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[ 1- 7]。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 [ 8]。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[ 9， 10]。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[ 1]。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[ 11- 16]。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[ 17， 18]。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[ 17- 22]。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。

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)。 图1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， 图2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2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。

症状与SARS-CoV-2 PCR阳性检测结果的相关矩阵见 图3，而在 图4，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( 表3)。

最后, 表4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% ( 图5)。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%; 表5)。 图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a P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。

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[ 33]，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[ 34]。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。 13， 17， 18， 33]，尤指超过5个月的[ 35]。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[ 36， 37]。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。 38- 41]。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[ 42]。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[ 43]。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[ 44]。

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[ 45]。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。