一种利用多臂老虎机方法优化 COVID-19 检测策略的框架
机器学习
2020-07-30 v1 机器学习
摘要
检测是应对 COVID-19 大流行的重要部分。由于资源受限，检测可用性成为瓶颈，因而有必要对个体进行有效优先排序。在此，我们讨论不同优先排序策略对 COVID-19 患者发现的影响，以及政府和卫生组织利用结果进行有效决策的能力。我们提出一个检测框架，在最大化阳性个体发现与面向理解疾病传播和特征的人群监测需求之间取得平衡。该框架借鉴了网络安全领域类似的优先排序方法，即基于风险评分对个体排序，然后保留部分容量用于随机采样。此方法是对底层分布探索/利用最大化的多臂老虎机（Multi-Armed Bandits）的应用。我们发现，个体可使用少数简单特征进行有效检测排序，并且使用此类模型排序，我们能用少于 20% 的检测容量捕获 65%（CI：64.7%-68.3%）的阳性个体，或用 70% 的容量捕获 92.1%（CI：91.1%-93.2%）的阳性个体，从而可将显著部分的检测保留用于人群研究。我们的方法允许专家和决策者根据需要定制所得策略，使排序策略透明化，并能够理解人群中的疾病传播并快速、知情地做出反应。
引用
@article{arxiv.2007.14805,
title = {A framework for optimizing COVID-19 testing policy using a Multi Armed Bandit approach},
author = {Hagit Grushka-Cohen and Raphael Cohen and Bracha Shapira and Jacob Moran-Gilad and Lior Rokach},
journal= {arXiv preprint arXiv:2007.14805},
year = {2020}
}