Test af nøjagtigheden af ​​en digital test for at diagnosticere Covid-19

Den virale Covid-19-pandemi har forårsaget betydelige globale tab og forstyrrelser i alle aspekter af samfundet (inklusive sundhed, uddannelse og erhvervsmæssig og økonomisk sikkerhed). En af de største vanskeligheder med at kontrollere spredningen af ​​denne coronavirus har været den forsinkede og milde (eller mangel på) præsentation af symptomer hos inficerede individer. Desuden er der utilstrækkelig Covid-19-testkapacitet i Storbritannien og kun moderat nøjagtighed af sådanne tests til at bekræfte coronavirusinfektion. Tilsammen har disse forhindringer ført til, at utallige ukendte coronavirus-tilfælde forsvinder uobserverede og fremmer den virale spredning i befolkningen ved at kompromittere strengheden af ​​selvisolerende foranstaltninger, som er iværksat af inficerede individer, som ellers kunne have bremset eller forhindret deres overførsel af virussen. De dybtgående og udbredte omkostninger ved den fortsatte Covid-19-progression, der falder sammen med manglen på testkapacitet, berettiger udviklingen af ​​alternative diagnostiske værktøjer, der pålideligt vurderer Covid-19-infektion i de tidlige stadier af infektion, samtidig med at de er billige, lave -byrde og let administreres til en bred del af befolkningen.

Den gratis symptomovervågningsapp 'Covid Symptom Study' blev lanceret i midten af ​​marts af sundhedsteknologi-opstarten Zoe Global Ltd, og bliver i øjeblikket brugt i Storbritannien, USA og Sverige med mere end 2,7 millioner brugere alene i Storbritannien. der bruger appen til selv at rapportere deres Covid-19 symptomer. Når brugerne registrerer sig for at bruge appen, bliver brugerne bedt om at rapportere demografiske og fænotypiske data såsom alder, køn, BMI, etnicitet, kontakt med inficerede personer (gennem en sundhedsprofessionel kapacitet), rygeadfærd, eksisterende helbredstilstande, blandt andet. Fra da af bliver brugerne bedt om dagligt at rapportere deres præsentation af symptomer, der kan tilskrives Covid-19 (eller mangel på samme) ved brug af app-administrerede spørgeskemaer, hvilket muliggør realtidssporing af sygdomsprogression i hele Storbritannien . Appen giver også brugere mulighed for at rapportere deres Covid-19-testresultater, hvilket muliggør udvikling af forudsigelsesalgoritmer udelukkende baseret på selvrapporterede brugerdata for at forudsige tilstedeværelsen af ​​infektion hos ikke-testede brugere.

På vegne af Zoe Global Ltd har UK Department of Health and Social Care med støtte fra Storbritanniens Chief Scientific Advisor forpligtet sig til at teste op til 10.000 app-brugere om ugen for infektion med SARS-CoV-2 i hele England og Nordirland, for formålet med hurtigt at forbedre nøjagtigheden af ​​symptombaserede forudsigelser. Tilsvarende testgodtgørelse kan følge i Skotland og Wales.

Symptomatiske app-brugere vil blive bedt om at blive testet for SARS-CoV-2-infektion ved hjælp af den populære podepind og qRT-PCR-teknik og bedt om at rapportere deres testresultater i appen, mens de fortsætter med at logge deres symptomer.

Denne valideringsundersøgelse, udført på King's College London, har til formål at validere følsomheden og specificiteten af ​​maskinlæringsmodeller som et diagnostisk værktøj, der forudsiger infektion med SARS-CoV-2 baseret på app-rapporterede symptomer og fænotypiske data i forhold til 'guldstandarden' ' swab PCR-test ved at bruge Covid Symptom Study-appen som en forskningsplatform.

Det er en hypotese, at ved at træne de symptombaserede modeller ved hjælp af podningstestresultater og gennem flere modeliterationer efter kontinuerlig datainput fra rapporterende og testede app-brugere, vil forudsigelser af infektion blive foretaget med betydelig nøjagtighed, hvilket gør det muligt for Covid Symptom Study-appen at være bruges som et diagnostisk værktøj, der afhjælper belastningen af ​​testkapacitet i Storbritannien, samtidig med at det er let tilgængeligt og udgør en lav brugerbyrde.

Studere design:

På grund af den hastigt udviklende og usikre varighed og intensitet af Covid-19-pandemien er det nuværende undersøgelsesdesign prospektivt og et, der muliggør regelmæssig iteration af forudsigelsesmodeller og kontinuerlig akkumulering af valideringsdata. Undersøgelsen består af en række faser, der hver varer 14 dage. Før starten af ​​hver fase (dag 0) vil et sæt maskinlæringsmodeller blive frosset og indsendt til validering på data indsamlet i denne og efterfølgende faser.

Maskinlæringsalgoritmer forbedres med stigende data. Derfor vil valideringsfaserne fortsætte, så længe tests er tilgængelige, og appbrugere giver samtykke til at deltage i undersøgelsen. På grund af usikkerheden omkring udviklingen af ​​infektionsrater i Storbritannien, vil valideringsundersøgelsen fortsætte, mens den er af værdi for folkesundheden.

En detaljeret statistisk analyseplan er beskrevet i det dokument, der er vedhæftet denne post. En registrering af alle maskinlæringsmodeller, der bruges til validering, vil løbende blive opdateret på GitHub (https://github.com/zoe/covid-validation-study).