针对COVID-19测试的地理定位,以最大限度地提高洛杉矶县的检测能力
Katherine M Jia1, Rebecca Kahn1, Rebecca Fisher2
1Department of Epidemiology, Center for Communicable Disease Dynamics, Harvard T.H. Chan School of Public Health, Boston, Massachusetts, USA.
Open forum infectious diseases
|July 20, 2023
概括
简单的模型准确地预测了高冠状病毒病2019的阳性区域,从而实现了有针对性的测试. 这种方法最大限度地利用有限的资源检测病例,改善严重急性呼吸系统综合征冠状病毒2的公共卫生监测.
科学领域:
- 流行病学 流行病学
- 公共卫生监督 公共卫生监督
- 量化建模 量化建模
背景情况:
- 许多严重急性呼吸系统综合征冠状病毒2 (SARS-CoV-2) 感染仍未被检测到,影响公共卫生工作.
- 测试资源有限,需要有效的病例识别策略.
研究的目的:
- 开发和评估定量方法,以地理定位2019年新冠病毒病 (COVID-19) 测试.
- 优化社区测试计划,在资源限制下最大限度地检测病例.
主要方法:
- 利用来自洛杉矶县约340个地点 (2021年12月至2022年7月) 的每周测试和疫苗接种数据.
- 开发预测模型,提前两周预测测试阳性率最高的城市.
- 构建反事实场景以估计通过有针对性的测试检测到的额外病例.
主要成果:
- 一个使用最近测试阳性的简单模型在识别高收益测试区域时,与更复杂的模型相比,性能相对较好.
- 在前10%阳性社区进行有针对性的测试可以使检测到的病例增加2%,测试增加1%.
- 预测模型准确地确定了可能在两周前具有高阳性度的社区.
结论:
- 当前的测试阳性数据可以有效指导测试资源的分配给高风险社区.
- 测试的地理定位提高了严重急性呼吸系统综合征冠状病毒2监测的效率和病例检测.
