Improved screening of COVID-19 cases through a Bayesian network symptoms model and psychophysical olfactory test
Notice bibliographique
Résumé
Abstract The infectiousness and presymptomatic transmission of SARS-CoV-2 hinder pandemic control efforts worldwide. Therefore, the frequency of testing, accessibility, and immediate results are critical for reopening societies until an effective vaccine becomes available for a substantial proportion of the population. The loss of sense of smell is among the earliest, most discriminant, and prevalent symptoms of COVID-19, with 75-98% prevalence when clinical olfactory tests are used. Frequent screening for olfactory dysfunction could substantially reduce viral spread. However, olfactory dysfunction is generally self-reported, which is problematic as partial olfactory impairment is broadly unrecognized. To address this limitation, we developed a rapid psychophysical olfactory test (KOR) deployed on a web platform for automated reporting and traceability based on a low-cost (about USD 0.50/test), six-odor olfactory identification kit. Based on test results, we defined an anosmia score –a classifier for olfactory impairment–, and a Bayesian Network (BN) model that incorporates other symptoms for detecting COVID-19. We trained and validated the BN model on two samples: suspected COVID-19 cases in five healthcare centers ( n = 926; 32% COVID-19 prevalence) and healthy (asymptomatic) mining workers ( n = 1, 365; 1.1% COVID-19 prevalence). All participants had COVID-19 assessment by RT-PCR assay. Using the BN model, we predicted COVID-19 status with 76% accuracy (AUC=0.79 [0.75 − 0.82]) in the healthcare sample and 84% accuracy (AUC=0.71 [0.63 − 0.79]) among miners. The KOR test and BN model enabled the detection of COVID-19 cases that otherwise appeared asymptomatic. Our results confirmed that olfactory dysfunction is the most discriminant symptom to predict COVID-19 status when based on olfactory function measurements. Overall, this work highlights the potential for low-cost, frequent, accessible, routine testing for COVID-19 surveillance to aid society’s reopening.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».