Testen der Genauigkeit eines digitalen Tests zur Diagnose von Covid-19

Die Viruspandemie Covid-19 hat weltweit erhebliche Verluste und Störungen in allen Bereichen der Gesellschaft (einschließlich Gesundheit, Bildung sowie geschäftlicher und wirtschaftlicher Sicherheit) verursacht. Eine der größten Schwierigkeiten bei der Kontrolle der Ausbreitung dieses Coronavirus war das verzögerte und milde (oder fehlende) Auftreten von Symptomen bei infizierten Personen. Darüber hinaus gibt es im Vereinigten Königreich unzureichende Covid-19-Testkapazitäten und nur eine mäßige Genauigkeit solcher Tests bei der Bestätigung einer Coronavirus-Infektion. Zusammengenommen haben diese Hindernisse dazu geführt, dass unzählige unbekannte Coronavirus-Fälle unbemerkt blieben und die Virusverbreitung in der Bevölkerung angeheizt wurde, indem sie die Strenge der Selbstisolationsmaßnahmen gefährdeten, die von infizierten Personen ergriffen wurden, die ansonsten ihre Übertragung des Virus eingedämmt oder verhindert hätten. Die tiefgreifenden und weit verbreiteten Kosten des anhaltenden Fortschreitens von Covid-19, die mit dem Mangel an Testkapazitäten zusammenfallen, rechtfertigen die Entwicklung alternativer Diagnosewerkzeuge, die eine Covid-19-Infektion in den frühen Stadien der Infektion zuverlässig beurteilen und gleichzeitig kostengünstig und niedrig sind -Belastung und für einen großen Teil der Bevölkerung leicht zu verabreichen.

Die kostenlose Symptomüberwachungs-App „Covid Symptom Study“ wurde Mitte März vom Gesundheitstechnologie-Startup Zoe Global Ltd eingeführt und wird derzeit in Großbritannien, den USA und Schweden verwendet, mit mehr als 2,7 Millionen Nutzern allein in Großbritannien die die App verwenden, um ihre Covid-19-Symptome selbst zu melden. Bei der Registrierung für die Nutzung der App werden Benutzer gebeten, unter anderem demografische und phänotypische Daten wie Alter, Geschlecht, BMI, ethnische Zugehörigkeit, Kontakt mit infizierten Personen (durch eine medizinische Fachkraft), Rauchverhalten, bestehende Gesundheitszustände anzugeben. Von da an werden die Benutzer gebeten, täglich ihre Symptome zu melden, die auf Covid-19 (oder deren Fehlen) zurückzuführen sind, indem sie von der App verwaltete Fragebögen verwenden, um so eine Echtzeit-Verfolgung des Krankheitsverlaufs in ganz Großbritannien zu ermöglichen . Die App ermöglicht es Benutzern auch, ihre Covid-19-Testergebnisse zu melden, wodurch die Entwicklung von Vorhersagealgorithmen ermöglicht wird, die ausschließlich auf selbst gemeldeten Benutzerdaten basieren, um das Vorhandensein einer Infektion bei ungetesteten Benutzern vorherzusagen.

Im Auftrag von Zoe Global Ltd hat sich das britische Ministerium für Gesundheit und Soziales mit Unterstützung des britischen Chief Scientific Advisor verpflichtet, bis zu 10.000 App-Benutzer pro Woche auf eine Infektion mit SARS-CoV-2 in ganz England und Nordirland zu testen dem Zweck, die Genauigkeit symptombasierter Vorhersagen schnell zu verbessern. Eine ähnliche Prüfungserlaubnis könnte in Schottland und Wales folgen.

Symptomatische App-Benutzer werden gebeten, sich mit der beliebten Abstrich- und qRT-PCR-Technik auf eine SARS-CoV-2-Infektion testen zu lassen und ihre Testergebnisse in der App zu melden, während sie weiterhin ihre Symptome protokollieren.

Diese am King's College London durchgeführte Validierungsstudie zielt darauf ab, die Sensitivität und Spezifität von maschinellen Lernmodellen als diagnostisches Instrument zu validieren, das eine Infektion mit SARS-CoV-2 auf der Grundlage von App-gemeldeten Symptomen und phänotypischen Daten im Vergleich zum "Goldstandard" vorhersagt ' Abstrich-PCR-Test, indem die Covid Symptom Study App als Forschungsplattform genutzt wird.

Es wird die Hypothese aufgestellt, dass durch das Trainieren der symptombasierten Modelle anhand von Abstrichtestergebnissen und durch mehrere Modelliterationen nach kontinuierlicher Dateneingabe von meldenden und getesteten App-Benutzern Infektionsvorhersagen mit beträchtlicher Genauigkeit getroffen werden, wodurch die Covid-Symptomstudien-App möglich wird als diagnostisches Werkzeug verwendet, das die Belastung der Testkapazitäten im Vereinigten Königreich verringert und gleichzeitig leicht zugänglich ist und eine geringe Benutzerbelastung darstellt.

Studiendesign:

Aufgrund der sich schnell entwickelnden und unsicheren Dauer und Intensität der Covid-19-Pandemie ist das vorliegende Studiendesign prospektiv und eines, das eine regelmäßige Iteration von Vorhersagemodellen und eine kontinuierliche Akkumulation von Validierungsdaten ermöglicht. Die Studie besteht aus einer Reihe von Phasen, die jeweils 14 Tage dauern. Vor Beginn jeder Phase (Tag 0) wird eine Reihe von Modellen für maschinelles Lernen eingefroren und zur Validierung der während dieser und der nachfolgenden Phasen gesammelten Daten eingereicht.

Algorithmen für maschinelles Lernen verbessern sich mit zunehmenden Daten. Daher werden die Validierungsphasen fortgesetzt, solange Tests verfügbar sind und die App-Benutzer der Teilnahme an der Studie zustimmen. Aufgrund der Ungewissheit bezüglich des Fortschreitens der Infektionsraten im Vereinigten Königreich wird die Validierungsstudie fortgesetzt, solange sie für die öffentliche Gesundheit von Nutzen ist.

Ein detaillierter statistischer Analyseplan ist in dem diesem Dokument beigefügten Dokument beschrieben. Eine Aufzeichnung aller für die Validierung verwendeten maschinellen Lernmodelle wird regelmäßig auf GitHub (https://github.com/zoe/covid-validation-study) aktualisiert.