 名を選別する。
• 時間帯別レート制限を用いたオンラインモードを導入：1日を6つの4時間のスロットに分け、各スロットごとに α_t * K_i 件の検査を割り当てる。ここで α_t は前日における到着率から導出される。
• オンラインモードではしきい値ベースの意思決定ルールを用いる：個人のスコアが、前日同じスロットに到着した者々のうち (α_t * K_i) 番目に高いスコアを超える場合に検査を推奨する。
• 利得関数 U(x) を、感染確率 p_M(y=1|x)、不確実性低減のためのエントロピー H(p_M(y|x))、または均等なデータ収集のための均等値 1 として定義する。
• 症状チェックアプリと検査施設を連携させ、毎日の検査キットの利用可能数を推定し、専用の時間帯を割り当てるが、本研究では時間帯割り当てのモデル化は行わない。

実験結果

リサーチクエスチョン

• RQ1 ルールベースのアプローチよりも、無症候性および早期症例を効果的に検出するためには、検査キットをどのように割り当てればよいか？
• RQ2 公衆衛生の制御と感染予測モデルの改善のためのデータ収集の両方を最適化するうえで、どの利得関数 U(x) が最も適しているか？
• RQ3 限られた毎日の検査キットの利用可能量を考慮して、検査施設に過剰負荷をかけずに、リアルタイムでのテスト割り当てをどのように管理できるか？
• RQ4 時間帯ごとのレート制限は、1日を通じて検査キットの公平かつ効率的な分配を確保するために、どのような役割を果たすか？
• RQ5 特に検査結果の多くが陰性である状況下で、低有病率症例の検出を最大化するために、検査キットの利用効率をどのように最適化できるか？

主な発見

• 提案された戦略により、症状や接触者ベースのテストポリシーで見逃されがちな無症候性個人の体系的検査が可能になる。
• 感染確率やエントロピーといった利得関数を用いることで、高リスク個体の優先的検査が可能となる一方で、データの多様性を確保するため低リスク個体に対しても検査が割り当てられる。
• オンラインモードにおけるレート制限メカニズムにより、検査割り当てが1日を通じて分散され、検査施設への大規模な混雑を防げる。
• 柔軟な利得関数の設計を可能にするため、本モデルは公衆衛生の制御とデータ収集の両方の目標を支援する。
• 限られた毎日の検査キットの利用可能量や、既存の検査インfraストラクチャとの連携といった、現実世界の制約にも適応可能なフレームワークである。
• 実証的検証は行われていないが、インドのような大規模人口地域におけるテスト割り当ての改善に実装可能で実用的な基盤を提供する。