Wearables detecteren COVID-19; oordeel over onderzoeksportalen

vr 11 december 2020
Wearables detecteren COVID-19; oordeel over onderzoeksportalen
Diagnostiek
Premium

In deze rubriek presenteert ditmaal Marleen van Gelder de uitkomsten van wetenschappelijke studies op het snijvlak van digitalisering en gezondheid. Deze editie schenkt aandacht aan een studie over het gebruik van smartwatches voor de detectie van Covid-19 en aan de ervaringen van deelnemers aan onderzoeken met onderzoeksportalen.

Wearables voor de detectie van COVID-19
Een van de grootste uitdagingen in de preventie van verspreiding van SARS-CoV-2 is het snel identificeren, opsporen en isoleren van besmette personen voordat ze het virus weer doorgeven aan anderen. Snel en betrouwbaar testen speelt hierin een centrale rol. Helaas is dit in de afgelopen maanden niet altijd even goed mogelijk geweest. In een aantal landen, zoals de Verenigde Staten, is de testcapaciteit nog heel beperkt. Daar vindt de screening op besmettingen met name plaats met de combinatie van vragenlijsten over symptomen en reisbewegingen, gecombineerd met metingen van lichaamstemperatuur. Met deze methode worden echter veel besmette personen gemist (fout-negatieven), met name de personen zonder symptomen en/of voordat ze symptomen krijgen, terwijl ze al wel besmettelijk zijn. Giorgio Quer en collegae hebben een smartphone-app ontwikkeld waarmee ze met gegevens uit smartwatches onderscheid proberen te maken tussen personen met en zonder COVID-191.

De onderzoekers ontwikkelden DETECT (Digital Engagement and Tracking for Early Control and Treatment), een platform waarop individuen sensordata uit smartwatches, zelf-gerappor- teerde symptomen, diagnoses en gegevens uit elektronische patiëntendossiers kunnen delen. Doel van DETECT is om personen met virussen, inclusief COVID-19, beter op te kunnen sporen om zo verdere verspreiding te voorkomen.

Van de ruim 30.000 deelnemers aan deze Amerikaanse studie verbond 78 procent een Fitbit-apparaat met het platform, 31 procent de AppleHealthKit en 8 procent Google Fit. Van de 3.811 deelnemers met symptomen, testten er 54 ook daadwerkelijk positief op COVID-19, terwijl er 279 waren met een negatieve test.

Geen onderscheid
Rusthartslag bleek geen onderscheid te kunnen maken tussen deelnemers die positief en negatief getest waren op COVID-19, ook al had bijna een derde van de besmette deelnemers een hoge rusthartslag (2 standaarddeviaties boven het gemiddelde). Wel zagen ze verschillen in slaap en activiteit tussen de COVID-19 positief en negatief geteste deelnemers.

Wanneer rusthartslag, slaap en activiteit gecombineerd werden in één model, was dit vergelijkbaar met een model waarin alleen zelf-gerapporteerde symptomen meegenomen worden. De combinatie van de sensorgegevens en zelf-gerapporteerde symptomen verbeterde het model nog verder, met een zogenaamde Area Under the Curve (AUC) van 0.80. Door het relatief kleine aantal deelnemers met een positieve COVID-19 test, kan de prestatie van het model (het onderscheidend vermogen) niet heel nauwkeurig bepaald worden.