Umgebauter Periodentracker erkennt COVID-19 schneller als Labortests

Hintergrund

Tests auf SARS-CoV-2 sind ein essenzieller Bestandteil der Bemühungen zur Eindämmung und Kontrolle der COVID-19-Pandemie. Sie sind allerdings mit erheblichen Kosten verbunden – alleine in Deutschland waren es bisher mehr als 12 Milliarden Euro. Zudem sind die Spezifität und Sensitivität der gebräuchlichen Antigen-Schnelltests unbefriedigend, vor allem in der präsymptomatischen Phase. Ein anderer Ansatz, um Infektionen zu erkennen, könnte die Auswertung biologischer Daten durch Fitnessarmbänder, Smartwatches oder sogar Mobiltelefone sein.

Design

Machbarkeitsstudie zur Überprüfung der Möglichkeit, eine Ansteckung mit SARS-CoV-2 präsymptomatisch anhand physiologischer Daten zu erkennen, die mittels einem tragbaren Sensor (Fitnessarmband) erfasst und mit einem auf den Prinzipien des Maschinenlernens basierenden Algorithmus ausgewertet wurden.

Testpersonen waren 1163 Teilnehmer einer Kohortenstudie in Lichtenstein im durchschnittlichen Alter von 44 Jahren. Sie trugen nächtlich ein Armband (Ava), das Atemfrequenz, Herzfrequenz, Herzfrequenzvariabilität, Hauttemperatur und die Durchblutung am Handgelenk misst. Das Gerät wurde ursprünglich entwickelt, um die fruchtbaren Tage von Frauen anhand zyklusrelevanter Daten zu erfassen und ist in den USA auch für diesen Zweck zugelassen. Die App, die als Benutzerschnittstelle dient, wurde jedoch an die aktuelle Studie angepasst und fragte die Nutzer nach gesundheitlichen Beschwerden, sowie der Einnahme von Medikamenten, Alkohol und anderen möglichen Störfaktoren.

Ergebnisse

• Die Armbänder zeichneten insgesamt 1,5 Millionen Stunden an physiologischen Daten auf. Eine COVID-19-Erkankung (bestätigt mit molekularen und/oder serologischem Test) fand sich bei 127 Teilnehmern, darunter 66, die ihr Armband vom Beginn der Studie bis zum Einsetzen der Symptome getragen hatten. Die Daten dieser Teilnehmer wurden modelliert und auf signifikante Veränderungen durchsucht, die wiederum als Trainingsgrundlage für einen Algorithmus nach dem Prinzip des maschinellen Lernens dienten.
• Die Software erkannte in der Trainingsphase 73 % der laborbestätigten COVID-19-Infektionen.
• In der Validierungsphase galt es, COVID-19 bereits 2 Tage vor Beginn der Symptome nachzuweisen. Hierbei lag die Trefferrate bei 68 %.

Klinische Bedeutung

Die Daten aus dieser Studie sind vielversprechend, denn sie könnten bei weiter Verbreitung dieser Technologie die Möglichkeit eröffnen, einen erheblichen Teil der Ansteckungen früher zu erkennen und entsprechende Schutzmaßnahmen einzuleiten. Eine Voraussetzung wäre allerdings die Bestätigung in einer größeren Folgestudie, die bereits gestartet wurde.

Finanzierung: Innovative Medicines Initiative, Haus von Lichtenstein, Regierung Lichtenstein, Hanela Foundation in Aarau.