数据收集与预处理
获取并整理LA County各社区的每日检测和疫苗接种数据，定义研究人群和排除标准，为建模做准备。
从LA County公共卫生部门获取2021年6月13日至2022年7月23日的检测和疫苗接种数据，排除Long Beach和Pasadena，剔除人口低于5%分位数（<300人）和每周检测次数少于50次的社区。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
洛杉矶县COVID-19检测的地理靶向以最大化检出
Geographic Targeting of COVID-19 Testing to Maximize Detection in Los Angeles County
实验完整度
中研究基于LA County社区检测与疫苗接种数据，构建了多种统计模型并进行反事实情景分析；为观察性队列分析，无体外或动物实验验证。
主要模型
洛杉矶县346个城市/社区（统计区域） COVID-19检测队列
重点核对
数据时间范围：2021年6月13日至2022年7月23日，其中Delta波（28周）用于训练，Omicron波（30周）用于验证 纳入社区：人口≥300且每周检测数≥50；排除Long Beach和Pasadena 预测目标：2周后检测阳性率（%posi,t+2） 模型变量：最近一周阳性率、3周平均阳性率、每周每100人检测次数、疫苗接种覆盖率、累计阳性率 评估指标：额外检出病例数、每检出病例所需检测数（NNT）
摘要
背景：许多严重急性呼吸综合征冠状病毒2型感染未被检测、报告或隔离。为了使社区检测项目在有限的检测资源下定位最多的病例，我们开发并评估了地理靶向增加COVID-19检测工作的定量方法。方法：在2021年12月5日至2022年7月23日期间，每周获得洛杉矶县约340个城市/社区的检测和疫苗接种数据，并开发模型预测哪些城市/社区将在2周后具有最高的检测阳性率。构建了一系列反事实情景，以探索在靶向检测下可以检测到的额外病例数。结果：基于最近检测阳性率的最简单模型在识别将在未来2周内最大化每检测病例平均产出的社区方面，与基于最近检测阳性率和每周每100人检测次数的最佳模型表现几乎一样好，并且几乎与未来2周实际阳性率的完美知识表现一样好。在反事实情景中，提前2周增加1%的检测并将所有检测分配给预测阳性率前10%的社区，检出病例将增加2%。结论：基于当前检测阳性率的简单模型可以预测哪些社区在未来2周内可能具有最高的阳性率，因此可以分配更多的检测资源。关键词：COVID-19，社区检测。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 在有限的检测资源下，如何通过地理靶向分配检测资源以最大化检出COVID-19病例？
- 核心机制
- 基于最近一周检测阳性率最高的社区，其未来两周阳性率往往也较高，因此可通过简单的统计模型预测未来高阳性社区，从而提高检测效率。
- 主要证据
- 在反事实情景中，增加1%检测并分配给预测阳性率前10%的社区，可平均增加约2%的检出病例；最简单模型能捕捉到完美知识下额外检出病例的约89%。
- 研究意义
- 该方法简单易用，适用于公共卫生部门在检测资源有限时快速制定靶向检测策略，并可推广至其他传染病的检测规划。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
模型开发与一步前瞻预测
构建统计模型，预测未来2周各社区的检测阳性率，并评估模型预测性能。
使用Delta波数据（2021-06-13至2021-12-25）训练初始模型，然后在Omicron波（2021-12-26至2022-07-23）每周滚动重拟合模型进行一步前瞻预测，比较简单模型、简化模型和完整模型，并尝试不同误差结构（OLS、AR-2、混合效应）。
反事实情景分析
评估不同靶向策略（模型预测、随机选择、完美知识）下额外检出的病例数和检测效率。
假设每周将LA County总检测次数增加1%，并全部分配给预测阳性率最高的10%的社区，计算额外检出病例数和NNT，并与随机选择和完美知识策略比较。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 数据分析 | R软件 | R Foundation for Statistical Computing | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据来源与预处理 | 检测和疫苗接种数据来源：LA County Department of Public Health；人口估计：2018年用于累积发病率和检测率，2019年用于疫苗接种覆盖率；排除Long Beach和Pasadena；社区人口≥300且每周检测≥50 阅读提示：Methods：Study Population, Testing Data, Inclusion and Exclusion Criteria |
| 预测模型 | 预测变量：最近一周阳性率（%posi,t），3周平均阳性率（Avg%posi,t-2tot），每周每100人检测数（testsper100i,t），完全接种覆盖率，累计阳性率；模型类型：最简单模型、简化模型、完整模型；误差结构：OLS、AR-2、混合效应 阅读提示：Methods：Statistical Models for Model-Based Geographic Targeting |
| 模型评估 | 训练集：Delta波（2021-06-13至2021-12-25）；验证集：Omicron波（2021-12-26至2022-07-23）；预测提前2周；每周滚动重拟合 阅读提示：Methods：Model Development and One-Step Forward Forecasting |
| 反事实情景 | 假设增加1%总检测数，并分配给预测阳性率前10%的社区；计算额外检出病例数和NNT；排除每周检测<50的周 阅读提示：Methods：Model Evaluation, Evaluation of Targeted Testing Strategies |