集体检测，帮助控制COVID-19
澳大利亚维多利亚州在2019冠状病毒病病例激增后，于今年7月进入了严格的第4阶段限制，目前正在进行快速检测，尽可能确认每一个阳性病例，以期迅速控制疫情。
目前，他们平均每天大约有20,000个测试，大多数结果在三天之内就会出来。
但这就足够了吗?
有人呼吁对无症状人群进行大规模检测，以全面了解这种疾病在社区中的传播情况。这可能是控制疫情的重要一步，但我们如何才能在不压倒检测实验室的情况下大规模增加检测?
这里有一个简单的回答组测试。通过将来自多个人的样本结合到一个测试中，20000次分析可以覆盖10万人。还需要进一步分析以缩小小组测试的阳性范围，但这意味着可以在6至12小时内对20,000项测试进行分析，而不是48至72小时。
Aurore Delaigle教授是墨尔本大学的统计学教授，他开发了疾病发病率的统计模型。她说，我们应该在监测项目中加入分组检测，这样更多的人可以更快地接受检测，从而确定COVID-19的真实社区发病率。
这种集体测试的呼吁正在世界各地进行，并已在中国和美国等地得到应用。在中国，采用组测法进行测试武汉900万居民在短短10天内。
“假设我们每天只能处理1000个测试，”Delaigle教授说。
“如果患病率是1%，那么在1000人中，平均只有10人会患这种疾病。但如果你运行1000个测试，在每个测试中你结合10个人的样本，然后你捕获10000个人。不是感染10个病人，而是平均感染100个。所以你可以学到更多。”
Delaigle教授说，要准确确定这种疾病的流行程度，你不能只对很多人进行测试。您还需要知道您在测试谁。
在维多利亚州，阳性病例正在迅速下降，但在疫情爆发高峰期，每天2万多例检测中约有2%呈阳性。
然而，这并不意味着2%的维多利亚人是新感染COVID-19的，因为在大多数病例中，接受检测的人要么表现出症状，要么是阳性病例的密切接触者，要么是在已确定的聚集性人群或“热点地区”生活或工作的人。所以接受测试的人不一定能代表整个人群。
在这种情况下，这似乎是合适的，因为政府希望收集尽可能多的病例，以便那些被感染者和他们的密切接触者可以安全地隔离。与有限的资源在美国，发现感染的最好方法是检测那些最有可能被感染的人。
但我们也知道，许多感染COVID-19的人没有任何症状。在维多利亚州和其他没有已知病例或已知病例极少的州，在整个社区建立更广泛、更大规模的检测机制可能是早期发现新病例的有效方法，而不仅仅是检测那些被认为“有风险”的患者。
Delaigle教授说:“在人群中随机选择人有多种方法。”
“有时候，人们可能希望更多地关注某些地区或群体，在这种情况下，为了得到流行率的良好估计，我们做出调整，考虑到每个群体的抽样数字，这并不总是简单的。不管抽样策略是什么，通过将个人集中到一个小群体中，并只对群体进行测试，我们可以考虑更多的人，从而提高估计的精度。”
通过通过统计模型运行分组数据Delaigle教授和她的同事们不仅可以计算总体发病率，还可以根据年龄、性别、地点或任何其他感兴趣的因素计算发病率，只要他们有充分理解数据的信息。
Delaigle教授指出，总有一些你需要的信息丢失了。当这些缺失的信息不是完全随机的时候，就需要应用一个修正因子。
“通常，人们不去做检测是有原因的，如果原因和你想要测量的东西有关，在这种情况下是疾病，你必须考虑到这种缺失。例如，假设病人或老年人拒绝接受检测。如果你不考虑这一点，那么你的结果就会是错误的——你会对样本产生偏见。然而，有一个修正因素可以解释为什么他们没有来。因此，你需要对这种缺失建立模型，并在评估患病率时将其包括在内。”
Delaigle教授说，当出现假阳性和假阴性时，我们也会对分析产生偏见。一旦您知道了假阳性和假阴性的概率，您就需要应用校正因子来获得准确的流行率估计值。Delaigle教授开发了一些用于分组数据的技术。
还可能存在稀释的问题——通过组合样本，你可能会有稀释测试的风险，以至于错过阳性病例。Delaigle教授想办法解决这个问题通过在模型中加入一些稀释校正因子。
最后，流行率每天都在变化，还有一些方法可以将较旧的数据与较新的数据结合起来，并随着时间的变化更新流行率估计值。
虽然分组测试可以捕获更多的人，但缺点是你不知道特定分组样本中的哪些人患有这种疾病。但是Delaigle教授说，这很容易通过从阳性样本中重新检测个体来解决。当总体发病率较低(如COVID-19)时，与检测每个样本相比，这仍然可以让更多的人更快地接受检测。
政府还可以运行一种混合测试机制，对一些高危人群进行单独测试，同时对社区中的人群进行更随机的测试。
Delaigle教授说，随着我们从大规模减少策略转向更可控的抑制策略，现在是引入大规模分组测试的时候了。
“我们的人越多测试我们就能越快确定疫情聚集，就能越快采取行动控制它们。”
用户评论