[论文解读] 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 4

一句话总结

本文提出了一种数据驱动、自适应的策略，用于在每日测试试剂盒数量有限的情况下，分配资源以检测无症状和早期阶段的COVID-19病例，重点在于减少社区传播并改善无偏见的数据收集。该研究引入了离线和在线推荐框架，基于风险、不确定性或均匀采样等实用分数，优先对个体进行检测，以在每日预算下实现最优分配，并通过速率限制机制防止检测中心人满为患。

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.

研究动机与目标

• 解决当前基于规则的检测政策在漏检无症状及社区传播病例方面的局限性。
• 开发系统化的试剂盒分配策略，以实现对新感染病例的早期检测，并收集无偏数据以改进预测模型。
• 优化有限的每日试剂盒预算，以增强对社区传播的控制，同时确保高风险个体获得优先检测。
• 设计症状检查应用程序与检测中心之间的协调机制，以管理检测容量并防止人满为患。
• 提供一种基于实用分数的优先排序框架，同时支持公共卫生防控与模型改进的双重目标。

提出的方法

• 将试剂盒分配问题形式化为：基于个体风险因素推导出的实用函数U(x)，每日选择K_i名个体进行检测。
• 提出离线模式：对所有个体使用实用函数进行评分与排序，然后根据得分选择前K_i名。
• 引入基于时间槽的速率限制在线模式：将一天划分为六个4小时的时间段，每个时间段分配α_t * K_i次检测，其中α_t由前一日的到达率推导得出。
• 在在线模式中采用基于阈值的决策规则：若个体的得分超过前一日同一时间段内到达的个体中第(α_t * K_i)高的得分，则推荐其检测。
• 定义实用函数U(x)为感染概率p_M(y=1|x)、用于减少不确定性的熵H(p_M(y|x))，或为统一的1，以实现数据收集的均衡性。
• 通过协调症状检查应用程序与检测中心，估算每日试剂盒的可用数量，并分配专用时间段，尽管本研究未对时间槽分配进行建模。

实验结果

研究问题

• RQ1 如何更有效地分配试剂盒，以检测无症状和早期阶段的病例，优于基于规则的检测方法？
• RQ2 哪些实用函数U(x)能最好地平衡公共卫生防控与改进感染预测模型所需的数据收集之间的关系？
• RQ3 在每日试剂盒数量有限的前提下，如何实现实时在线检测分配，避免检测设施超载？
• RQ4 在不同时间段实施速率限制在确保全天候公平高效分配试剂盒方面起到何种作用？
• RQ5 在大多数检测结果为阴性的情况下，应如何优化试剂盒的使用效率，以最大化对低流行率病例的检测？

主要发现

• 所提出的策略使系统性检测无症状个体成为可能，而这些个体本可能被基于症状或接触史的检测政策所遗漏。
• 使用如感染概率或熵等实用函数，可在优先检测高风险个体的同时，仍向低风险个体分配检测，以保障数据多样性。
• 在线模式中的速率限制机制确保了检测分配在全天分布均匀，防止检测中心出现人群聚集。
• 该模型通过支持根据政策目标灵活设计实用函数，同时兼顾公共卫生防控与数据收集的双重目标。
• 该框架可适应现实世界中的限制条件，如每日试剂盒数量有限以及与现有检测基础设施的协调。
• 尽管尚未经过实证验证，该方法为在印度等大规模人口环境中改进检测分配提供了实用且可实施的基础。