[论文解读] An Epidemiological Model for contact tracing with the Dutch CoronaMelder App

Peter Boncz|arXiv (Cornell University)|May 18, 2021

COVID-19 Digital Contact Tracing参考文献 4被引用 5

一句话总结

本研究通过建模评估了荷兰CoronaMelder数字接触追踪应用在减少COVID-19感染、住院和死亡人数方面的有效性，将其与GGD服务机构的手动接触追踪进行比较。基于真实感染和住院数据，模型估算该应用在研究期间避免了约45,088例病例，而手动追踪避免了773,599例病例——表明其有效性比率为17:1，尽管未来在采用率和风险评分方面若有所改进，其影响可能进一步提升。

ABSTRACT

We present an epidemiological model for the effectiveness of CoronaMelder, the Dutch digital contact tracing app developed on top of the Google/Apple Exposure Notification framework. We compare the effectiveness of CoronaMelder with manual contract tracing on a number of metrics. CoronaMelder turns out to have a small but noticeable positive influence in slowing down the COVID-19 pandemic, an effect that will become more pronounced in an opened-up society where adoption of CoronaMelder is increased.

研究动机与目标

• 定量评估荷兰CoronaMelder数字接触追踪应用在减少COVID-19传播方面的有效性。
• 比较该应用在2020年10月至2021年5月第二波疫情期间，与荷兰GGD服务机构手动接触追踪的性能表现。
• 估算由数字和手动接触追踪所避免的感染、住院、ICU病例和死亡人数。
• 使用4天潜伏期间隔模型，分析应用和手动追踪对有效再生数Rt的影响。
• 探讨未来在后封锁情境下，应用采用率和风险评分改进如何提升数字接触追踪的有效性。

提出的方法

• 本研究采用基于模型的方法，通过将观察到的感染和住院数据与无接触追踪的反事实情景进行比较，估算所避免的感染、住院和死亡人数。
• 使用4天潜伏期间隔，通过建模每日感染数相对于4天前感染数的增长率，计算有效再生数Rt。
• 模型结合真实阳性PCR检测和住院数据进行校准，并利用血清学研究结果估算总体疫情规模。
• 通过建模数字预警所避免的感染数，估算应用的有效性，假设应用采用率为16%，且40%的用户遵守预警建议。
• 模型考虑了传染期（症状出现前2天至联系GGD当天），并利用确诊患者上传的TEK触发应用中的预警。
• 比较两种情景：仅手动接触追踪与在手动追踪基础上引入CoronaMelder应用，估算其对传播的增量抑制效果。

实验结果

研究问题

• RQ1 在第二波疫情期间，荷兰CoronaMelder应用避免了多少例COVID-19感染、住院和死亡？
• RQ2 CoronaMelder应用的有效性与GGD服务机构的手动接触追踪相比如何？
• RQ3 该应用在多大程度上降低了有效再生数Rt？与手动追踪相比有何差异？
• RQ4 哪些因素可能提升该应用在未来后疫苗接种、开放社会环境下的有效性？
• RQ5 估算结果对应用采用率、遵守率和风险评分准确性的假设有多敏感？

主要发现

• 根据16%的应用采用率和40%的预警遵守率，CoronaMelder应用在研究期间（2020年10月12日至2021年5月16日）避免了约45,088例感染。
• GGD服务机构的手动接触追踪避免了约773,599例感染，占荷兰总人口的4.5%（1740万）。
• 基于感染转住院和感染转死亡的比例，该应用避免了595例住院、113例ICU病例和271例死亡。
• 与仅手动接触追踪相比，该应用平均每周使有效再生数Rt降低0.0005，而手动追踪单独作用时降低0.0091。
• 该应用的有效性估计仅为手动追踪的1/17，但若提高采用率或改进风险评分，其效果可显著提升。
• 在后封锁、后疫苗接种环境中，由于其能够检测匿名接触者，该应用相对于手动追踪可能变得相对更有效。