原始论文
摘要
背景:实施新技术作为传统疾病监测系统的补充，为快速分析提供了额外的机会。
摘要目的:这项工作的目的是描述在第一波COVID-19期间瑞士两家医院的卫生保健工作者(HCWs)中基于网络的参与式监测策略。
方法:2020年3月，在圣加仑州立医院和瑞士东部儿童医院招募了一组前瞻性卫生保健员。对于数据分析，我们使用了以下技术的组合:局部估计散点图平滑(黄土)回归，Spearman相关，异常检测和随机森林。
结果:2020年3月23日至8月23日，共发送127,684条短信，在1004名参与者中生成90,414份有效报告，实现每个用户每周平均4.5份(SD 1.9)报告。与聚合酶链反应阳性结果相关性最强的症状是味觉丧失。红眼或流鼻涕等症状与检测呈阳性呈负相关。接收者工作特征曲线下的面积显示了分类树的良好性能，训练数据的准确率为88%，测试数据的准确率为89%。然而，虽然预测矩阵具有良好的特异性(80.0%)，但敏感性较低(10.6%)。
结论:味觉丧失是与人群层面的COVID-19活动最一致的症状。在个人层面，使用基于机器学习的随机森林分类，报告味觉丧失和肢体/肌肉疼痛以及没有流鼻涕和红眼是COVID-19的最佳预测指标。
doi: 10.2196/33576
关键字
介绍
COVID-19大流行是全球社会有史以来面临的最大卫生挑战之一。介绍了一系列测量与COVID-19和大流行相关因素的工具和方法[-]。COVID-19总体上对公共卫生构成挑战，而卫生保健工作者特别容易感染COVID-19 []。几项使用在线表格的研究发现，它们可以用于跟踪不同地点(包括工作场所)的疾病活动[，]。然而，这些技术平台需要及时、持续和持续的参与，以产生有效和有代表性的监测数据[]。在协作和收集集体卫生信息方面，数字流行病学和参与性监测技术已被证明是帮助发现健康威胁的巨大潜力工具[-]。据报道，许多通过个人自愿参与每天报告症状的策略取得了成功的结果[，]。患者参与性监测已被证明在发现几种流行病学挑战(如COVID-19、季节性流感或高风险大规模聚集)的综合征聚集性方面具有补充作用[-]。新技术的实施为基于机器学习的大数据快速分析提供了额外的机会，从而作为传统疾病监测系统的补充。
这项工作的目的是描述在COVID-19大流行的第一波期间，瑞士两家医院的卫生保健工作人员中基于网络的参与式监测战略。
方法
研究设计
2020年3月，在瑞士圣加仑州立医院和瑞士东部儿童医院招募了一组前瞻性卫生保健员。年龄在16岁及以上的个人符合条件。医护人员在接受电子知情同意书后被纳入研究。参与者的匿名化是通过使用三个级别的管理ID系统进行的;我们匿名化了参与者(用户ID)、调查(调查ID)和他们的样本(订单ID)。没有提供补偿，参与是自愿的。知情同意书的副本，其中包含有关隐私和保密的所有细节。该研究得到了当地伦理委员会(Ethikkommission Ostschweiz;# 2020 - 00502)。所有参与者都通过电子邮件收到一个链接，填写一份基线问卷，收集研究开始时已有疾病的数据。为了提高数据质量和减少报告偏差，需要进行手机号码验证;参与者只有输入发送到他们手机上的令牌才能继续前进。在完成基线表格后，参与者有资格收到每日短信，并有一个个性化的链接将他们重定向到一个安全的网络平台，在那里他们可以填写他们的症状日记。为了鼓励参与者参与整个研究过程，研究人员在前一天向那些没有填写症状日记的人发送了一条短信提醒。在症状日记中，参与者被问及COVID-19症状的类型和严重程度。根据瑞士联邦公共卫生办公室(FOPH)的规定，那些符合SARS-CoV-2检测标准(即发烧/发烧、咳嗽、呼吸急促、喉咙痛或嗅觉缺失/失语)的人被要求安排预约进行鼻咽拭子检查[]。
为验证目的，将在线调查的阳性率与在研究机构(独立于参与研究)进行SARS-CoV-2聚合酶链反应(PCR)检测的医护人员的阳性率进行比较。我们测试了孤立症状和各种组合，包括FOPH测试标准。
| 调查问题主题 | 类型 |
| 喉咙痛 | 症状 |
| 咳嗽 | 症状 |
| 呼吸急促（气促） | 症状 |
| 流鼻涕 | 症状 |
| 头疼 | 症状 |
| 腹泻 | 症状 |
| 厌食、恶心 | 症状 |
| 发热 | 症状 |
| 发冷 | 症状 |
| 肢体/肌肉疼痛 | 症状 |
| 味觉丧失 | 症状 |
| 眼睛发痒发红 | 症状 |
| 感觉虚弱 | 症状 |
| 发烧引起的肌肉疼痛 | 症状 |
| 了药物 | 结果 |
| 寻求医疗服务 | 结果 |
| 错过了工作 | 结果 |
| 住院 | 结果 |
数据分析
为了分析症状的时间趋势，我们使用了局部加权的运行线平滑器(局部估计的散点图平滑器[黄土])[]，它是在正弦波中加入高斯噪声的非参数平滑器。该算法以逐点方式估计潜在函数。该方法是一种监督机器学习方法，用于在数据点之间生成散点图平滑的移动平均值。其函数可以表示为:
ω(χ)= (1 - d | |3.）3.
在哪里d是数据点到滤波曲线上的点的距离，缩放到0-1的范围内。然后我们使用7天移动平均线作为窗口大小，在右边对齐。
使用Spearman秩相关系数验证症状与检测阳性之间的统计相关性，使用单调函数，由下式描述[]：
关键是要确定整个期间的重大时间偏差，包括这种高频数据输入的季节性影响。因此，我们采用了季节性混合极端学生偏差(S-H-ESD)算法[]，采用基于黄土的修正季节趋势分解方法[]。该技术允许识别随时间变化的点，识别信号频率(FOPH分类)何时为正(增加)或负(减少)。对缺失值进行样条插值处理，最大异常比为0.1，选取2周的分段中位时间窗。
最后，根据出现与COVID-19相符症状的概率对参与者进行分类，我们使用了随机森林算法。这是一种基于决策树的集成学习方法，提高了训练数据和测试数据的分类精度[]。具体来说，该算法是一个由随机基础回归树{rn(x,Θ米，Dn)，米≥1}，其中Θ1,Θ2,……是随机变量Θ的独立同分布(IID)输出。这些随机树被汇集起来，形成以下的综合回归估计[]：
在哪里
表示对随机参数的期望，条件为onX数据集Dn。
为了解释在本研究中如何使用随机森林技术，生成了其参数摘要以及模型的预测矩阵。此外，建立受试者工作特征(ROC)曲线来评价模型的二元分类。我们分割数据，使用70%的条目用于模型训练，30%的条目用于测试集。为了确定哪些变量对预测结果或多或少重要，我们使用了箱线图。
算法和技术在R语言中编程和部署，使用探索性[)的框架。数据采集系统采用JotForm []以及一个专有的解决方案，并托管在亚马逊网络服务上，使用EC2和S3实例。SMS短信系统使用Twilio的[应用程序编程接口发送消息。
结果
从2020年3月23日至2020年8月23日，共发送了127,684条短信，在1004名参与者中生成了90,414份有效报告，实现了每个用户每周平均4.5份(SD 1.9)报告。在参与者中，女性(n=755, 75.2%)比男性(n=249, 24.8%)更普遍，反映了这些医院的一般HCW人群。中位年龄39岁，平均40.2岁(SD 11.3)。为研究期间呼吸道感染症状的时间分布，采用黄土回归。在研究期间，总共有1.49% (n=15)的参与者报告了PCR阳性结果。双峰曲线的第一个峰值与医院检测呈阳性个体的参考曲线明显平行，代表了该地区的第一波COVID-19。第二个峰值出现在2020年7月至2020年8月之间，在参考曲线中检测呈阳性的个体信号要低得多。
对于随时间变化的异常检测，显示症状信号是否在预期之中(基于过去的趋势)，或者它代表的是正异常还是负异常，这意味着记录的症状频率显著增加或减少。表示具有统计意义的变化点，包括与预期量相比观察到的差异。正异常出现在三个不同时期;其中两次发生在第一波最活跃期间，第三次发生在7月至8月期间，可能出现第二波。然而，如上所述，在参考曲线中没有看到第二(或第三)波。
| 日期 | 联邦公共卫生办公室阳性比例 | 预期 | 与预期的差异 | 异常类型 |
| 05/04/2020 | .324675325 | 1 | -.675324675 | 负 |
| 08/04/2020 | 1.83982684 | 1 | .83982684 | 积极的 |
| 20/04/2020 | 1.677489177 | 1 | .677489177 | 积极的 |
| 30/04/2020 | .91991342 | 0 | .91991342 | 负 |
| 12/05/2020 | .162337662 | 0 | .162337662 | 负 |
| 09/07/2020 | .703463203 | 1 | -.296536797 | 负 |
| 15/07/2020 | .91991342 | 0 | .91991342 | 积极的 |
| 02/08/2020 | .216450216 | 0 | .216450216 | 负 |
症状与SARS-CoV-2 PCR阳性检测结果的相关矩阵见，而在，显著性矩阵显示了正相关和负相关，以及不显著相关。与PCR阳性结果相关性最强的症状是味觉丧失。相反，红眼或流鼻涕等症状与检测呈阳性呈负相关(）.
| 症状 | 相关 | 双 | P价值 |
| 味觉丧失 | 0.5274 | 积极的 | <措施 |
| 联邦公共卫生办公室的定义 | 0.2189 | 积极的 | <措施 |
| 厌食、恶心 | 0.1698 | 积极的 | <措施 |
| 肢体/肌肉疼痛 | 0.1103 | 积极的 | <措施 |
| 咳嗽 | 0.1032 | 积极的 | <措施 |
| 发冷 | 0.0731 | 积极的 | .002 |
| 头疼 | 0.0279 | 积极的 | .37点 |
| 眼睛发红发痒 | -0.1560 | 负 | . 01 |
| 流鼻涕 | -0.1508 | 负 | 措施 |
| 发热 | -0.1025 | 负 | .10 |
| 腹泻 | -0.0770 | 负 | 措施 |
最后,显示了随机森林算法的总结结果，该算法用于根据参与者的症状将其分为SARS-CoV-2阳性和阴性病例。ROC曲线下的面积显示了分类树的合理性能，训练数据的准确率为88%，测试数据的准确率为89% (）.然而，尽管预测矩阵具有良好的特异性(80.0%)，但敏感性较低(10.6%;）.显示症状的重要性及其基于随机森林算法预测预期结果的能力，考虑aP值< 0.05。味觉丧失和肢体/肌肉疼痛是预测阳性结果的最重要变量，而流鼻涕和眼睛发红与同样的结果呈负相关。发烧是阳性结果的一个非常弱的预测因子。
| 数据集 | 曲线下面积 | F1分数 | 准确率 | 误分类率 | 精度 | 回忆 |
| 培训 | .90375 | .68027 | .8839 | .11604 | .87719 | .5555 |
| 测试 | .87576 | .66331 | .89438 | .10561 | .91304 | .5206 |
| 数据集和类型(实际) | 数据类型(预测) | ||||
| 真的,% | 假,% | ||||
| 测试 | |||||
| 真正的 | 10.4 | 9.57 | |||
| 假 | 获得 | 79.04 | |||
| 培训 | |||||
| 真正的 | 12.35 | 9.88 | |||
| 假 | 1.73 | 76.05 | |||
讨论
本研究展示了在卫生保健工作者中使用数字监测来监测COVID-19活动的情况。味觉丧失是与人群层面的COVID-19活动最一致的症状。在个人层面，使用基于机器学习的随机森林分类，报告味觉丧失和肢体/肌肉疼痛以及没有流鼻涕和红眼是COVID-19的最佳预测指标。该研究的主要优势在于其高应答率和与参考曲线的比较，参考曲线是基于同一人群中记录的PCR结果。
通过参与式监测进行综合征监测已被证明是监测COVID-19活动的可行策略[]，并被认为是为公共卫生应对这一流行病提供信息的重要措施[]。考虑到参与度是一个成功平台的关键因素，我们的研究——平均每周有4.5个回答——有一个很好的基础来产生有效和有代表性的结果。与其他平台相比，这种高粘性和参与率是非同寻常的。，，，]，尤指超过5个月的[]。易于使用的调查，来自两家不同医院的卫生保健员的确定人群，以及与研究参与者的定期互动是高回复率的潜在原因。当研究扩展到更大的社区时，这些参与指数能否维持下去还有待观察。
症状的时间分布符合瑞士第一波COVID-19所代表的趋势[，]。然而，如参考曲线所示，7月份检测到的信号并非由COVID-19引起。有趣的是，在这段时间内，几名医护人员的鼻病毒检测呈阳性，这表明这是这一波的原因。值得注意的是，味觉丧失(COVID-19最具体的症状)在第二波中没有增加。
其他几项研究表明，味觉丧失是COVID-19的一个很好的代表。-]。虽然这种症状的特异性很好，但只有约20%的患者报告味觉丧失[]。我们得出的结论是，味觉丧失的检测对解释人群水平的发现非常有帮助，但由于其发病率低，在个体患者水平上的作用较小。在我们的分析中，第二个最重要的积极相关症状是肢体/肌肉疼痛，其他人也注意到了这一点[]。值得注意的是，流鼻涕和红眼是COVID-19非常重要的阴性预测因子;这一发现对于在过敏季节进行监测特别有用。然而，症状的敏感性和特异性都取决于其他感染和过敏的背景活动，因此可能会发生变化。由于显性SARS-CoV-2菌株的遗传适应，症状的有效性也可能发生变化。在研究期间，瑞士没有传播SARS-CoV-2的新变种(例如B.1.1.7/Alpha)。因此，这里描述的症状不一定推断为不同的循环SARS-CoV-2变体。然而，通过参与性监测进行的综合征监测可能允许发现或验证从新的流行毒株出现的不同临床表现。事实上，最近的一项研究描述了英国普通人群中COVID-19症状的微小差异，这取决于变体[]。
我们的研究有一些局限性。首先，它是在流感季节之外进行的。由于流感比其他呼吸道病毒更常表现为体质症状，因此很难通过症状分析将流感与COVID-19区分开来。其次，我们依赖于参与者自我报告他们的症状，这种方法容易产生偏见。第三，我们的数据的普遍性是有限的，因为我们医院只有五分之一的医护人员参与了这项研究;此外，由于同样的原因，空间成分无法被探索。同时，这将是评估SARS-CoV-2是否在区域分布的一个非常重要的参数，这将有助于为疾病监测目的形成一个完整的画面。基于机器学习的分类技术的应用，如随机森林分类，有其自身的局限性，因为大量的树会使算法过于缓慢，无法进行实时预测。一般来说，这些算法训练起来很快，但一旦训练起来，生成预测的速度就很慢。更准确的预测需要更多的树，这导致模型变慢。
尽管如此，我们认为提出的监测工具在监测和预测我国卫生保健工作者的COVID-19活动方面非常有用。目前，我们已扩大我们的HCW学员，包括来自20多所院校的5000多名学员[]。对来自不同机构的数据进行分析，将使我们能够发现某些机构中的聚集性病例，这可能会在受影响的卫生保健机构中触发有针对性的干预措施。此外，这些数据可用于检测未检测或PCR结果为假阴性的有症状的卫生工作者，并可用于区分SARS-CoV-2引起的症状与流感等其他病毒引起的症状。我们的目标是通过在这个更大的队列中产生的监测数据来回答进一步的问题，包括有记录的SARS-CoV-2感染(或接种疫苗)的医护人员可以保护多长时间免受再次感染，或者病毒变体的出现如何改变COVID-19的症状。
致谢
这项工作得到了瑞士国家科学基金会(赠款31CA30_196544和PZ00P3_179919给PK)、联邦公共卫生办公室(赠款20.008218/421-28/1)和圣加仑州立医院研究基金的支持。OLN感谢Rodrigo Paiva对技术平台开发的支持。
作者的贡献
OLN和PK构思了提出的想法，并在TE、CK、MS、DF、WA和PV的支持下撰写了稿件。OLN进行了分析。所有作者都修改了手稿的最终版本。PK监督这个项目。
利益冲突
没有宣布。
知情同意(德文)。
PDF档案(adobepdf档案)，206kb参考文献
- 李建军，李建军，李建军，等。基于移动健康应用的传染病管理研究进展。[j] mHealth uHealth 2020年11月10日;8(11):e22594 [j]免费全文] [CrossRef] [Medline］
- Flaxman S, Mishra S, Gandy A, Unwin HJT, Mellan TA, Coupland H，帝国理工学院COVID-19应对小组，等。估计欧洲非药物干预措施对COVID-19的影响。《自然》2020年8月;584(8):257-261 [j]免费全文] [CrossRef] [Medline］
- Howell O'Neill P, Ryan-Mosley T, Johnson B.大量冠状病毒应用程序正在跟踪我们。现在是时候跟踪他们了。麻省理工学院科技评论。2020。URL:https://www.technologyreview.com/2020/05/07/1000961/launching-mittr-covid-tracing-tracker/[2021-01-15]访问
- 刘建军，刘建军，刘建军，等。基于应用程序的COVID-19接触者追踪的可接受性:跨国调查证据[j] [j] [j] [j] [j]免费全文] [CrossRef] [Medline］
- 叶强，周军，吴华。利用信息技术管理新冠肺炎疫情:基于中国实践经验的技术框架构建。中华医学杂志，2020;8(6):e19515 [j]免费全文] [CrossRef] [Medline］
- Abeler J, Bäcker M, Buermeyer U, Zillessen H.新型冠状病毒接触者追踪和数据保护可以同时进行。JMIR mHealth uHealth 2020 Apr 20;8(4):e19359 [j]免费全文] [CrossRef] [Medline］
- 王晓东，王晓东，王晓东，等。新型冠状病毒肺炎疫情防控中基于手机app即时接触者追踪的研究进展。中华医学杂志[J]; 2011; 26 (7):427-431 [J]免费全文] [CrossRef] [Medline］
- 亚当斯JG，沃尔斯RM。在2019冠状病毒病全球流行期间支持医护人员。中国医学杂志2020年4月21日;323(15):1439-1440。［CrossRef] [Medline］
- Sim JXY, Conceicao EP, Wee LE, Aung MK, Wei Seow SY, Yang Teo RC，等。在2019冠状病毒病爆发期间，利用电子健康记录创建症状性工作人员监测系统。[J]中华传染病杂志;2011;49(6):685-689 [J]免费全文] [CrossRef] [Medline］
- Kohler PP, Kahlert CR, Sumer J, Flury D, g
- 王晓明，王晓明，王晓明，Santos-Hövener .参与式流行病学:参与式研究对流行病学的贡献。新兴主题流行病学2017年2月10日;14(1):2-15 [j]免费全文] [CrossRef] [Medline］
- 李建军，李建军，李建军，等。流感网:欧洲10国公民合作监测流感。JMIR公共卫生监测2017 9月19日;3(3):e66 [j]免费全文] [CrossRef] [Medline］
- 李建军，李建军，李建军，等。参与式疾病监测:社区对健康威胁的直接报告、监测和应对。公共卫生监测2017;10月11日;3(4):e62 [j]免费全文] [CrossRef] [Medline］
- Leal-Neto OB, Dimech GS, Libel M, Oliveira W, Ferreira JP。数字疾病检测和参与性监测:巴西的概况和前景。中国医学杂志2016;50:17 [免费全文] [CrossRef] [Medline］
- 数字流行病学:它是什么?它将走向何方?生命科学与社会政策2018 Jan 04;14(1):1-5 [免费全文] [CrossRef] [Medline］
- Wójcik OP, Brownstein JS, Chunara R, Johansson MA。为人民服务的公共卫生:数字时代的参与式传染病监测。新兴主题流行病学2014年6月20日;11(1):7-7 [j]免费全文] [CrossRef] [Medline］
- Leal Neto O, Dimech GS, Libel M, de Souza WV, Cesse E, Smolinski M，等。Saúde na Copa:世界上首次在2014年巴西世界杯的群众集会上应用参与式监控。JMIR公共卫生监测2017年5月04日;3(2):e26 [j]免费全文] [CrossRef] [Medline］
- Leal Neto O, Cruz O, Albuquerque J, Nacarato de Sousa M, Smolinski M, Pessoa Cesse EÂ，等。2016年里约热内卢奥运会期间基于众包的健康卫士平台参与式监测:描述性研究公共卫生监测2020年4月07日;6(2):e16119 [j]免费全文] [CrossRef] [Medline］
- Drew D, Nguyen LH, stevescj, Menni C, Freydin M, Varsavsky T, COPE联盟。快速实施COVID-19实时流行病学移动技术。Science 2020 Jun 19;368(6497):1362-1367 [免费全文] [CrossRef] [Medline］
- 印度COVID-19大流行参与性疾病监测案例。公共卫生监测2020年4月16日;6(2):e18795 [j]免费全文] [CrossRef] [Medline］
- 罗华，李毅，王世峰。使用在线问卷对普通人群进行COVID-19监测:来自中国18161名受访者的报告中华医学会公共卫生监测2020年4月27日;6(2):e18576 [j]免费全文] [CrossRef] [Medline］
- Leal-Neto O, Santos F, Lee J, Albuquerque J, Souza W.基于参与式监测和空间扫描的COVID-19检测优先级。[J]中华医学杂志，2011;33 (3):391 - 391 [J]免费全文] [CrossRef] [Medline］
- Infektionskrankheiten melden。URL:https://www.bag.admin.ch/bag/de/home/krankheiten/infektionskrankheiten-bekaempfen/meldesysteme-infektionskrankheiten/meldepflichtige-ik/meldeformulare.html[2021-11-16]访问
- 移动最小二乘和局部回归估计的简单介绍。洛斯阿拉莫斯国家实验室，2017。URL:https://www.osti.gov/biblio/1367799-simple-introduction-moving-least-squares-local-regression-estimation[2021-11-17]访问
- 探索性数据分析在商业和经济:介绍使用SPSS, Stata和Excel。Cham:施普林格国际出版;2014.
- 刘建军，刘建军。基于统计学习的云异常自动检测方法。arXiv预印本2017年4月24日在线发布[免费全文］
- 李建军，李建军，李建军，等。基于黄土的季节趋势分解方法研究。官方统计1990;6(1):3-73 [j]免费全文］
- TK。随机决策森林。见:第三届文件分析与识别国际会议论文集，1995年，发表于:第三届文件分析与识别国际会议;1995年8月14日至16日;蒙特利尔，第278-282页。［CrossRef］
- Biau G.随机森林模型的分析。机器学习学报，2012;13(1):1063-1095 [j]免费全文］
- Nishida K. Exploratory. 2020。URL:https://exploratory.io[2021-04-14]访问
- Jotform》2020。URL:https://jotform.com[2021-04-10]访问
- Twilio -通信api的短信，语音，视频和身份验证。URL:https://www.twilio.com/[2021-01-01]访问
- lapote - shaw L, Rader B, Astley CM, Hawkins JB, Bhatia D, Schatten WJ，等。加拿大基于网络和电话的COVID-19综合征监测:一项横断面研究PLoS One 2020 Oct 2;15(10):e0239886 [j]免费全文] [CrossRef] [Medline］
- Budd J, Miller BS, Manning EM, Lampos V, Zhuang M, Edelstein M，等。数字技术在公共卫生应对COVID-19中的应用。中华医学杂志(英文版);26(8):1183-1192 [j]免费全文] [CrossRef] [Medline］
- Brownstein JS, Chu S, Marathe A, Marathe MV, Nguyen AT, Paolotti D，等。将参与式流感监测与建模和预测相结合:三种替代方法。公共卫生监测2017年11月1日;3(4):e83 [j]免费全文] [CrossRef] [Medline］
- COVID-19情况更新。欧洲疾病预防和控制中心，2020。URL:https://www.ecdc.europa.eu/en/COVID-19-pandemic[2020-04-24]访问
- Micallef S, Piscopo TV, Casha R, Borg D, Vella C, Zammit M，等。马耳他的第一波COVID-19疫情;一项全国性的横断面研究。PLoS One 2020;15(10):e0239389 [j]免费全文] [CrossRef] [Medline］
- Spinato G, Fabbris C, Polesel J, Cazzador D, Borsetto D, Hopkins C，等。轻度症状门诊SARS-CoV-2感染患者的嗅觉或味觉变化中国医学杂志2020;323(20):2089-2090 [j]免费全文] [CrossRef] [Medline］
- Sudre C, Lee K, Lochlainn M, Varsavsky T, Murray B, Graham MS，等。新冠肺炎的症状聚类:来自COVID症状研究应用程序的潜在临床预测工具。科学通报2021年3月;7(12):eabd4177 [j]免费全文] [CrossRef] [Medline］
- Eliezer M, hatefort C, Hamel A, Verillaud B, Herman P, Houdart E，等。突然和完全的嗅觉功能丧失是COVID-19的可能症状中华耳鼻咽喉头颈外科杂志，2020;46(7):674-675。［CrossRef] [Medline］
- Menni C, Valdes AM, Freidin MB, Sudre CH, Nguyen LH, Drew DA，等。实时跟踪自我报告的症状，以预测潜在的COVID-19。中华医学杂志(英文版);26(7):1037-1040 [j]免费全文] [CrossRef] [Medline］
- bembroembroizit F, Le Turnier P, Declerck C, paill
- 尼泊尔G, Rehrig JH, Shrestha GS, Shing YK, Yadav JK, Ojha R，等。COVID-19的神经学表现:系统综述重症监护2020年7月13日;24(1):421-411 [j]免费全文] [CrossRef] [Medline］
- Vihta K, Pouwels K, Peto T, Pritchard E, Eyre DW, House T, COVID-19感染调查小组。英国普通人群的症状和SARS-CoV-2阳性临床感染与疾病杂志[j]; 2011年11月8日:391 - 391。［CrossRef] [Medline］
- 李建军，李建军，李建军，等。与医院工作人员特异性SARS-CoV-2抗体相关的非职业和职业因素——一项多中心横断面研究中华临床微生物学杂志，2011;27(9):1336-1344 [j]免费全文] [CrossRef] [Medline］
缩写
| FOPH:联邦公共卫生局 |
| HCW:卫生保健工作者 |
| 黄土说:局部估计散点图平滑 |
| 聚合酶链反应:聚合酶链反应 |
| 中华民国:接收机工作特性 |
| S-H-ESD:季节性混合极端学生偏差 |
桑切斯编辑;提交14.09.21;X Dong、A Ardekani同行评议;对作者01.10.21的评论;收到修订版本05.10.21;接受05.10.21;发表22.11.21
版权©Onicio Leal-Neto, Thomas Egger, Matthias Schlegel, Domenica Flury, Johannes Sumer, Werner Albrich, Baharak Babouee Flury, Stefan Kuster, Pietro Vernazza, Christian Kahlert, Philipp Kohler。最初发表于JMIR公共卫生与监测(https://publichealth.www.mybigtv.com)， 2021年11月22日。
这是一篇根据知识共享署名许可(https://creativecommons.org/licenses/by/4.0/)的条款发布的开放获取文章，该许可允许在任何媒介上不受限制地使用、分发和复制，前提是原始作品首次发表在JMIR公共卫生与监测上，并适当引用。必须包括完整的书目信息，到https://publichealth.www.mybigtv.com上原始出版物的链接，以及版权和许可信息。