Modelo de Rede Bayesiana para Avaliação de Risco COVID-19 e Rastreamento de Contatos

O modelo pode ser executado usando a versão de avaliação gratuita do AgenaRisk wwwagenariskcom É disponibilizado sob uma licença internacional CCBYNCND 40 A versão mais recente do modelo de rede Bayesian pode ser baixada em httpwwweecsqmulacuknorman Modelscovid19forwebcmpx medRxiv preprint doi httpsdoiorg1011012020071520154286 esta versão foi postada em 5 de janeiro de 2021 O detentor dos direitos autorais deste preprint que não foi certificado por revisão por pares é o autorfinanciador que concedeu ao medRxiv uma licença para exibir o preprint em perpetuidade Gestão de Riscos e Informações Queen Mary University of London Reino Unido Grupo de Pesquisa em Informática em Saúde e Engenharia do Conhecimento HiKER Escola de Ciências Fundamentais Universidade Massey Nova Zelândia Grupo de Psicologia Biológica e Experimental Queen Mary University of London Reino Unido Faculdade de EEMCS Universidade de Twente Holanda Center for Genomics and Child Health Blizard Institute Queen Mary University of London Reino Unido 7Agena Ltd Cambridge Reino Unido NOTA Este preprint relata novas pesquisas que não foram certificadas por revisão por pares e não devem ser usadas para orientar a prática clínica Um modelo de rede bayesiana para avaliação personalizada de risco COVID19 e rastreamento de contatos Graham A Norman E Fenton17 Scott McLachlan12 Como o modelo e sua implementação na webtelefone são atualizados regularmente este documento NÃO descreve a versão mais recente Peter Lucas3 O modelo também pode ser executado por meio de uma interface simples de questionário na web ou em um celular em httpscovid19appsagenariskcom Hitman5 1 Magda Osman6 Evangelia Kyrimi1 Kudakwashe Dube24 Abstrato Martin Neil1 7 As preocupações sobre a praticidade e eficácia do uso de aplicativos de rastreamento de contatos CTA para reduzir a propagação do COVID19 foram bem documentadas e no Reino Unido levaram ao abandono do CTA do NHS logo após seu lançamento em maio de 2020 Apresentamos uma relação causal modelo probabilístico uma rede Bayesiana que fornece a base para uma solução prática de CTA que aborda algumas das preocupações e que tem a vantagem de violação mínima de privacidade Os usuários do modelo podem fornecer quantas informações pessoais desejarem sobre fatores de risco relevantes sintomas e interações sociais recentes O modelo fornece feedback sobre a probabilidade da presença de COVID19 assintótico leve ou grave passado presente e projetado Quando o modelo é incorporado em um aplicativo de smartphone ele pode ser usado para detectar novos surtos em uma população monitorada e identificar os locais dos surtos o mais cedo possível Para isso os únicos dados que precisam ser coletados centralmente são a probabilidade de o usuário ter COVID19 e a localização GPS 4 6 1 3 5 2 Machine Translated by Google pessoa Esse conselho geralmente vem somente depois que eles já começaram a espalhar a doença de forma assintomática logo após nossa revisão o governo do Reino Unido anunciou que não estava mais apoiando o NHSX e começou a trabalhar em uma solução alternativa com a Apple e o Google1 Em contraste a solução que propomos integra qualquer CTA retrospectiva com rastreamento de sintomas e um modelo probabilístico causal uma rede bayesiana que calcula a probabilidade de COVID19 Também demonstramos como realizar a análise de sensibilidade para determinar quais variáveis no modelo têm mais impacto em qualquer variável de resultado específica As limitações do modelo são discutidas na Seção 4 Propomos que este modelo assuma a forma de aplicativo para smartphone baseado no framework arquitetônico que descrevemos na Seção 5 esta arquitetura já está em operação como parte de um projeto EPSRC2 O aplicativo pode ser usado para detectar onde ocorrem novos surtos como 2 O primeiro desses estudos Scott McLachlan Lucas Dube Hitman et al 2020 realizou uma revisão sistemática da literatura recente propondo soluções de CTA para COVID19 destacando questões relacionadas à privacidade e confidencialidade e identificando o ponto ideal para a aceitação de CTA em que se torna clinicamente útil Mostramos que o melhor cenário de captação requer entre 90 e 95 de toda a população para contenção da infecção Isso não leva em consideração qualquer perda por desistência ou incompatibilidade de dispositivos ou pelo fato de apenas 79 da população possuir um smartphone com menos de 40 na faixa etária acima de 65 anos Portanto o melhor cenário está além do que poderia ser alcançado demonstrando que o CTA por si só não é adequado como a única ferramenta de contenção em uma pandemia A estrutura da nossa solução proposta foi descrita em Scott McLachlan Lucas Dube McLachlan et al 2020 Argumentamos que além dos problemas de privacidade a solução CTA adotada no Reino Unido NHSX Servick 2020 atua apenas retrospectivamente informando ao usuário que ele estava anteriormente em contato próximo com outro infectado infecção com base em informações fornecidas pelo indivíduo e dados disponíveis publicamente Nossa solução não compromete a privacidade pois as informações fornecidas pelo usuário não são armazenadas em nenhum servidor central Acreditamos que esta solução pode funcionar quando combinada com uma estratégia de comunicação eficaz e transparente Em Osman et al 2020 abordamos os desafios de questões técnicas e comportamentais na adoção de CTA que os formuladores de políticas precisam considerar para lidar com sucesso com a possibilidade de uma segunda onda ou subsequente Neste artigo descrevemos os detalhes do modelo de rede Bayesiano proposto e sua implantação introduzida pela primeira vez em Scott McLachlan Lucas Dube McLachlan et al 2020 O modelo se concentra em calcular a probabilidade de uma pessoa ter COVID19 assintomático leve ou grave passado presente e projetado O modelo e suas suposições são descritos na Seção 2 Na Seção 3 fornecemos vários cenários que demonstram como o modelo faz diagnósticos e previsões e fornece suporte de decisão personalizado para os usuários Por exemplo fornece tomada de decisão pessoal e responde a perguntas como se eu tenho ou não a doença se devo ou não sair e se é seguro ou não estar em contato com outras pessoas Osman et al 2020 Central para muitas medidas governamentais para conter a atual infecção por COVID19 e reduzir o impacto de possíveis ondas subsequentes é o uso de métodos de rastreamento de contatos manuais e baseados em smartphones chamados de aplicativos de rastreamento de contatos CTA Este artigo faz parte de um conjunto de estudos conduzidos por uma equipe multidisciplinar de pesquisadores que sugerem que é improvável que qualquer abordagem autônoma de rastreamento de contatos manual ou automatizada contenha uma doença altamente contagiosa de alta prevalência como a COVID19 McLachlan et al 2020b McLachlan et al 2020c medRxiv preprint doi httpsdoiorg1011012020071520154286 esta versão foi postada em 5 de janeiro de 2021 O detentor dos direitos autorais deste preprint que não foi certificado por revisão por pares é o autorfinanciador que concedeu ao medRxiv uma licença para exibir o preprint em perpetuidade É disponibilizado sob uma licença internacional CCBYNCND 40 1 2 1 Introdução httpswwwtheguardiancomworld2020jun18ukpoisedtoabandoncoronavirusappinfavourof appleandgooglemodels httpspambayesianorg Machine Translated by Google 2 Rastreamento de sintomas COVID19 baseado em rede bayesiana e previsão3 É disponibilizado sob uma licença internacional CCBYNCND 40 medRxiv preprint doi httpsdoiorg1011012020071520154286 esta versão foi postada em 5 de janeiro de 2021 O detentor dos direitos autorais deste preprint que não foi certificado por revisão por pares é o autorfinanciador que concedeu ao medRxiv uma licença para exibir o preprint em perpetuidade Figura 1 Uma rede bayesiana este é um fragmento muito simplificado da estrutura principal do modelo de rede bayesiana COVID19 As probabilidades mostradas representam probabilidades marginais anteriores quando nenhuma observação é inserida Uma rede Bayesiana BN Cowell et al 1999 Pearl 1988 Fenton e Neil 2018 é um modelo gráfico consistindo de nós e arcos conforme mostrado na Figura 1 que é um fragmento muito simplificado do modelo COVID19 principal que vai presentear Os nós representam variáveis que podem ou não ser diretamente observáveis a convenção que usamos aqui é que aquelas coloridas em branco geralmente não são observáveis Os nós podem ser discretos ou contínuos para simplificar consideramos apenas nós discretos aqui e os valores de probabilidade exibidos representam as probabilidades associadas aos valores de estado desse nó vinculado A força do link bem como a incerteza associada a eles é capturada em mais cedo possível Para isso os únicos dados que precisam ser armazenados centralmente são a probabilidade de o usuário ter COVID19 e a localização GPS Em particular nenhum dos fatores pessoais inseridos no modelo pelos usuários são armazenados centralmente Assim ao contrário de outras soluções propostas há menos possibilidade de comprometer a privacidade dos usuários 3 Existe um arco entre dois nós se as variáveis correspondentes forem causalmente ou estatisticamente 3 O modelo descrito na seção NÃO é a versão mais recente A versão mais recente pode ser baixada em http wwweecsqmulacuknormanModelscovid19forwebcmpx e pode ser executado usando a versão de avaliação gratuita do AgenaRisk wwwagenariskcom Machine Translated by Google Tabela 1 Tabela de probabilidade condicional para o nó Resultado testado Tabela 2 Tabela de probabilidade condicional para o nó Tosse medRxiv preprint doi httpsdoiorg1011012020071520154286 esta versão foi postada em 5 de janeiro de 2021 O detentor dos direitos autorais deste preprint que não foi certificado por revisão por pares é o autorfinanciador que concedeu ao medRxiv uma licença para exibir o preprint em perpetuidade É disponibilizado sob uma licença internacional CCBYNCND 40 65 então podemos inserir essas informações no modelo chamamos isso de inserir uma observação Quando as observações são inseridas no modelo para variáveis específicas todas as probabilidades para as variáveis ainda não observadas são atualizadas usando um algoritmo de IA chamado inferência Bayesiana Por exemplo a Figura 2 mostra as probabilidades atualizadas quando um usuário insere as seguintes observações e é baseado em uma combinação de dados de Michelen Jones e Stavropoulou 2020 e conhecimento Assim enquanto os valores iniciais de probabilidade em um modelo BN representam o que se sabe sobre a população como um todo o real propósito de tal modelo é personalizálo fornecendolhe informações específicas de um indivíduo Por exemplo se soubermos que um indivíduo específico tem idade entre 50 e Cada nó que tem pelo menos um pai terá uma tabela de probabilidade associada que está condicionada aos seus nós pais Por exemplo a tabela de probabilidade para o nó Resultado testado é mostrada na Tabela 1 e é baseada em uma combinação de dados de estudos empíricos Carver e Jones 2020 Ai et al 2020 Yang et al 2020 Chua et al 2020 e conhecimentos como o fato óbvio de que No Test não produzirá um resultado A tabela para o nó Tosse é mostrada na Tabela 2 4 Para nós que não têm pais como o nó Idade a tabela de probabilidade associada é simplesmente baseada em estatísticas populacionais Por exemplo a partir das estatísticas nacionais do Reino Unido 181 da população tem entre 65 e 80 anos e portanto o valor de probabilidade associado ao estado 6580 é de 181 Tais probabilidades são chamadas de probabilidades anteriores Para nós com pais como o nó tosse ou o nó status COVID19 os valores de probabilidade mostrados na Figura 1 são chamados de probabilidades anteriores marginais eles são calculados com base nos valores de seus nós pais e sua tabela de probabilidade condicional Portanto o fato de a probabilidade marginal anterior de status COVID19 leve ser de 251 nos diz que com base na distribuição atual da população de idade fatores de risco e infecção por doença 251 da população atualmente tem COVID19 leve tabelas de probabilidade como as mostradas na Tabela 1 e na Tabela 2 Os valores formalmente chamados de parâmetros nessas tabelas são aprendidos a partir de dados ou conhecimento ou uma combinação de ambos sobre si mesmos ou digamos um membro da família a têm entre 50 e 65 anos b apresentam sintomas de tosse e perda de paladar e olfato Portanto enquanto a probabilidade anterior do status COVID19 ser leve era de 251 Figura 1 a probabilidade revisada que chamamos de probabilidade posterior agora aumentou para 422 Machine Translated by Google Também é importante notar que o modelo que apresentamos abaixo é bastante diferente do tipo de modelos de BN que usamos em nossas publicações recentes Neil et al 2020 Fenton et al 2020 sobre COVID19 É importante notar que chamamos modelos como esses BNs causais para distinguilos de modelos BN cuja estrutura e parâmetros de probabilidade são aprendidos inteiramente a partir de dados as limitações de aprender modelos BN apenas a partir de dados para problemas como esse são bem conhecidas Constantinou et al 2016 A estrutura do modelo aqui é definida pelo conhecimento básico de causação que confirma 5 um conjunto de expressões estruturais bem definidas Kyrimi et al 2020 Neil Fenton e Nielson 2000 que representam padrões reutilizáveis de inferência causal Por exemplo sintomas como perda de paladar ou olfato neste modelo Centers for Disease Control and Prevention 2020 não causam um status de doença específico mas são causados por ele Assim o arco é direcionado do estado da doença para os sintomas e não viceversa Por outro lado fatores de risco fisiológicos como idade ou condições médicas existentes podem aumentar ou diminuir a probabilidade de um estado de doença mas não são causados pela doença Assim os arcos são direcionados dos fatores de risco para o estado da doença Esses modelos visavam aprender a partir de dados as taxas de infecção e mortalidade desconhecidas em populações inteiras levando em consideração informações incertas como precisão e viés nos testes e relatórios de óbitos Assim os nós4 nesses modelos representavam as taxas de infecção e mortalidade desconhecidas e os resultados de precisão do teste Em contraste o modelo descrito aqui não nos permite incorporar adequadamente a incerteza sobre as taxas de infecção da população e a precisão do teste Em vez disso contamos com valores de probabilidade de ponto inseridos em tabelas de probabilidade relevantes Por exemplo a tabela de probabilidade medRxiv preprint doi httpsdoiorg1011012020071520154286 esta versão foi postada em 5 de janeiro de 2021 O detentor dos direitos autorais deste preprint que não foi certificado por revisão por pares é o autorfinanciador que concedeu ao medRxiv uma licença para exibir o preprint em perpetuidade É disponibilizado sob uma licença internacional CCBYNCND 40 4 Figura 2 Probabilidades atualizadas quando as observações são inseridas Esses nós eram contínuos e suas distribuições de probabilidade capturavam toda a extensão da incerteza sobre eles Quando as observações sobre os números de infecções e mortes da população relatadas específicas foram inseridas o modelo forneceu distribuições de probabilidade revisadas para as taxas de infecção e mortalidade bem como a precisão do teste Machine Translated by Google Figura 3 Estrutura do modelo COVID19 medRxiv preprint doi httpsdoiorg1011012020071520154286 esta versão foi postada em 5 de janeiro de 2021 O detentor dos direitos autorais deste preprint que não foi certificado por revisão por pares é o autorfinanciador que concedeu ao medRxiv uma licença para exibir o preprint em perpetuidade É disponibilizado sob uma licença internacional CCBYNCND 40 6 para o nó Resultado testado mostrado na Tabela 1 contém apenas valores pontuais em oposição a distribuições de probabilidade completas para as várias taxas de falsos positivos e falsos negativos associados aos diferentes tipos de testes Estes valores pontuais representam a média dos vários valores reportados e são portanto uma simplificação No entanto como esse modelo se preocupa com previsões sobre um indivíduo e não sobre uma população essas simplificações são razoáveis Machine Translated by Google Figura 4 Modelo com probabilidades marginais anteriores medRxiv preprint doi httpsdoiorg1011012020071520154286 esta versão foi postada em 5 de janeiro de 2021 O detentor dos direitos autorais deste preprint que não foi certificado por revisão por pares é o autorfinanciador que concedeu ao medRxiv uma licença para exibir o preprint em perpetuidade É disponibilizado sob uma licença internacional CCBYNCND 40 Uma pessoa só pode ser infectada se tiver encontrado o vírus e a quantidade de contato com o vírus determina a probabilidade de infecção real Assim temos uma parte do modelo Infecção que se concentra na quantidade de contato que uma pessoa teve recentemente com o vírus em que a quantidade é avaliada em uma escala simples de nenhum a muito alto Para alguém que sabe que esteve em contato direto com um As premissas e justificativas para o modelo são as seguintes A estrutura do modelo COVID19 completo é mostrada na Figura 3 Os estados dos nós e os valores de probabilidade marginal anteriores são mostrados na Figura 4 ou seja o estado do modelo quando nenhuma observação é inserida Isso reflete um indivíduo aleatório atual na população geral 7 Machine Translated by Google medRxiv preprint doi httpsdoiorg1011012020071520154286 esta versão foi postada em 5 de janeiro de 2021 O detentor dos direitos autorais deste preprint que não foi certificado por revisão por pares é o autorfinanciador que concedeu ao medRxiv uma licença para exibir o preprint em perpetuidade É disponibilizado sob uma licença internacional CCBYNCND 40 À medida que os dados da populaçãochave mudam como o número de pessoas que foram testadas simplesmente alteramos os valores de probabilidade anteriores associados no modelo recebendo muitas entregas recentes de encomendas Qualquer informação sobre isso atualizará a probabilidade de infecção Em geral nunca observaremos diretamente se estamos ou não infectados pelo vírus Portanto nunca entraríamos em uma observação direta de sim ou não no nó infectado com COVID19 nem no nó infectado anteriormente No entanto se a probabilidade de sim for zero independentemente de quaisquer outras observações no modelo o status COVID19 será nenhum mesmo na presença dos piores fatores de risco e conjunto completo de sintomas Existem outras condições médicas principalmente gripe e DPOC que apresentam vários sintomas semelhantes ao COVID19 Portanto o pai dos nós de sintomas inclui um estado sintomas semelhantes não Covid para incorporar todas essas condições É possível ter COVID19 e uma condição diferente Uma pessoa previamente conhecida por ter COVID19 pode ter imunidade de contrair novamente Assim temos uma parte do modelo Imunidade que se concentra em evidências para apoiar a noção de que uma pessoa foi infectada anteriormente Normalmente as pessoas assumem que foram infectadas anteriormente se já apresentavam sintomas graves eou tiveram um teste validado que foi positivo São essas observações que um usuário pode inserir no modelo em vez de uma observação direta de que ele foi infectado o modelo captura a incerteza sobre a precisão de ambos os tipos de evidência O modelo também incorpora informações empíricas sobre o impacto decrescente na imunidade dado o tempo desde a infecção Long et al 2020 Para simplificar diferenciamos apenas entre menos de 8 semanas e pelo menos 8 semanas Além dos vários fatores relevantes para a possibilidade de infecção ou seja aqueles associados ao contato com pessoas ou objetos infectados os únicos fatores de risco explicitamente considerados são idade sexo condição médica subjacente e obesidade Uma versão estendida do modelo que inclui muitos outros fatores de risco como diabetes e aqueles associados a comunidades BAME eou privação Apea et al 2020 com base em dados empíricos recentes é descrita em Prodhan e Fenton 2020 No entanto os perigos de incluir muitos Existem três tipos principais de teste como mostrado na Figura 4 com diferentes graus de precisão caracterizados pelas taxas de falso positivo e falso negativo definidas na tabela de probabilidade de Resultado testado Embora a maioria das pessoas não tenha sido e não será testada5 Os fatores de risco de base listados idade sexo obesidade e condições médicas subjacentes não têm impacto sobre se uma pessoa é infectada ou não No entanto se uma pessoa estiver infectada esses fatores de risco afetam se a infecção será ou não assintomática leve ou grave se tiverem sido presumese que conhecerão o resultado e normalmente também o tipo de teste e entrarão como uma observação Os dados de precisão do teste são baseados em Se uma pessoa for infectada com COVID19 nos primeiros 5 dias ela geralmente é assintomática Beeching Fletcher e Beadsworth 2020 Alguns infectados nunca apresentarão nenhum sintoma ou seja permanecem assintomáticos Heneghan Brassey e Jefferson 2020 enquanto para outros a doença será classificada como leve ou grave Então pessoa COVID19 a quantidade de contato com o vírus provavelmente será alta No entanto a maioria das pessoas não saberá se as pessoas com quem estiveram em contato foram infectadas ou não Eles podem saber se as pessoas com quem estavam tinham sintomas eles também devem ser capazes de dizer quanta interação geral tiveram com pessoas fora de sua casa como no trabalho e participar de festas e reuniões maiores e se pode ter havido transferência de contato do vírus para eles por exemplo Carver e Jones 2020 Ai et al 2020 Yang et al 2020 Chua et al 2020 temos nós separados que distinguem entre o status COVID19 atual e o status COVID19 do pior caso Mizumoto et al 2020 Dia 2020 Bengali 2020 8 5 Machine Translated by Google É disponibilizado sob uma licença internacional CCBYNCND 40 medRxiv preprint doi httpsdoiorg1011012020071520154286 esta versão foi postada em 5 de janeiro de 2021 O detentor dos direitos autorais deste preprint que não foi certificado por revisão por pares é o autorfinanciador que concedeu ao medRxiv uma licença para exibir o preprint em perpetuidade 3 Cenários executando o modelo Se o primeiro for acionado fornecerá conselhos sobre o envio de um teste nasal de PCR o mais rápido possível autoisolamento e distanciamento social O último depende da probabilidade de COVID19 grave em oposição ao COVID19 leve ou assintomático e se os sintomas estão se deteriorando ou não O nó Status dos sintomas que é pai de Alerta de hospitalização considera fatores como dificuldade para respirar dor ou pressão persistente no peito nova confusão incapacidade de acordar ou permanecer acordado lábios ou face azulados Centros de Controle e Prevenção de Doenças 2020 Há também um alerta Faça teste de anticorpos para aqueles que têm alta probabilidade de serem infectados anteriormente O conjunto de sintomas incluídos são aqueles que ocorrem em pelo menos 25 dos pacientes com COVID19 leve ou grave Os valores de probabilidade são baseados nas estatísticas fornecidas em Huang et al 2020 Uma versão estendida do modelo incorpora muitos outros sintomas como náusea vômito e diarreia congestão e corrimento com base em dados empíricos recentes Butcher e Fenton 2020 9 A Figura 5 mostra um cenário em que uma pessoa de 70 anos com condições médicas subjacentes graves que não é um profissional de saúde da linha de frente e não teve um teste ou sintomas validados anteriormente nos últimos 5 dias teve várias interações recentes com outros pessoas incluindo uma com sintomas de COVID19 Os dois nós com linhas pontilhadas fatores de risco e risco condicionado à idade são introduzidos no modelo apenas para o benefício de simplificar a estimativa de parâmetros Eles são pontilhados porque são considerados nós ocultos6 sem interesse para os usuários do modelo Um limite como 60 é definido para os nós alerta COVID19 e alerta de hospitalização fatores de risco alegados como aqueles em Collaborative et al 2020 são destacados em Griffith et al 2020 Fenton 2020 6 No AgenaRisk esses nós ocultos podem ser literalmente ocultos Machine Translated by Google O modelo calcula que há uma probabilidade de 335 de que essa pessoa esteja infectada Como as interações ocorreram há menos de 5 dias não há sintomas relatados atualmente No entanto devido à idade dessa pessoa e às condições médicas subjacentes o modelo prevê que embora atualmente assintomático há uma chance de 14 de que essa pessoa acabe tendo COVID19 grave e portanto pode ser aconselhada a se autoisolar até receber o resultado do teste As observações específicas para idade e condições médicas subjacentes não alteram como deixamos claro em nossas suposições a probabilidade de ser infectado mas alteram a probabilidade da eventual gravidade da infecção se infectado A Tabela 3 mostra alguns exemplos dos resultados executando o modelo com diferentes combinações de idadecondição médica 10 medRxiv preprint doi httpsdoiorg1011012020071520154286 esta versão foi postada em 5 de janeiro de 2021 O detentor dos direitos autorais deste preprint que não foi certificado por revisão por pares é o autorfinanciador que concedeu ao medRxiv uma licença para exibir o preprint em perpetuidade É disponibilizado sob uma licença internacional CCBYNCND 40 Figura 5 Cenário em que uma pessoa que não é profissional de saúde mas teve várias interações externas com outras pessoas incluindo uma com sintomas de COVID19 Machine Translated by Google 33 Status eventual COVID19 24 Médio Médio condições subjacentes grave 20 14 2 1 015 Baixo Baixo médico leve 9 11 8 4 065 assintomático 80 6580 1549 1549 15 5 Alto Era 29 8 É disponibilizado sob uma licença internacional CCBYNCND 40 medRxiv preprint doi httpsdoiorg1011012020071520154286 esta versão foi postada em 5 de janeiro de 2021 O detentor dos direitos autorais deste preprint que não foi certificado por revisão por pares é o autorfinanciador que concedeu ao medRxiv uma licença para exibir o preprint em perpetuidade Tabela 3 Resultados da execução do cenário com diferentes combinações de idade e condição médica subjacente Se neste cenário realizarmos um teste de PCR nasal e obtivermos um resultado positivo a probabilidade de COVID19 sobe para 73 Se foi um teste positivo de CTScan a probabilidade aumenta para mais de 98 11 Em seguida consideramos um cenário mostrado na Figura 6 em que uma pessoa com idade entre 50 e 65 anos sem condições médicas subjacentes relata sintomas tosse fadiga e dispneia Observe que como essa pessoa não forneceu informações sobre contato recente com outras pessoas e porque os sintomas relatados também são comuns em geral especialmente para resfriados ou gripes o modelo calcula apenas 6 de probabilidade de COVID19 e 23 de probabilidade de uma condição como a gripe No entanto mesmo neste último caso para uma pessoa com idade entre 5065 sem condições médicas subjacentes o modelo prevê apenas 6 de chance de que a infecção seja grave 27 leve 65 assintomática e portanto o conselho médico apropriado pode ser dado por um profissional de saúde ou linha de aconselhamento Machine Translated by Google No entanto fornecer mais informações sintomáticas pode fazer uma grande diferença Por exemplo se essa pessoa não relatar explicitamente nenhuma perda de paladarolfato em vez de não relatar nada para esse sintoma a probabilidade de COVID19 cai para 2 enquanto salta para 31 se houver perda de paladarcheiro Se no último caso soubermos ainda que essa pessoa é um profissional de saúde da linha de frente a probabilidade aumenta para 44 Se essa pessoa tiver um teste de PCR nasal e obtiver um resultado negativo ainda há 18 de chance de que essa pessoa tenha COVID19 a probabilidade de uma condição semelhante à gripe diferente é de 4 e portanto o conselho pode ser se autoisolar por 714 dias para monitorar ainda mais os sintomas e repetir o teste antes de voltar ao trabalho 12 É disponibilizado sob uma licença internacional CCBYNCND 40 medRxiv preprint doi httpsdoiorg1011012020071520154286 esta versão foi postada em 5 de janeiro de 2021 O detentor dos direitos autorais deste preprint que não foi certificado por revisão por pares é o autorfinanciador que concedeu ao medRxiv uma licença para exibir o preprint em perpetuidade Figura 6 Pessoa com idade entre 5065 anos sem condições médicas subjacentes relata sintomas tosse fadiga dispneia Machine Translated by Google Figura 7 Pessoa sobre a qual não sabemos nada além de sintomas extensos É disponibilizado sob uma licença internacional CCBYNCND 40 medRxiv preprint doi httpsdoiorg1011012020071520154286 esta versão foi postada em 5 de janeiro de 2021 O detentor dos direitos autorais deste preprint que não foi certificado por revisão por pares é o autorfinanciador que concedeu ao medRxiv uma licença para exibir o preprint em perpetuidade Na Figura 7 vemos o resultado da execução do modelo para uma pessoa sobre a qual não temos nenhuma observação além de que ela tem sintomas extensos que estão se deteriorando Nesse caso a inferência para trás do algoritmo Bayesiano não apenas produz uma probabilidade eventual muito alta 77 de COVID19 grave 19 leve mas também infere que essa pessoa provavelmente tem pelo menos 65 anos com condições médicas subjacentes Como tal observe que o alerta de hospitalização seria ativado se digamos o limite fosse definido em 60 No entanto se descobrirmos que essa pessoa tem digamos apenas 45 anos sem condições médicas subjacentes embora a probabilidade de COVID19 permaneça inalterada 13 Machine Translated by Google Figura 8 Análise de sensibilidade para eventual status COVID19 grave mostrado como gráfico de tornado medRxiv preprint doi httpsdoiorg1011012020071520154286 esta versão foi postada em 5 de janeiro de 2021 O detentor dos direitos autorais deste preprint que não foi certificado por revisão por pares é o autorfinanciador que concedeu ao medRxiv uma licença para exibir o preprint em perpetuidade É disponibilizado sob uma licença internacional CCBYNCND 40 A Figura 8 mostra os resultados da execução da ferramenta de análise de sensibilidade no modelo no AgenaRisk para o status COVID19 eventual que é o que chamamos de nó de destino para a análise de sensibilidade sendo grave Isso não pressupõe observações no modelo É possível executar muitos tipos diferentes de análise de sensibilidade Por exemplo uma vez que algumas observações são inseridas para um paciente específico podemos executar a análise de sensibilidade usando Alerta de hospitalização como o nó de destino para determinar quais ainda não observados fatores têm o maior impacto e portanto quais devemos observar a seguir 14 a probabilidade de que o pior cenário para essa pessoa seja COVID19 grave cai de 77 para 28 mesmo com piora dos sintomas a probabilidade de alerta de internação está abaixo do limite de 60 Uma grande vantagem de um modelo BN é que ele ainda pode gerar previsões com informações incompletas Assim para quaisquer nós para os quais o usuário não fornece ou não pode fornecer observações o modelo é capaz de usar informações probabilísticas anteriores em vez de fazer suposições particulares Machine Translated by Google 4 Concepção da Estrutura de Vigilância BayesCOVID É disponibilizado sob uma licença internacional CCBYNCND 40 httpwwweecsqmulacuknormanModelscovid19forwebcmpx medRxiv preprint doi httpsdoiorg1011012020071520154286 esta versão foi postada em 5 de janeiro de 2021 O detentor dos direitos autorais deste preprint que não foi certificado por revisão por pares é o autorfinanciador que concedeu ao medRxiv uma licença para exibir o preprint em perpetuidade Há também uma versão atualizada e estendida do modelo que pode ser executada usando a versão gratuita do AgenaRisk incorporando muitos outros fatores de risco e sintomas de fundo Prodhan e Fenton 2020 Butcher e Fenton 2020 disponível em Conforme ilustra a Figura 9 a BN é embarcada ou integrada em um aplicativo acessível a partir do smartphone do usuário Esta solução opera dentro do ambiente CardiPro usando o front end WebPWA e Agena CloudAPI S McLachlan et al 2020 A Figura 11 mostra como o usuário insere seus Os parâmetros que não possuem dados empíricos relevantes ou não são determinados logicamente são simplesmente estimados O modelo de BN completo apresentado neste artigo está disponível em httpwwweecsqmulacuknormanModelscovid19forcontacttracingpaperast 15 Assim embora a temperatura corporal e a saturação de oxigênio sejam medidaschave o usuário decide se essas medidas são feitas ou não Usando a BN também é possível prever qual recurso será o mais informativo para contribuir com o diagnóstico e este recurso pode ser utilizado para solicitar informações adicionais do usuário após alguma entrada inicial Ele pode ser aberto e executado na versão de avaliação gratuita do AgenaRisk Agena Ltd 2020 em wwwagenariskcom Todas as tabelas de probabilidades prévias e condicionais do modelo podem ser inspecionadas assim que o modelo for aberto O uso do nosso modelo BN fornece uma base para a vigilância populacional do surto geográfico e disseminação do COVID19 A infraestrutura proposta para feedback personalizado do status COVID19 e coleta de dados geográficos é mostrada na Figura 5 e é inspirada em pesquisas relacionadas dos grupos de pesquisa dos autores van der Heijden M et al 2013 Velikova MV et al 2014 Devido às rápidas mudanças nas informações empíricas sobre todos os fatores do modelo os parâmetros da tabela de probabilidade estão sendo continuamente atualizados para refletir o estado do conhecimento Figura 9 Infraestrutura para feedback personalizado sobre COVID19 e coleta de dados geográficos sobre COVID19 Machine Translated by Google Figura 10 O modelo BN rodando em um celular no ambiente CardiPro medRxiv preprint doi httpsdoiorg1011012020071520154286 esta versão foi postada em 5 de janeiro de 2021 O detentor dos direitos autorais deste preprint que não foi certificado por revisão por pares é o autorfinanciador que concedeu ao medRxiv uma licença para exibir o preprint em perpetuidade É disponibilizado sob uma licença internacional CCBYNCND 40 7 Os dados minimalistas transmitidos ao servidor mesmo que combinados com a coleta de um conjunto de sintomas anônimos semelhante ao usado para o aplicativo rastreador de sintomas COVID19 Embora se suponha que um cidadão de um país obtenha feedback sobre a probabilidade da presença de COVID19 assintótico leve ou grave a partir de um aplicativo de smartphone o principal objetivo de fazer um aplicativo com a BN incorporada é monitorar a população para detectar novos surtos e os locais em que isso ocorre o mais cedo possível Para isso os únicos dados que precisam ser coletados centralmente são a probabilidade de o usuário ter COVID19 e seu ID exclusivo específico do aplicativo anônimo que também pode ser usado para acompanhar o progresso do COVID19 no indivíduo 16 Nosso grupo de pesquisa tem agora os meios para demonstrar os elementos e toda a solução apresentada na Figura 9 informações em um smartphone e recebe feedback na forma de probabilidade alertas e recomendações que são extraídas do modelo BN subjacente Drew et al 2020 significa que preserva a privacidade 7 Uma versão nova e atualizada do aplicativo webphone que permite que a versão mais recente do modelo seja executada por meio de uma interface de questionário simples pode ser acessada em httpscovid19appsagenariskcom Machine Translated by Google 5 Limitações da solução atual do modelo BN8 medRxiv preprint doi httpsdoiorg1011012020071520154286 esta versão foi postada em 5 de janeiro de 2021 O detentor dos direitos autorais deste preprint que não foi certificado por revisão por pares é o autorfinanciador que concedeu ao medRxiv uma licença para exibir o preprint em perpetuidade É disponibilizado sob uma licença internacional CCBYNCND 40 8 Algumas das limitações do modelo BN descritas neste artigo foram abordadas na versão mais recente que pode ser baixada em httpwwweecsqmulacuknormanModels covid19forwebcmpx Além das limitações já discutidas na Seção 3 a solução do modelo de BN proposta sofre de algumas limitações comuns a todos os modelos de BN destinados ao apoio à decisão médica incluindo diagnóstico tratamento ou avaliação geral de risco de condições específicas Em particular No entanto coletar apenas o triplo de dados mencionado acima tem a vantagem de violação mínima de privacidade 17 Como a estrutura causal do modelo é definida simplesmente por uma combinação de julgamento especializado e bom senso embora com base em uma abordagem baseada em idiomas há muito estabelecida é difícil justificar e validar formalmente o modelo além de estabelecer que a suas estimativas refletem a realidade eb oferece melhor suporte para tomada de decisão do que modelos preditivos alternativos Inevitavelmente o modelo é uma simplificação e não pode abordar todas as correlações entre variáveis e erros não observados endogeneidade Mas a endogeneidade de algumas variáveis específicas como aquelas associadas ao teste é Os fatores de risco sintomas e testes juntamente com as relações de dependência entre eles estão mudando o tempo todo e especialmente para uma nova condição como COVID19 com novos continuamente identificados À medida que surgem novos dados empíricos sobre fatores de risco sintomas e testes que já estão no modelo a atualização do modelo envolve apenas alterar os NPTs relevantes Desde que novos sintomas não alterem as dependências na BN o que acreditamos ser provável neste caso a única limitação é que você não pode inserilos quando observados Acreditamos que os sintomas mais significativos são conhecidos e foram incluídos no modelo No entanto mostramos que é relativamente simples adicionar novos fatores de risco Prodhan e Fenton 2020 e sintomas Butcher e Fenton 2020 quando identificados envolve adicionar nós de acordo com a estrutura baseada em idiomas existente Para novos nós de sintomas isso é simples pois eles não têm nós filhos e portanto exigem apenas o novo NPT associado com base nos dados de probabilidade do sintoma em relação ao COVID19 e condições semelhantes Este processo de adição de novos sintomas que foram incorporados à versão estendida do modelo é descrito em ref É mais difícil adicionar novos nós de fatores de risco pois isso requer uma mudança no NPT para os nós combinados de fatores de risco e risco condicionado à idade a mudança deve levar em conta o impacto relativo do novo fator de risco em relação aos já existentes O processo de adição de novos fatores de risco que foram incorporados à versão estendida do modelo é descrito em ref Adicionar um novo tipo de teste e a respectiva precisão do teste envolve simplesmente adicionar um estado ao nó Tipo de teste e uma coluna de adição ao seu nó filho Resultado testado possivelmente até a admissão hospitalar Além disso quando uma pessoa se identificar posteriormente como positiva também pode ser necessário coletar e distribuir um identificador com carimbo de data e hora para locais recentes em que frequentou para que essas informações possam ser compartilhadas anonimamente com outras pessoas que estiveram presentes nesses locais em momentos semelhantes É assim que as APIs da AppleGoogle devem ser usadas embora haja sugestões na mídia de que como várias agências desenvolveram aplicativos usando essas APIs conjuntos de dados de localização também foram disponibilizados a terceiros incluindo anunciantes por pelo menos três trimestres de todos os CTA Hautala 2020 Melendez 2020 e execute usando a versão de avaliação gratuita do AgenaRisk wwwagenariskcom A versão mais recente do modelo também pode ser executada por meio de uma interface simples de questionário na web ou em um celular em httpscovid19appsagenariskcom Machine Translated by Google 6 Conclusão medRxiv preprint doi httpsdoiorg1011012020071520154286 esta versão foi postada em 5 de janeiro de 2021 O detentor dos direitos autorais deste preprint que não foi certificado por revisão por pares é o autorfinanciador que concedeu ao medRxiv uma licença para exibir o preprint em perpetuidade É disponibilizado sob uma licença internacional CCBYNCND 40 O modelo é inevitavelmente altamente sensível à taxa de infecção populacional anterior assumida A versão do modelo aqui apresentada assumiu que esse anterior era de 5 o que era relevante quando o vírus estava próximo de seu pico no final de maio de 2020 No entanto é simples alterar esse anterior pois requer apenas uma alteração de rotina no NPT de o nó infectado com COVID19 Há também outras limitações que são mais específicas para a solução proposta Em particular Esta não é uma grande preocupação porque não se supõe que os usuários atualizariam regularmente suas entradas No entanto reconhecemos que algumas pequenas melhorias de precisão Quando membros da mesma família estiverem usando o aplicativo as suposições de que os usuários são distribuídos individual e independentemente podem não ser satisfeitas No entanto a parte possibilidade de infecção do modelo permite que diferentes membros do mesmo agregado familiar introduzam informações relevantes que são comuns ao agregado familiar É importante observar que sempre foi assumido que haveria atualizações regulares no modelo Os usuários do modelo acessam automaticamente qualquer que seja a versão mais recente Como a maioria das informações exigidas como entrada para o modelo é necessariamente autorelatada não há uma maneira eficiente de verificar sua validade sem comprometer a privacidade do usuário Embora isso seja verdade para todas as BNs médicas de autodiagnóstico isso cria um problema potencialmente mais sério neste caso porque em última análise o objetivo não é simplesmente a avaliação de risco personalizada por meio da qual os usuários não teriam incentivo para mentir com suas entradas mas também monitoramento populacional dos níveis de vírus Assim embora os usuários possam usar o modelo sem ter sua probabilidade de risco carregada a suposição é que por padrão ele será Nesse caso A autenticação de dados é um problema em potencial pois sem ela atores malintencionados podem usar o aplicativo para distorcer se um surto de COVID19 está ocorrendo ou não em um local específico Existem importantes aspectos temporais e dinâmicos do problema que são tratados de forma muito grosseira no modelo O modelo incorpora essencialmente apenas três fases temporais distintas para aqueles que são infectados Estamos céticos de que qualquer CTA autônomo manual ou automatizado possa conter uma doença altamente contagiosa de alta prevalência como o COVID19 Isso ocorre principalmente porque o CTA atua retrospectivamente avisando o usuário que ele esteve anteriormente em contato próximo com um infectado No caso do COVID19 esse conselho geralmente vem somente depois que eles já começaram a espalhar a doença de forma assintomática Em contraste a solução de BN que propomos integra informações retrospectivas com rastreamento de sintomas É diferente de outras soluções e modelos propostos pois 18 o A fase de préinfecção que tem uma distinção grosseira de 2 fases entre menos e mais de 8 semanas para aqueles previamente infectados ou testados formalmente o O período dos primeiros 5 dias de infecção explicitamente tratado por meio do que é conhecido como idioma de medição Kyrimi et al 2020 o O período após os primeiros 5 dias de infecção até o eventual desfecho poderia ser obtido por um modelo dinâmico temporal de granulação mais fina por exemplo com dias explícitos separados para cada um dos primeiros 14 dias de infecção No entanto isso exigiria um modelo de complexidade muito maior Além disso o mesmo idioma é implicitamente incorporado nos nós de sintomas Machine Translated by Google Butcher Rachel e Norman E Fenton 2020 Estendendo a gama de sintomas em uma rede bayesiana para o diagnóstico preditivo de COVID19 httpsdoiorglinkssideButtonjpg 3757 bytes defaulttopBarjpg 16198 bytes Livros Patentes Papers Livros Fenton NE e M Neil Risk Assessment and Decision Analysis with Bayesian Networks Segunda Edição 2018 Chapman e HallCRC Press ISBN 9781138035119 2018 Fenton NE e J Bieman 2014 Software Metrics A Rigorous and Practical Approach 3ª Edição CRC Press ISBN 9781439838228 Fenton NE e M Neil Avaliação de Risco e Análise de Decisão com Redes Bayesianas 2012 CRC Press I 2020 Correlação do teste de TC de tórax e RTPCR na doença de coronavírus 2019 COVID19 na China um relatório de 1014 casos Radiologia fevereiro de 200642 httpsdoiorg101148radiol2020200642 Bengali S 2020 Ele estava livre de sintomas Mas o coronavírus permaneceu em seu corpo por 40 dias LA Times 4 de maio de 2020 httpswwwlatimescomworldnationstory20200430whysomepatientskeeptestingpositiveforthe coronavirus Ai Tao Zhenlu Yang Hongyan Hou Chenao Zhan Chong Chen Wenzhi Lv Qian Tao Ziyong Sun e Liming Xia Pesquisa Ed 369 abril m1403 httpsdoiorg101136bmjm1403 Centros de Controle e Prevenção de Doenças 2020 Sintomas do Coronavírus CDC 2020 Agena Ltd 2020 AgenaRisk httpwwwagenariskcom Beeching Nick J Tom E Fletcher e Mike BJ Beadsworth 2020 Covid19 Tempos de teste BMJ Clínica Carver C e N Jones 2020 Precisão comparativa de esfregaços orofaríngeos e nasofaríngeos para diagnóstico de COVID19 httpswwwcebmnetcovid19comparativeaccuracyoforofaríngeaandnasofaríngea swabsfordiagnosis ofcovid19 Apea Vanessa J Yize I Wan Rageshri Dhairyawan Zudin A Puthucheary Rupert M Pearse Chloe M Orkin e John R Prowle 2020 Etnia e resultados em pacientes hospitalizados com infecção por COVID19 no leste de Londres um estudo de coorte observacional MedRxiv junho de 2020061020127621 httpsdoiorg 1011012020061020127621 Reconhecimento Os autores agradecem o apoio do EPSRC sob o projeto EPP0099641 PAMBAYESIAN Patient Managed Decisionsupport using Bayesian Networks e The Alan Turing Institute sob a concessão EPSRC EPN5101291 Também reconhecemos o apoio da Agena distinguir entre a probabilidade de assintomático leve ou grave Quanto mais informações o usuário fornecer mais personalizados serão os resultados depende inteiramente do usuário a quantidade de informações que deseja fornecer o modelo produz saídas de probabilidade para cada variável que é não observada 19 Fornece probabilidades personalizadas de status COVID19 passado atual e futuro Acreditamos que soluções como a aqui proposta podem ter um efeito muito benéfico na contenção da propagação dessa pandemia e na redução da necessidade de procedimentos draconianos de bloqueio As observações de quaisquer resultados de testes e sintomas são usadas para atualizar a probabilidade de infecção e sua gravidade mas a estrutura causal do modelo também fornece explicações para observações como por que um resultado de teste específico pode produzir uma probabilidade de infecção que parece contraintuitivo quando usado para avaliação personalizada Além disso mesmo que o modelo seja usado como parte de um serviço de CTA nacional incorporado conforme proposto na Seção 4 os únicos dados que precisam ser compartilhados são o status atual de probabilidade do COVID19 e a localização do GPS Combina vários tipos diferentes de informações em um modelo causal do processo que primeiro leva à infecção potencial incluindo a possibilidade de imunidade a infecções anteriores e em seguida com base em fatores de risco pessoais até que ponto uma pessoa infectada sofrerá Há violação mínima de privacidade porque as informações pessoais não são compartilhadas Referências medRxiv preprint doi httpsdoiorg1011012020071520154286 esta versão foi postada em 5 de janeiro de 2021 O detentor dos direitos autorais deste preprint que não foi certificado por revisão por pares é o autorfinanciador que concedeu ao medRxiv uma licença para exibir o preprint em perpetuidade É disponibilizado sob uma licença internacional CCBYNCND 40 Machine Translated by Google 20 medRxiv preprint doi httpsdoiorg1011012020071520154286 esta versão foi postada em 5 de janeiro de 2021 O detentor dos direitos autorais deste preprint que não foi certificado por revisão por pares é o autorfinanciador que concedeu ao medRxiv uma licença para exibir o preprint em perpetuidade É disponibilizado sob uma licença internacional CCBYNCND 40 Empresa rápida 2020 httpswwwfastcompanycom90508044northdakotascovid19apphasbeensending datato foursquareandgoogle Fenton Norman E 2020 Uma nota sobre Viés do colisor prejudica nossa compreensão do risco e gravidade da doença COVID19 e como as redes bayesianas causais expõem e resolvem o problema maio Inteligência Artificial em Medicina 67 janeiro 7593 httpsdoiorg101016jartmed201601002 httpswwwcebmnetcovid19covid19whatproportionareasymptomatic Heijden M van der PJ Lucas B Lijnse YF Heijdra e TR Schermer 2013 Um Sistema Móvel Autônomo para o Gerenciamento da DPOC Journal of Biomedical Informatics 46 3 45869 Constantinou Anthony Costa Norman E Fenton William Marsh and Lukasz Radlinski 2016 Do Complexo Science Nova York NY 368 6497 136267 httpsdoiorg101126scienceabc0473 McLachlan Scott Peter Lucas Kudakwashe Dube Graham Scott McLachlan Graham A Hitman Magda Osman Evangelia Kyrimi Martin Neil e Norman E Fenton 2020 As limitações fundamentais dos métodos de rastreamento de contatos COVID19 e como resolvêlos com uma abordagem de rede bayesiana Londres Reino Unido httpsdoiorg1013140 RG222704266243 Neil Martin Norman E Fenton and Lars Nielson 2000 Construindo Redes Bayesianas de Grande Escala The Knowledge Engineering Review 15 3 25784 httpsdoiorg101017S0269888900003039 2020 O viés do colisor prejudica nossa compreensão do risco e gravidade da doença COVID19 MedRxiv maio de 2020050420090506 httpsdoiorg1011012020050420090506 Chua Felix Darius ArmstrongJames Sujal R Desai Joseph Barnett Vasileios Kouranos Onn Min Kon Ricardo José et al 2020 O papel da tomografia computadorizada na verificação e gerenciamento de casos de pneumonia por COVID19 no Reino Unido insights de regiões de alta incidência A Lanceta Medicina Respiratória 8 5 43840 httpsdoiorg101016 S2213260020301326 Drew David A Long H Nguyen Claire J Steves Cristina Menni Maxim Freydin Thomas Varsavsky Carole H Computação médica probabilística online em tempo real usando redes bayesianas https easychairorgpublicationspreprint9Jks Long QuanXin XiaoJun Tang QiuLin Shi Qin Li HaiJun Deng Jun Yuan JieLi Hu e outros 2020 Avaliação clínica e imunológica de infecções assintomáticas por SARSCoV2 Nature Medicine junho 15 httpsdoiorg101038 s4159102009656 Dia Miguel 2020 Covid19 identificar e isolar pessoas assintomáticas ajudou a eliminar o vírus em italiano CRC Press Boca Raton Mizumoto Kenji Katsushi Kagaya Alexander Zarebski e Gerardo Chowell 2020 Estimando a proporção assintomática de casos de doença de coronavírus 2019 COVID19 a bordo do navio Diamond Princess Cruise Yokohama Japão 2020 Eurosurveillance 25 10 2000180 httpsdoiorg1028071560 Kyrimi E M Neves M Neil W Marsh S McLachlan and Norman E Fenton 2020 Idiomas médicos para clínica Cowell RG AP Dawid SL Lauritzen e DJ Spiegelhalter 1999 Redes Probabilísticas e Sistemas Especialistas httparxivorgabs200508608 Michelen Melina Nicholas Jones e Charitini Stavropoulou 2020 Em pacientes com COVID19 quais são as Melendez S 2020 O aplicativo COVID19 da Dakota do Norte está enviando dados para o Foursquare e o Google Questionário e Dados de Entrevista para Modelos de Rede Bayesiana Inteligente para Apoio à Decisão Médica Fenton Norman E Martin Neil Magda Osman e Scott McLachlan 2020 Taxas de infecção e mortalidade por COVID19 a necessidade de incorporar explicações causais para os dados e evitar viés nos testes Journal of Risk Research abril 14 httpsdoiorg1010801366987720201756381 Heneghan Carl Jon Brassey e Tom Jefferson 2020 COVID19 Que proporção é assintomática Oxford McLachlan Scott Peter Lucas Kudakwashe Dube Graham A Hitman Magda Osman Evangelia Kyrimi Martin Neil e Norman E Fenton 2020 Aplicativos para smartphones Bluetooth eles são a solução mais privada e eficaz para rastreamento de contatos COVID19 maio httparxivorgabs200506621 Sudre et ai 2020 Implementação rápida de tecnologia móvel para epidemiologia em tempo real do COVID19 Collaborative The OpenSAFELY Elizabeth Williamson Alex J Walker Krishnan J Bhaskaran Seb Bacon Chris Bates Caroline E Morton et al 2020 OpenSAFELY Fatores associados à morte hospitalar relacionada ao COVID19 nos registros eletrônicos de saúde vinculados de 17 milhões de pacientes adultos do NHS MedRxiv maio de 2020050620092999 httpsdoiorg1011012020050620092999 Hautala L 2020 Aplicativos de rastreamento de contatos COVID19 criam armadilhas de privacidade em todo o mundo CNET 2020 httpswwwcnetcomnewscovidcontacttracingappsbringprivacypitfallsaroundtheworld McLachlan S H Paterson K Dube E Kyrimi E Dementiev M Neil B Daley GA Hitman e N Fenton 2020 Vila BMJ Clinical Research Ed 368 março m1165 httpsdoiorg101136bmjm1165 Griffith Gareth Tim T Morris Matt Tudball Annie Herbert Giulia Mancano Lindsey Pike Gemma C Sharp et al httpswwwcdcgovcoronavirus2019ncovsymptomstestingsymptomshtml 7917ES202025102000180 Sintomas e características clínicas de casos leves e moderados Oxford httpswwwcebmnetcovid19in patientof covid19whatarethesymptomsandclinicalfeaturesofmildandmoderatecase Fenton Norman E e Martin Neil 2018 Avaliação de Riscos e Análise de Decisão com Redes Bayesianas 2ª edição Nova York Springer Desenvolvimento de Rede Bayesiana Inteligência Artificial em Medicina 108 103495 httpsdoiorg101016jjbi2020103495 Machine Translated by Google 21 medRxiv preprint doi httpsdoiorg1011012020071520154286 esta versão foi postada em 5 de janeiro de 2021 O detentor dos direitos autorais deste preprint que não foi certificado por revisão por pares é o autorfinanciador que concedeu ao medRxiv uma licença para exibir o preprint em perpetuidade É disponibilizado sob uma licença internacional CCBYNCND 40 Se Eles Funcionam Ciência maio httpsdoiorg101126scienceabc9379 Avaliando a precisão de diferentes amostras respiratórias no diagnóstico laboratorial e monitorando a disseminação viral de infecções por 2019NCoV MedRxiv fevereiro de 2020021120021493 httpsdoiorg1011012020021120021493 Pérola Judéia 1988 Raciocínio Probabilístico em Sistemas Inteligentes Redes de Inferência Plausível São Francisco Velikova MV JA Terwisscha van Scheltinga PJ Lucas e M Spaanderman 2014 Explorando Causal Prodhan Georgina e Norman E Fenton 2020 Estendendo a gama de fatores de risco COVID19 em um modelo de rede bayesiana para avaliação de risco personalizada httpsdoiorghttpsdoiorg1011012020102020215814 Relacionamentos Funcionais na Modelagem de Rede Bayesiana para Cuidados de Saúde Personalizados Revista Internacional de Raciocínio Aproximado 55 5973 Neil Martin Norman E Fenton Magda Osman and Scott McLachlan 2020 A análise da rede bayesiana dos dados do Covid19 revela taxas de prevalência de infecção mais altas e taxas de mortalidade mais baixas do que amplamente relatadas Journal of Risk Research maio https doiorg1010801366987720201778771 Morgan Kaufmann Publishers Inc Servick Kelly 2020 Os aplicativos de rastreamento de contatos COVID19 estão chegando a um telefone perto de você Como vamos saber Yang Yang Minghui Yang Chenguang Shen Fuxiang Wang Jing Yuan Jinxiu Li Mingxia Zhang e outros 2020 Osman M Fenton S McLachlan P Lucas K Dube GA Hitman E Kyrimi e M Neil 2020 Os problemas espinhosos dos aplicativos de rastreamento de contatos Covid19 a necessidade de uma abordagem holística Journal of Behavioral Economics for Policy 4 43 59 Machine Translated by Google RESUMO DO ARTIGO O artigo apresenta um instrumento de rastreamento para o COVID 19 Para construção desse instrumento anteriormente foi feito um levantamento bibliográfico cujo objetivo era saber o que a literatura tinha sobre essa temática Um dos artigos encontrados demonstrou que para sucesso em na aplicação e prática de determinado instrumento era necessário que 90 a 95 da população tivesse acesso a smartphones entretanto 40 da população está com faixa etária acima de 65 anos o que limita um pouco a utilização de tais ferramentas Através dessas informações concluise que o instrumento denominado aplicativo de rastreamento de contatos não é a melhor estratégia para contenção em uma pandemia Outro estudo propôs um aplicativo também desenvolvido no Reino Unido NHSX em que através da tela do seu celular era mostrado quando um indivíduo estivesse próximo a alguém contaminado Entretanto só é mostrado no celular tempos depois quando a doença já se transmitiu a várias outras pessoas O atual artigo a partir dos estudos analisados propôs um instrumento de caráter dissertativo ou seja o usuário fornecia as informações através de um questionário e tais informações eram inseridas em uma plataforma entretanto essa plataforma não armazenava os dados de forma privada Tal ferramenta denominase modelo Bayesiano Sendo assim o modelo Bayesiano busca calcular a probabilidade de uma pessoa contrair o COVID 19 de forma assintomática nos estágios leve ou grave O modelo foi integrado em um aplicativo para smartphones e além de calcular a probabilidade de um indivíduo contrair a doença oferece também informações estatísticas sobre regiões cuja propensão é grande para novos surtos O modelo virtual consiste em nós e arcos os nós correspondem a variáveis que podem ou não ser observáveis além de serem caracterizados como discretos ou contínuos A partir de tais variáveis surgem valores que sugerem determinada probabilidade dependendo do tipo e estado do nó na tela Por sua vez surgirá um arco entre os nós caso as variáveis correspondam de forma considerável estatisticamente falando A partir disso é mostrada uma tabela de probabilidade vale ressaltar que tal probabilidade será baseada nas informações préestabelecidas Em síntese um indivíduo só poderá ser infectado se tiver entrado em contato com o vírus A quantidade de vírus contraída determinará a probabilidade de infecção real Qualquer instrumento ou ferramenta cujo objetivo é estimar determinada circunstância oferece limitação em sua prática e determinada margem de erros Entretanto diferente dos outros aplicativos já desenvolvidos o presente modelo combina diversas informações inseridas pelo próprio indivíduo o que garante maior assertividade contanto que a informação seja inserida de forma honesta Além de fornecer informações específicas em relação a probabilidade de surtos e de nível de infecção bem como leve ou grave As informações embora armazenadas em uma plataforma são personalizadas o que dificulta o compartilhamento não privativo