[论文解读] A Note on Double Pooling Tests

Andrei Broder, Ravi Kumar|arXiv (Cornell University)|Apr 3, 2020

Distributed systems and fault tolerance参考文献 10被引用 15

一句话总结

本文提出双池化方法，一种两轮独立测试池化策略，其中每位个体在两个独立的检测池中均被检测，以减少假阳性率并提高效率。在低流行率（p < 2%）时，与标准单轮池化相比，该方法可将每位患者的预期检测次数减少高达30%；在p≈0.01112时，最优池大小从s₁=10提升至s₂=23。

ABSTRACT

We present double pooling, a simple, easy-to-implement variation on test pooling, that in certain ranges for the a priori probability of a positive test, is significantly more efficient than the standard single pooling approach (the Dorfman method).

研究动机与目标

• 通过减少每位患者的预期检测次数，提高针对COVID-19等低流行率疾病群体检测的效率。
• 通过两轮并行池化策略，解决单池化方法的局限性，特别是因稀释导致的假阴性以及在低流行率下效率不足的问题。
• 从预期检测成本和可扩展性角度，评估双池化相较于标准多尔夫曼式单池化的理论与实际优势。
• 为复杂自适应或递归群体检测方法提供一种实用且可实施的替代方案，尤其在检测资源稀缺的疫情暴发期间具有重要意义。
• 评估双池化对因稀释导致的假阴性以及池大小敏感性的敏感度，并探讨其在真实检测环境中的可行性。

提出的方法

• 每位个体在两个并行轮次（A和B）中被随机分配至两个独立且不重叠的池中，池大小为s₂。
• 仅当两个池的检测结果均为阳性时，才对患者进行个体检测；否则，视为已排除。
• 每位患者的预期成本建模为：(2/s) + p + (1−p)(1−(1−p)^(s−1))²，其中p为感染的先验概率。
• 通过数值求解预期成本函数关于s的导数并令其为零，确定最优池大小s₂(p)。
• 将该方法与单池化进行比较，使用相同的成本模型：(1/s) + 1 − (1−p)^s，最优s₁(p)以类似方式推导。
• 分析假设样本独立且假阳性可忽略，重点聚焦于假阴性作为主要实际限制因素。

实验结果

研究问题

• RQ1 在低流行率下，双池化与单池化相比，在每位患者所需检测次数的预期值方面有何差异？
• RQ2 双池化的最优池大小s₂(p)是多少？其如何随感染概率p变化而变化？
• RQ3 在不同流行率水平下，双池化相较于单池化在理论上的最大效率增益是多少？
• RQ4 两轮结构如何通过利用池结果的独立性来减少个体复检次数？
• RQ5 双池化在实际应用中的主要限制是什么，特别是因稀释导致的假阴性和实施复杂性？

主要发现

• 在p ≈ 0.01112时，采用最优池大小s₂ = 23的双池化方法，将每位患者的预期检测次数降至0.145，相比单池化的0.206次，效率提升30%。
• 双池化在p ≤ 5.4%的范围内，效率至少比单池化高出10%，且在p < 2%时效益最为显著。
• 双池化的最优池大小s₂显著大于单池化的s₁，在p ≈ 0.01112时，s₂从10增加至23。
• 该方法通过利用健康个体在两轮中均被标记的联合概率极低（0.0576）的特性，有效减少了个体复检次数。
• 双池化的预期成本函数推导为(2/s) + p + (1−p)(1−(1−p)^(s−1))²，其最小值通过数值方法对每个p求解。
• 尽管双池化因池大小更大且存在两阶段失败风险，对假阴性更敏感，但其在大规模无症状筛查中仍是一种实用且高效的替代方案。