Reports of long-lasting coronavirus disease 2019 (COVID-19) symptoms, the so-called ‘long COVID’, are rising but little is known about prevalence, risk factors or whether it is possible to predict a protracted course early in the disease. We analyzed data from 4,182 incident cases of COVID-19 in which individuals self-reported their symptoms prospectively in the COVID Symptom Study app1. A total of 558 (13.3%) participants reported symptoms lasting ≥28 days, 189 (4.5%) for ≥8 weeks and 95 (2.3%) for ≥12 weeks. Long COVID was characterized by symptoms of fatigue, headache, dyspnea and anosmia and was more likely with increasing age and body mass index and female sex. Experiencing more than five symptoms during the first week of illness was associated with long COVID (odds ratio = 3.53 (2.76–4.50)). A simple model to distinguish between short COVID and long COVID at 7 days (total sample size, n = 2,149) showed an area under the curve of the receiver operating characteristic curve of 76%, with replication in an independent sample of 2,472 individuals who were positive for severe acute respiratory syndrome coronavirus 2. This model could be used to identify individuals at risk of long COVID for trials of prevention or treatment and to plan education and rehabilitation services. Analysis of data from the COVID Symptom Study app reveals fatigue, headache, dyspnea and anosmia as key attributes of long COVID, with those experiencing five or more symptoms during the first week of being at increased risk of prolonged disease.

BackgroundData for front-line health-care workers and risk of COVID-19 are limited. We sought to assess risk of COVID-19 among front-line health-care workers compared with the general community and the effect of personal protective equipment (PPE) on risk.MethodsWe did a prospective, observational cohort study in the UK and the USA of the general community, including front-line health-care workers, using self-reported data from the COVID Symptom Study smartphone application (app) from March 24 (UK) and March 29 (USA) to April 23, 2020. Participants were voluntary users of the app and at first use provided information on demographic factors (including age, sex, race or ethnic background, height and weight, and occupation) and medical history, and subsequently reported any COVID-19 symptoms. We used Cox proportional hazards modelling to estimate multivariate-adjusted hazard ratios (HRs) of our primary outcome, which was a positive COVID-19 test. The COVID Symptom Study app is registered with ClinicalTrials.gov, NCT04331509.FindingsAmong 2 035 395 community individuals and 99 795 front-line health-care workers, we recorded 5545 incident reports of a positive COVID-19 test over 34 435 272 person-days. Compared with the general community, front-line health-care workers were at increased risk for reporting a positive COVID-19 test (adjusted HR 11·61, 95% CI 10·93–12·33). To account for differences in testing frequency between front-line health-care workers and the general community and possible selection bias, an inverse probability-weighted model was used to adjust for the likelihood of receiving a COVID-19 test (adjusted HR 3·40, 95% CI 3·37–3·43). Secondary and post-hoc analyses suggested adequacy of PPE, clinical setting, and ethnic background were also important factors.InterpretationIn the UK and the USA, risk of reporting a positive test for COVID-19 was increased among front-line health-care workers. Health-care systems should ensure adequate availability of PPE and develop additional strategies to protect health-care workers from COVID-19, particularly those from Black, Asian, and minority ethnic backgrounds. Additional follow-up of these observational findings is needed.FundingZoe Global, Wellcome Trust, Engineering and Physical Sciences Research Council, National Institutes of Health Research, UK Research and Innovation, Alzheimer's Society, National Institutes of Health, National Institute for Occupational Safety and Health, and Massachusetts Consortium on Pathogen Readiness.

Deep-learning has proved in recent years to be a powerful tool for image analysis and is now widely used to segment both 2D and 3D medical images. Deep-learning segmentation frameworks rely not only on the choice of network architecture but also on the choice of loss function. When the segmentation process targets rare observations, a severe class imbalance is likely to occur between candidate labels, thus resulting in sub-optimal performance. In order to mitigate this issue, strategies such as the weighted cross-entropy function, the sensitivity function or the Dice loss function, have been proposed. In this work, we investigate the behavior of these loss functions and their sensitivity to learning rate tuning in the presence of different rates of label imbalance across 2D and 3D segmentation tasks. We also propose to use the class re-balancing properties of the Generalized Dice overlap, a known metric for segmentation assessment, as a robust and accurate deep-learning loss function for unbalanced tasks.

A total of 2,618,862 participants reported their potential symptoms of COVID-19 on a smartphone-based app. Among the 18,401 who had undergone a SARS-CoV-2 test, the proportion of participants who reported loss of smell and taste was higher in those with a positive test result (4,668 of 7,178 individuals; 65.03%) than in those with a negative test result (2,436 of 11,223 participants; 21.71%) (odds ratio = 6.74; 95% confidence interval = 6.31–7.21). A model combining symptoms to predict probable infection was applied to the data from all app users who reported symptoms (805,753) and predicted that 140,312 (17.42%) participants are likely to have COVID-19. Analysis of data from a smartphone-based app designed for large-scale tracking of potential COVID-19 symptoms, used by over 2.5 million participants in the United Kingdom and United States, shows that loss of taste and smell sensations is predictive of potential SARS-CoV-2 infection.

Data-driven machine learning (ML) has emerged as a promising approach for building accurate and robust statistical models from medical data, which is collected in huge volumes by modern healthcare systems. Existing medical data is not fully exploited by ML primarily because it sits in data silos and privacy concerns restrict access to this data. However, without access to sufficient data, ML will be prevented from reaching its full potential and, ultimately, from making the transition from research to clinical practice. This paper considers key factors contributing to this issue, explores how federated learning (FL) may provide a solution for the future of digital health and highlights the challenges and considerations that need to be addressed.

Workflow management systems (WfMSs) have been used to support various types of business processes for more than a decade now. In workflows or Web processes for e-commerce and Web service applications, suppliers and customers define a binding agreement or contract between the two parties, specifying quality of service (QoS) items such as products or services to be delivered, deadlines, quality of products, and cost of services. The management of QoS metrics directly impacts the success of organizations participating in e-commerce. Therefore, when services or products are created or managed using workflows or Web processes, the underlying workflow engine must accept the specifications and be able to estimate, monitor, and control the QoS rendered to customers. In this paper, we present a predictive QoS model that makes it possible to compute the quality of service for workflows automatically based on atomic task QoS attributes. We also present the implementation of our QoS model for the METEOR workflow system. We describe the components that have been changed or added, and discuss how they interact to enable the management of QoS.

In this work, we report the set-up and results of the Liver Tumor Segmentation Benchmark (LiTS), which was organized in conjunction with the IEEE International Symposium on Biomedical Imaging (ISBI) 2017 and the International Conferences on Medical Image Computing and Computer-Assisted Intervention (MICCAI) 2017 and 2018. The image dataset is diverse and contains primary and secondary tumors with varied sizes and appearances with various lesion-to-background levels (hyper-/hypo-dense), created in collaboration with seven hospitals and research institutions. Seventy-five submitted liver and liver tumor segmentation algorithms were trained on a set of 131 computed tomography (CT) volumes and were tested on 70 unseen test images acquired from different patients. We found that not a single algorithm performed best for both liver and liver tumors in the three events. The best liver segmentation algorithm achieved a Dice score of 0.963, whereas, for tumor segmentation, the best algorithms achieved Dices scores of 0.674 (ISBI 2017), 0.702 (MICCAI 2017), and 0.739 (MICCAI 2018). Retrospectively, we performed additional analysis on liver tumor detection and revealed that not all top-performing segmentation algorithms worked well for tumor detection. The best liver tumor detection method achieved a lesion-wise recall of 0.458 (ISBI 2017), 0.515 (MICCAI 2017), and 0.554 (MICCAI 2018), indicating the need for further research. LiTS remains an active benchmark and resource for research, e.g., contributing the liver-related segmentation tasks in http://medicaldecathlon.com/. In addition, both data and online evaluation are accessible via https://competitions.codalab.org/competitions/17094.

Medical image analysis and computer-assisted intervention problems are increasingly being addressed with deep-learning-based solutions. Established deep-learning platforms are flexible but do not provide specific functionality for medical image analysis and adapting them for this domain of application requires substantial implementation effort. Consequently, there has been substantial duplication of effort and incompatible infrastructure developed across many research groups. This work presents the open-source NiftyNet platform for deep learning in medical imaging. The ambition of NiftyNet is to accelerate and simplify the development of these solutions, and to provide a common mechanism for disseminating research outputs for the community to use, adapt and build upon.

International challenges have become the de facto standard for comparative assessment of image analysis algorithms given a specific task. Segmentation is so far the most widely investigated medical image processing task, but the various segmentation challenges have typically been organized in isolation, such that algorithm development was driven by the need to tackle a single specific clinical problem. We hypothesized that a method capable of performing well on multiple tasks will generalize well to a previously unseen task and potentially outperform a custom-designed solution. To investigate the hypothesis, we organized the Medical Segmentation Decathlon (MSD) - a biomedical image analysis challenge, in which algorithms compete in a multitude of both tasks and modalities. The underlying data set was designed to explore the axis of difficulties typically encountered when dealing with medical images, such as small data sets, unbalanced labels, multi-site data and small objects. The MSD challenge confirmed that algorithms with a consistent good performance on a set of tasks preserved their good average performance on a different set of previously unseen tasks. Moreover, by monitoring the MSD winner for two years, we found that this algorithm continued generalizing well to a wide range of other clinical problems, further confirming our hypothesis. Three main conclusions can be drawn from this study: (1) state-of-the-art image segmentation algorithms are mature, accurate, and generalize well when retrained on unseen tasks; (2) consistent algorithmic performance across multiple tasks is a strong surrogate of algorithmic generalizability; (3) the training of accurate AI segmentation models is now commoditized to non AI experts.

BackgroundFrontotemporal dementia is a highly heritable neurodegenerative disorder. In about a third of patients, the disease is caused by autosomal dominant genetic mutations usually in one of three genes: progranulin (GRN), microtubule-associated protein tau (MAPT), or chromosome 9 open reading frame 72 (C9orf72). Findings from studies of other genetic dementias have shown neuroimaging and cognitive changes before symptoms onset, and we aimed to identify whether such changes could be shown in frontotemporal dementia.MethodsWe recruited participants to this multicentre study who either were known carriers of a pathogenic mutation in GRN, MAPT, or C9orf72, or were at risk of carrying a mutation because a first-degree relative was a known symptomatic carrier. We calculated time to expected onset as the difference between age at assessment and mean age at onset within the family. Participants underwent a standardised clinical assessment and neuropsychological battery. We did MRI and generated cortical and subcortical volumes using a parcellation of the volumetric T1-weighted scan. We used linear mixed-effects models to examine whether the association of neuropsychology and imaging measures with time to expected onset of symptoms differed between mutation carriers and non-carriers.FindingsBetween Jan 30, 2012, and Sept 15, 2013, we recruited participants from 11 research sites in the UK, Italy, the Netherlands, Sweden, and Canada. We analysed data from 220 participants: 118 mutation carriers (40 symptomatic and 78 asymptomatic) and 102 non-carriers. For neuropsychology measures, we noted the earliest significant differences between mutation carriers and non-carriers 5 years before expected onset, when differences were significant for all measures except for tests of immediate recall and verbal fluency. We noted the largest Z score differences between carriers and non-carriers 5 years before expected onset in tests of naming (Boston Naming Test −0·7; SE 0·3) and executive function (Trail Making Test Part B, Digit Span backwards, and Digit Symbol Task, all −0·5, SE 0·2). For imaging measures, we noted differences earliest for the insula (at 10 years before expected symptom onset, mean volume as a percentage of total intracranial volume was 0·80% in mutation carriers and 0·84% in non-carriers; difference −0·04, SE 0·02) followed by the temporal lobe (at 10 years before expected symptom onset, mean volume as a percentage of total intracranial volume 8·1% in mutation carriers and 8·3% in non-carriers; difference −0·2, SE 0·1).InterpretationStructural imaging and cognitive changes can be identified 5–10 years before expected onset of symptoms in asymptomatic adults at risk of genetic frontotemporal dementia. These findings could help to define biomarkers that can stage presymptomatic disease and track disease progression, which will be important for future therapeutic trials.FundingCentres of Excellence in Neurodegeneration.