本文要点
1)研究人员探讨了随时间推移收集的个人传感器数据是否可以帮助识别表明感染的细微变化,例如在COVID-19患者中。
2)研究人员开发了一个智能手机应用程序,该应用程序收集了来自美国个人的smartwatch和活动跟踪器数据,以及自我报告的症状和诊断测试结果,并评估了症状和传感器数据是否可以在有症状的个体中区分COVID-19阳性与阴性病例。
3)在2020年3月25日至6月7日之间,研究人员招募了30,529名参与者,其中3,811名有症状。在这些有症状的个体中,有54例报告COVID-19检测呈阳性,而279呈阴性。
4)研究人员发现,症状和传感器数据的组合导致曲线下面积(AUC)为0.80(四分位间距(IQR):0.73-0.86),在用于区分对COVID-19阳性或阴性的有症状个体时,比仅考虑症状的模型(AUC = 0.71; IQR:0.63-0.79)更好(P <0.01)。
本文研究表明,此类连续的、被动获取的数据可能与病毒测试(通常是一次性或不频繁的采样分析)相辅相成。
参考文献:
Giorgio Quer, et al. Wearable sensor data and self-reported symptoms for COVID-19 detection. Nature Medicine, 2020.
DOI:10.1038/s41591-020-1123-x
https://www.nature.com/articles/s41591-020-1123-x