JPH
公共卫生监测
公共卫生和监测
2369 - 2960
卡塔尔世界杯8强波胆分析
加拿大多伦多
v7i11e33576
34727046
10.2196/33576
原始论文
原始论文
医院员工SARS-CoV-2数字检测:参与式监测研究
桑切斯
特拉维斯
越南盾
徐
Ardekani
阿里
Leal-Neto
Onicio
硕士,博士
1
经济系
苏黎世大学
Schonberggasse 1
苏黎世,8001
瑞士
41 783242116
onicio@gmail.com
https://orcid.org/0000-0001-5785-1867
症
托马斯。
MSc
2
https://orcid.org/0000-0003-2125-4678
施莱格尔
马蒂亚斯
医学博士
2
https://orcid.org/0000-0003-2847-4956
Flury
Domenica
医学博士
2
https://orcid.org/0000-0002-7747-5739
苏美尔
约翰内斯
医学博士
2
https://orcid.org/0000-0002-4425-9669
Albrich
沃纳
医学博士
2
https://orcid.org/0000-0003-0607-7159
Babouee Flury
次
医学博士
2
3.
https://orcid.org/0000-0001-8966-5882
昆明理工
Stefan
医学博士
4
https://orcid.org/0000-0002-0525-6529
Vernazza
彼得罗
医学博士
2
https://orcid.org/0000-0002-6849-6941
Kahlert
基督教
医学博士
2
5
https://orcid.org/0000-0002-0784-3276
科勒
菲利普
医学博士
2
https://orcid.org/0000-0003-0427-8934
经济系
苏黎世大学
苏黎世
瑞士
传染病及医院流行病学诊所
圣加仑州立医院
圣加伦大学
瑞士
医学研究中心
圣加仑州立医院
圣加伦大学
瑞士
联邦公共卫生局
伯尔尼
瑞士
传染病和医院流行病学科
瑞士东部儿童医院
圣加伦大学
瑞士
通讯作者:Onicio Leal-Neto
onicio@gmail.com
11
2021
22
11
2021
7
11
e33576
14
9
2021
1
10
2021
5
10
2021
5
10
2021
©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。
2021
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。
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。
客观的
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。
数码流行病学
SARS-CoV-2
新型冠状病毒肺炎
卫生保健工作者
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[
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。
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
多媒体附录1.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
表1.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[
23]。
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。
症状和后果列表。
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])[
24],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[
25]:
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[
26],采用基于黄土的修正季节趋势分解方法[
27]。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[
28]。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[
29]:
在哪里表示对随机参数的期望,条件为on
X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[
30.)的框架。数据采集系统采用JotForm [
31]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[
32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)。
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。
瑞士两家医院医护人员急性呼吸道感染相关症状的时间分布和黄土回归分析FOPH:联邦公共卫生局记录的病例;黄土:局部估计散点图平滑。
FOPH阳性比例的时间分布,表明瑞士两家医院的卫生保健工作者中发生了哪些类型的异常。联邦公共卫生局。
重要的(
P< 0.05)瑞士卫生保健工作者异常检测的时间点。
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
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)。
使用Spearman方法对瑞士两家医院医护人员在研究期间的症状和阳性结果进行相关矩阵分析。联邦公共卫生局。
显著性矩阵显示了瑞士两家医院的卫生保健工作者在研究期间的变量之间的正相关和负相关。点越大表示相关性越高。
研究期间瑞士卫生保健工作者症状与阳性病例之间的相关性。
症状 |
相关 |
双 |
P价值 |
味觉丧失 |
0.5274 |
积极的 |
<.001 |
联邦公共卫生办公室的定义 |
0.2189 |
积极的 |
<.001 |
厌食、恶心 |
0.1698 |
积极的 |
<.001 |
肢体/肌肉疼痛 |
0.1103 |
积极的 |
<.001 |
咳嗽 |
0.1032 |
积极的 |
<.001 |
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,
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。
随机森林模型的参数摘要。
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 |
随机森林模型的接收者工作特性曲线。
随机森林模型的预测矩阵。
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 |
症状重要性及其基于随机森林算法预测预期结果的能力的箱线图(
P< . 05)。味觉丧失、肢体/肌肉疼痛、FOPH(联邦公共卫生办公室)、喉咙痛、咳嗽和呼吸短促与结果呈正相关。流鼻涕和眼睛发红与结果呈负相关。发烧与结果既无正相关也无负相关。
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[
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。
知情同意(德文)。
缩写
FOPH
联邦公共卫生局
HCW
卫生保健工作者
黄土
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
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。
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。
没有宣布。
[
德国沃斯公司
FN
约翰
米
Meurers
T
普拉斯
F
以公民为中心的移动健康应用程序收集传染病管理的个人层面空间数据:范围审查
JMIR mHealth uHealth
2020
11
10
8
11
e22594
10.2196/22594
33074833
v8i11e22594
PMC7674146
]
[
Flaxman
年代
Mishra
年代
铁路工人
一个
昂温
HJT
梅兰
助教
科普兰
H
惠塔克
C
朱
H
Berah
T
伊顿
JW
莫诺
米
帝国理工学院COVID-19应对小组
甘尼
交流
唐纳利
CA
莱利
年代
Vollmer
MAC
弗格森
纳米
Okell
信用证
Bhatt
年代
估计欧洲非药物干预措施对COVID-19的影响
自然
2020
08
584
7820
257
261
10.1038 / s41586 - 020 - 2405 - 7
32512579
10.1038 / s41586 - 020 - 2405 - 7
]
[
豪厄尔奥尼尔
P
Ryan-Mosley
T
约翰逊
B
大量的冠状病毒应用程序正在跟踪我们。现在是时候跟踪他们了
麻省理工科技评论
2020
2021-01-15
https://www.technologyreview.com/2020/05/07/1000961/launching-mittr-covid-tracing-tracker/
]
[
奥特曼
年代
庆祝活动
l
Zillessen
H
Blasone
R
Gerdon
F
巴赫
R
Kreuter如此说道
F
Nosenzo
D
Toussaert
年代
亚伯
J
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
JMIR mHealth uHealth
2020
07
24
1
6
10.2196/19857
32759102
]
[
叶
问
周
J
吴
H
利用信息技术管理COVID-19大流行:基于中国实践经验的技术框架构建
JMIR Med Inform
2020
06
08
8
6
e19515
10.2196/19515
32479411
v8i6e19515
PMC7282474
]
[
亚伯
J
支持者
米
Buermeyer
U
Zillessen
H
COVID-19接触者追踪和数据保护可以同时进行
JMIR mHealth uHealth
2020
04
20.
8
4
e19359
10.2196/19359
32294052
v8i4e19359
PMC7173240
]
[
帕克
乔丹
弗雷泽
C
Abeler-Dorner
l
Bonsall
D
手机app即时接触者追踪在新冠肺炎疫情防控中的伦理问题
医学伦理学
2020
07
04
46
7
427
431
10.1136 / medethics - 2020 - 106314
32366705
medethics - 2020 - 106314
PMC7231546
]
[
亚当斯
詹
墙
RM
在2019冠状病毒病全球流行期间支持医护人员
《美国医学会杂志》
2020
04
21
323
15
1439
1440
10.1001 / jama.2020.3972
32163102
2763136
]
[
Sim卡
JXY
康西卡奥
EP
凌晨
勒
昂
可
魏?萧和
SY
杨张志贤
钢筋混凝土
吴
金桥
Ting唷
DW
Jyhhan郭
B
Lim
JW
氮化镓
WH
凌
毫升
Venkatachalam
我
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
感染控制
2021
06
49
6
685
689
10.1016 / j.ajic.2020.11.003
33159997
s0196 - 6553 (20) 30971 - 8
PMC7641527
]
[
科勒
页
Kahlert
CR
苏美尔
J
Flury
D
Gusewell
年代
Leal-Neto
OB
不
J
Albrich
WC
Babouee Flury
B
麦基
一个
昆明理工
年代
Risch
l
施莱格尔
米
Vernazza
P
瑞士医院工作人员中SARS-CoV-2抗体的患病率:一项前瞻性队列研究的结果
感染控制医院流行病学
2021
05
42
5
604
608
10.1017 / ice.2020.1244
33028454
S0899823X20012441
PMC7582018
]
[
巴赫
米
约旦
年代
哈
年代
Santos-Hovener
C
莱特
太
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
2017
2
10
14
1
2
15
10.1186 / s12982 - 017 - 0056 - 4
28203262
56
PMC5301332
]
[
Koppeschaar
CE
Colizza
V
Guerrisi
C
Turbelin
C
达根
J
埃德蒙兹
WJ
Kjelsø
C
Mexia
R
莫雷诺
Y
梅洛尼
年代
Paolotti
D
佩罗塔
D
范海峡
E
弗朗哥
AO
流感网:欧洲10国公民合作监测流感
公共卫生监测
2017
09
19
3.
3.
e66
10.2196 / publichealth.7429
28928112
v3i3e66
PMC5627046
]
[
Smolinski
女士
克劳利
亚历山大-伍尔兹
奥尔森
JM
Jayaraman
T
诽谤
米
参与性疾病监测:让社区直接参与报告、监测和应对健康威胁
公共卫生监测
2017
10
11
3.
4
约
10.2196 / publichealth.7540
29021131
v3i4e62
PMC5658636
]
[
Leal-Neto
OB
Dimech
GS
诽谤
米
奥利维拉
W
费雷拉
摩根大通
数字疾病检测和参与性监测:巴西的概况和前景
Rev Saude Publica
2016
50
17
10.1590 / s1518 - 8787.2016050006201
27191153
s0034 - 89102016000100702
PMC4902089
]
[
Salathe
米
数字流行病学:它是什么?它将走向何方?
生命科学及社会政策
2018
01
04
14
1
1
5
10.1186 / s40504 - 017 - 0065 - 7
29302758
10.1186 / s40504 - 017 - 0065 - 7
PMC5754279
]
[
Wojcik
人事处
布朗斯坦
JS
Chunara
R
约翰逊
妈
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
2014
6
20.
11
1
7
7
10.1186 / 1742-7622-11-7
24991229
1742-7622-11-7
PMC4078360
]
[
忠实的否决权
O
Dimech
GS
诽谤
米
de Souza
西弗吉尼亚州
Cesse
E
Smolinski
米
奥利维拉
W
阿尔伯克基
J
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
公共卫生监测
2017
05
04
3.
2
e26
10.2196 / publichealth.7313
28473308
v3i2e26
PMC5438444
]
[
忠实的否决权
O
克鲁兹
O
阿尔伯克基
J
Nacarato de Sousa
米
Smolinski
米
萨姆Cesse
EA
诽谤
米
Vieira de Souza
W
2016年里约奥运会期间使用健康卫士平台基于众包的参与式监测:描述性研究
公共卫生监测
2020
04
07
6
2
e16119
10.2196/16119
32254042
v6i2e16119
PMC7175192
]
[
画了
D
阮
韩
史蒂夫
CJ
Menni
C
Freydin
米
条例
T
Sudre
CH
卡多佐
乔丹
Ourselin
年代
狼
J
斯佩克特
道明
陈
在
应对财团
快速实施COVID-19实时流行病学移动技术
科学
2020
06
19
368
6497
1362
1367
10.1126 / science.abc0473
32371477
science.abc0473
PMC7200009
]
[
Garg
年代
博
N
Gangadharan
N
印度COVID-19大流行参与式疾病监测案例
公共卫生监测
2020
04
16
6
2
e18795
10.2196/18795
32287038
v6i2e18795
PMC7164788
]
[
罗
H
谎言
Y
Prinzen
弗兰克-威廉姆斯
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
公共卫生监测
2020
04
27
6
2
e18576
10.2196/18576
32319956
v6i2e18576
PMC7187763
]
[
Leal-Neto
O
桑托斯
F
李
J
阿尔伯克基
J
Souza
W
基于参与式监测和空间扫描确定COVID-19检测的优先顺序
国际医学通报
2020
11
143
104263
10.1016 / j.ijmedinf.2020.104263
32877853
s1386 - 5056 (20) 30853 - 4
PMC7449898
]
[
Infektionskrankheiten melden
2021-11-16
https://www.bag.admin.ch/bag/de/home/krankheiten/infektionskrankheiten-bekaempfen/meldesysteme-infektionskrankheiten/meldepflichtige-ik/meldeformulare.html
]
[
盖瑞
R
简单介绍移动最小二乘法和局部回归估计
洛斯阿拉莫斯国家实验室
2017
2021-11-17
https://www.osti.gov/biblio/1367799-simple-introduction-moving-least-squares-local-regression-estimation
]
[
阻尼器
T
探索性数据分析在商业和经济:介绍使用SPSS, Stata和Excel
2014
可汗
斯普林格国际出版社
]
[
Hochenbaum
J
斯山谷
操作系统
Kejariwal
一个
通过统计学习实现云中的自动异常检测
arXiv
预印本发布于2017年4月24日
]
[
克利夫兰
RB
克利夫兰
WS
麦克雷
我
萜
我
基于黄土的季节趋势分解方法
官方统计杂志
1990
6
1
3.
73
]
[
何
TK
随机决策森林
第三届文献分析与识别国际会议论文集
1995
第三届文献分析与识别国际会议
1995年8月14日至16日
蒙特利尔,质量控制
278
282
10.1109 / icdar.1995.598994
]
[
Biau
G
随机森林模型的分析
机器学习研究杂志
2012
13
1
1063
1095
]
[
Nishida
K
探索性
2020
2021-04-14
https://exploratory.io
]
[
Jotform
2020
2021-04-10
https://jotform.com
]
[
Twilio -通信api的短信,语音,视频和身份验证
2021-01-01
https://www.twilio.com/
]
[
Lapointe-Shaw
l
雷德
B
Astley
厘米
霍金斯
简森-巴顿
巴蒂亚
D
Schatten
WJ
李
TC
刘
JJ
iver
纳米
摊位
纳米
Gournis
E
Tuite
基于“增大化现实”技术
Fisman
DN
Bogoch
2
布朗斯坦
JS
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
《公共科学图书馆•综合》
2020
10
2
15
10
e0239886
10.1371 / journal.pone.0239886
33006990
玉米饼- d - 20 - 18024
PMC7531838
]
[
巴德
J
米勒
废话
曼宁
新兴市场
lampo
V
壮族
米
埃德尔斯坦
米
里斯
G
金刚砂
风投
史蒂文斯
毫米
基冈
N
短
乔丹
皮莱
D
万利
E
考克斯
IJ
海曼
D
约翰逊
我
McKendry
类风湿性关节炎
数字技术在公共卫生应对COVID-19中的应用
Nat地中海
2020
08
26
8
1183
1192
10.1038 / s41591 - 020 - 1011 - 4
32770165
10.1038 / s41591 - 020 - 1011 - 4
]
[
布朗斯坦
JS
楚
年代
Marathe
一个
Marathe
MV
阮
在
Paolotti
D
Perra
N
佩罗塔
D
Santillana
米
Swarup
年代
Tizzoni
米
Vespignani
一个
Vullikanti
部
威尔逊
毫升
张
问
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
11
01
3.
4
e83
10.2196 / publichealth.7344
29092812
v3i4e83
PMC5688248
]
[
COVID-19最新情况
欧洲疾病预防控制中心
2020
2020-04-24
https://www.ecdc.europa.eu/en/COVID-19-pandemic
]
[
失物
年代
Piscopo
电视
Casha
R
Borg
D
维拉拉
C
Zammit
米
Borg
J
Mallia
D
Farrugia
J
维拉拉
SM
Xerri
T
杨祥银
一个
Fenech
米
Fsadni
C
Mallia泽帕迪
C
马耳他的第一波COVID-19疫情;一项全国性的横断面研究
《公共科学图书馆•综合》
2020
15
10
e0239389
10.1371 / journal.pone.0239389
33057434
玉米饼- d - 20 - 20316
PMC7561161
]
[
Spinato
G
fabbri
C
Polesel
J
Cazzador
D
Borsetto
D
霍普金斯
C
Boscolo-Rizzo
P
轻度症状门诊SARS-CoV-2感染患者的嗅觉或味觉变化
《美国医学会杂志》
2020
05
26
323
20.
2089
2090
10.1001 / jama.2020.6771
32320008
2765183
PMC7177631
]
[
Sudre
C
李
K
Lochlainn
米
条例
T
穆雷
B
格雷厄姆
女士
Menni
C
Modat
米
鲍耶
远端控制设备
阮
韩
画了
达
Joshi
广告
妈
W
郭
CG
罗
CH
Ganesh
年代
Buwe
一个
Pujol
JC
杜学员
莱托
维斯孔蒂
一个
Freidin
MB
El-Sayed穆斯塔法
JS
Falchi
米
戴维斯
R
戈麦斯
曼氏金融
秋天
T
卡多佐
乔丹
狼
J
弗兰克斯
PW
陈
在
斯佩克特
道明
史蒂夫
CJ
Ourselin
年代
COVID-19症状集群:来自COVID症状研究应用程序的潜在临床预测工具
Sci副词
2021
03
7
12
eabd4177
10.1126 / sciadv.abd4177
33741586
7/12 / eabd4177
PMC7978420
]
[
以利以谢
米
Hautefort
C
哈默尔
一个
Verillaud
B
赫尔曼
P
Houdart
E
Eloit
C
突然和完全的嗅觉功能丧失是COVID-19的可能症状
美国医学会耳鼻喉头颈外科杂志
2020
07
01
146
7
674
675
10.1001 / jamaoto.2020.0832
32267483
2764417
]
[
Menni
C
巴尔德斯
我
Freidin
MB
Sudre
CH
阮
韩
画了
达
Ganesh
年代
条例
T
卡多佐
乔丹
El-Sayed穆斯塔法
JS
维斯孔蒂
一个
若
P
鲍耶
远端控制设备
Mangino
米
Falchi
米
狼
J
Ourselin
年代
陈
在
史蒂夫
CJ
斯佩克特
道明
实时跟踪自我报告的症状,以预测潜在的COVID-19
Nat地中海
2020
07
11
26
7
1037
1040
10.1038 / s41591 - 020 - 0916 - 2
32393804
10.1038 / s41591 - 020 - 0916 - 2
PMC7751267
]
[
Benezit
F
Le落得
P
Declerck
C
Paille
C
再赋予
米
Dubee
V
Tattevin
P
RAN COVID研究组
低氧和缺氧在COVID-19诊断中的应用
柳叶刀感染病
2020
09
20.
9
1014
1015
10.1016 / s1473 - 3099 (20) 30297 - 8
32304632
s1473 - 3099 (20) 30297 - 8
PMC7159866
]
[
尼泊尔
G
Rehrig
JH
Shrestha
GS
成
即
亚达夫
JK
Ojha
R
Pokhrel
G
你
ZL
黄
DY
COVID-19的神经学表现:系统综述
暴击治疗
2020
07
13
24
1
421
11
10.1186 / s13054 - 020 - 03121 - z
32660520
10.1186 / s13054 - 020 - 03121 - z
PMC7356133
]
[
Vihta
K
Pouwels
K
皮托
T
普里查德
E
艾尔
DW
房子
T
格辛
O
Studley
R
洛克
E
烹饪
D
钻石
我
骗子
D
马修斯
个人电脑
施特塞尔
N
沃克
作为
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
2021
11
08
ciab945
10.1093 / cid / ciab945
34748629
6423489
]
[
Kahlert
CR
Persi
R
Gusewell
年代
症
T
Leal-Neto
OB
苏美尔
J
Flury
D
布鲁赫
一个
Lemmenmeier
E
莫勒
JC
令人惊艳
P
装料工
R
Vuichard-Gysin
D
Wiggli
B
Albrich
WC
Babouee Flury
B
Besold
U
菲尔
J
昆明理工
SP
麦基
一个
Risch
l
施莱格尔
米
fiedl的用于检查电子邮件地址
一个
Vernazza
P
科勒
P
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
临床微生物感染
2021
09
27
9
1336
1344
10.1016 / j.cmi.2021.05.014
34020033
s1198 - 743 x (21) 00236 - 6
PMC8131187
]