パンデミックにおける集団検査:頻繁な検査、相関するリスク、および機械学習の果たす役割

MRブログでアレックス・タバロックが「重要な新たな論文」として紹介しているが、表題のNBER論文が上がっている。原題は「Group Testing in a Pandemic: The Role of Frequent Testing, Correlated Risk, and Machine Learning」で、著者はNed Augenblick、Jonathan T. Kolstad、Ziad Obermeyer、Ao Wang(いずれもUCバークレー)。
以下はその要旨。

Group testing increases efficiency by pooling patient specimens and clearing the entire group with one negative test. Optimal grouping strategy is well studied in one-off testing scenarios with reasonably well-known prevalence rates and no correlations in risk. We discuss how the strategy changes in a pandemic environment with repeated testing, rapid local infection spread, and highly uncertain risk. First, repeated testing mechanically lowers prevalence at the time of the next test. This increases testing efficiency, such that increasing frequency by x times only increases expected tests by around √x rather than x. However, this calculation omits a further benefit of frequent testing: infected people are quickly removed from the population, which lowers prevalence and generates further efficiency. Accounting for this decline in intra-group spread, we show that increasing frequency can paradoxically reduce the total testing cost. Second, we show that group size and efficiency increases with intra-group risk correlation, which is expected in natural test groupings based on proximity. Third, because optimal groupings depend on uncertain risk and correlation, we show how better estimates from machine learning can drive large efficiency gains. We conclude that frequent group testing, aided by machine learning, is a promising and inexpensive surveillance strategy.
(拙訳)
集団検査は、患者の検体をプールし、一回の検査の陰性結果で集団全員の陰性を確認することにより、効率性を高める。最適な集団戦略は、罹患率がそれなりに知られていてリスクが無相関である一回だけの検査シナリオについては良く研究されている。我々は、検査が繰り返され、地域での感染拡大速度が高く、リスクの不確実性が大きいパンデミックの状況下でその戦略がどのように変わるかを論じる。第一に、繰り返し検査は機械的に次の検査の時の罹患率を低める。これは、検査頻度をx倍にしても検査回数の期待値がx倍ではなく約√x倍にしかならない、という形で検査の効率性を高める。ただし、この計算は頻繁な検査の更なる便益を省略している。感染者は速やかに隔離され、それによって罹患率は低下し、効率性はさらに高まるのである。この集団内での感染拡大の鈍化を考慮すると、頻度を高めた場合に検査の総費用はむしろ低下する、ということを我々は示す。第二に、集団内のリスクの相関があると、集団規模と効率性が増加することを我々は示す。近接性に基づく自然な形で検査集団を形成すれば、集団内のリスクの相関は予期されることである。第三に、最適な集団が不確実なリスクと相関に依拠するため、機械学習による推計の改善が如何に効率性を大きく向上させるか、を我々は示す。我々は、機械学習に支援された頻繁な集団検査が有望で安価な調査戦略である、と結論する。