В австралийском штате Виктория, в котором в июле были введены строгие ограничения этапа 4 после резкого роста числа случаев COVID-19, проводится блиц-тестирование, чтобы выявить все возможные случаи заболевания в надежде быстро контролировать вспышку.
В настоящее время они проводят в среднем около 20000 тестов каждый день, при этом большинство результатов возвращается в течение трех дней.
Но достаточно ли этого?
Есть призывы к массовому тестированию бессимптомных людей, чтобы получить полное представление о том, как болезнь распространяется в обществе. Это может быть важным шагом в борьбе со вспышками, но как мы можем значительно расширить наши исследования, не перегружая испытательные лаборатории??
Ответ прост – групповое тестирование. Объединив образцы от нескольких человек в один тест, 20000 анализов могут охватить 100000 человек. Потребуется дальнейший анализ, чтобы сузить количество положительных результатов, обнаруженных в групповых тестах, но это будет означать, что 20000 тестов можно будет проанализировать за 6–12 часов вместо 48–72.
Профессор Аврора Делэйгл, профессор статистики в Мельбурнском университете, разрабатывает статистические модели заболеваемости. Она говорит, что мы должны добавить групповое тестирование к нашим программам мониторинга, чтобы больше людей могли пройти тестирование быстрее и можно было определить истинную заболеваемость COVID-19 в сообществе.
Этот призыв к групповому или объединенному тестированию делается по всему миру и уже используется в таких местах, как Китай и США. В Китае групповое тестирование использовалось для тестирования 9 миллионов жителей Уханя всего за 10 дней.
"Предположим, что мы можем обрабатывать только 1000 тестов каждый день," говорит профессор Делэйгл.
"Если распространенность составляет 1 процент, то из 1000 человек в среднем только 10 будут иметь заболевание. Но если вы запустите 1000 тестов, и в каждом из них вы объедините выборки из 10 человек, то вы захватите 10000 человек. Вместо того, чтобы поймать 10 больных, в среднем вы поймаете 100 из них. Так ты сможешь узнать намного больше."
Профессор Делэйгл говорит, что для точного определения распространенности заболевания нельзя просто протестировать множество людей. Вам также необходимо знать, кого вы тестируете.
В Виктории количество положительных случаев быстро снижается, но на пике вспышки около 2 процентов из 20000 ежедневных тестов были положительными.
Однако это не означает, что 2 процента жителей Виктории были недавно инфицированы COVID-19, потому что в большинстве случаев люди, которые проходят тестирование, – это те, у кого либо проявляются симптомы, либо у них есть близкие контакты с положительными случаями, либо они живут или работают в определенных кластерах или "горячие зоны." Таким образом, люди, проходящие тестирование, не обязательно являются репрезентативными для всего населения.
Это кажется уместным в данных обстоятельствах, поскольку правительство хочет выявить как можно больше заболевших, чтобы инфицированные и их близкие люди могли быть помещены в карантин. При ограниченных ресурсах лучший способ найти инфекцию – это проверить тех, кто с наибольшей вероятностью заразится.
Но мы также знаем, что многие люди, инфицированные COVID-19, вообще не проявляют никаких симптомов. А в региональной Виктории и других штатах, где нет или очень мало известных случаев, более широкий, широкомасштабный режим тестирования для всего сообщества может быть полезным способом раннего выявления новых случаев, а не просто тестирования тех, которые считаются "рискованно."
"Существуют различные способы случайного выбора людей в популяции," говорит профессор Делэйгл.
"Иногда может потребоваться сосредоточиться на некоторых регионах или группах больше, чем на других, и в этом случае, чтобы получить точные оценки распространенности, мы вносим корректировки, чтобы учесть количество выборок каждой группы, что не всегда просто. Независимо от стратегии выборки, объединяя людей в небольшие группы и тестируя только группы, мы можем принять во внимание больше людей и повысить точность оценок."
Используя сгруппированные данные с помощью статистических моделей, профессор Делэйгл и ее коллеги могут рассчитать не только общую заболеваемость, но и заболеваемость по возрасту, полу, местоположению или любому другому интересующему фактору, при условии, что у них есть информация для полного понимания данных.
Профессор Делэйгл отмечает, что всегда есть некоторая информация, которая вам нужна, которой не хватает. И когда эта недостающая информация не является полностью случайной, необходимо применить поправочный коэффициент.
"Часто люди не приходят на тестирование по какой-то причине, и если причина связана с тем, что вы хотите измерить, в данном случае с болезнью, вы должны принять во внимание это отсутствие. Например, предположим, что больные или пожилые люди отказываются проходить тестирование. Если вы не примете это во внимание, ваши результаты будут неверными – вы будете искажать выборку. Однако есть корректирующий фактор, который может объяснить причину, по которой они не пришли. Таким образом, вам необходимо смоделировать отсутствие и включить это при оценке вашей распространенности."
Профессор Делэйгл говорит, что мы также искажаем анализ, когда есть ложные срабатывания и ложные отрицания. Как только вы узнаете вероятность ложноположительного и ложноотрицательного результата, вам необходимо применить поправочные коэффициенты, чтобы получить точные оценки распространенности. Профессор Делэйгл разработал несколько методов для этого для сгруппированных данных.
Также могут быть проблемы с разбавлением – объединяя образцы, вы рискуете настолько сильно разбавить тест, что вы пропустите положительные случаи. Профессор Делэйгл работал над способами борьбы с этим, включив в модели некоторые поправочные коэффициенты для разбавления.
Наконец, распространенность меняется каждый день, и есть также способы объединить старые данные с более новыми данными и обновить оценку распространенности по мере ее изменения с течением времени.
Хотя группировка позволяет тестированию охватить гораздо больше людей, недостатком является то, что вы не знаете, какие люди в конкретной сгруппированной выборке страдают заболеванием. Но профессор Делэйгл говорит, что это легко решить, повторно тестируя людей только на положительных образцах. Когда общая заболеваемость низкая, как в случае COVID-19, это все еще позволяет гораздо большему количеству людей пройти тестирование быстрее по сравнению с тестированием каждой отдельной выборки.
Правительство также могло бы запустить режим гибридного тестирования, при котором некоторые люди с высоким риском проходят индивидуальное тестирование, параллельно с программой группового тестирования, которая проверяет людей в сообществе более случайным образом.
По мере того как мы переходим от стратегии сокращения массы к стратегии более контролируемого подавления, профессор Делэйгл говорит, что сейчас самое время ввести массовое групповое тестирование.
"Чем больше людей мы протестируем, тем быстрее мы сможем выявить кластеры вспышек и тем быстрее мы сможем их контролировать."