Remote early detection of SARS-CoV-2 infections using a wearable-based algorithm: Results from the COVID-RED study, a prospective randomised single-blinded crossover trial
Notice bibliographique
Résumé
BACKGROUND: Rapid and early detection of SARS-CoV-2 infections, especially during the pre- or asymptomatic phase, could aid in reducing virus spread. Physiological parameters measured by wearable devices can be efficiently analysed to provide early detection of infections. The COVID-19 Remote Early Detection (COVID-RED) trial investigated the use of a wearable device (Ava bracelet) for improved early detection of SARS-CoV-2 infections in real-time. TRIAL DESIGN: Prospective, single-blinded, two-period, two-sequence, randomised controlled crossover trial. METHODS: Subjects wore a medical device and synced it with a mobile application in which they also reported symptoms. Subjects in the experimental condition received real-time infection indications based on an algorithm using both wearable device and self-reported symptom data, while subjects in the control arm received indications based on daily symptom-reporting only. Subjects were asked to get tested for SARS-CoV-2 when receiving an app-generated alert, and additionally underwent periodic SARS-CoV-2 serology testing. The overall and early detection performance of both algorithms was evaluated and compared using metrics such as sensitivity and specificity. RESULTS: A total of 17,825 subjects were randomised within the study. Subjects in the experimental condition received an alert significantly earlier than those in the control condition (median of 0 versus 7 days before a positive SARS-CoV-2 test). The experimental algorithm achieved high sensitivity (93.8-99.2%) but low specificity (0.8-4.2%) when detecting infections during a specified period, while the control algorithm achieved more moderate sensitivity (43.3-46.4%) and specificity (66.4-65.0%). When detecting infection on a given day, the experimental algorithm also achieved higher sensitivity compared to the control algorithm (45-52% versus 28-33%), but much lower specificity (38-50% versus 93-97%). CONCLUSIONS: Our findings highlight the potential role of wearable devices in early detection of SARS-CoV-2. The experimental algorithm overestimated infections, but future iterations could finetune the algorithm to improve specificity and enable it to differentiate between respiratory illnesses. TRIAL REGISTRATION: Netherlands Trial Register number NL9320.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».