個々のシナリオ分析
分離したテストの感度と特異性の低下により、予想される総症例が大幅に増加しました（図2AおよびB、図S3）。感度が99から97.5％に低下した場合、合計症例は9,150（95％CI 8,279–9,559）から10,218（95％CI 9,217–11,067）に11.7％増加しました。 85％の感度で、予想される症例は223％増加して29,556（95％CI 22,993–41,009）。テストの特異性を低下させると、ケース数も増加しましたが、程度は低くなりました。 99％の特異性により、症例が14.1％増加して10,444（95％CI 9,261–11,798）に増加し、95％の特異性で、症例は35.7％増加して12,412（95％CI 9,924–17,858）に増加しました。
図2
a 感度値が異なる522日目の平均合計症例。 b 異なる特異性値を持つ522日目の平均合計症例。 c テスト率が異なる522日目の平均合計症例。 d 522日目の平均合計症例は異なる時間分離値の値を持つ
対照的に、テストレートを上げて分離までの時間を短縮すると、著しいケース削減が発生しました。 10％のテスト率の増加により、9,150（95％CI 8,279–9,559）から4,782（95％CI 4,266–5,377）に47.7％減少しました。レートを2倍にすると、74.2％減少して2,359（95％CI 645–4,396）になりました。さらなる増加は、追加の利点を提供せず、過剰なテストによりわずかに増加した総症例が増加しました（図2C、図S3）。この関係のさらなる調査は、テキストS3と図S4に記載されています。
分離までの時間を短縮することも症例を減らしました。隔離までの時間が1日に短縮されると、9,150（95％CI 8,279–9,559）から4,783（95％CI 1,773–7,853）に47.7％の減少が予想されます。分離までの時間を短縮すると、一貫して総症例が減少しましたが、その削減は時間ステップごとに顕著になりませんでした。迅速な診断テストで合理的に予想される30分間の時間が30分であった場合、症例の87.7％の減少が1,122（95％CI 474–2,023）に予想されます（図2D、図S3）。
トレードオフシナリオ
精度の低下と分離までの時間の減少との間のトレードオフは、ベースラインと比較して、ほとんどのテストされたシナリオで、予想される総合症例の大幅な減少をもたらしました。精度を85％の感度と95％の特異性に低下させ、30分に分離までの時間を減らすと、予想される症例が9,150（95％CI 8,279–9,559）から4,548（95％CI 1,276–9,296）に50.3％減少しました。最もかなりの削減は、95％の感度、99％の特異性、30分間の分離までの時間であることが見られ、1,846（95％CI 671–3,391）の総予想症例の79.8％が減少しました。最小の削減と唯一のシナリオは、以下の平均合計症例を減少させなかったため、85％の感度、95％の特異性、および12時間の分離までのデータが誰であるかが報告されています。ベースラインと比較して、予想される症例が8,986（95％CI 2,803–18,301）まで1.8％減少しました（図3および4、左ボックス）。総死亡の平均および上部95％CIは、図S5およびS6（左ボックス）に示されています。
図3
感度と特異性、時間までの時間、およびテスト率の間のトレードオフとして、522日目の平均合計症例。左ボックステストレート：ベースライン、中央ボックステストレート： +50％、右ボックステストレート： +100％
図4
感度と特異性、時間までの時間、およびテスト率のトレードオフとして、95％CI 522日目の総症例の上限。左ボックステストレート：ベースライン、中央ボックステストレート： +50％、右ボックステストレート： +100％
予想される総合症例は、精度と分離までの時間のトレードオフにテスト率の増加を追加すると、大幅に減少しました。最も有意な減少は、95％の感度、99％の特異性、および30分間の分離までの時間で見られました。 150％のテスト率では、予想される症例は9,150（95％CI 8,279–9,559）から706（95％CI 299–2,454）に92.3％減少し、200％のテスト率は予想される症例を92.0％減少させました（予想CI 240-2,766を獲得しました）。感度、95％の特異性、および150％のテスト速度での分離時間は72.7％に減少しました（95％CI 705–10,728）総死亡の平均および上部95％CIを図S5およびS6に示します。
誤検知
病院で感染した誤検知の数を調査するために、サブ分析を実施しました（表S5）。より低い特異性により、より多くの誤検知が感染するようになり、より高いテスト率がこの効果を増幅しました。ベースラインでは、329（95％CI 42–669）では、総症例の4％が誤検知が感染することに起因していました。対照的に、テストされたトレードオフシナリオの誤検知ははるかに高く、355（95％CI 72–1,875）から1,951（95％CI 381–6,645）の範囲でした。誤検知として始まった平均合計症例の割合も、23〜76％の範囲ではるかに高くなりました。
1758806340
#診断テストの精度分離までの時間およびアクセシビリティにおけるトレードオフの影響の評価エボラウイルスの発生対応に対するアクセシビリティ数学的モデリング研究 #BMC感染症
2025-09-25 12:58:00