Por favor, use este identificador para citar o enlazar este ítem:
https://www.arca.fiocruz.br/handle/icict/46765
Tipo
ArtículoDerechos de autor
Acceso abierto
Colecciones
- INI - Artigos de Periódicos [3397]
Metadatos
Mostrar el registro completo del ítem
APP-BASED SYMPTOM TRACKING TO OPTIMIZE SARS-COV-2 TESTING STRATEGY USING MACHINE LEARNING
Autor
Afiliación
Pontifícia Universidade Católica do Rio de Janeiro. Departamento de Engenharia Industrial. Rio de Janeiro, RJ, Brasil.
Pontifícia Universidade Católica do Rio de Janeiro. Departamento de Engenharia Industrial. Rio de Janeiro, RJ, Brasil.
Pontifícia Universidade Católica do Rio de Janeiro. Departamento de Engenharia Industrial. Rio de Janeiro, RJ, Brasil.
Pontifícia Universidade Católica do Rio de Janeiro. Instituto Tecgraf. Rio de Janeiro, RJ, Brasil.
Pontifícia Universidade Católica do Rio de Janeiro. Departamento de Engenharia Industrial. Rio de Janeiro, RJ, Brasil.
Pontifícia Universidade Católica do Rio de Janeiro. Departamento de Engenharia Industrial. Rio de Janeiro, RJ, Brasil.
Pontifícia Universidade Católica do Rio de Janeiro. Departamento de Engenharia Industrial. Rio de Janeiro, RJ, Brasil.
Pontifícia Universidade Católica do Rio de Janeiro. Departamento de Engenharia Industrial. Rio de Janeiro, RJ, Brasil.
Pontifícia Universidade Católica do Rio de Janeiro. Departamento de Engenharia Industrial. Rio de Janeiro, RJ, Brasil.
Fundação Oswaldo Cruz. Instituto Nacional de Infectologia Evandro Chagas. Rio de Janeiro, RJ, Brasil / Instituto D'Or de Pesquisa e Educação. Rio de Janeiro, RJ, Brasil.
Pontifícia Universidade Católica do Rio de Janeiro. Departamento de Engenharia Industrial. Rio de Janeiro, RJ, Brasil.
Pontifícia Universidade Católica do Rio de Janeiro. Departamento de Engenharia Industrial. Rio de Janeiro, RJ, Brasil.
Pontifícia Universidade Católica do Rio de Janeiro. Instituto Tecgraf. Rio de Janeiro, RJ, Brasil.
Pontifícia Universidade Católica do Rio de Janeiro. Departamento de Engenharia Industrial. Rio de Janeiro, RJ, Brasil.
Pontifícia Universidade Católica do Rio de Janeiro. Departamento de Engenharia Industrial. Rio de Janeiro, RJ, Brasil.
Pontifícia Universidade Católica do Rio de Janeiro. Departamento de Engenharia Industrial. Rio de Janeiro, RJ, Brasil.
Pontifícia Universidade Católica do Rio de Janeiro. Departamento de Engenharia Industrial. Rio de Janeiro, RJ, Brasil.
Pontifícia Universidade Católica do Rio de Janeiro. Departamento de Engenharia Industrial. Rio de Janeiro, RJ, Brasil.
Fundação Oswaldo Cruz. Instituto Nacional de Infectologia Evandro Chagas. Rio de Janeiro, RJ, Brasil / Instituto D'Or de Pesquisa e Educação. Rio de Janeiro, RJ, Brasil.
Resumen en ingles
Background: Tests are scarce resources, especially in low and middle-income countries, and the optimization of testing programs during a pandemic is critical for the effectiveness of the disease control. Hence, we aim to use the combination of symptoms to build a predictive model as a screening tool to identify people and areas with a higher risk of SARS-CoV-2 infection to be prioritized for testing. Materials and methods: We performed a retrospective analysis of individuals registered in "Dados do Bem," a Brazilian app-based symptom tracker. We applied machine learning techniques and provided a SARS-CoV-2 infection risk map of Rio de Janeiro city. Results: From April 28 to July 16, 2020, 337,435 individuals registered their symptoms through the app. Of these, 49,721 participants were tested for SARS-CoV-2 infection, being 5,888 (11.8%) positive. Among self-reported symptoms, loss of smell (OR[95%CI]: 4.6 [4.4-4.9]), fever (2.6 [2.5-2.8]), and shortness of breath (2.1 [1.6-2.7]) were independently associated with SARS-CoV-2 infection. Our final model obtained a competitive performance, with only 7% of false-negative users predicted as negatives (NPV = 0.93). The model was incorporated by the "Dados do Bem" app aiming to prioritize users for testing. We developed an external validation in the city of Rio de Janeiro. We found that the proportion of positive results increased significantly from 14.9% (before using our model) to 18.1% (after the model). Conclusions: Our results showed that the combination of symptoms might predict SARS-Cov-2 infection and, therefore, can be used as a tool by decision-makers to refine testing and disease control strategies.
Compartir