一个全面的验证研究,通过多中心数据和丰富的元数据,对基于咳的COVID-19检测的影响因素进行全面的验证研究

科学领域:

• 人工智能的人工智能
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• COVID-19仍然是一个重大的全球健康挑战,需要有效和低成本的检测方法.
• 现有的基于咳的COVID-19检测模型显示出希望,但往往忽视了现实世界的应用因素.
• 世界卫生组织将COVID-19归类为一种长期疾病,强调需要持续监测和检测解决方案.

研究的目的:

• 综合验证基于咳的COVID-19检测模型的性能,使用具有丰富元数据的多源数据.
• 调查各种因素,包括咳类型,症状和感染阶段,对检测准确性的影响.
• 评估现有模型在实际,现实世界的设置中的通用性和局限性.

主要方法:

• 收集了临床和大规模众包咳音频,并提供了广泛的元数据.
• 利用自主监督学习进行模型预训练,然后对各种数据集进行微调.
• 基于元数据和与临床指标相关的预测,对不同组的检测性能进行比较.

主要成果:

• 获得了0.79的临床数据和0.69的众包数据的接收器操作特征曲线下的面积.
• 对有症状的个体来说,检测性能通常比无症状个体更好.
• 与临床指标的相关性有限,在康复个体和开源数据集上的表现差,表明模型的局限性.

结论:

• 该研究使用多来源数据验证了基于咳的COVID-19检测模型的性能和局限性.
• 调查结果强调了考虑现实世界的因素对于这些模型的实际部署的重要性.
• 这项研究为评估基于咳的COVID-19检测在广泛应用中的可行性提供了宝贵的见解.