Koronavirustaudin tietokonetomografiatestaus
Hyödyt ylittävät riskit
Arvioimme tietokonetomografian käytöstä saatavissa olevia hyötyjä yhdessä RT-PCR-testauksen kanssa koronavirustaudin diagnosoinnissa oireellisten yksilöiden tapauksessa. Laskelmamme osoittaa, että 10 000 tietokonetomografiakuvausta pelastaa 124 ihmistä tämä vuonna (muutaman kuukauden kuluessa), 2074 diagnosoitua tapausta estetään [tartuttamasta muita], 415 sairaalahoitoa estetään ja samalla vähennetään lyhyt- ja pitkäaikaisten vammautumisten aiheuttamia haittoja. Vakiintuneet arviot viittaavat siihen, että laajamittaisen tietokonetomografiakuvauksen myötä saattaa syntyä yksi syöpätapaus.
Tietokonetomografian käyttö yhdessä RT-PCR-testauksen kanssa COVID-19-tartunnan saaneiden oireellisten yksilöiden diagnosoinnissa voi ratkaista ongelmat, jotka aiheutuvat RT-PCR:n väärien negatiivisten jopa 30 prosentin viitearvosta, tulosten saamisen aiheuttamasta aikaviiveestä ja testauskapasiteetin rajoitetusta saatavuudesta [1]. Väärien negatiivisten suuri osuus tarkoittaa, että melkein yhdelle kolmesta (1/3) lievästi oireellisista yksilöistä kerrotaan, että he eivät ole saaneet tartuntaa, ja he eivät tämän takia eristäytyy ja kuitenkin tartuttavat muita. Tämän lisäksi tehokkaat eristystoimet ovat hankalia, oireelliset yksilöt eivät täydellisesti eristy ennen RT-PCR-testituloksien valmistumista. Kun otetaan huomioon PCR-tulosten pitkä läpimenoaika, koronavirustaudin tartunnan saaneet altistavat edelleen muita virustaudille. Tietokonetomografian käyttäminen radiologien välittömällä tulkinnalla löydöksistä (tai tulevaisuudessa tekoälyalgoritmeilla) vähentää aikaa, jonka tartunnan saanut henkilö voi tartuttaa muita. Tämän lisäksi tietokonetomografiaan liittyvä alhainen väärien negatiivisten määrä edelleen osaltaan vähentää uusien tartuntojen määriä.
Tässä analysoimme hyötyjä, jotka saavutetaan oireellisten henkilöiden tietokonetomografiaseulonnalla. Tuloksemme osoittavat, että 10 000 tietokonetomografiaskannauksella pelastetaan 124 ihmistä tämä vuonna (muutaman kuukauden kuluessa), 2074 diagnosoitua tapausta estetään [tartuttamasta muita] (kaikista 3039 tartuntatapauksesta), 415 sairaalahoitoa estetään lyhyt- ja pitkäaikaisten vammautumisten tavoin, jotka vaikuttavat terveyteen, terveydenhuollon kustannuksiin ja koko yhteiskuntaan tulevina vuosina. Epidemian kesto lyhenee, jonka ansiosta taloudellinen toimeliaisuus palautuu. Usein tietokonetomografiasta ilmaistu huolenaihe liittyy siihen, että tietokonetomografia saattaa aiheuttaa syöpää. Laskimme TT-kuvantamisesta johtuvat odotetut syöpätapaukset. Oireellisten yksilöiden seulonta voidaan suorittaa pieniannoksisella ei-kontrastisella TT-kuvantamisella eli harmaasävyjen eron ei tarvitse olla valtavan suuri. Pieniannoksisen TT-kuvan aiheuttaman vähäisen säteilyaltistuksen ei ole osoitettu aiheuttavan syöpää. Nykyisin hyväksytty malli ennustaa kuolemaan johtavan syövän populaatiotasolla olevan 5 prosenttia yhtä sievertia kohden. Tämän arvion valossa syntyy yksi kuolemaan johtava syöpätapaus 10 000 potilasta kohden, jotka TT-kuvataan 2 millisievertin annoksella [2].
TT-kuvantamisella estettyjen koronavirustautitapausten määrä voidaan laskea efektiivisen uusiutumisluvun R vähenemisellä, joka on ∆ = 0,2 [1] ja voidaan ilmaista seuraavalla tavalla:
missä M on suoritettujen TT-kuvantamisten lukumäärä, q on positiivisten testitulosten osuus (Mq on kuvattujen tartunnan saaneiden yksilöiden lukumäärä) ja R_P on uusiutumisluku laajamittaista PCR-testausta käytettäessä.
Huomaamme, että jos epidemia kasvaa, R_P ≥ 1 lähestyy ääretöntä, toisin sanoen jokainen uusi tapaus johtaa ajan myötä kasvavaan uusien tartuntatapausten määrään, jota rajoittaa vain väestön koko. Se on rajallinen, jos epidemia tukahtuu eli R_P < 1. Arvioimme hyötyjä tukahtumisvaiheessa olevan epidemian tapauksessa. Tämä arvio perustuu Massachusettsin ja New Yorkin viimeisimpään vähenemistahtiin (Liite). Massachusettsissa ja New Yorkissa R_P on tällä hetkellä ≈ 0,86. Muut tapaukset voidaan arvioida samalla tavoin. Oletetaan, että q = 0,05, joka soveltuu suurtestaustapaukseen [3–5]. Nyt meillä on
Näin ollen estettyjen tapausten lukumäärä on 2074 (kaikista 3039 tapauksesta). Suurtestauksen avulla arvioitujen oireellisten potilaiden sairaalahoitojaksojen ja kuolemantapausten määrät ovat vastaavasti 20 prosenttia ja 6 prosenttia. Tuloksena on 415 sairaalahoitojaksoa ja 124 kuolemantapausta.
Herkkyysanalyysiä varten suoritamme saman analyysin nopeammin tukahtuvan New Yorkin epidemian tapauksessa, jossa R_P = 0,77, jossa TT-kuvantamisella voidaan estää 1037 tartuntatapausta (yhteensä 1710 tartuntatapauksesta), 207 sairaalahoitojaksoa ja 62 kuolemantapausta viikkojen kuluessa TT-kuvantamisen aloittamisesta.
Arvioimme lisääntyneiden syöpätapausten määrän matala-annoksisen TT-kuvantamisen tapauksessa. Syöpätapauksia on 0,05 prosentissa tapauksista jokaista 1000 millisievertia kohti [6]. Kymmenen tuhannen matala-annoksisen TT-kuvantamisen (2 mSv) tapauksessa ilmenee yksi kuolemaan johtava syöpätapaus.
Jokainen mahdollinen koronaviruspotilas, jota on estetty tartuttamasta muita, vähentää välittömän sairaalahoidon lisäksi myös pitkäaikaiseen jälkikäteen ilmenevän vammautumisen kustannuksia. Nämä kustannukset voidaan laskea ja mitata tulevien vuosien aikana. Uusien tartuntojen ensisijainen ehkäisy ei aiheuta minkäänlaisia lisäkustannuksia näille potilaille.
Huomaamme, että koska ennaltaehkäisyssä on kyse tartunnan saaneiden aiheuttamien uusien tartuntojen estämisestä, TT-kuvantamisella testatun henkilön ikä ei vaikuta vähentyneestä sairastumisesta, menehtymisestä ja vammautumisesta TT-kuvantamisella saavutettuihin hyötyihin. Vaikka diagnosoimattomien — myöskään asymptomaattisten — henkilöiden olemassaoloa ei ole kuvattu kovin hyvin, analyysimme huomioi tunnetut infektiotapaukset havaitun leviämisen suhteen, joten emme ole sisällyttäneet tähän laskelmaan diagnosoimattomia tai asymptomaattisia yksilöiden tartuntojen ehkäisemistä. Näin ollen näiden suhteellinen epävarmuus ei vaikuta tähän hyötyanalyysiin.
I. Liite
Määritämme R_P = G^τ arvon Massachusettsille ja New Yorkille (katso kuviot 1 ja 2), missä G on uusien tapauksien päiväkerroin. G on tällä hetkellä 0,95. Tyypillinen infektioaika on τ = 5 päivää, joten saamme R_P = 0,86. Aikaisemmin New Yorkissa uusien tapauksien päiväkerroin G = 0,96 olisi antanut R_P:lle arvon 0,77.
—
Viitteet
[1] C Shen, ym. PCR- ja tietokonetomografiatestauksen yhdistäminen koronavirustaudin tapauksessa. (Alkuperäinen englanninkielinen medRxiv-verkkosivuilla).
[2] C Campinelli, D Oggi & M Bellomi. Low-dose CT: technique, reading methods and image interpretation. Cancer Imaging 2013 12(3): 548–556. 8.2.2013.
[3] Täglicher Lagebericht des RKI zur Coronavirus-Krankheit-2019 (COVID-19)
[4] KCDC: Lehdistötiedotteet
[5] umbors (GitHub): PCM-DPC dati forniti dai Miistero della Salute
[6] CB Meinhold, Limitation of Exposure to Ionizing Radiation: Recommendations of the National Council on Radiation Protection and Measurements
Suomennos Chen Shenin, Jenifer Siegelmanin ja Yaneer Bar-Yamin (Twitter) esseestä “CT Testing for COVID: Benefits exceed risks”. Kirjoitus ilmestyi New England Complex Systems Instituten verkkosivuilla 11.6.2020.
Chen Shen työskentelee tutkijana New England Complex Systems Institutessa Bostonissa Yhdysvalloissa. Hän on opiskellut tietojenkäsittelytiedettä (insinööri) ja viestintää, kulttuuria ja teknologiaa (FM).
Jenifer Siegelman työskentelee Takedan palveluksessa solutrepiahoitojen parissa vanhempana tieteellisenä johtajan. Tätä ennen hän työskenteli Brigham and Women’s Hopitalissa potilasturvallisuudesta ja laadusta vastaavana johtajana ja lääkärinä. Siegelman on suorittanut peruskoulutuksensa molekyyli- ja solubiologiassa, jonka lisäksi on valmistunut lääketieteen tohtoriksi State University of New York Downstate Medical Centerl College of Medicinesta ja valmistunut julkisen terveydenhuollon maisteriksi Johns Hopkins Bloomberg School of Public Healthista.
Yaneer Bar-Yam on fyysikko, järjestelmätieteilijä ja New England Complex Systems Instituten perustaja. Hän on erikoistunut monimutkaisten järjestelmien tutkimukseen ja tehnyt tutkimusta lukuisilla eri tieteenaloilla aina materiaalitieteistä neuraaliverkkoihin.
Kirjoituksen on suomentanut Thomas Brand (Twitter).
