Testar riktigheten av ett digitalt test för att diagnostisera covid-19

Den virala Covid-19-pandemin har orsakat betydande globala förluster och störningar för alla aspekter av samhället (inklusive hälsa, utbildning och affärs- och ekonomisk säkerhet). En av de största svårigheterna med att kontrollera spridningen av detta coronavirus har varit den försenade och milda (eller avsaknaden av) uppkomsten av symtom hos infekterade individer. Dessutom finns det otillräcklig Covid-19-testkapacitet i Storbritannien, och endast måttlig noggrannhet för sådana tester för att bekräfta coronavirusinfektion. Tillsammans har dessa hinder lett till att otaliga okända fall av coronavirus inte observerats och underblåst virusspridningen i befolkningen, genom att äventyra stränga självisoleringsåtgärder som vidtagits av infekterade individer som på annat sätt kan ha dämpat eller förhindrat deras överföring av viruset. Den djupgående och omfattande kostnaden för den fortsatta Covid-19-progressionen, som sammanfaller med bristen på testkapacitet, motiverar utvecklingen av alternativa diagnostiska verktyg som på ett tillförlitligt sätt bedömer Covid-19-infektion i de tidiga infektionsstadierna, samtidigt som de är billiga och låga -börda och lätt administrerad till en stor del av befolkningen.

Den kostnadsfria symtomövervakningsappen 'Covid Symptom Study' lanserades i mitten av mars av hälsoteknologistartupen Zoe Global Ltd, och används för närvarande i Storbritannien, USA och Sverige, med mer än 2,7 miljoner användare bara i Storbritannien som använder appen för att självrapportera sina Covid-19-symtom. Vid registrering för att använda appen uppmanas användare att rapportera demografiska och fenotypiska data såsom ålder, kön, BMI, etnicitet, kontakt med infekterade individer (genom sjukvårdspersonal), rökbeteende, befintliga hälsotillstånd, bland annat. Från och med då uppmanas användare att dagligen rapportera sin presentation av symtom som kan hänföras till Covid-19 (eller brist på sådana) genom användning av appadministrerade frågeformulär, vilket möjliggör realtidsspårning av sjukdomsförlopp i hela Storbritannien . Appen tillåter också användare att rapportera sina Covid-19-testresultat, vilket möjliggör utveckling av prediktionsalgoritmer baserade enbart på självrapporterade användardata för att förutsäga förekomsten av infektion hos oprövade användare.

På uppdrag av Zoe Global Ltd har det brittiska departementet för hälsa och socialvård med stöd från Storbritanniens Chief Scientific Advisor förbundit sig att testa upp till 10 000 appanvändare per vecka för infektion med SARS-CoV-2 i England och Nordirland, för syftet att snabbt förbättra noggrannheten av symptombaserade förutsägelser. Liknande testersättning kan följa i Skottland och Wales.

Symptomatiska appanvändare kommer att bli ombedda att testa sig för SARS-CoV-2-infektion, med den populära svabben och qRT-PCR-tekniken, och ombeds att rapportera sina testresultat i appen, samtidigt som de fortsätter att logga sina symtom.

Denna valideringsstudie, utförd vid King's College London, syftar till att validera känsligheten och specificiteten hos maskininlärningsmodeller som ett diagnostiskt verktyg som förutsäger infektion med SARS-CoV-2 baserat på app-rapporterade symtom och fenotypiska data, mot "guldstandarden" ' swab PCR-test, genom att använda Covid Symptom Study-appen som en forskningsplattform.

Det antas att genom att träna de symtombaserade modellerna med hjälp av svabbtestresultat och genom flera modelliterationer efter kontinuerlig datainmatning från rapporterande och testade appanvändare, kommer förutsägelser om infektion att göras med stor noggrannhet, vilket gör det möjligt för Covid Symptom Study-appen att vara används som ett diagnostiskt verktyg som lindrar påfrestningen av testkapacitet i Storbritannien samtidigt som det är lättillgängligt och medför låg användarbörda.

Studera design:

På grund av den snabbt utvecklande och osäkra varaktigheten och intensiteten av Covid-19-pandemin är den aktuella studiedesignen prospektiv och en som möjliggör regelbunden iteration av prediktionsmodeller och kontinuerlig ackumulering av valideringsdata. Studien består av en serie faser som var och en pågår i 14 dagar. Före starten av varje fas (dag 0) kommer en uppsättning maskininlärningsmodeller att frysas och skickas in för validering på data som samlats in under denna och efterföljande faser.

Maskininlärningsalgoritmer förbättras med ökande data. Därför kommer valideringsfaserna att fortsätta så länge tester är tillgängliga och appanvändare samtycker till att gå med i studien. På grund av osäkerheten kring utvecklingen av infektionsfrekvensen i Storbritannien kommer valideringsstudien att fortsätta även om den är av värde för folkhälsan.

En detaljerad statistisk analysplan beskrivs i dokumentet som bifogas denna post. En förteckning över alla maskininlärningsmodeller som används för validering kommer att uppdateras regelbundet på GitHub (https://github.com/zoe/covid-validation-study).