COVID-19 大流行期间实用合并检测的统计建模
应用统计
2021-07-13 v1
摘要
合并检测为 COVID-19 大流行前所未有的检测需求提供了高效解决方案,尽管在某些场景下灵敏度可能较低且实施成本增加。对此权衡的评估通常假设合并样本独立同分布。然而在 COVID-19 背景下,这些假设常被违背:对网络(室友、配偶、同事)的检测捕获了相关个体,而感染风险随时间和地点及个体差异显著变化。忽略依赖性与异质性可能使既定最优网格产生偏倚,并导致该流程的次优实施。作为本次大流行的经验教训,本文强调了将现场抽样信息与统计建模相整合以高效优化合并检测的必要性。利用真实数据,我们表明(a)通过利用样本间自然相关性(非独立)可在较低后勤成本下获得更大收益——灵敏度和效率分别提升高达 30% 和 90%;且(b)尽管各合并组间存在显著异质性(非同分布),这些收益依然稳健。我们的建模结果补充并扩展了 Barak 等人(2021)超出预期的实证灵敏度的观测。最后,我们提供了一个利用情境信息选择最优合并规模的交互式工具。
引用
@article{arxiv.2107.05619,
title = {Statistical Modeling for Practical Pooled Testing During the COVID-19 Pandemic},
author = {Saskia Comess and Hannah Wang and Susan Holmes and Claire Donnat},
journal= {arXiv preprint arXiv:2107.05619},
year = {2021}
}