[论文解读] Risk scoring calculation for the current NHSx contact tracing app

Mark Briers, Marcos Charalambides+1 more|arXiv (Cornell University)|May 22, 2020

COVID-19 Digital Contact Tracing参考文献 3被引用 11

一句话总结

本文对NHSx接触追踪应用程序中使用的风险评分算法进行了技术和统计分析，将传播风险建模为接触时长、距离、传染性时间及情境因素的函数。它提出了一种概率框架以改进参数估计并评估不确定性，主要贡献在于优化传染性因子，并实现基于数据的模型更新。

ABSTRACT

We consider how the NHS COVID-19 application will initially calculate a risk score for an individual based on their recent contact with people who report that they have coronavirus symptoms.

研究动机与目标

• 提供NHSx接触追踪应用程序中所用风险评分算法的详细技术与统计解释。
• 为风险评分计算建立概率基础，以支持基于数据的参数更新和不确定性量化。
• 利用潜伏期和世代间隔的实证估计，评估当前模型在传染性时间与症状出现时间方面的假设。
• 识别当前实现中的局限性，如固定参数和缺乏不确定性传播，并提出改进建议。
• 通过建议改进措施（如更优的蓝牙距离估计、对假阴性及无症状传播的建模）指导未来开发。

提出的方法

• 每个接触事件的风险评分计算为各项因子的乘积：源严重程度（α）、情境（c）、距离（D）、传染性（I）和持续时间（δt）。
• 距离因子D建模为min(1, d_min² / d²)，其中d_min = 1，利用蓝牙RSSI估计距离。
• 传染性因子I服从正态分布N(−0.3, 2.75²)，该分布基于世代间隔与潜伏期之差推导得出，用于加权症状出现时间附近的接触。
• 接收者j的总风险r_i,j为症状出现前7天内所有相关接触事件的风险评分之和。
• 整体风险评分r_j为所有有症状源i的r_i,j之和，支持累积风险评估。
• 提出贝叶斯框架，使用MCMC估计感染概率ν，采用Beta(1,1)先验，似然函数基于观察到的感染结果。

实验结果

研究问题

• RQ1 NHSx应用程序当前的风险评分算法如何利用蓝牙获取的接触数据来建模传播风险？
• RQ2 传染性因子的统计基础是什么？其与潜伏期和世代间隔的实证估计是否一致？
• RQ3 如何量化并传播距离估计和参数值中的不确定性？
• RQ4 如何改进风险评分系统以考虑假阴性、无症状传播及随时间变化的风险？
• RQ5 能否开发一个完全的概率模型以替代当前的启发式风险评分，实现在新数据到达时的一致评估与更新？

主要发现

• 当前模型中的传染性因子在统计上可良好近似为正态分布N(−0.3, 2.75²)，与世代间隔与潜伏期之差的实证分布高度吻合。
• 该模型假设症状出现时间已知且不确定性可忽略，若症状报告存在延迟或不一致，可能影响风险评分的准确性。
• 当前的风险评分计算未考虑蓝牙距离估计中的不确定性，可能导致风险评估不准确。
• 本文推导出感染概率ν的贝叶斯后验分布，支持在观察到新的感染结果后对模型进行数据驱动的更新。
• 接收者虽未感染但实际已被感染（即无症状）的概率随时间推移而下降，根据当前潜伏期模型，该概率趋近于零。
• 模型表明，在暴露后14天内仍无症状的个体，其被感染的概率极低，支持在该时间段后解除自我隔离的建议。