用于控制与监测群体中疾病进展的动态分组检测
统计方法学
2021-06-22 v1 物理与社会
种群与进化
摘要
在诸如 COVID-19 的大流行背景下，在大多数人接种疫苗之前，主动检测与干预已被证明是遏制疾病传播的唯一手段。近期的学术工作在这方面提供了重要证据，但一个关键问题仍然悬而未决：我们能否准确识别每天发生的新感染，且不至于昂贵得令人望而却步，即仅使用每天检测所有人（完全检测）所需检测的一小部分？分组检测为最小化检测数量提供了强大工具集，但它未考虑感染背后的时间动态。此外，它通常假设人们独立感染，而感染受社区传播支配。另一方面，流行病学确实通过成熟的连续时间 SIR 随机网络模型探索时间动态与社区相关性，但标准模型未纳入离散时间检测与干预。在本文中，我们引入一种“离散时间 SIR 随机块模型”，该模型还允许每日进行分组检测与干预。我们的模型可视为连续时间 SIR 随机网络模型在特定类型捕获底层社区结构的加权图上的离散版本。我们分析了该模型关于每日识别所有感染且错误概率趋于零所需的最小分组检测数量。我们发现，可利用社区与模型的知识来指导非自适应分组检测算法，这些算法是阶最优的，从而以远少得多的检测数量实现与完全检测相同的性能。
引用
@article{arxiv.2106.10765,
title = {Dynamic group testing to control and monitor disease progression in a population},
author = {Sundara Rajan Srinivasavaradhan and Pavlos Nikolopoulos and Christina Fragouli and Suhas Diggavi},
journal= {arXiv preprint arXiv:2106.10765},
year = {2021}
}