一种主动/反应性大规模查方法,不确定有症状的病例.
Jiayi Lin1, Hrayer Aprahamian1, George Golovko2
1Department of Industrial and Systems Engineering, Texas A&M University College Station, Texas, United States of America.
PLoS computational biology
|August 14, 2024
概括
这项研究优化了对预算有限的异质人群的大规模查策略. 它通过平衡主动和反应性测试来提高疾病检测的准确性,减少了高达52%的错误分类.
科学领域:
- 运营研究 运营研究
- 公共卫生 公共卫生
- 流行病学 流行病学
背景情况:
- 大规模查对于疾病控制至关重要,以COVID-19大流行为例.
- 预算有限需要有效地分配主动 (有针对性) 和反应性 (症状) 查.
- 不同质的种群在优化查策略方面存在独特的挑战.
研究的目的:
- 在预算限制下,在异质人群中开发大量查的最佳框架.
- 整合人口层面的风险数据,以便明智地做出主动和反应性查决策.
- 在拟议框架内评估个人和多夫曼群体测试方案的有效性.
主要方法:
- 制定了一个双线优化问题,以确定最佳的选策略.
- 利用优化问题的结构性质开发高效的解决方案方案.
- 扩展了跨子群体定制测试的模型,并引入了启发式算法.
主要成果:
- 在查效率和准确性方面取得了显著的改进.
- 在COVID-19病例研究中,与传统方法相比,总错误分类减少了多达52%.
- 提供管理层对预算和措施分配的洞察力,用于主动和反应性选.
结论:
- 拟议的框架有效地优化了对资源有限的异质人群的大规模查.
- 整合风险数据和采用先进的优化技术,可以大大改善疾病检测.
- 这些发现为公共卫生政策和查活动期间的资源管理提供了实际指导.


