ABSTRACT
Introduction Le diagnostic de l'infection SARS-CoV-2 est basé sur la détection du virus par rt-PCR. Une application à été élaborée qui permet d'aider au diagnostic de la COVID-19 sans prélèvement biologique en utilisant des signaux physiologiques recueillis par une montre connectée et un bref questionnaire sur smartphone. L'intelligence artificielle par deep learning/réseaux de neurones a été utilisée pour produire un algorithme de classification diagnostique de COVID-19. Cette étude a pour but d'évaluer les performance diagnostiques de l'application dans des conditions du diagnostic clinique chez des malades et des soignants français. Matériels et méthodes Etude observationnelle multicentrique portant sur des patients hospitalisés et des soignants chez lesquels un test PCR à la recherche de SARS-CoV-2 doit être réalisé (cas suspect ou contact). L'enregistrement se faisait via une montre jumelée à un smartphone dans un délai de 3 jours du test PCR. Recueil d'information clinique et enregistrement par montre connectée de la fréquence cardiaque, de l'intervalle RR, la conductance galvanique de la peau. Les flux de données étaient synchronisés et fenêtrés. L'analyse des résultats porte sur les sensibilité, spécificité, taux de faux positifs et de faux négatifs de l'application par rapport à la PCR. Un questionnaire téléphonique à 7 et 15 jours a été réalisé pour connaitre l'évolution clinique et les résultats d'éventuelles PCR de contrôle. Résultats D'aout 2020 à Mars 2021, 363 participants (239 patients et 94 soignants) ont été inclus et 305 enregistrements étaient analysables. Le jour de l'enregistrement 167 participants étaient asymptomatiques (46 %). Le suivi complet des participants à J7 et J14 a été réalisé pour 248 participants,162 (65.3 %) avait une PCR- et absence de symptôme (P-S-), neuf (3.6 %) des symptomes et PCR neg (P-S+), 62 (25,4 %) un COVID symptomatique PCR+ (P+S+), et 14 (5.6 %) une PCR+ asymptomatique (P+S-). Les données acquises ont été répartie dans différents set d'analyse. Un Training set (52), un Validation set (17) et un Test set (18). Trois modèles de réseaux de neurones ont été entrainé sur les données acquises. Les capacités diagnostiques de l'application ont été évaluées à partir de deux combinaisons de paramètres acquis par la montre. La classification était correcte avec une efficacité (eff) de 99.1 %,un taux de faux positif (FP) de 3 % et pas de faux négatif (FN) pour la première combinaison et eff=97 %, .FP=0, FN=5 % pour la deuxième. Conclusion Les performance diagnostiques de l'application s'appuyant sur des réseaux de neurones entrainés en condition diagnostique chez des malades et des soignants français imitent très bien les performances des tests PCR. L'utilisation d'outils connectés capturant des signaux physiologiques associés à des analyse d'intelligence artificielle et de réseaux de neurones pourrait permettre de réduire le recours aux tests biologiques en ciblant les patients les plus suscpet d'infdection virale active. Liens d'intérêts déclarés Neu Tiger en tant qu'investigateur