[论文解读] On Accelerated Testing for COVID-19 Using Group Testing

Krishna R. Narayanan, Anoosheh Heidarzadeh+1 more|arXiv (Cornell University)|Apr 9, 2020

SARS-CoV-2 detection and testing参考文献 12被引用 7

一句话总结

本文提出一种基于多阶段分组的群体检测框架，以加速SARS-CoV-2检测，通过将多个样本合并检测并利用统计假设检验分类感染率，从而减少检测次数。结果表明，在实际检测灵敏度（80%）下，该方法可保持高检测率（≥95%）和低误报率（≤5%），与个体检测相比，检测次数最多可减少90%，尤其在低流行率时效果显著。

ABSTRACT

COVID-19 has resulted in a global health crisis that may become even more acute over the upcoming months. One of the main reasons behind the current rapid growth of COVID-19 in the U.S. population is the limited availability of testing kits and the relatively-high cost of screening tests. In this draft, we demonstrate the effectiveness of group testing (pooling) ideas to accelerate testing for COVID-19. This draft is semi-tutorial in nature and is written for a broad audience with interest in mathematical formulations relevant to COVID-19 testing. Therefore, ideas are presented through illustrative examples rather than through purely theoretical formulations. The focus is also on pools of size less than 64 such as what is practical with current RT-PCR technology.

研究动机与目标

• 解决因检测试剂盒数量有限和成本高昂导致的大规模SARS-CoV-2检测中的关键瓶颈。
• 开发一种可扩展、实用的群体检测策略，通过分组最小化总检测次数，同时保持高准确性。
• 利用对 pooled 样本的统计假设检验，实现对人群感染率的快速群体筛查。
• 评估该方法在存在噪声测试条件下的鲁棒性，包括20%的假阴性率等现实情况。
• 优化分组大小和子分组数量，以在检测次数减少、检测能力提升和误报率控制之间取得平衡。

提出的方法

• 采用基于先前测试结果自适应形成分组的多阶段群体检测方法，以最小化总检测次数。
• 将分组大小最多设为64（适用于RT-PCR），并在多轮中检测子分组，以高效识别感染者。
• 应用统计假设检验，利用 pooled 样本的检测结果将人群感染率分类为低（H₀）或高（H₁）。
• 以灵敏度ρ（例如80%或100%）建模检测噪声，以模拟假阴性率并评估方法的鲁棒性。
• 基于子分组检测结果使用阈值决策规则（V）来区分低流行率和高流行率人群。
• 通过蒙特卡洛模拟计算期望检测次数E[Γ]及性能指标（P_D, P_F），适用于不同N、L和ρ值。

实验结果

研究问题

• RQ1 群体检测是否能在保持高检测率和低误报率的同时，减少大规模人群筛查所需的SARS-CoV-2检测次数？
• RQ2 检测灵敏度（如80%与100%）如何影响群体检测在分类感染流行率方面的性能？
• RQ3 何种分组大小和子分组数量可实现检测次数的最大化减少，同时确保可靠的检测能力和误报率控制？
• RQ4 多阶段群体检测在区分低流行率（p₀ = 0.005–0.01）与高流行率（p₁ = 0.01–0.05）水平方面的有效性如何？
• RQ5 在存在现实检测噪声（如20%假阴性率）的情况下，群体检测是否仍具有效性？

主要发现

• 当p₀ = 0.01且p₁ = 0.05，N = 448，L = 28时，该方法在100%检测灵敏度下实现99.9%的检测率（P_D）和4.6%的误报率（P_F）。
• 当检测灵敏度降至80%时，相同参数下仍可实现99.1%的检测率和4.1%的误报率，表明具有极强的鲁棒性。
• 当p₀ = 0.005且p₁ = 0.01时，使用N = 4736和L = 296，该方法在80%灵敏度下实现96.4%的检测率和4.6%的误报率，表明在极低流行率下仍具有效性。
• 当N和L较大时，灵敏度下降导致E[Γ]的相对增幅较小，表明该方法在存在噪声时仍具可扩展性。
• 当p₀和p₁更接近时（如0.005 vs. 0.01），需要更大的分组大小（如N = 4736）以获得足够的检测能力，证实了在差异较小的情境下需更大样本量。
• 当灵敏度ρ降低时，需降低阈值V以维持相近的P_D和P_F，这将导致E[Γ]上升，但对较大的N和L而言，相对成本的增加呈递减趋势。