基于预测的分诊方法可用于检测工作，这有助于更好地控制COVID-19疫情的蔓延，同时还能减少检测需求

《Archives of Public Health》：Predictive triage for testing may improve control of a COVID-19 epidemic while reducing testing requirements

　　

摘要

背景

大规模的人群检测在缓解COVID-19疫情中发挥了关键作用。然而，扩大检测能力需要大量的劳动力和基础设施。此外，采样和检测的延迟可能会阻碍及时干预。因此，我们试图通过基于自我报告信息的集成模型来改进检测前的分诊。

方法

我们训练了一个XGBoost分类器，利用与38,180个检测结果相关的真实世界社会和健康数据，来预测比利时鲁汶地区高等教育学生的COVID-19感染风险。该模型可以根据两个可参数化的概率阈值，分别建议对高风险、中等风险或低风险个体进行隔离、检测或解除隔离。然后，我们通过模拟该集成分诊工具在我们的环境中实施，研究了其在控制疫情方面的流行病学影响。

结果

该预测模型的ROC AUC达到了77.5%，但其性能在不同的滚动重新训练窗口中有所波动。流行病学模拟显示，集成增强的分诊系统在控制鲁汶学生群体中的感染激增方面具有潜力。如果在感染激增初期迅速实施，该系统可以将有效再生数降低到1.0以下，同时将检测需求减少47%

结论

我们的研究表明，由集成模型指导的检测前分诊可以在高效分配检测资源方面发挥重要作用。如果能够及时实施并在人群中保持隔离遵守，它还有助于迅速控制感染激增。未来的研究可以验证这种方法是否适用于其他病原体、其他环境以及使用深度学习模型。