当感染率上升或在极端情况下大流行爆发时，不可能对所有人进行检测。时间和资源有限，因此追踪和控制疾病爆发的最佳策略是什么？
宾汉姆顿大学助理教授Melissa Zeynep Ertem领导了一项首次评估校内COVID-19检测项目益处的研究。该研究发表在《通讯医学》（Communications Medicine）期刊上，利用机器学习分析了2021-22学年期间马萨诸塞州超过2,100所小学和中学的650,000多名学生的数据。
研究合作者包括Anseh Danesharasteh博士，以及来自波士顿大学的Westyn Branch-Elliman、犹他大学的Richard E. Nelson、威尔康奈尔医学院的David Berlin、马萨诸塞大学的Lloyd Fisher博士和波士顿大学医学院的Elissa M. Schechter-Perkins。
Ertem表示：“这类研究对于了解未来任何可以进行检测的疾病非常重要。”作为托马斯·J·沃森工程与应用科学学院系统科学与工业工程系的教员，她补充说：“我们在2009年流感大流行期间了解到学校关闭有很大帮助。我们对COVID-19的决策基于过去的疾病，而这些数据将有助于提高我们对未来空气传播疾病的应对能力。”
在2021-22学年，马萨诸塞州的学校采用了三种方法来追踪COVID-19：
- 监测检测：从人群中随机选择个别学生进行检测。
- 池检测：将5至10名学生组合在一起进行一次检测；如果结果呈阳性，则每位学生再单独检测。
- “测试以留校”：要求有症状或密切接触感染者的学生进行检测；阴性结果允许他们留在学校，阳性结果则需隔离。
Ertem解释道：“采用三种检测方式是因为对每个学生每天检测成本非常高。我们可以每天早晨对每个人进行检测以更清楚了解情况，但我们有足够的资源吗？此外，家长会同意每天或每隔一天进行检测吗？我们需要找到最佳策略，以防再次发生大流行。”
2021-22学年包括学生重返面对面学习、新冠疫苗逐渐普及、omicron变种的出现和口罩限制的放宽。研究考虑了许多因素，包括地理位置、种族、民族、社会经济状况以及学校内的感染率如何影响整个社区。
Ertem和Danesharasteh面临的最大挑战之一是从所有提供的数据中解析并创建一个能提供最佳分析的算法。
Ertem表示：“如果我们只看数字而不使用模型，我们会看到增加或减少，但不知道其原因。我们的方法告诉我们疫苗接种和自然免疫力是否有所帮助。它们如何影响整体疾病传播涉及多个复杂系统。”
研究表明，通过既往感染或疫苗接种获得的社区免疫力与各种检测策略相结合，在允许面对面学习方面是安全有效的。“测试以留校”计划被证明是最有效的方法，阳性检测结果减少了3%到22%。监测检测和池检测导致的减少幅度较小，介于1%到4%之间。
Ertem认为，在疾病爆发和大流行期间让学生在校学习是必要的，但安全必须是首要任务，她的研究可以帮助指导政策制定者的决策。
(全文结束)
