Consumer wearable devices that continuously measure vital signs have been used to monitor the onset of infectious disease. Here, we show that data from consumer smartwatches can be used for the pre-symptomatic detection of coronavirus disease 2019 (COVID-19). We analysed physiological and activity data from 32 individuals infected with COVID-19, identified from a cohort of nearly 5,300 participants, and found that 26 of them (81%) had alterations in their heart rate, number of daily steps or time asleep. Of the 25 cases of COVID-19 with detected physiological alterations for which we had symptom information, 22 were detected before (or at) symptom onset, with four cases detected at least nine days earlier. Using retrospective smartwatch data, we show that 63% of the COVID-19 cases could have been detected before symptom onset in real time via a two-tiered warning system based on the occurrence of extreme elevations in resting heart rate relative to the individual baseline. Our findings suggest that activity tracking and health monitoring via consumer wearable devices may be used for the large-scale, real-time detection of respiratory infections, often pre-symptomatically. Analysis of physiological and activity data from consumer smartwatches enables real-time detection, often before symptom onset, of COVID-19, as well as other respiratory illnesses and stress inducers.

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.

Abstract Previous work has shown that innate immune sensing of tumors involves the host STING pathway, which leads to IFN-β production, dendritic cell (DC) activation, and T cell priming against tumor antigens. This observation has led to the development of STING agonists as a potential cancer therapeutic. However, despite promising results in mouse studies using transplantable tumor models, clinical testing of STING agonists has shown activity in only a minority of patients. Thus, further study of innate immune pathways in anti-tumor immunity is paramount. Innate immune activation in response to a pathogen rarely occurs through stimulation of only one signaling pathway, and activating multiple innate immune pathways similar to a natural infection is one possible strategy to improve the efficacy of STING agonists. To test this, we performed experiments with the STING agonist DMXAA alone or in combination with several TLR agonists. We found that LPS + DMXAA induced significantly greater IFN-β transcription than the sum of either agonist alone. To explain this synergy, we assayed each step of STING pathway signaling. LPS did not increase STING protein aggregation, IRF3 phosphorylation, or IRF3 nuclear translocation beyond what occurred with DMXAA alone. However, since the IFN-β promoter also includes NF-κB binding sites, we additionally examined the NF-κB pathway. In fact, LPS increased the phosphorylation and nuclear translocation of the NF-κB subunit p65, and NF-κB signaling was required for the observed synergy. Intratumoral injection of suboptimal doses of LPS + DMXAA resulted in significantly improved tumor control of B16 melanoma in vivo compared to either agonist alone. Our results suggest that combinatorial signaling through TLR4 and STING results in optimal innate signaling via co-involvement of NF-κB and IRF3, and that combined engagement of these two pathways has therapeutic potential.