ممکن است از ردیاب‌های فعالیت پوشیدنی و هوش مصنوعی برای شناسایی کووید-۱۹ پیش‌علامتی استفاده شود

تحقیقات اولیه منتشر شده در مجله دسترسی آزاد نشان می‌دهد که ردیاب‌های فعالیت پوشیدنی که تغییرات دمای پوست و ضربان قلب و تنفس را همراه با هوش مصنوعی (AI) نظارت می‌کنند، ممکن است برای شناسایی عفونت COVID-19 چند روز قبل از شروع علائم استفاده شوند. BMJ Open.

محققان یافته‌های خود را بر اساس استفاده‌کنندگان از دستبند AVA، یک ردیاب باروری تنظیم‌شده و در دسترس تجاری است که ضربان تنفس، ضربان قلب، تغییرات ضربان قلب، دمای پوست مچ دست و جریان خون و همچنین کمیت و کیفیت خواب را کنترل می‌کند.

علائم معمولی کووید-19 ممکن است چند روز بعد از عفونت قبل از ظاهر شدن طول بکشد، در این مدت یک فرد آلوده می تواند ناخواسته ویروس را پخش کند.

توجه به پتانسیل ردیاب‌های فعالیت و ساعت‌های هوشمند برای شناسایی تمام مراحل عفونت COVID-19 در بدن از زمان جوجه کشی تا بهبودی با هدف تسهیل جداسازی و آزمایش زودهنگام مبتلایان شروع شده است.

بنابراین محققان می‌خواستند ببینند آیا تغییرات فیزیولوژیکی که توسط یک ردیاب فعالیت نظارت می‌شود، می‌تواند برای توسعه یک الگوریتم یادگیری ماشینی برای تشخیص عفونت COVID-19 قبل از شروع علائم استفاده شود یا خیر.

شرکت‌کنندگان (1163 همگی زیر 51 سال) از مطالعه GAPP بین مارس 2020 و آوریل 2021 انتخاب شدند. هدف GAPP، که در سال 2010 شروع شد، درک بهتر توسعه عوامل خطر قلبی عروقی در جمعیت عمومی لیختن‌اشتاین است.

دستبند AVA به این دلیل انتخاب شد که داده‌های آن قبلاً برای اطلاع‌رسانی به الگوریتم یادگیری ماشینی برای تشخیص بارورترین روزهای تخمک‌گذاری زنان در زمان واقعی استفاده می‌شد و دقت 90 درصدی به دست می‌آمد.

شرکت کنندگان در شب دستبند AVA را می پوشیدند. این دستگاه هر 10 ثانیه داده ها را ذخیره می کند و حداقل به 4 ساعت خواب نسبتاً بدون وقفه نیاز دارد. این دستبندها در هنگام بیداری با یک اپلیکیشن مکمل گوشی هوشمند هماهنگ شدند.

شرکت‌کنندگان از این برنامه برای ضبط هرگونه فعالیتی که می‌تواند عملکرد سیستم عصبی مرکزی را تغییر دهد، مانند الکل، داروهای تجویزی، و داروهای تفریحی، و ثبت علائم احتمالی کووید-19 استفاده کردند.

همه آنها به طور منظم آزمایش آنتی بادی سریع برای SARS-CoV-2، ویروس مسئول عفونت COVID-19 انجام دادند. کسانی که علائم نشان دهنده داشتند، آزمایش سواب PCR نیز انجام دادند.

همه اطلاعات شخصی در مورد سن، جنس، وضعیت سیگار کشیدن، گروه خونی، تعداد فرزندان، قرار گرفتن در معرض تماس های خانگی یا همکاران کاری که آزمایش COVID-19 مثبت داشتند و وضعیت واکسیناسیون ارائه کردند.

حدود 127 نفر (11%) در طول دوره مطالعه به عفونت COVID-19 مبتلا شدند. هیچ تفاوتی در فاکتورهای پس‌زمینه بین کسانی که آزمایش مثبت داشتند و آزمایش نکردند وجود نداشت. اما نسبت به‌طور قابل‌توجهی از کسانی که این کار را انجام داده‌اند، گفته‌اند که با اعضای خانواده/کارمندان عادی یا همکارانی که به کووید-۱۹ نیز مبتلا بوده‌اند، در تماس بوده‌اند.

از 127 نفری که تست کووید-19 مثبت شد، 66 نفر (52%) حداقل 29 روز قبل از شروع علائم دستبند خود را بسته بودند و با تست سواب PCR مثبت بودن آنها تایید شد، بنابراین در تجزیه و تحلیل نهایی قرار گرفتند.

داده‌های پایش تغییرات قابل‌توجهی را در هر پنج شاخص فیزیولوژیکی در طول دوره‌های نهفتگی، پیش‌علامتی، علامت‌دار و بهبودی کووید-19 در مقایسه با اندازه‌گیری‌های پایه نشان داد. علائم COVID-19 به طور متوسط ​​8.5 روز طول کشید.

این الگوریتم با استفاده از 70 درصد داده‌ها از روز 10 تا 2 قبل از شروع علائم در یک دوره 40 روزه نظارت مستمر بر روی 66 نفری که آزمایش SARS-CoV-2 مثبت داشتند، “آموزش داده شد”. سپس بر روی 30 درصد باقی مانده از داده ها آزمایش شد.

حدود 73% موارد مثبت تایید شده آزمایشگاهی در مجموعه تمرینی و 68% در مجموعه تست تا 2 روز قبل از شروع علائم انتخاب شدند.

محققان اذعان می کنند که نتایج آنها ممکن است به طور گسترده قابل استفاده نباشد. یافته‌ها فقط بر اساس نمونه کوچکی از افراد بود که همه آنها نسبتاً جوان بودند – احتمال کمتری برای داشتن علائم شدید COVID-19 – از یک مرکز ملی واحد و از نظر قومیتی متفاوت نبودند.

علاوه بر این، دقت (حساسیت) به دست آمده زیر 80٪ بود. اما آنها می گویند که این الگوریتم اکنون در گروه بسیار بزرگتری (20000) از مردم هلند در حال آزمایش است و نتایج آن در اواخر امسال انتظار می رود.

در حالی که تست سواب PCR استاندارد طلایی برای تایید عفونت COVID-19 باقی می ماند، آنها می نویسند: “یافته های ما نشان می دهد که یک الگوریتم یادگیری ماشینی با اطلاعات پوشیدنی ممکن است به عنوان ابزاری امیدوارکننده برای تشخیص پیش علامتی یا بدون علامت COVID-19 باشد.”

و آنها نتیجه گرفتند: “فناوری حسگرهای پوشیدنی روشی با استفاده آسان و کم‌هزینه است که افراد را قادر می‌سازد سلامت و رفاه خود را در طول یک بیماری همه‌گیر ردیابی کنند. تحقیقات ما نشان می‌دهد که چگونه این دستگاه‌ها، با همکاری هوش مصنوعی، می‌توانند فشار وارد کنند. مرزهای پزشکی شخصی و تشخیص بیماری ها قبل از [symptom occurrence]، به طور بالقوه انتقال ویروس را در جوامع کاهش می دهد.”