[논문 리뷰] COVID-19: Strategies for Allocation of Test Kits

Arpita Biswas, Shruthi Bannur외 2명|arXiv (Cornell University)|2020. 04. 03.

Machine Learning and Algorithms참고 문헌 4인용 수 4

한 줄 요약

이 논문은 유병률이 낮고 증상이 없는 초기 단계의 코로나19 감염을 탐지하고 공동체 내 전파를 줄이며 편향이 없는 데이터 수집을 향상시키기 위해, 제한된 일일 테스트 키트를 할당하기 위한 데이터 기반, 적응형 전략을 제안한다. 위험도, 불확실성 또는 균일 샘플링 기반의 유틸리티 점수를 사용하여, 매일의 예산 내에서 개인을 우선순위에 따라 테스트할 수 있도록 오프라인 및 온라인 추천 프레임워크를 도입하며, 검사 센터의 혼잡을 방지하기 위해 시간 제한을 적용한다.

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.

연구 동기 및 목표

• 증상 기반 또는 접촉 기반 정책이 증상이 없는 환자와 공동체 내 전파를 놓치는 한계를 해결한다.
• 신규 감염을 조기에 탐지하고 예측 모델 향상을 위한 편향 없는 데이터 수집을 위한 체계적인 테스트 키트 할당 전략을 개발한다.
• 공동체 전파를 효과적으로 차단하면서도 고위험군을 우선순위에 두며, 제한된 일일 테스트 키트 예산을 최적화한다.
• 증상 체크 앱과 검사 센터 간의 협업 메커니즘을 설계하여 검사 능력을 관리하고 과밀을 방지한다.
• 공중보건 차단 목표와 모델 향상 목표를 동시에 달성할 수 있도록 유틸리티 기반 우선순위 정하기를 지원하는 프레임워크를 제공한다.

제안 방법

• 개별 위험 요소를 바탕으로 유도된 유틸리티 함수 U(x)를 사용하여 매일 K_i명의 개인을 테스트 대상으로 선정하는 테스트 할당 문제를 수식화한다.
• 모든 개인이 유틸리티 함수를 사용해 점수를 매기고 순위를 매기는 오프라인 모드를 제안하며, 점수 기반으로 상위 K_i명을 선별한다.
• 시간대 기반 시간 제한을 적용한 온라인 모드를 도입: 하루를 6개의 4시간 시간대로 나누고, 각 시간대당 α_t * K_i건의 테스트를 할당하며, 여기서 α_t는 이전 날의 도착률에서 유도된다.
• 온라인 모드에서 임계값 기반 의사결정 규칙을 사용: 한 개인의 점수가 이전 날 동일 시간대에 도착한 사람들 중 (α_t * K_i)-번째로 높은 점수를 초과하면 테스트를 권장한다.
• 유틸리티 함수 U(x)를 감염 확률 p_M(y=1|x), 불확실성 감소를 위한 엔트로피 H(p_M(y|x)) 또는 균일한 1(균형 잡힌 데이터 수집을 위해)로 정의한다.
• 증상 체크 앱과 검사 센터를 연결하여 매일의 테스트 키트 가용성을 추정하고 전용 시간대를 할당하나, 이 작업에서 시간대 할당은 이 연구에서 모델링하지 않는다.

실험 결과

연구 질문

• RQ1 규칙 기반 접근 방식보다 증상이 없거나 초기 단계의 감염을 더 효과적으로 탐지하기 위해 테스트 키트를 어떻게 할당할 수 있는가?
• RQ2 공중보건 차단과 감염 예측 모델 향상을 위한 데이터 수집 간의 균형을 가장 잘 달성하는 유틸리티 함수 U(x)는 무엇인가?
• RQ3 제한된 일일 테스트 키트 가용성 하에, 검사 시설이 과밀이 발생하지 않도록 실시간으로 온라인 테스트 할당을 어떻게 관리할 수 있는가?
• RQ4 시간대 간의 시간 제한이 하루 종일 공정하고 효율적인 테스트 키트 배분을 보장하는 데 어떤 역할을 하는가?
• RQ5 특히 대부분의 결과가 음성인 상황에서, 희귀 감염 사례를 최대한 탐지하기 위해 테스트 키트 활용을 어떻게 최적화할 수 있는가?

주요 결과

• 제안된 전략은 기존의 증상 기반 또는 접촉 기반 정책이 놓치는 증상이 없는 개인에 대한 체계적인 테스트를 가능하게 한다.
• 감염 확률이나 엔트로피와 같은 유틸리티 함수를 사용하면 고위험군을 우선순위에 두면서도, 데이터 다양성을 확보하기 위해 저위험군에게도 테스트를 할당할 수 있다.
• 온라인 모드에서의 시간 제한 메커니즘이 하루 동안 테스트 할당을 균일하게 분산시켜 검사 센터의 집합을 방지한다.
• 정책 목표에 따라 윁리티 함수를 자유롭게 설계할 수 있도록 허용함으로써, 이 모델은 공중보건 차단과 데이터 수집 목표를 동시에 지원한다.
• 제한된 일일 테스트 키트 가용성과 기존 검사 인프라와의 통합을 고려한 실질적인 제약 조건에 적응 가능한 프레임워크를 제공한다.
• 실증 검증은 이루어지지 않았지만, 인도와 같은 대규모 인구 지역에서의 테스트 할당 개선을 위한 실용적이고 구현 가능한 기반을 제공한다.