Investigation of the use of a sensor bracelet for the presymptomatic detection of changes in physiological parameters related to COVID-19: an interim analysis of a prospective cohort study (COVI-GAPP)
Notice bibliographique
Résumé
OBJECTIVES: We investigated machinelearningbased identification of presymptomatic COVID-19 and detection of infection-related changes in physiology using a wearable device. DESIGN: Interim analysis of a prospective cohort study. SETTING, PARTICIPANTS AND INTERVENTIONS: Participants from a national cohort study in Liechtenstein were included. Nightly they wore the Ava-bracelet that measured respiratory rate (RR), heart rate (HR), HR variability (HRV), wrist-skin temperature (WST) and skin perfusion. SARS-CoV-2 infection was diagnosed by molecular and/or serological assays. RESULTS: A total of 1.5 million hours of physiological data were recorded from 1163 participants (mean age 44±5.5 years). COVID-19 was confirmed in 127 participants of which, 66 (52%) had worn their device from baseline to symptom onset (SO) and were included in this analysis. Multi-level modelling revealed significant changes in five (RR, HR, HRV, HRV ratio and WST) device-measured physiological parameters during the incubation, presymptomatic, symptomatic and recovery periods of COVID-19 compared with baseline. The training set represented an 8-day long instance extracted from day 10 to day 2 before SO. The training set consisted of 40 days measurements from 66 participants. Based on a random split, the test set included 30% of participants and 70% were selected for the training set. The developed long short-term memory (LSTM) based recurrent neural network (RNN) algorithm had a recall (sensitivity) of 0.73 in the training set and 0.68 in the testing set when detecting COVID-19 up to 2 days prior to SO. CONCLUSION: ISRCTN51255782; Pre-results.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».