LAUSANNE, 19. April (WNM/EPFL) - Forscher am Embedded Systems Laboratory der Eidgenössischen Technischen Hochschule Lausanne (EPFL) entwickeln einen Diagnosetest mit einer Smartphone-App, bei dem das Husten-Geräusch des Nutzers analysiert wird (https://coughvid.epfl.ch/).
In der COVID-19-Pandemie haben sich Corona-Massentests für die Regierungen als unerlässlich erwiesen, um die Ausbreitung der Krankheit zu überwachen, infizierte Personen zu isolieren und die Infektionskurve im Laufe der Zeit effektiv abzuflachen.
Dieser oropharyngeale Tupfertest ist jedoch physisch invasiv und muss von ausgebildetem, klinischem Personal durchgeführt werden. Im Idealfall werden die Tests nichtinvasiv und kostenlos und bei potenziellen Patienten zu Hause durchgeführt, um das Kontaminationsrisiko zu minimieren.
Die Weltgesundheitsorganisation (WHO) hat berichtet, dass 67,7% der COVID-19-Patienten einen „trockenen Husten“ aufweisen, was bedeutet, dass im Gegensatz zum typischen „feuchten Husten“, der bei Erkältung oder Allergien auftritt, kein Schleim produziert wird (https://www.who.int/docs/default-source/coronaviruse/who-china-joint-mission-on-covid-19-final-report.pdf). Trockener Husten kann von nassem Husten durch das erzeugte Geräusch unterschieden werden. Das wirft die Frage auf, ob die Analyse der Hustengeräusche einige Einblicke in COVID-19 geben kann. Eine solche Analyse von Hustengeräuschen hat sich bei der Diagnose von Atemwegserkrankungen wie Pertussis, Asthma und Lungenentzündung als erfolgreich erwiesen.
Das Embedded Systems Laboratory (ESL) der EPFL will die Signalverarbeitung, das Pervasive Computing und das maschinelle Lernen nutzen, um eine Android-Anwendung und eine Website zu entwickeln, mit denen COVID-19 automatisch bequem von zu Hause aus überprüft werden kann. Die Testpersonen können einfach eine mobile Anwendung herunterladen, ihre Symptome eingeben, einen Audioclip ihres Hustens aufnehmen und die Daten anonym auf den EFPFL-Server hochladen. Das ESL verwendet dann Audiosignalverarbeitung und Techniken des maschinellen Lernens, um zu bewerten, ob ein automatisches oder unterstütztes COVID-19-Screening notwendig ist.