[论文解读] Using random testing to manage a safe exit from the COVID-19 lockdown

Markus Müller, P. M. Derlet+2 more|arXiv (Cornell University)|Apr 9, 2020

COVID-19 epidemiological studies参考文献 17被引用 24

一句话总结

本文提出一种基于每日随机检测的反馈控制系统，通过持续监测感染增长的实时速率，实现更安全、更快速地退出新冠疫情封锁。仅需每日15,000次随机检测，该系统即可早期发现传播趋势，减少政策响应延迟，并允许在远高于仅依赖症状检测所能达到的感染水平下重启经济。

ABSTRACT

We argue that frequent sampling of the fraction of infected people (either by random testing or by analysis of sewage water), is central to managing the COVID-19 pandemic because it both measures in real time the key variable controlled by restrictive measures, and anticipates the load on the healthcare system due to progression of the disease. Knowledge of random testing outcomes will (i) significantly improve the predictability of the pandemic, (ii) allow informed and optimized decisions on how to modify restrictive measures, with much shorter delay times than the present ones, and (iii) enable the real-time assessment of the efficiency of new means to reduce transmission rates. Here we suggest, irrespective of the size of a suitably homogeneous population, a conservative estimate of 15000 for the number of randomly tested people per day which will suffice to obtain reliable data about the current fraction of infections and its evolution in time, thus enabling close to real-time assessment of the quantitative effect of restrictive measures. Still higher testing capacity permits detection of geographical differences in spreading rates. Furthermore and most importantly, with daily sampling in place, a reboot could be attempted while the fraction of infected people is still an order of magnitude higher than the level required for a relaxation of restrictions with testing focused on symptomatic individuals. This is demonstrated by considering a feedback and control model of mitigation where the feed-back is derived from noisy sampling data.

研究动机与目标

• 解决依赖症状病例或死亡人数等滞后指标所导致的疫情响应延迟与不准确问题。
• 通过利用随机检测提供的实时数据，缩短政策调整与可观测结果之间的时间间隔。
• 通过监测真实感染增长速率而非依赖症状病例报告，实现更早且更安全的经济重启。
• 提供一种定量、数据驱动的框架，根据实时传播趋势调整公共卫生措施。
• 证明仅需15,000例/日的稳定检测能力，即可生成可靠且可操作的数据，用于疫情控制。

提出的方法

• 反馈控制回路利用每日随机检测，从采样数据中估算当前的感染增长速率（k）。
• 系统使用指数增长模型模拟传播：i(t) = i(t−1) × e^{k(t−1)}，其中k为关键控制变量。
• 当满足以下任一阈值条件时触发干预措施：若i(t)/i* < i_low 或 i(t)/i* > i_high，或估计的增长速率k_est超过置信阈值。
• 通过时间窗内两部分的检测数对数比估算增长速率：k_est = (2/Δt) × ln(N₂/N₁)，并附带误差范围δk_est。
• 置信参数α与缩放因子b定义干预的敏感度，k_est用于根据趋势调整k(t+1)。
• 模型追踪健康成本（C_H）、政治成本（n_int）与经济成本（C_E），以评估政策决策中的权衡。

实验结果

研究问题

• RQ1 每日随机检测能否缩短疫情控制中政策调整与可观测结果之间的时间延迟？
• RQ2 可靠估算感染增长速率并指导政策所需的最低日检测能力是多少？
• RQ3 与滞后指标相比，利用实时感染数据可将经济重启提前多少时间？
• RQ4 反馈控制结合随机检测在多大程度上可稳定感染率并防止医疗系统超载？
• RQ5 在采样数据存在噪声或不确定性时，系统性能如何？何种置信阈值可确保可靠决策？

主要发现

• 保守的日检测能力为15,000名随机个体时，足以可靠估算当前感染比例及其实时增长速率。
• 通过每日随机检测，即使感染比例达到症状检测放松阈值的十倍之多，仍可安全尝试社会重启。
• 与依赖症状病例报告或死亡数据相比，该反馈系统显著减少了响应延迟，后者为严重滞后的指标。
• 该模型通过更早检测传播趋势上升，实现更早干预，降低医疗系统超载风险。
• 在更高检测能力下，系统可检测到传播速率的地理差异，支持针对性政策措施。
• 模拟结果表明，通过适当的反馈控制，系统可稳定感染率，避免大幅波动，从而最小化健康与经济成本。