[论文解读] Optimal pooling strategies for laboratory testing

Brian G. Williams|arXiv (Cornell University)|Jul 28, 2010

Statistical Methods in Clinical Trials参考文献 9被引用 4

一句话总结

本文提出实验室检测的最优Pooling策略，以在筛查生物样本时最小化所需检测次数，尤其适用于阳性样本流行率较低的情况。论文推导了最优池大小的数学表达式，表明当流行率低于1%时Pooling最为有效，池大小为4时在1%以下范围内接近最优，且更大的池（尤其是两阶段Pooling）可带来显著收益，但需考虑池大小增大时的检测灵敏度下降问题。

ABSTRACT

We consider the optimal strategy for laboratory testing of biological samples when we wish to know the results for each sample rather than the average prevalence of positive samples. If the proportion of positive samples is low considerable resources may be devoted to testing samples most of which are negative. An attractive strategy is to pool samples. If the pooled samples test positive one must then test the individual samples, otherwise they can all be assumed to be negative. The pool should be big enough to reduce the number of tests but not so big that the pooled samples are almost all positive. We show that if the prevalence of positive samples is greater than 30% it is never worth pooling. From 30% down to 1% pools of size 4 are close to optimal. Below 1% substantial gains can be made by pooling, especially if the samples are pooled twice. However, with large pools the sensitivity of the test will fall correspondingly and this must be taken into consideration. We derive simple expressions for the optimal pool size and for the corresponding proportion of samples tested.

研究动机与目标

• 在筛查生物样本时减少实验室检测次数，特别是当阳性样本流行率较低时。
• 确定最优池大小，以最小化总检测次数，同时权衡检测减少与因稀释导致假阴性风险增加的权衡。
• 评估在不同流行率下单阶段与两阶段Pooling策略的有效性。
• 量化大池大小下检测灵敏度损失的影响，并将其整合到优化框架中。
• 基于流行率和期望效率，为实验室检测方案提供实用指导。

提出的方法

• 作者基于二项分布概率的随机框架，建立预期检测次数的模型，以描述样本池中阳性样本的概率。
• 推导出最小化预期检测次数的最优池大小的闭式表达式，同时考虑池检测为阳性的概率以及后续个体复检的需求。
• 模型纳入大池中因样本稀释导致的检测灵敏度下降，相应调整预期检测次数。
• 分析比较单阶段Pooling（所有样本混合检测）与两阶段Pooling（先进行池检测，再对阳性池中的个体进行复检）的策略。
• 作者使用数值优化方法，在从30%到0.1%的流行率范围内确定最优池大小。
• 大池大小下的灵敏度损失被建模为池大小的递减函数，并整合到预期检测次数中。

实验结果

研究问题

• RQ1 当阳性样本流行率较低时，最小化检测次数的最优池大小是什么？
• RQ2 在何种流行率阈值下，Pooling会变得低效甚至适得其反？
• RQ3 与单阶段Pooling相比，两阶段Pooling在检测减少和灵敏度损失方面有何差异？
• RQ4 大池中的稀释如何影响检测灵敏度，又应如何在优化中加以考虑？
• RQ5 通过Pooling可实现的最大效率提升是多少，以及在何种条件下实现？

主要发现

• 当阳性样本流行率超过30%时，Pooling永远无益，因为预期检测次数相比个体检测反而增加。
• 在30%至1%的流行率范围内，池大小为4时接近最优，可在不造成过度灵敏度损失的前提下显著减少检测次数。
• 当流行率低于1%时，Pooling可带来显著的效率提升，尤其是采用两阶段Pooling策略时。
• 在极低流行率（如0.1%）下，大池（如10–20个样本）可将检测次数减少高达80%，但前提是检测灵敏度足够高或已对稀释效应进行校正。
• 随着流行率上升，最优池大小减小，检测减少与灵敏度损失之间的权衡在中等池大小时最为关键。
• 本文提供了最优池大小和需检测样本比例的显式公式，可直接应用于实验室设计。