生命体征:我们对COVID-19测试50000名澳大利亚人的一天。应该是650万?
第二波COVID-19爆发之际,维多利亚,大规模测试的重要性再次被高亮显示。
没有“测试闪电战针对10000年测试一天,爆发的程度会被无形的时间更长。
Australia-wide,我们到目前为止取得了七天的移动平均的多一点每天50000测试。
大流行以来,质量测试的支持者认为的需要测试戏剧性的大数字。
一个是美国经济学家保罗•罗默的共享2018年诺贝尔经济学奖他的工作的经济知识和思想的重要性。3月下旬他模仿“频繁的测试策略”,即:“7%的人口是随机选择测试每一天。在500天见阴谋和动画,这意味着一般人测试500年30倍days-roughly一旦两周。”
这种测试意味着测试的速度接近200万澳大利亚人一天。但即使这可能是不够的。
质量的数学测试
欣赏为什么需要一个更大数量的测试,想象使用纯粹的随机测试。也就是说,测试不关注的“热点”已经在墨尔本。
测试、跟踪和隔离才会有效,如果平均过程标识情况下之前那些人传播病毒。流行病学家称感染的数量由一个单一的情况下,“复制”(R)号码。如果小于1,大流行会死。如果超过1,病毒传播。
不受控制的时候,COVID-19息差约每隔六天。这对应于一个繁殖的数量在15天2.5人以COVID-19通常是传染性。
此外,正如罗默所指出的,当前的测试离完美还很远。他假设一个20%的假阴性率(测试结果说别人没有COVID-19)和1%的假阳性率(结果说有人的时候他们不)。
数学表示控制这种疾病我们需要测试整个人口大约每四天。
在哈佛大学发表的一篇论文爱德蒙j -中心的道德,迪夫Siddarth和格伦韦尔)计算20%是假阴性,平均而言,通过病毒2.5人。其他80%的病例被平均中途测试周期。
基础数学而言,如果我们测试人们每一个“x”的日子里,我们抓住这些感染后平均一半时间(x / 2天)。保持有效的繁殖率,0.75我们需要“x”3.75。这意味着测试每个人大约每隔四天。
这意味着测试一天超过650万澳大利亚人。呵!
无症状的情况下
考虑到需要规模随机测试成功,这或许并不令人意外当局选择了目标testing-focusing传播热点。
但Siddarth和韦尔解释致命缺陷与任何测试策略只反应症状病例:“病人症状出现的时候,他们将已经感染了.833人。此外,20%的感染者将整个时间的无症状的疾病,和20%的测试将产生假阴性。这意味着政策只测试那些症状和隔离那些阳性会感染个体平均1.4的速度传染给他人。”
以上,这意味着病毒仍然以指数级增长。
测试与接触者追踪
更好的解决方案是基于严格的接触者追踪测试已知的感染。这就是为什么政府如此大的希望压在澳大利亚COVIDSafe等技术跟踪应用程序。
Siddarth新形式,考虑一种最好的情况,跟踪每个传染病人有接触,这些人,每个人也有接触。他们计算会导致跟踪的病例下降了75%。其他传播将追求通过提示测试的所有症状。
在美国一天这将需要大约200万个测试。在澳大利亚需要大约150000测试诞倍测试现在正在做。
组测试
一个有趣的解决方案是“集团测试”。这个想法已经存在自1940年代以来,涉及到池病人标本进行测试。如果池测试是负的,整个集团是清除。如果测试是积极的,更有针对性的做测试是为了确定个案。
那么,这个问题是最优小组测试的策略是什么?例如,选择最好的团体大小是什么?有些人应该放置在多个组吗?应该有多个阶段组测试?
在美国国家经济研究局(National Bureau of Economic Research)工作报告本月出版,四个学者从加州大学伯克利分校的展示机器学习可以帮助确定最优策略。
例如,最优组测试大小取决于病毒的流行的人口。通过评估个体风险介绍一项人的年龄,预先存在的健康问题,他们住在哪里,如果他们工作的工作暴露风险,所以说到底是可能的目标测试更有效率比如果对待每个人同样面临风险。
目标是提高预测精度,将尽可能多的可以观察到的特征,可能会影响风险。这是一个经典的“监督机器学习”的问题。使用机器学习可以使集团测试也许4到5倍高效,伯克利分校的研究人员建议。
这样做,我们也许能够实现一个有效的策略通过测试一天只有30000年至40000年,澳大利亚人。
但这种方法需要与现在截然不同。
使用疫苗前我们的未来
直到找到一个有效的疫苗和广泛部署,测试控制COVID-19是至关重要的。
伯克利的作者强调,现代分析技术可以使“高频、智能组测试一个强大的新工具在对抗COVID-19,和潜在的其他传染病”。
我们可以找到我们需要的所有工具。
