Artículo de investigación publicado en Nature, muestra avances sobre la detección pasiva de COVID-19 mediante el uso de wearables, y algoritmos de aprendizaje automático.
El monitoreo constante es de critica importancia para la identificación y rastreo de casos de COVID-19, de esta forma se puede lograr un aislamiento y evitar la propagación de la infección, así como brindar una buena atención desde el comienzo de los síntomas.
Aunque las pruebas PCR o de antígenos son efectivas para la detección de casos, existen grandes desafíos para su accesibilidad. El estudio publicado en npj Digital Medicine de Nature, muestra que el autoinforme de síntomas combinado con un algoritmo de aprendizaje automático puede predecir una prueba positiva de COVID-19.
Este monitoreo constante es posible a través del uso de wearables comerciales que miden datos biométricos como la frecuencia cardíaca en reposo, el sueño o la actividad, que han demostrado ser efectivos en la detección de COVID-19. En este sentido el estudio propuso un modelo basado en árboles de decisión para la detección de COVID-19 que puede adaptarse a la ausencia de síntomas autoinformados y a los datos de los sensores disponibles.
Otros estudios han diseñado algoritmos específicos para dispositivos determinados, sin embargo, el desarrollado en esta investigación es independiente al modelo del wearable. “Con el fin de proporcionar las alertas tempranas más precisas para COVID-19 a todos los participantes para una amplia variedad de dispositivos portátiles, propusimos y validamos un algoritmo de aprendizaje automático que ingiere todos los datos de sensores disponibles para la detección de la infección por COVID-19”, explica el estudio.
El estudio contó con la participación de 38,911 personas (61% mujeres), entre el 25 de marzo de 2020 y el 3 de abril de 2021, de las cuales 1,118 fueron positivas a COVID-10 y 7,032 negativas, a través de una prueba PCR.
Los autores concluyeron que su modelo de aprendizaje automático “puede discriminar entre las personas que dieron positivo o negativo a COVID-19 en función de múltiples tipos de datos recopilados por dispositivos portátiles, información demográfica y síntomas autoinformados cuando estén disponibles”.
Puedes consultar el artículo completo en el siguiente enlace: https://www.nature.com/articles/s41746-021-00533-1
