Tester nøyaktigheten til en digital test for å diagnostisere Covid-19

Den virale Covid-19-pandemien har forårsaket betydelige globale tap og forstyrrelser i alle aspekter av samfunnet (inkludert helse, utdanning og næringsliv og økonomisk sikkerhet). En av de største vanskelighetene med å kontrollere spredningen av dette koronaviruset har vært den forsinkede og milde (eller mangelen på) presentasjonen av symptomer hos infiserte individer. Dessuten er det utilstrekkelig Covid-19-testkapasitet i Storbritannia, og bare moderat nøyaktighet av slike tester for å bekrefte koronavirusinfeksjon. Sammen har disse hindringene ført til at utallige ukjente koronavirustilfeller ikke blir observert og fremmet virusspredningen i befolkningen, ved å kompromittere strengheten til selvisolerende tiltak utført av infiserte individer som ellers kan ha dempet eller forhindret deres overføring av viruset. De dype og utbredte kostnadene ved den fortsatte Covid-19-progresjonen, sammenfallende med mangelen på testkapasitet, garanterer utviklingen av alternative diagnostiske verktøy som pålitelig vurderer Covid-19-infeksjon i de tidlige stadiene av infeksjonen, samtidig som de er rimelige, lave -byrde, og lett administrert til en bred andel av befolkningen.

Den gratis symptomovervåkingsappen 'Covid Symptom Study' ble lansert i midten av mars av helseteknologi-oppstarten Zoe Global Ltd, og brukes for tiden i Storbritannia, USA og Sverige, med mer enn 2,7 millioner brukere i Storbritannia alene. som bruker appen til å selvrapportere Covid-19-symptomene sine. Ved registrering for å bruke appen, blir brukere bedt om å rapportere demografiske og fenotypiske data som alder, kjønn, BMI, etnisitet, kontakt med infiserte individer (gjennom en helsepersonell), røykeatferd, eksisterende helsetilstander, blant annet. Fra da av blir brukere bedt om å rapportere, på daglig basis, deres presentasjon av symptomer som kan tilskrives Covid-19 (eller mangel på slike) gjennom bruk av app-administrerte spørreskjemaer, og dermed muliggjøre sanntidssporing av sykdomsprogresjon over hele Storbritannia . Appen lar også brukere rapportere sine Covid-19-testresultater, og muliggjør dermed utvikling av prediksjonsalgoritmer basert utelukkende på selvrapporterte brukerdata for å forutsi tilstedeværelsen av infeksjon hos ikke-testede brukere.

På vegne av Zoe Global Ltd, har det britiske departementet for helse og sosial omsorg med støtte fra Storbritannias vitenskapelige rådgiver forpliktet seg til å teste opptil 10 000 app-brukere per uke for infeksjon med SARS-CoV-2 over hele England og Nord-Irland, for hensikten med å raskt forbedre nøyaktigheten av symptombaserte spådommer. Tilsvarende testgodtgjørelse kan følge i Skottland og Wales.

Symptomatiske app-brukere vil bli bedt om å bli testet for SARS-CoV-2-infeksjon, ved å bruke den populære vattpinne- og qRT-PCR-teknikken, og bedt om å rapportere testresultatene sine i appen, mens de fortsetter å logge symptomene sine.

Denne valideringsstudien, utført ved King's College London, har som mål å validere sensitiviteten og spesifisiteten til maskinlæringsmodeller som et diagnostisk verktøy som forutsier infeksjon med SARS-CoV-2 basert på app-rapporterte symptomer og fenotypiske data, mot 'gullstandarden' ' swab PCR-test, ved å bruke Covid Symptom Study-appen som en forskningsplattform.

Det er en hypotese at ved å trene de symptombaserte modellene ved å bruke vattpinnetestresultater og gjennom flere modelliterasjoner etter kontinuerlig datainngang fra rapporterende og testede appbrukere, vil spådommer om infeksjon bli laget med betydelig nøyaktighet, og dermed muliggjøre Covid Symptom Study-appen. brukes som et diagnostisk verktøy som lindrer belastningen med testkapasitet i Storbritannia, samtidig som det er lett tilgjengelig og gir lav brukerbyrde.

Studere design:

På grunn av den raskt utviklende og usikre varigheten og intensiteten av Covid-19-pandemien, er den nåværende studiedesignen prospektiv og en som muliggjør regelmessig iterasjon av prediksjonsmodeller og kontinuerlig akkumulering av valideringsdata. Studien består av en serie faser som hver varer i 14 dager. Før starten av hver fase (dag 0) vil et sett med maskinlæringsmodeller fryses og sendes inn for validering på data samlet inn under denne og påfølgende faser.

Maskinlæringsalgoritmer forbedres med økende data. Derfor vil valideringsfasene fortsette så lenge tester er tilgjengelige og appbrukere samtykker til å bli med i studien. På grunn av usikkerheten rundt utviklingen av infeksjonsrater i Storbritannia, vil valideringsstudien fortsette mens den er av verdi for folkehelsen.

En detaljert statistisk analyseplan er beskrevet i dokumentet vedlagt denne posten. En oversikt over alle maskinlæringsmodeller som brukes til validering, vil bli jevnlig oppdatert på GitHub (https://github.com/zoe/covid-validation-study).