Evaluation of MyCOVIDRisk App Users: An Updated Risk Evaluation and Mitigation Tool for Public Use
Notice bibliographique
Résumé
Background The MyCOVIDRisk app is a free web-based tool for the public to quickly estimate the likelihood of COVID-19 infection based on individual behavior, environmental factors, and local case counts. User input of activities and mitigation measures impact the modifiable risk estimates. Originally launched in October 2020, an updated version was released in November 2021 to account for the transmission dynamics of delta and omicron variants and the protective effects of vaccination. Objective This study aims to assess trends in (1) user characteristics, (2) projected risk level, and (3) mitigation measures selected by users since the app’s inception. Methods We tracked overall site usage with Google Analytics. To describe user inputs (preferred activities, gathering sizes, vaccination status, and other risk mitigation steps), we aggregated back-end app data logging at every run of the risk analysis algorithm. We calculated descriptive statistics. Results As of March 1, 2022, the MyCOVIDRisk app has been used 1,339,940 times (1,231,546 times in v1 and 108,394 times in v2). Multiple characteristics of activities changed across the 2 versions. For example, the top activity in v1 was “Visiting Friend’s House” (22.6%, n=146,399); versus “Family Dinner” in v2 (21.3%, n=19,724). In v1, only 0.7% of users who were originally “high risk” and 10.8% of those who were originally “moderate risk” decreased their predicted risk to “low” using layered mitigation steps. In v2, in comparison, 24.4% of high-risk and 24.8% of moderate-risk activities were decreased to low risk. Conclusions The MyCOVIDRisk App allows individuals to assess in real time risk of being infected by SARS-CoV-2. Using app-directed mitigation steps, users were able to reduce their predicted risk of COVID-19 transmission during daily activities. Patterns of mask use and types of activities changed over time. In v2, users were more likely to report being vaccinated or boosted and wearing masks compared to what national statistics suggest. Future iterations of the app should assess actual change in behavior and should aim to reach those who are not currently vaccinated or masking. Acknowledgments We would like to thank Rebecca Wang, Jason Peres da Silva, and Anusha Rahman. Conflicts of Interest None declared.
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 | 0,016 | 0,035 |
| 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 ».