Abstract Early detection of infectious diseases is crucial for reducing transmission and facilitating early intervention. In this study, we built a real-time smartwatch-based alerting system that detects aberrant physiological and activity signals (heart rates and steps) associated with the onset of early infection and implemented this system in a prospective study. In a cohort of 3,318 participants, of whom 84 were infected with severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2), this system generated alerts for pre-symptomatic and asymptomatic SARS-CoV-2 infection in 67 (80%) of the infected individuals. Pre-symptomatic signals were observed at a median of 3 days before symptom onset. Examination of detailed survey responses provided by the participants revealed that other respiratory infections as well as events not associated with infection, such as stress, alcohol consumption and travel, could also trigger alerts, albeit at a much lower mean frequency (1.15 alert days per person compared to 3.42 alert days per person for coronavirus disease 2019 cases). Thus, analysis of smartwatch signals by an online detection algorithm provides advance warning of SARS-CoV-2 infection in a high percentage of cases. This study shows that a real-time alerting system can be used for early detection of infection and other stressors and employed on an open-source platform that is scalable to millions of users.

Early detection of infectious disease is crucial for reducing transmission and facilitating early intervention. We built a real-time smartwatch-based alerting system for the detection of aberrant physiological and activity signals (e.g. resting heart rate, steps) associated with early infection onset at the individual level. Upon applying this system to a cohort of 3,246 participants, we found that alerts were generated for pre-symptomatic and asymptomatic COVID-19 infections in 78% of cases, and pre-symptomatic signals were observed a median of three days prior to symptom onset. Furthermore, by examining over 100,000 survey annotations, we found that other respiratory infections as well as events not associated with COVID-19 (e.g. stress, alcohol consumption, travel) could trigger alerts, albeit at a lower mean period (1.9 days) than those observed in the COVID-19 cases (4.3 days). Thus this system has potential both for advanced warning of COVID-19 as well as a general system for measuring health via detection of physiological shifts from personal baselines. The system is open-source and scalable to millions of users, offering a personal health monitoring system that can operate in real time on a global scale.

Summary To understand dynamic interplay between the human microbiome and host during health and disease, we analyzed the microbial composition, temporal dynamics, and associations with host multi-omics, immune and clinical markers of microbiomes from four body sites in 86 participants over six years. We found that microbiome stability and individuality are body-site-specific and heavily influenced by the host. The stool and oral microbiome were more stable than the skin and nasal microbiomes, possibly due to their interaction with the host and environment. Also, we identified individual-specific and commonly shared bacterial taxa, with individualized taxa showing greater stability. Interestingly, microbiome dynamics correlated across body sites, suggesting systemic coordination influenced by host-microbial-environment interactions. Notably, insulin-resistant individuals showed altered microbial stability and associations between microbiome, molecular markers, and clinical features, suggesting their disrupted interaction in metabolic disease. Our study offers comprehensive views of multi-site microbial dynamics and their relationship with host health and disease. Study Highlights The stability of the human microbiome varies among individuals and body sites. Highly individualized microbial genera are more stable over time. At each of the four body sites, systematic interactions between the environment, the host and bacteria can be detected. Individuals with insulin resistance have lower microbiome stability, a more diversified skin microbiome, and significantly altered host-microbiome interactions.