.png){kind=icon}
返回
Distributionally Robust Group Testing with Correlation Information
.png){kind=icon}
PRE
AI
DOI：10.1287/mnsc.2023.04308.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
受广泛传染病暴发期间需要更高效可靠群体检测方法的启发，本文对广泛使用的Dorfman群体检测程序提出了一种新的操作改进，其中先对混合样本进行单一检测，随后对阳性样本进行个体检测。我们的方法最小化检测量和误分类的加权和，以患病率和个体间皮尔逊相关系数作为输入，并采用分布鲁棒优化（DRO）框架来解决由这些相关性引起的联合感染分布的不确定性。我们研究了人群中的两种相关结构。在单集群情况下，所有个体对共享相同相关性，我们将分析连接到纳什均衡原理，并表明更高的相关性有利于更大的检测组，而更高的患病率通常要求个体检测。在多集群情况下，人群由几个内部相关但相互独立的集群组成，我们强调了混合集群检测策略的有效性，特别是在低患病率和低相关性的情况下。这是对主张检测相关个体的主流观点的一个显著补充。我们为两种相关结构提供了多项式时间解，并通过与随机替代方案的全面比较，展示了我们DRO方法的权衡和优势。基于一个真实的COVID-19数据集的案例研究，我们表明，与基于独立性的分组方案相比，我们的分组策略可节省高达每个体0.1次检测，与所研究地区实施的经验分组策略相比，可节省高达每个体0.5次检测。
Keyword:
group testing
distributionally robust optimization
healthcare operations management
期刊
IF:
4.9
论文数:
794
被引数:
5.0W
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏Robust Combination Testing: Methods and Application to COVID-19 Detection鲁棒组合测试：方法及其在COVID-19检测中的应用
OAAI
OAAI分享收藏分享收藏
查看更多内容