High-throughput digital cough recording on a university campus: A SARS-CoV-2-negative curated open database and operational template for acoustic screening of respiratory diseases
Notice bibliographique
Résumé
Objective: Respiratory illnesses have information-rich acoustic biomarkers, such as cough, that can potentially play an important role in screening populations for disease risk. To realize that potential, datasets of paired acoustic-clinical samples are needed for the development and validation of acoustic screening models, and protocols for collecting acoustic samples must be efficient and safe. We collected cough acoustic signatures at a high-throughput SARS-CoV-2 testing site on a college campus. Here, we share logistical details and the dataset of acoustic cough signatures paired with the gold standard in SARS-CoV-2 testing of SARS-CoV-2 genomic sequences using qRT-PCR. Methods: Cough recordings were collected in winter-spring 2021 at a rural residential college (Sewanee, TN, USA), where approximately 2000 students were tested for SARS-CoV-2 on a weekly basis. Cough collection was managed by student volunteers using custom software. Results: 4302 coughs were recorded from 960 participants over 11 weeks. All coughs were COVID-19 negative. Approximately 30 s were required to check-in a participant and collect their cough. Conclusion: The value of acoustic screening tools depends upon our ability to develop and implement them reliably and quickly. For that to happen, high-quality datasets and logistical insights must be collected and shared on an ongoing basis.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».