Skip to main page content
U.S. flag

An official website of the United States government

Dot gov

The .gov means it’s official.
Federal government websites often end in .gov or .mil. Before sharing sensitive information, make sure you’re on a federal government site.

Https

The site is secure.
The https:// ensures that you are connecting to the official website and that any information you provide is encrypted and transmitted securely.

Access keys NCBI Homepage MyNCBI Homepage Main Content Main Navigation
Meta-Analysis
. 2020 Aug 18;8(8):CD013699.
doi: 10.1002/14651858.CD013699.

Digital contact tracing technologies in epidemics: a rapid review

Andrew Anglemyer  1   2 , Theresa Hm Moore  3   2   4 , Lisa Parker  5 , Timothy Chambers  6 , Alice Grady  7 , Kellia Chiu  8 , Matthew Parry  9 , Magdalena Wilczynska  10 , Ella Flemyng  11 , Lisa Bero  12
Affiliations
Meta-Analysis

Digital contact tracing technologies in epidemics: a rapid review

Andrew Anglemyer et al. Cochrane Database Syst Rev. .

Abstract
in English, German, Korean, Thai, Persian, French, Spanish

Background: Reducing the transmission of severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) is a global priority. Contact tracing identifies people who were recently in contact with an infected individual, in order to isolate them and reduce further transmission. Digital technology could be implemented to augment and accelerate manual contact tracing. Digital tools for contact tracing may be grouped into three areas: 1) outbreak response; 2) proximity tracing; and 3) symptom tracking. We conducted a rapid review on the effectiveness of digital solutions to contact tracing during infectious disease outbreaks.

Objectives: To assess the benefits, harms, and acceptability of personal digital contact tracing solutions for identifying contacts of an identified positive case of an infectious disease.

Search methods: An information specialist searched the literature from 1 January 2000 to 5 May 2020 in CENTRAL, MEDLINE, and Embase. Additionally, we screened the Cochrane COVID-19 Study Register.

Selection criteria: We included randomised controlled trials (RCTs), cluster-RCTs, quasi-RCTs, cohort studies, cross-sectional studies and modelling studies, in general populations. We preferentially included studies of contact tracing during infectious disease outbreaks (including COVID-19, Ebola, tuberculosis, severe acute respiratory syndrome virus, and Middle East respiratory syndrome) as direct evidence, but considered comparative studies of contact tracing outside an outbreak as indirect evidence. The digital solutions varied but typically included software (or firmware) for users to install on their devices or to be uploaded to devices provided by governments or third parties. Control measures included traditional or manual contact tracing, self-reported diaries and surveys, interviews, other standard methods for determining close contacts, and other technologies compared to digital solutions (e.g. electronic medical records).

Data collection and analysis: Two review authors independently screened records and all potentially relevant full-text publications. One review author extracted data for 50% of the included studies, another extracted data for the remaining 50%; the second review author checked all the extracted data. One review author assessed quality of included studies and a second checked the assessments. Our outcomes were identification of secondary cases and close contacts, time to complete contact tracing, acceptability and accessibility issues, privacy and safety concerns, and any other ethical issue identified. Though modelling studies will predict estimates of the effects of different contact tracing solutions on outcomes of interest, cohort studies provide empirically measured estimates of the effects of different contact tracing solutions on outcomes of interest. We used GRADE-CERQual to describe certainty of evidence from qualitative data and GRADE for modelling and cohort studies.

Main results: We identified six cohort studies reporting quantitative data and six modelling studies reporting simulations of digital solutions for contact tracing. Two cohort studies also provided qualitative data. Three cohort studies looked at contact tracing during an outbreak, whilst three emulated an outbreak in non-outbreak settings (schools). Of the six modelling studies, four evaluated digital solutions for contact tracing in simulated COVID-19 scenarios, while two simulated close contacts in non-specific outbreak settings. Modelling studies Two modelling studies provided low-certainty evidence of a reduction in secondary cases using digital contact tracing (measured as average number of secondary cases per index case - effective reproductive number (R eff)). One study estimated an 18% reduction in R eff with digital contact tracing compared to self-isolation alone, and a 35% reduction with manual contact-tracing. Another found a reduction in R eff for digital contact tracing compared to self-isolation alone (26% reduction) and a reduction in R eff for manual contact tracing compared to self-isolation alone (53% reduction). However, the certainty of evidence was reduced by unclear specifications of their models, and assumptions about the effectiveness of manual contact tracing (assumed 95% to 100% of contacts traced), and the proportion of the population who would have the app (53%). Cohort studies Two cohort studies provided very low-certainty evidence of a benefit of digital over manual contact tracing. During an Ebola outbreak, contact tracers using an app found twice as many close contacts per case on average than those using paper forms. Similarly, after a pertussis outbreak in a US hospital, researchers found that radio-frequency identification identified 45 close contacts but searches of electronic medical records found 13. The certainty of evidence was reduced by concerns about imprecision, and serious risk of bias due to the inability of contact tracing study designs to identify the true number of close contacts. One cohort study provided very low-certainty evidence that an app could reduce the time to complete a set of close contacts. The certainty of evidence for this outcome was affected by imprecision and serious risk of bias. Contact tracing teams reported that digital data entry and management systems were faster to use than paper systems and possibly less prone to data loss. Two studies from lower- or middle-income countries, reported that contact tracing teams found digital systems simpler to use and generally preferred them over paper systems; they saved personnel time, reportedly improved accuracy with large data sets, and were easier to transport compared with paper forms. However, personnel faced increased costs and internet access problems with digital compared to paper systems. Devices in the cohort studies appeared to have privacy from contacts regarding the exposed or diagnosed users. However, there were risks of privacy breaches from snoopers if linkage attacks occurred, particularly for wearable devices.

Authors' conclusions: The effectiveness of digital solutions is largely unproven as there are very few published data in real-world outbreak settings. Modelling studies provide low-certainty evidence of a reduction in secondary cases if digital contact tracing is used together with other public health measures such as self-isolation. Cohort studies provide very low-certainty evidence that digital contact tracing may produce more reliable counts of contacts and reduce time to complete contact tracing. Digital solutions may have equity implications for at-risk populations with poor internet access and poor access to digital technology. Stronger primary research on the effectiveness of contact tracing technologies is needed, including research into use of digital solutions in conjunction with manual systems, as digital solutions are unlikely to be used alone in real-world settings. Future studies should consider access to and acceptability of digital solutions, and the resultant impact on equity. Studies should also make acceptability and uptake a primary research question, as privacy concerns can prevent uptake and effectiveness of these technologies.

Hintergrund: Die Eindämmung der Übertragung von SARS‐CoV‐2 (engl. „severe acute respiratory syndrome coronavirus type 2“) ist weltweit von hoher Dringlichkeit. Eine Kontaktnachverfolgung ermöglicht die Identifizierung von Menschen, die vor kurzem Kontakt mit einer infizierten Person hatten, um sie zu isolieren und weitere Übertragungen zu vermindern. Digitale Technologien könnten dazu eingesetzt werden, manuelle Varianten der Kontaktnachverfolgung zu ergänzen und zu beschleunigen. Digitale Verfahren zur Ermittlung von Kontaktpersonen lassen sich in drei Bereiche untergliedern: 1) Reaktion auf den Infektionsausbruch; 2) Kontaktnachverfolgung in der näheren Umgebung (engl. „proximity tracing“); und 3) Nachverfolgung von Symptomen. Wir führten einen Rapid Review zur Wirksamkeit digitaler Lösungen für die Kontaktnachverfolgung bei Ausbrüchen von Infektionskrankheiten durch.

Zielsetzungen: Das Ziel des Reviews war es, den Nutzen, Schaden und die Akzeptanz von Konzepten der personenbezogenen digitalen Kontaktnachverfolgung zur Identifizierung von Kontakten eines bestätigten positiven Falls einer Infektionskrankheit zu bewerten.

Suchstrategie: Ein Informationsspezialist führte die Literatursuche in CENTRAL, MEDLINE und Embase mit dem Suchzeitraum 1. Januar 2000 bis 5. Mai 2020 durch. Zusätzlich durchsuchten wir das COVID‐19‐Studienregister von Cochrane.

Auswahlkriterien: Wir schlossen randomisierte kontrollierte Studien (RCTs), Cluster‐RCTs, Quasi‐RCTs, Kohortenstudien, Querschnittsstudien und Modellierungsstudien ein, in denen Allgemeinbevölkerungs‐Gruppen untersucht wurden. Wir bevorzugten Studien zur Kontaktnachverfolgung als direkte Evidenz, die während des Ausbruchs einer Infektionskrankheit durchgeführt wurden (einschließlich COVID‐19, Ebola, Tuberkulose, schweres akutes Atemwegssyndrom (SARS) und „Middle East Respiratory Syndrome“ (MERS)), berücksichtigten jedoch auch vergleichende Studien zur Kontaktnachverfolgung außerhalb eines Ausbruchs als indirekte Evidenz. Die digitalen Konzepte variierten, enthielten aber in der Regel Software (oder Firmware), die die Benutzer auf ihren Geräten installierten, oder auf Geräten, die ihnen von Regierungen oder Dritten zur Verfügung gestellt wurden. Zu den Kontrollinterventionen zählten die übliche oder manuelle Kontaktnachverfolgung, selbstverfasste Aufzeichnungen und Umfragen, Interviews, andere Standardmethoden zur Bestimmung enger Kontakte und andere Technologien im Vergleich zu digitalen Konzepten (z.B. elektronische Krankenakten). DATENSAMMLUNG UND ‐ANALYSE: Zwei Review‐Autoren sichteten unabhängig voneinander die Einträge und alle potenziell relevanten Volltextpublikationen. Ein Review‐Autor extrahierte die Daten von 50% der eingeschlossenen Studien, ein weiterer Autor extrahierte die Daten der restlichen 50%; der zweite Review‐Autor überprüfte alle extrahierten Daten. Die Qualitätsbewertung der eingeschlossenen Studien wurde von einem Review‐Autor durchgeführt; ein zweiter Autor überprüfte diese Bewertungen. Unsere Endpunkte umfassten die Ermittlung von Sekundärfällen und engen Kontakten, die Zeit bis zum Abschluss der Kontaktnachverfolgung, die Akzeptanz und Zugänglichkeit, Datenschutz‐ und Sicherheitsbedenken sowie weitere identifizierte ethische Aspekte. In Modellierungsstudien werden prognostische Schätzungen der Wirksamkeit verschiedener Verfahren zur Kontaktnachverfolgung auf die interessierenden Endpunkte errechnet, Kohortenstudien wiederum liefern empirisch erhobene Schätzungen der Wirksamkeit verschiedener Verfahren zur Kontaktnachverfolgung auf die interessierenden Endpunkte. Wir verwendeten GRADE‐CERQual, um die Vertrauenswürdigkeit der Evidenz aus qualitativen Daten zu beschreiben, und GRADE für Modellierungs‐ und Kohortenstudien.

Hauptergebnisse: Wir identifizierten sechs Kohortenstudien mit quantitativen Daten und sechs Modellierungsstudien, die über Simulationen berichteten, welche digitale Konzepte für die Kontaktnachverfolgung untersuchten. Zwei Kohortenstudien lieferten zudem qualitative Daten. Drei Kohortenstudien befassten sich mit der Kontaktnachverfolgung während eines Ausbruchs, und drei Kohortenstudien stellten einen Ausbruch in Settings ohne tatsächlichen Ausbruch (Schulen) nach. Von den sechs Modellierungsstudien evaluierten vier digitale Lösungen für die Kontaktnachverfolgung in Form von simulierten COVID‐19‐Szenarien, während zwei enge Kontakte in unspezifischen Ausbruchssituationen simulierten. Modellierungsstudien Zwei Modellierungsstudien lieferten Evidenz von niedriger Vertrauenswürdigkeit hinsichtlich einer Verringerung von Sekundärfällen mit Hilfe der digitalen Kontaktnachverfolgung (gemessen als durchschnittliche Anzahl von Sekundärfällen pro Indexfall ‐ effektive Reproduktionszahl (R eff)). Eine Studie schätzte eine 18%‐ige Reduzierung von R eff mit der digitalen Kontaktnachverfolgung im Vergleich zur Selbstisolation allein und eine Reduzierung um 35% mit der manuellen Kontaktnachverfolgung. Eine andere Studie fand eine Reduktion von R eff bei der digitalen Kontaktnachverfolgung im Vergleich zur Selbstisolation allein (26% reduziert) und eine Reduktion von R eff bei der manuellen Kontaktnachverfolgung im Vergleich zur Selbstisolation allein (53% reduziert). Die Vertrauenswürdigkeit der Evidenz wurde jedoch vermindert durch unklare Modellspezifikationen sowie Annahmen über die Wirksamkeit der manuellen Kontaktnachverfolgung (angenommen mit 95 % bis 100 % der nachverfolgten Kontakte) und den Anteil der Bevölkerung, der die App nutzen würde (53 %). Kohortenstudien Zwei Kohortenstudien zeigten einen Vorteil der digitalen gegenüber der manuellen Kontaktnachverfolgung, bei sehr niedriger Vertrauenswürdigkeit der Evidenz. Im Zuge eines Ebola‐Ausbruchs fanden Kontaktnachverfolger, die eine App benutzten, im Durchschnitt doppelt so viele enge Kontakte pro Fall als diejenigen, die Papierformulare nutzten. In ähnlicher Weise stellten Forscher nach einem Keuchhusten‐Ausbruch in einem Krankenhaus in den USA fest, dass die RFID („Identifizierung mit Hilfe elektromagnetischer Wellen“) 45 enge Kontakte identifizierte, die Suche auf Basis elektronischer Krankenakten jedoch lediglich 13 fand. Die Vertrauenswürdigkeit der Evidenz wurde aufgrund von Bedenken hinsichtlich ungenauer Daten (engl. „imprecision“) und des schwerwiegenden Risikos für Bias aufgrund der Unfähigkeit der Studiendesigns, die wahre Anzahl der engen Kontakte zu ermitteln, verringert. Eine Kohortenstudie zeigte, dass eine App die Zeit bis zum Abschluss der Kontaktnachverfolgung von engen Kontakten verkürzen könnte, bei sehr niedriger Vertrauenswürdigkeit der Evidenz. Die Vertrauenswürdigkeit der Evidenz für diesen Endpunkt wurde durch Bedenken hinsichtlich ungenauer Daten und ein schwerwiegendes Risiko für Bias beeinflusst. Mit der Nachverfolgung von Kontaktpersonen betraute Teams berichteten, dass digitale Dateneingabesysteme und digitale Verwaltungssysteme schneller als papierbasierte Systeme zu verwenden und möglicherweise weniger anfällig für Datenverluste waren. In zwei Studien aus Ländern mit niedrigem oder mittlerem Einkommensniveau wurde berichtet, dass die Teams zur Nachverfolgung von Kontaktpersonen digitale Systeme für einfacher zu bedienen hielten und sie im Allgemeinen den papierbasierten Systemen vorzogen; sie sparten Personalzeit, verbesserten Berichten zufolge die Genauigkeit bei großen Datensätzen und waren im Vergleich zu Papierformularen leichter zu transportieren. Allerdings sah sich das Personal bei digitalen Systemen im Vergleich zu papierbasierten Systemen mit höheren Kosten und Internetzugangsproblemen konfrontiert. Die Geräte, die in den Kohortenstudien verwendet wurden, schienen die Privatsphäre von exponierten oder diagnostizierten Anwendern gegenüber Dritten zu wahren. Es bestand jedoch das Risiko der Verletzung der Privatsphäre durch Hackerangriffe, wenn es zu Angriffen auf Datenverknüpfungen (engl. „linkage attacks“) gekommen wäre, insbesondere bei tragbaren Geräten.

Schlussfolgerungen der autoren: Die Wirksamkeit digitaler Lösungen ist weitgehend ungesichert, da es nur sehr wenige veröffentlichte Daten von Ausbrüchen in der realen Welt gibt. Modellierungsstudien zeigen, bei niedriger Vertrauenswürdigkeit der Evidenz, dass die digitale Kontaktnachverfolgung zusammen mit anderen öffentlichen Gesundheitsmaßnahmen wie der Selbstisolation zu einer Reduzierung von Sekundärfällen führen kann. Kohortenstudien liefern, bei sehr niedriger Vertrauenswürdigkeit der Evidenz, Evidenz dafür, dass die digitale Kontaktnachverfolgung zu zuverlässigeren Kontaktzahlen führen und die Zeit bis zum Abschluss der Kontaktnachverfolgung verkürzen kann. Digitale Lösungen können Auswirkungen auf die soziale Gerechtigkeit von Risikopopulationen mit unzureichendem Internetzugang und unzureichendem Zugang zu digitalen Technologien haben. Es ist eine stärkere Primärforschung zur Wirksamkeit von Kontaktnachverfolgungs‐Technologien erforderlich, einschließlich Forschung zur koordinierten Verwendung digitaler Konzepte in Verbindung mit manuellen Systemen, da es unwahrscheinlich ist, dass digitale Lösungsansätze in der realen Welt allein eingesetzt werden. Künftige Studien sollten den Zugang zu und die Akzeptanz von digitalen Lösungsansätzen und die sich daraus ergebenden Auswirkungen auf die soziale Gerechtigkeit berücksichtigen. Studien sollten auch die Akzeptanz und Nutzung zu einer vorrangigen Forschungsfrage machen, da Datenschutzbedenken die Nutzung und Wirksamkeit dieser Technologien verhindern können.

배경: 중증 급성 호흡기 증후군 코로나 바이러스 2 (SARS‐CoV‐2)의 전파를 줄이는 것은 전 세계적으로 우선 순위가 높다. 접촉 추적은 감염된 개인과 최근 접촉 한 사람들을 식별하여 이들을 격리하고 추가 전파를 줄다. 디지털 기술을 구현하여 수동 접촉 추적을 강화하고 가속화 할 수 있다. 연락처 추적을위한 디지털 도구는 세 가지 영역으로 분류 될 수 있다. 1) 발병 대응; 2) 근접 추적; 및 3) 증상 추적. 우리는 감염성 질병 발생시 접촉 추적을위한 디지털 솔루션의 효과에 대해 신속하게 검토했다. 목적: 확인 된 감염성 질환의 양성 사례의 접촉을 식별하기위한 개인 디지털 접촉 추적 솔루션의 이점, 피해 및 수용 가능성을 평가다. 검색 전략: 정보 전문가가 2000 년 1 월 1 일부터 2020 년 5 월 5 일까지 CENTRAL, MEDLINE 및 Embase에서 문헌을 검색했다. 또한 Cochrane COVID‐19 연구 등록을 심사했다. 선정 기준: 우리는 일반 인구를 대상으로 무작위 대조 시험 (RCT), 클러스터 ‐RCT, 준 RCT, 코호트 연구, 횡단면 연구 및 모델링 연구를 포함했다. 우리는 직접적인 증거로 감염성 질환 발생 (COVID‐19, 에볼라, 결핵, 중증 급성 호흡기 증후군 바이러스 및 중동 호흡기 증후군 포함) 동안 접촉 추적 연구를 우선적으로 포함 시켰지만, 간접 증거로 발병 이외의 접촉 추적에 대한 비교 연구를 고려했다. . 디지털 솔루션은 다양하지만 일반적으로 사용자가 장치에 설치하거나 정부 또는 제 3자가 제공하는 장치에 업로드 할 수있는 소프트웨어 (또는 펌웨어)를 포함한다. 통제 조치에는 기존 또는 수동 접촉 추적,자가보고 일기 및 설문 조사, 인터뷰, 가까운 접촉을 결정하기위한 기타 표준 방법 및 디지털 솔루션과 비교 한 기타 기술 (예: 전자 의료 기록)이 포함되었다. 자료 수집 및 분석: 두 명의 리뷰 저자가 독립적으로 기록과 관련 가능성이있는 모든 전문 출판물을 선별했다. 한 리뷰 작성자는 포함 된 연구의 50 %에 대한 데이터를 추출했고, 다른 리뷰 작성자는 나머지 50 %에 대해 데이터를 추출했습니다. 두 번째 리뷰 작성자는 추출 된 모든 데이터를 확인했다. 한 리뷰 작성자는 포함 된 연구의 품질을 평가하고 두 번째 작성자는 평가를 확인했다. 우리의 결과는 2 차 사례와 가까운 접촉, 접촉 추적 완료 시간, 수용 가능성 및 접근성 문제, 개인 정보 보호 및 안전 문제, 기타 확인 된 모든 윤리적 문제 식별이었다. 모델링 연구는 관심 결과에 대한 서로 다른 접촉 추적 솔루션의 효과 추정치를 예측하지만, 코호트 연구는 관심 결과에 대한 서로 다른 접촉 추적 솔루션의 효과에 대한 경험적으로 측정 된 추정치를 제공한다. 우리는 GRADE‐CERQual을 사용하여 정 성적 데이터에서 증거의 확실성을 설명하고 GRADE를 모델링 및 코호트 연구에 사용했다. 주요 결과: 우리는 정량적 데이터를보고하는 6 개의 코호트 연구와 접촉 추적을위한 디지털 솔루션의 시뮬레이션을보고하는 6 개의 모델링 연구를 확인했다. 두 개의 코호트 연구도 정 성적 데이터를 제공했다. 3 건의 코호트 연구는 발병 중 접촉 추적을 조사했으며 3 건은 비 발생 환경 (학교)에서 발병을 모방했다. 6 개의 모델링 연구 중 4 개는 시뮬레이션 된 COVID‐19 시나리오에서 접촉 추적을위한 디지털 솔루션을 평가했으며, 2 개는 비특이적 발병 환경에서 근접 접촉을 시뮬레이션했다. 모델링 연구 두 가지 모델링 연구는 디지털 접촉 추적을 사용하여 2 차 사례 감소에 대한 낮은 불확실성 증거를 제공했다 (지표 사례 당 평균 2 차 사례 수‐유효 생식 수 ( R eff )로 측정 됨). 한 연구는 디지털 접촉 혼자 자기 분리에 비해 추적과 R의 EFF의 18 % 감소, 수동 접촉‐추적과 35 %의 감소를 추정했다. 다른 하나는자가 분리 단독에 비해 디지털 접촉 추적에 대한 R eff 감소 (26 % 감소) 및자가 분리 단독에 비해 수동 접촉 추적에 대한 R eff 감소 (53 % 감소)를 발견했다. 그러나 모델의 불분명 한 사양, 수동 접촉 추적의 효과에 대한 가정 (추적 된 접촉의 95 %에서 100 %로 가정) 및 앱을 보유 할 인구 비율 (53 %)에 의해 증거의 확실성이 감소했다. ). 코호트 연구 두 개의 코호트 연구는 수동 접촉 추적에 비해 디지털의 이점에 대한 매우 낮은 불확실성 증거를 제공했다. 에볼라가 발생하는 동안 앱을 사용하는 연락 추적자는 종이 양식을 사용하는 사람보다 사례 당 평균 2 배의 가까운 접촉을 발견했다. 마찬가지로 미국 병원에서 백일해가 발생한 후 연구원들은 무선 주파수 식별이 45 개의 가까운 연락처를 식별했지만 전자 의료 기록을 검색 한 결과 13 개가 발견되었음을 발견했다. 근거의 확실성은 부정확성에 대한 우려와 접촉 추적 연구 설계가 실제 가까운 접촉 수를 식별 할 수 없기 때문에 심각한 편향 위험에 의해 감소되었다. 한 코호트 연구는 앱이 일련의 긴밀한 접촉을 완료하는 데 걸리는 시간을 줄일 수 있다는 매우 낮은 불확실성 증거를 제공했다. 이 결과에 대한 증거의 확실성은 부정확하고 심각한 편견의 위험에 영향을 받았다. 연락처 추적 팀은 디지털 데이터 입력 및 관리 시스템이 종이 시스템보다 사용 속도가 빠르며 데이터 손실 가능성이 적다고 보고했다. 저소득 또는 중간 소득 국가의 두 연구에 따르면 연락처 추적 팀은 디지털 시스템을 사용하기가 더 간단하고 일반적으로 종이 시스템보다 선호한다고 보고했다. 그들은 인력 시간을 절약하고 대용량 데이터 세트로 정확도를 향상 시켰으며 종이 양식에 비해 운송이 더 쉬웠다 고한다. 그러나 직원들은 종이 시스템에 비해 디지털로 인한 비용 증가와 인터넷 액세스 문제에 직면했다. 코호트 연구의 기기는 노출되거나 진단 된 사용자와 관련된 연락처로부터 개인 정보를 보호하는 것으로 나타났다. 그러나 특히 웨어러블 장치의 경우 링크 공격이 발생하면 스 누퍼의 개인 정보 침해 위험이있었다. 연구진 결론: 실제 발생 환경에 게시 된 데이터가 거의 없기 때문에 디지털 솔루션의 효과는 거의 입증되지 않았다. 모델링 연구는 디지털 접촉 추적이자가 격리와 같은 다른 공중 보건 조치와 함께 사용되는 경우 이차 사례 감소에 대한 낮은 불확실성 증거를 제공한다. 코호트 연구는 디지털 접촉 추적이 더 신뢰할 수있는 접촉 수를 생성하고 접촉 추적을 완료하는 시간을 단축 할 수 있다는 매우 낮은 불확실성 증거를 제공합니다. 디지털 솔루션은 인터넷 액세스가 열악하고 디지털 기술에 대한 액세스가 좋지 않은 위험에 처한 사람들에게 형평성에 영향을 미칠 수 있다. 디지털 솔루션은 실제 환경에서 단독으로 사용되지 않을 가능성이 높으므로 수동 시스템과 함께 디지털 솔루션을 사용하는 연구를 포함하여 접촉 추적 기술의 효과에 대한보다 강력한 1 차 연구가 필요하다. 향후 연구에서는 디지털 솔루션에 대한 접근 및 수용 가능성과 그에 따른 형평성에 대한 영향을 고려해야한다. 개인 정보 보호 문제가 이러한 기술의 활용과 효과를 막을 수 있기 때문에 연구는 수용 가능성과 이해를 주요 연구 질문으로 만들어야한다.

บทนำ: การลดการแพร่กระจายของโรคทางเดินหายใจเฉียบพลันรุนแรง coronavirus 2 (SARS‐CoV‐2) เป็นสิ่งสำคัญระดับโลก การติดตามผู้สัมผัสค้นหาผู้ที่เพิ่งสัมผัสกับบุคคลที่ติดเชื้อเพื่อแยกพวกเขาออกและลดการแพร่เชื้อเพิ่มเติม เทคโนโลยีดิจิทัลสามารถนำมาเพื่อช่วยและเร่งการติดตามผู้สัมผัสด้วยมือ เครื่องมือดิจิทัลสำหรับการติดตามผู้สัมผัสอาจแบ่งออกเป็น 3 ส่วน: 1) การตอบสนองการระบาด 2) การติดตามใกล้ชิด; และ 3) การติดตามอาการ เราทำการทบทวนวรรณกรรมอย่างรวดเร็ว เกี่ยวกับประสิทธิผลของวิธีการดิจิทัลในการติดตามการสัมผัสระหว่างการระบาดของโรคติดเชื้อ วัตถุประสงค์: เพื่อประเมินผลประโยชน์ อันตราย และการยอมรับของวิธีการติดตามผู้สัมผัสส่วนบุคคลแบบดิจิทัลสำหรับการระบุผู้สัมผัสของกรณีที่เป็นผลบวกของโรคติดเชื้อ วิธีการสืบค้น: ผู้เชี่ยวชาญด้านข้อมูลสืบค้นวรรณกรรมตั้งแต่ 1 มกราคม 2000 ถึง 5 พฤษภาคม 2020 ใน CENTRAL, MEDLINE และ Embase นอกจากนี้เราได้คัดกรอง Cochrane COVID‐19 Study Register เกณฑ์การคัดเลือก: เราได้รวมการทดลองที่มีการควบคุมแบบสุ่ม (RCT), คลัสเตอร์ ‐ RCT, quasi RCT, cohort studies, การศึกษาแบบตัดขวางและการศึกษาแบบจำลองในประชากรทั่วไป เราสนใจรวมการศึกษาการติดตามการสัมผัสระหว่างการระบาดของโรคติดเชื้อ (รวมถึง COVID‐19, อีโบลา, วัณโรค, ไวรัสกลุ่มอาการทางเดินหายใจเฉียบพลันรุนแรงและกลุ่มอาการทางเดินหายใจในตะวันออกกลาง) เป็นหลักฐานโดยตรง แต่ถือว่าการศึกษาเปรียบเทียบการติดตามการสัมผัสนอกการระบาดเป็นหลักฐานทางอ้อม วิธีการดิจิทัลมีหลากหลาย แต่โดยทั่วไปจะรวมซอฟต์แวร์ (หรือเฟิร์มแวร์) เพื่อให้ผู้ใช้ติดตั้งบนอุปกรณ์ของตนหรืออัปโหลดไปยังอุปกรณ์ที่รัฐบาลหรือบุคคลภายนอกจัดหาให้ มาตรการควบคุมรวมถึงการติดตามการสัมผัสแบบดั้งเดิมหรือทำด้วยมือ สมุดบันทึกและการสำรวจที่รายงานด้วยตนเอง การสัมภาษณ์ วิธีมาตรฐานอื่น ๆ ในการระบุผู้สัมผัสใกล้ชิดและเทคโนโลยีอื่น ๆ เมื่อเทียบกับวิธีการดิจิทัล (เช่นเวชระเบียนอิเล็กทรอนิกส์) การรวบรวมและวิเคราะห์ข้อมูล: ผู้ประพันธ์การทบทวน 2 คนคัดกรองรายงานและรายงานฉบับเต็มที่อาจเกี่ยวข้องทั้งหมดอย่างอิสระ ผู้ประพันธ์การทบทวนคนหนึ่งดึงข้อมูลสำหรับ 50% ของการศึกษาที่รวมไว้และอีกคนหนึ่งดึงข้อมูลอีก 50% ที่เหลือ ผู้ประพันธ์การทบทวนคนที่สองตรวจสอบข้อมูลทีคัดออกมาทั้งหมด ผู้ประพันธ์การทบทวนคนหนึ่งประเมินคุณภาพของการศึกษาที่รวมไว้และอีกคนหนึ่งตรวจสอบการประเมิน ผลลัพธ์ของเราคือการค้นหาผู้ป่วยที่ติดเชื้อตามมาและผู้สัมผัสใกล้ชิด เวลาในการติดตามผู้สัมผัส ปัญหาความสามารถในการยอมรับและการเข้าถึง ความเป็นส่วนตัวและความปลอดภัยและปัญหาด้านจริยธรรมอื่น ๆ ที่พบ แม้ว่าการศึกษาการสร้างแบบจำลองจะทำนายผลโดยประมาณของผลของวิธีการติดตามผู้สัมผัสที่แตกต่างกันต่อผลลัพธ์ทีต้องการ แต่การศึกษาแบบ cohort ให้การประมาณที่วัดได้เบื้องต้นของผลของวิธีการติดตามการสัมผัสที่แตกต่างกันต่อผลลัพธ์ที่ต้องการ เราใช้ GRADE‐CERQual เพื่ออธิบายความเชื่อมั่นของหลักฐานจากข้อมูลเชิงคุณภาพและ GRADE สำหรับการสร้างแบบจำลองและการศึกษาแบบ cohort ผลการวิจัย: เราพบุการศึกษาแบบ cohort 6 รายการที่รายงานข้อมูลเชิงปริมาณ และการศึกษาแบบจำลอง 6 รายการที่รายงานการจำลองวิธีการดิจิทัลสำหรับการติดตามผู้สัมผัส การศึกษาแบบ cohort 2 รายการให้ข้อมูลเชิงคุณภาพด้วย การศึกษาแบบ cohort 3 รายการดูที่การติดตามผู้สัมผัสระหว่างการระบาด ในขณะที่ 3 รายการเลียนแบบการระบาดในสถานที่ที่ไม่มีการระบาด (โรงเรียน) จากการศึกษาการสร้างแบบจำลอง 6 รายการ มีการประเมินวิธีการดิจิทัล 4 รายการสำหรับการติดตามผู้สัมผัสในสถานการณ์จำลอง COVID‐19 ในขณะที 2 รายการจำลองการสัมผ้สใกล้ชิดในการระบาดที่ไม่เฉพาะเจาะจง การศึกษาแบบจำลอง การศึกษาการสร้างแบบจำลอง 2 รายการให้หลักฐานที่มีความเชื่อมั่นต่ำของการลดลงของผู้ป่วยทุติยภูมิโดยใช้การติดตามการสัมผัสแบบดิจิทัล (วัดเป็นจำนวนเฉลี่ยของผู้ป่วยทุติยภูมิต่อผู้ป่วยดัชนี ‐ จำนวนการแพร่กระจาย์ที่มีประสิทธิผล ( R eff )) การศึกษาหนึ่งรายการประมาณว่ามีการลดลง 18%R Eff ด้วยการติดตามการสัมผัสแบบดิจิทัลเมื่อเทียบกับการแยกตัวเองเพียงอย่างเดียวและลดลง 35% ด้วยการติดตามการสัมผัสด้วยตนเอง อีกรายการการลด R Eff สำหรับการติดตามผู้สัมผ้สแบบดิจิทัลเมื่อเทียบกับการแยกตัวเองเพียงอย่างเดียว (ลดลง 26%) และการลดลงของ R Eff การติดตามการสัมผัสด้วยตนเองเมื่อเทียบกับการแยกตัวเองเพียงอย่างเดียว (ลดลง 53%) อย่างไรก็ตามความเชื่อมั่นของหลักฐานลดลงเนื่องจากข้อกำหนดที่ไม่ชัดเจนของรูปแบบและสมมติฐานเกี่ยวกับประสิทธิผลของการติดตามผู้สัมผัสด้วยตนเอง (สมมติว่า 95% ถึง 100% ของการติดตามผู้สัมผัส) และสัดส่วนของประชากรที่จะมีแอป (53% ). การศึกษาแบบ cohort การศึกษาแบบ cohort 2 รายการให้หลักฐานที่มีความเชื่อมั่นต่ำมากว่า วิธีการติดตามผู้สัมผัสแบบดิจิทัลดีกว่าการติดตามด้วยมือ ในระหว่างการระบาดของโรคอีโบลา การติดตามผู้สัมผัสโดยใช้แอปพบผู้สัมผัสใกล้ชิดต่อเคสโดยเฉลี่ยมากกว่าการใช้รูปแบบกระดาษถึงสองเท่า ในทำนองเดียวกัน หลังจากการระบาดของโรคไอกรนในโรงพยาบาลของสหรัฐอเมริกา นักวิจัยพบว่าการค้นหาด้วยคลื่นความถี่วิทยุพบผู้สัมผัสใกล้ชิด 45 คน แต่การค้นหาเวชระเบียนอิเล็กทรอนิกส์พบ 13 คน ความเชื่อมั่นของหลักฐานลดลง เนื่องจากความกังวลเกี่ยวกับความไม่แม่นยำ และความเสี่ยงของอคติที่ร้ายแรง เนื่องจากไม่สามารถออกแบบการศึกษาการติดตามผู้สัมผัสเพื่อค้นหาจำนวนผู้สัมผัสที่แท้จริงได้ การศึกษาแบบ cohort 1 รายการให้หลักฐานที่มีความเชื่อมั่นต่ำมากว่า แอปสามารถลดเวลาในการทำกลุ่มผู้สัมผัสใกล้ชิดได้ครบ ความเชื่อมั่นของหลักฐานสำหรับผลลัพธ์นี้ ได้รับผลกระทบจากความไม่แม่นยำ และความเสี่ยงของอคติที่ร้ายแรง ทีมติดตามผู้สัมผัสรายงานว่า ระบบการป้อนและจัดการข้อมูลดิจิทัลใช้งานได้เร็วกว่าระบบกระดาษและอาจมีแนวโน้มที่ข้อมูลสูญหายน้อยกว่า การศึกษา 2 รายการจากประเทศที่มีรายได้ต่ำหรือปานกลางรายงานว่าการติดตามผู้สัมผัสด้วยระบบดิจิทัลใช้งานง่ายกว่าและโดยทั่วไปนิยมใช้มากกว่าระบบกระดาษ ช่วยประหยัดเวลาของบุคลากร รายงานปรับปรุงความแม่นยำสำหรับชุดข้อมูลขนาดใหญ่และขนส่งได้ง่ายกว่าเมื่อเทียบกับรูปแบบกระดาษ อย่างไรก็ตาม บุคลากรต้องเผชิญกับต้นทุนที่เพิ่มขึ้นและปัญหาการเข้าถึงอินเทอร์เน็ตของระบบดิจิทัลเมื่อเทียบกับระบบกระดาษ อุปกรณ์ในการศึกษาแบบ cohort ดูเหมือนจะมีความเป็นส่วนตัวของผู้สัมผัส เกี่ยวกับผู้ใช้ที่เปิดเผยหรือได้รับการวินิจฉัย อย่างไรก็ตาม มีความเสี่ยงที่จะมีการละเมิดความเป็นส่วนตัวจากผู้สอดแนม หากเกิดการโจมตีการเชื่อมโยง โดยเฉพาะอย่างยิ่งสำหรับอุปกรณ์ที่สวมใส่ได้ ข้อสรุปของผู้วิจัย: ประสิทธิผลของวิธีการดิจิทัลส่วนใหญ่ยังไม่ได้รับการพิสูจน์เนื่องจากมีข้อมูลที่เผยแพร่น้อยมากสำหรับการระบาดในโลกแห่งความเป็นจริง การศึกษาแบบจำลองให้หลักฐานที่มีความเชื่อมั่นต่ำในการลดลงของผู้ป่วยทุติยภูมิ หากใช้การติดตามการสัมผัสแบบดิจิทัลร่วมกับมาตรการด้านสาธารณสุขอื่น ๆ เช่นการแยกตัวเอง การศึกษาแบบ cohort ให้หลักฐานที่มีความเชื่อมั่นต่ำมากว่า การติดตามผู้สัมผัสแบบดิจิทัลอาจให้จำนวนผู้สัมผัสที่เชื่อถือได้มากขึ้น และลดเวลาในการติดตามผู้สัมผัสให้ครบ วิธีการแบบจิทัลอาจมีผลกระทบต่อความเป็นธรรมสำหรับประชากรกลุ่มเสี่ยงที่มีการเข้าถึงอินเทอร์เน็ตไม่ดีและการเข้าถึงเทคโนโลยีดิจิทัลไม่ดี จำเป็นต้องมีการวิจัยขั้นต้นที่ชัดเจนยิ่งขึ้นเกี่ยวกับประสิทธิผลของเทคโนโลยีการติดตามการสัมผัส รวมถึงการวิจัยเกี่ยวกับการใช้วิธีการดิจิทัลร่วมกับระบบทำด้วยมือเนื่องจากวิธีการดิจิทัลไม่น่าจะใช้เพียงอย่างเดียวในสภาพแวดล้อมจริง การศึกษาในอนาคตควรพิจารณาถึงการเข้าถึงและการยอมรับวิธีการดิจิทัลและผลกระทบที่เป็นผลลัพธ์ต่อความเสมอภาค การศึกษาควรมีการยอมรับและการใช้เป็นคำถามการวิจัยหลักเนื่องจากความกังวลเกี่ยวกับความเป็นส่วนตัวสามารถป้องกันการใช้และประสิทธิผลของเทคโนโลยีเหล่านี้ได้.

پیشینه: کاهش در انتقال سندرم حاد تنفسی شدید کروناویروس 2 (SARS‐CoV‐2) یک اولویت جهانی است. ردیابی تماس به شناسایی افرادی می‌پردازد که اخیرا در تماس با یک فرد بیمار قرار داشته‌اند، تا آنها را جداسازی کرده و انتقال بیشتر بیماری را کاهش دهند. از فناوری دیجیتال می‌توان برای تقویت و تسریع در ردیابی دستی تماس استفاده کرد. ابزارهای دیجیتالی برای ردیابی تماس ممکن است در سه حوزه طبقه‌بندی شوند: 1) پاسخ طغیان بیماری؛ 2) ردیابی مجاورت؛ و 3) ردیابی نشانه‌ها. ما یک مرور سریع را در مورد اثربخشی راه‌حل‌های دیجیتالی برای ردیابی تماس در طول طغیان‌های بیماری عفونی انجام دادیم. اهداف: ارزیابی مزایا، مضرات، و مقبولیت راه‌حل‌های ردیابی دیجیتالی تماس شخصی برای شناسایی افرادی که با یک مورد مثبت مبتلا به بیماری عفونی در تماس قرار داشته‌اند. روش‌های جست‌وجو: یک متخصص اطلاعات، منابع علمی را از 1 ژانویه 2000 تا 5 می 2020 در CENTRAL؛ MEDLINE و Embase جست‌وجو کرد. علاوه بر این، ما پایگاه ثبت مطالعات COVID‐19 کاکرین را غربالگری کردیم. معیارهای انتخاب: ما کارآزمایی‌های تصادفی‌سازی و کنترل شده (randomised controlled trials; RCTs)، RCTها خوشه‌ای، شبه‐RCTها، مطالعات کوهورت، مطالعات مقطعی و مطالعات مدل‌سازی، را در جمعیت عمومی وارد کردیم. ما ترجیحا مطالعات مربوط به ردیابی تماس را حین طغیان‌های بیماری عفونی (از جمله OVID‐19 ، ابولا، سل، ویروس سندرم حاد تنفسی شدید و سندرم تنفسی خاورمیانه) به عنوان شواهد مستقیم وارد کردیم، اما مطالعات مقایسه‌ای ردیابی تماس را خارج از وضعیت طغیان بیماری نیز به عنوان شواهد غیرمستقیم در نظر گرفتیم. راه‌حل‌های دیجیتالی متنوع بودند، اما اغلب دربرگیرنده نرم‌افزار (یا سیستم عامل) بودند تا کاربران بتوانند روی دستگاه‌های خود نصب کرده یا روی دستگاه‌های ارائه شده توسط دولت‌ها یا اشخاص ثالث بارگذاری شوند. معیارهای کنترل عبارت بودند از ردیابی مرسوم یا دستی تماس، یادآوری‌هایی که خود افراد گزارش کردند و نظرسنجی‌ها، مصاحبه‌ها، دیگر روش‌های استاندارد برای تعیین تماس‌های نزدیک و سایر فن‌آوری‌ها در مقایسه با راه‌حل‌های دیجیتالی (به عنوان مثال پرونده‌های الکترونیکی پزشکی). گردآوری و تجزیه‌وتحلیل داده‌ها: دو نویسنده مرور مستقل از هم، رکوردها و تمامی مقالات متن کامل را که به‌طور بالقوه با موضوع مرتبط بودند، بررسی کردند. یکی از نویسندگان مرور داده‌های 50% از مطالعات وارد شده را استخراج کرد، دیگری داده‌های 50% باقیمانده را استخراج کرد؛ نویسنده دوم تمام داده‌های استخراج شده را بررسی کرد. یکی از نویسندگان مرور، کیفیت مطالعات وارد شده را ارزیابی و دیگری ارزیابی‌ها را بررسی کرد. پیامدهای ما، شناسایی موارد ثانویه و تماس‌های نزدیک، زمان سپری شده تا تکمیل ردیابی تماس، مسائل مقبولیت و در دسترس بودن برنامه، نگرانی در مورد حریم خصوصی و ایمنی، و دیگر موارد اخلاقی مشخص شده بودند. اگرچه مطالعات مدل‌سازی به پیش‌بینی تخمین‌های اثرات راه‌حل‌های مختلف ردیابی تماس پیرامون پیامدهای مورد نظر می‌پردازند، مطالعات کوهورت به‌طور تجربی برآورد‌های اثرات راه‌حل‌های مختلف ردیابی تماس را در مورد پیامدهای مورد نظر اندازه‌گیری می‌کنند. ما از GRADE‐CERQual برای توصیف قطعیت شواهد از داده‌های کیفی و GRADE برای مدل‌سازی و مطالعات کوهورت استفاده کردیم. نتایج اصلی: ما شش مطالعه کوهورت را شناسایی کردیم که داده‌های کمّی را گزارش کردند و شش مطالعه مدل‌سازی را یافتیم که به ارائه گزارش در مورد شبیه‌سازی‌های راه‌حل‌های دیجیتالی برای ردیابی تماس پرداختند. دو مطالعه کوهورت همچنین داده‌های کیفی را ارائه دادند. سه مطالعه کوهورت نگاهی به ردیابی تماس حین طغیان بیماری انداختند، در حالی که سه مطالعه طغیان بیماری را در شرایط غیر‐شیوع بیماری (مدارس) بازسازی کردند. از شش مطالعه مدل‌سازی، چهار مورد راه‌حل‌های دیجیتالی را برای ردیابی تماس در سناریوهای شبیه‌سازی شده COVID‐19 ارزیابی کردند، در حالی که دو مطالعه دیگر به شبیه‌سازی تماس‌های نزدیک در شرایط طغیان غیر‐اختصاصی بیماری پرداختند. مطالعات مدل‌سازی دو مطالعه مدل‌سازی شواهدی را با قطعیت پائین از کاهش در موارد ثانویه با استفاده از ردیابی دیجیتالی تماس (اندازه‌گیری شده به صورت میانگین تعداد موارد ثانویه به ازای هر مورد شاخص ‐ عدد تجدید نسل موثر (R eff)) ارائه کردند. برآورد یک تحقیق، کاهش 18% در R eff با ردیابی دیجیتالی تماس در مقایسه با خود‐ایزوله کردن به‌تنهایی، و کاهش 35% با ردیابی دستی تماس بود. یک مطالعه دیگر از کاهش در R eff برای ردیابی دیجیتالی تماس در مقایسه با خود‐انزوایی به‌تنهایی (کاهش 26%) و کاهش در Reff برای ردیابی دستی تماس در مقایسه با خود‐انزوایی به‌تنهایی (کاهش 53%) خبر داد. با این وجود، به دلیل نامعلوم بودن مشخصات مدل‌های آنها، و فرضیات در مورد اثربخشی ردیابی دستی تماس (با فرض 95% تا 100% تماس‌های ردیابی شده) و نسبت جمعیتی که برنامه را دارند (53%)، قطعیت شواهد کاهش یافت. مطالعات کوهورت دو مطالعه کوهورت شواهدی را با قطعیت بسیار پائین در مورد مزیت ردیابی دیجیتالی نسبت به ردیابی دستی تماس ارائه کردند. در طول طغیان بیماری ابولا، ردیاب‌های تماس با استفاده از یک اپلیکیشن، در مقایسه با فرم‌های کاغذی، تماس نزدیک را به طور متوسط دو برابر بیشتر به ازای هر مورد یافتند. به همین ترتیب، پس از طغیان سیاه سرفه در یکی از بیمارستان‌های ایالات متحده، محققان دریافتند که شناسایی فرکانس رادیویی توانست 45 تماس نزدیک را شناسایی کند، اما جست‌وجو در پرونده‌های پزشکی الکترونیکی 13 مورد را پیدا کرد. قطعیت شواهد به دلیل نگرانی‌ها در مورد عدم دقت، و خطر جدی سوگیری (bias) ناشی از عدم توانایی طراحی‌های مطالعات ردیابی تماس برای شناسایی تعداد واقعی تماس‌های نزدیک، کاهش یافت. یک مطالعه کوهورت شواهدی را با قطعیت بسیار پائین ارائه کرد که یک اپلیکیشن می‌تواند زمان لازم را برای تکمیل مجموعه‌ای از تماس‌های نزدیک کاهش دهد. قطعیت شواهد برای این پیامد تحت تأثیر عدم دقت و خطر جدی سوگیری قرار گرفت. تیم‌های ردیابی تماس گزارش دادند كه استفاده از سیستم‌های دیجیتالی ورود و مدیریت داده‌ها سریعتر از سیستم‌های کاغذی بوده و احتمالا كمتر در معرض از بین رفتن داده‌ها قرار داشتند. دو مطالعه از کشورهایی با درآمد کم یا متوسط، گزارش دادند که تیم‌های ردیابی تماس، سیستم‌های دیجیتالی را برای استفاده ساده‌تر یافتند و عموما آنها را نسبت به سیستم‌های کاغذی ترجیح دادند؛ آنها باعث صرفه‌جویی در وقت پرسنل شدند، دقت گزارش‌ها را در مجموعه داده‌های بزرگ بهبود بخشیدند، و حمل‌ونقل آنها در مقایسه با فرم‌های کاغذی آسان‌تر بود. با این حال، پرسنل با افزایش هزینه و مشکلات دسترسی به اینترنت با سیستم‌های دیجیتالی در مقایسه با سیستم‌های کاغذی مواجه بودند. به نظر می‌رسد دستگاه‌های موجود در مطالعات کوهورت دارای حریم خصوصی از تماس‌ها، از نظر کاربران در معرض قرار گرفته یا تشخیص داده، بودند. با این حال، در صورت وقوع حمله به لینک‌ها، به ویژه برای دستگاه‌های پوشیدنی، خطرات نقض حریم شخصی از جانب جاسوسان وجود دارد. نتیجه‌گیری‌های نویسندگان: اثربخشی راه‌حل‌های دیجیتالی تا حد زیادی تأیید نشده، زیرا داده‌های منتشر شده بسیار اندکی در شرایط طغیان بیماری در دنیای واقعی وجود دارد. مطالعات مدل‌سازی شواهدی را با قطعیت پائین در مورد کاهش موارد ثانویه، در صورت استفاده از ردیابی دیجیتالی تماس به همراه دیگر اقدامات سلامت عمومی مانند خود‐ایزوله کردن، ارائه می‌دهند. مطالعات کوهورت شواهدی را با قطعیت بسیار پائین ارائه می‌دهند که ردیابی دیجیتالی تماس ممکن است تعداد قابل اعتمادتری را از تماس‌ها ایجاد کند و باعث شود زمان لازم برای تکمیل ردیابی مخاطب کاهش یابد. راه‌حل‌های دیجیتالی ممکن است دربرگیرنده مفاهیم عدالت برای جمعیت در معرض خطر با دسترسی ضعیف به اینترنت و دسترسی ضعیف به فناوری دیجیتال باشند. انجام تحقیقات اولیه قوی‌تری در مورد اثربخشی فناوری‌های ردیابی تماس مورد نیاز است، از جمله تحقیق در مورد استفاده از راه‌حل‌های دیجیتال در ترکیب با سیستم‌های دستی، زیرا راه‌حل‌های دیجیتال بعید است که به تنهایی در شرایط دنیای واقعی مورد استفاده قرار گیرند. مطالعات آینده باید دسترسی به راه‌حل‌های دیجیتال و قابل قبول بودن آنها، و تأثیر نتیجه را بر عدالت و انصاف در نظر بگیرند. مطالعات همچنین باید مقبولیت‌ و درک سوال اولیه و اصلی تحقیق را ایجاد کنند، زیرا نگرانی‌های مربوط به حریم خصوصی می‌تواند مانع از درک و جذب و اثربخشی این فناوری‌ها شود.

Contexte: Réduire la transmission du syndrome respiratoire aigu sévère du coronavirus 2 (SRAS‐CoV‐2) est une priorité mondiale. Le traçage des contacts permet d'identifier les personnes qui ont été récemment en contact avec un individu infecté, afin de les isoler et de réduire la transmission. La technologie numérique pourrait être mise en œuvre pour intensifier et accélérer le traçage manuel. On peut répartir les outils numériques de traçage de contacts en trois domaines: 1) réponse à l'épidémie ; 2) traçage de proximité ; et 3) suivi des symptômes. Nous avons réalisé une revue rapide sur l'efficacité des moyens numériques de traçage des contacts lors d’épidémies de maladies infectieuses.

Objectifs: Évaluer les bénéfices, les risques et l'acceptabilité des moyens numériques individuels de traçage pour repérer les contacts d'un cas confirmé positif à une maladie infectieuse. STRATÉGIE DE RECHERCHE DOCUMENTAIRE: Un spécialiste de l'information a effectué une recherche documentaire du 1er janvier 2000 au 5 mai 2020 dans CENTRAL, MEDLINE et Embase. En outre, nous avons consulté le registre des études COVID‐19 de Cochrane. CRITÈRES DE SÉLECTION: Nous avons inclus des essais contrôlés randomisés (ECR), des ECR en grappes, des quasi‐ECR, des études de cohortes, des études transversales et des études de modélisation, en population générale. Nous avons préférentiellement inclus les études sur le traçage des contacts lors d'épidémies de maladies infectieuses (notamment COVID‐19, Ebola, tuberculose, virus du syndrome respiratoire aigu sévère et syndrome respiratoire du Moyen‐Orient) pour les données probantes directes. Mais nous avons pris également en compte des études comparatives sur le traçage des contacts hors épidémie pour les données probantes indirectes. Les moyens numériques étaient variés mais utilisaient généralement des logiciels (ou des microprogrammes) que les utilisateurs pouvaient installer sur leurs appareils ou télécharger sur des appareils fournis par les pouvoirs publics ou par des tiers. Les dispositifs de contrôle incluaient la recherche traditionnelle ou manuelle des contacts, l’auto‐déclaration d’après agendas ou questionnaires, les entretiens, d'autres méthodes standard pour déterminer les contacts rapprochés, ainsi que d'autres technologies comparées aux techniques numériques (par exemple les dossiers médicaux électroniques). RECUEIL ET ANALYSE DES DONNÉES: Deux auteurs de la revue ont examiné indépendamment les dossiers et toutes les publications en texte intégral potentiellement pertinentes. Un des auteurs de la revue a extrait les données sur 50% des études incluses, un autre a extrait les données sur les 50% restants ; le second auteur de la revue a vérifié toutes les données extraites. Un auteur a évalué la qualité des études incluses et un autre a vérifié les évaluations. Nos critères de jugement ont porté sur l'identification des cas secondaires et des contacts rapprochés, le temps nécessaire au traçage des contacts, les questions d'acceptabilité et d'accessibilité, les préoccupations en matière de vie privée et d’innocuité, et toute autre question éthique identifiée. Les études de modélisation prédisent des estimations quant aux effets produits par les différentes méthodes de traçage pour les critères de jugement d’intérêt, alors que les études de cohorte fournissent des estimations mesurées empiriquement des effets produits par les différentes méthodes de traçage pour les critères de jugement d’intérêt. Nous avons utilisé GRADE‐CERQual pour décrire niveau de confiance des données probantes issues de données qualitatives et GRADE pour les études de modélisation et de cohorte. RÉSULTATS PRINCIPAUX: Nous avons identifié six études de cohorte faisant état de données quantitatives et six études de modélisation faisant état de simulations de méthodes numériques pour le traçage de contacts. Deux études de cohorte ont également fourni des données qualitatives. Trois études de cohorte ont porté sur le traçage des contacts lors d'une épidémie, tandis que trois autres ont reproduit une épidémie dans des environnements non épidémiques (écoles). Sur les six études de modélisation, quatre ont évalué des méthodes numériques de traçage des contacts dans des simulations de COVID‐19, tandis que deux ont simulé des contacts rapprochés dans des contextes épidémiques non spécifiques. Études de modélisation Deux études de modélisation ont fourni des données probantes d’un niveau de confiance faible indiquant une réduction des cas secondaires grâce au traçage numérique (nombre moyen de cas secondaires par cas index ‐ nombre de reproduction effectif «R effectif»). Une étude a estimé une réduction de 18 % de R effectif avec le traçage numérique des contacts par rapport à l'auto‐isolation seule, et une réduction de 35 % avec le traçage manuel des contacts. Une autre a constaté une réduction de R effectif pour le traçage numérique des contacts par rapport à l'auto‐isolation seule (26% de réduction) et une réduction de R effectif pour le traçage manuel des contacts par rapport à l'auto‐isolation seule (53% de réduction). Cependant, le niveau de confiance des données probantes a été réduit: par le manque de clarté des caractéristiques de leurs modèles, par les hypothèses sur l'efficacité du traçage manuel (supposée de 95 à 100 % des contacts retrouvés), enfin par la proportion de la population qui disposerait de l'application (53 %). Études de cohorte Deux études de cohorte ont fourni des données probantes d’un niveau de confiance très faible quant à l’avantage du traçage numérique par rapport au traçage manuel. Lors d'une épidémie d'Ebola, des traceurs de contacts utilisant une application ont trouvé en moyenne deux fois plus de contacts rapprochés par cas que les traceurs utilisant des formulaires papier. De même, après une épidémie de coqueluche dans un hôpital des Etats‐Unis, les chercheurs ont découvert que l'identification par radiofréquence avait permis de repérer 45 contacts rapprochés, alors que l’exploration des dossiers médicaux électroniques n’en avait révélé que 13. Le niveau de confiance des données probantes a été réduit en raison d’une certaine imprécision à laquelle s’ajoute un risque sérieux de biais. En effet, les protocoles des études de traçage des contacts se sont révélés incapables d’identifier le nombre réel de contacts rapprochés. Une étude de cohorte a fourni des données probantes d’un niveau de confiance très faible indiquant qu'une application pouvait réduire le temps nécessaire à la réalisation d'un ensemble de contacts rapprochés. Le niveau de confiance des données probantes pour ce critère de jugement a été affectée par de l'imprécision et un sérieux risque de biais. Les équipes de traçage de contacts ont indiqué que les systèmes de saisie et de gestion des données numériques étaient d’utilisation plus rapide que les systèmes papier et peut‐être aussi moins sujets à des pertes de données. Deux études menées dans des pays à revenu faible ou moyen ont montré que les équipes de traçage de contacts ont trouvé les systèmes numériques plus simples à utiliser et qu’elles les ont généralement préférés aux systèmes papier ; ils permettaient un gain de temps, ils auraient amélioré la précision pour de grands ensembles de données et étaient plus faciles à transporter que les formulaires papier. Cependant, avec le numérique le personnel a dû faire face à des coûts accrus et à des problèmes d'accès à internet. Dans les études de cohorte les équipements semblaient protéger la vie privée des utilisateurs exposés ou diagnostiqués, vis à vis des sujets contacts. Il y avait toutefois des risques d'atteinte à la vie privée de la part de pirates en cas d’attaque des connexions, en particulier pour les appareils portables.

Conclusions des auteurs: L'efficacité des moyens numériques est loin d’être prouvée, car il existe très peu de données publiées sur des foyers infectieux réels. Les études de modélisation ont fourni des données probantes d’un niveau de confiance très faible indiquant une réduction des cas secondaires lorsque le traçage numérique des contacts est utilisé conjointement avec d'autres mesures de santé publique telles que l'auto‐isolation. Les études de cohortes ont fourni des données probantes d’un niveau de confiance très faible indiquant que le traçage numérique des contacts pourrait produire un comptage plus fiable des contacts et une réduction du temps de traçage. Les méthodes numériques pourraient poser des problèmes d'équité pour les populations à risque qui ont un accès insuffisant à internet et au numérique. Il est nécessaire de renforcer la recherche primaire sur l'efficacité des technologies de traçage des contacts, y compris la recherche sur l'utilisation des méthodes numériques associées aux systèmes manuels. Il est en effet peu probable que les méthodes numériques soient utilisées seules en situation réelle. Les études futures devraient examiner l'accès aux méthodes numériques et leur acceptabilité, ainsi que leur impact en matière d’équité. Elles devraient également faire de l'acceptabilité et de l'adoption de ces techniques une question de recherche primordiale, car les préoccupations relatives à la vie privée peuvent en empêcher l'adoption et l'efficacité.

Antecedentes: La reducción de la transmisión del síndrome respiratorio agudo grave por coronavirus 2 (SARS‐CoV‐2) es una prioridad mundial. El rastreo de contactos identifica a las personas que han estado en contacto recientemente con un individuo infectado, con el fin de aislarlas y reducir la transmisión posterior. La tecnología digital se podría implementar para aumentar y acelerar el rastreo manual de los contactos. Las herramientas digitales para el rastreo de contactos se pueden agrupar en tres áreas: 1) respuesta al brote; 2) rastreo de proximidad; y 3) seguimiento de los síntomas. Se realizó una revisión rápida de la efectividad de las soluciones digitales para el rastreo de contactos durante los brotes de enfermedades infecciosas.

Objetivos: Evaluar los efectos beneficiosos, los efectos perjudiciales y la aceptabilidad de las soluciones digitales de rastreo de contactos personales para identificar los contactos de un caso positivo identificado de una enfermedad infecciosa. MÉTODOS DE BÚSQUEDA: Un documentalista buscó en la bibliografía desde el 1 de enero de 2000 hasta el 5 de mayo de 2020 en CENTRAL, MEDLINE y Embase. Además, se revisó el Registro de Estudios Cochrane COVID‐19 (Cochrane COVID‐19 Study Register). CRITERIOS DE SELECCIÓN: Se incluyeron ensayos controlados aleatorizados (ECA), ECA grupales, ensayos cuasialeatorizados, estudios de cohortes, estudios transversales y estudios de modelización, en poblaciones generales. Se incluyeron preferentemente los estudios de rastreo de contactos durante brotes de enfermedades infecciosas (incluidos covid‐19, virus del Ébola, tuberculosis, síndrome respiratorio agudo grave por virus y síndrome respiratorio de Oriente Medio) como evidencia directa, pero se consideraron como evidencia indirecta los estudios comparativos de rastreo de contactos fuera de un brote. Las soluciones digitales variaron, pero habitualmente incluyeron aplicaciones informáticas (o firmware) para que los usuarios las instalaran en sus dispositivos o para que se cargaran en los dispositivos proporcionados por los gobiernos o por terceros. Las medidas de control incluyeron el rastreo tradicional o manual de los contactos, encuestas o diarios autoinformados, entrevistas, otros métodos estándar para determinar los contactos cercanos y otras tecnologías en comparación con soluciones digitales (p.ej., historias clínicas electrónicas). OBTENCIÓN Y ANÁLISIS DE LOS DATOS: Dos autores de la revisión examinaron de forma independiente las entradas y todas las publicaciones de texto completo potencialmente relevantes. Un autor de la revisión extrajo los datos del 50% de los estudios incluidos, otro extrajo los datos del 50% restante; el segundo autor de la revisión verificó todos los datos extraídos. Un autor de la revisión evaluó la calidad de los estudios incluidos y un segundo autor de la revisión verificó las evaluaciones. Los desenlaces fueron la identificación de casos secundarios y contactos cercanos, el tiempo necesario para completar el rastreo de los contactos, los problemas de aceptabilidad y accesibilidad, las preocupaciones relacionadas con la privacidad y la seguridad, y cualquier otro problema ético identificado. Aunque los estudios de modelos permitirán predecir las estimaciones de los efectos de las diferentes soluciones de rastreo de contactos sobre los desenlaces de interés, los estudios de cohortes proporcionan estimaciones medidas empíricamente de los efectos de las diferentes soluciones de rastreo de contactos sobre los desenlaces de interés. Se utilizó GRADE‐CERQual para describir la certeza de la evidencia a partir de los datos cualitativos y GRADE para los estudios de modelos y de cohortes.

Resultados principales: Se identificaron seis estudios de cohortes que informaron datos cuantitativos y seis estudios de modelos que informaron sobre simulaciones de soluciones digitales para el rastreo de contactos. Dos estudios de cohortes también proporcionaron datos cualitativos. Tres estudios de cohortes analizaron el rastreo de contactos durante un brote, mientras que tres reprodujeron un brote en contextos donde no existían brotes (escuelas). De los seis estudios de modelos, cuatro evaluaron soluciones digitales para el rastreo de contactos en escenarios simulados de covid‐19, mientras que dos simularon contactos cercanos en escenarios de brotes no específicos. Estudios de modelos Dos estudios de modelos proporcionaron evidencia de certeza baja de una reducción de los casos secundarios con el uso del rastreo digital de los contactos (medido como el número promedio de casos secundarios por caso índice ‐ número reproductivo efectivo [R eff]). Un estudio determinó una reducción del 18% en el R eff con el rastreo digital de los contactos en comparación con el autoaislamiento solamente, y una reducción del 35% con el rastreo manual de los contactos. Otro encontró una reducción en el R eff con el rastreo digital de los contactos en comparación con el autoaislamiento solo (26% de reducción) y una reducción en el R eff con el rastreo manual de contactos en comparación con el autoaislamiento solo (53% de reducción). Sin embargo, la certeza de la evidencia se redujo por las especificaciones poco claras de sus modelos y las suposiciones sobre la efectividad del rastreo manual de los contactos (se supone que del 95% al 100% de los contactos se rastrean), y la proporción de la población que tendría la aplicación (53%). Estudios de cohortes Dos estudios de cohortes proporcionaron evidencia de certeza muy baja de un efecto beneficioso del rastreo digital sobre el rastreo manual de los contactos. Durante un brote del virus del Ébola, los rastreadores de contactos que utilizaron una aplicación encontraron, en promedio, el doble de contactos cercanos por caso, que los que utilizaron formularios de papel. De manera similar, tras un brote de tos ferina en un hospital de los Estados Unidos, los investigadores determinaron que la identificación por radiofrecuencia identificó a 45 contactos cercanos, pero las búsquedas en las historias clínicas electrónicas encontraron 13. La certeza de la evidencia se redujo por la preocupación acerca de la imprecisión y el alto riesgo de sesgo debido a la incapacidad de los diseños de los estudios de rastreo de contactos de identificar el verdadero número de contactos cercanos. Un estudio de cohortes proporcionó evidencia de certeza muy baja de que una aplicación podría reducir el tiempo necesario para completar un conjunto de contactos cercanos. La certeza de la evidencia de este desenlace se vio afectada por la imprecisión y el alto riesgo de sesgo. Los equipos de rastreo de contactos informaron de que los sistemas de introducción y gestión de datos digitales eran más rápidos de utilizar que los sistemas en papel y posiblemente menos propensos a la pérdida de datos. En dos estudios realizados en países de ingresos bajos o medios, se informó de que los equipos de rastreo de contactos consideraron que los sistemas digitales eran más sencillos de utilizar y, en general, los preferían a los sistemas en papel; ahorraban tiempo del personal, mejoraban la exactitud con grandes conjuntos de datos y eran más fáciles de transportar en comparación con los formularios en papel. Sin embargo, el personal se enfrentó a mayores costos y problemas de acceso a Internet con los sistemas digitales en comparación con los sistemas en papel. Los dispositivos de los estudios de cohortes parecieron preservar la privacidad de los contactos en relación con los usuarios expuestos o diagnosticados. Sin embargo, existían riesgos de violación de la privacidad por parte de fisgones si se producían ciberataques, especialmente en el caso de los dispositivos portátiles.

Conclusiones de los autores: La efectividad de las soluciones digitales no se ha demostrado de forma amplia, ya que hay muy pocos datos publicados en contextos de brotes en la vida real. Los estudios de modelos proporcionan evidencia de certeza baja de una reducción de los casos secundarios si se utiliza el rastreo digital de los contactos junto con otras medidas de salud pública, como el autoaislamiento. Los estudios de cohortes proporcionan evidencia de certeza muy baja de que rastreo digital de los contactos puede producir recuentos más fiables de los contactos y reducir el tiempo necesario para completar el rastreo de los mismos. Las soluciones digitales pueden tener repercusiones relacionadas con la equidad en las poblaciones en situación de riesgo que tienen un acceso deficiente a Internet y un acceso insuficiente a la tecnología digital. Se necesitan estudios primarios de investigación más sólidos sobre la efectividad de las tecnologías de rastreo de contactos, incluidos estudios de investigación sobre el uso de soluciones digitales junto con sistemas manuales, ya que es poco probable que las soluciones digitales se utilicen solas en un contexto de la vida real. En futuros estudios se debería considerar el acceso a las soluciones digitales y su aceptabilidad, así como el impacto resultante en la equidad. Los estudios también deberían hacer de la aceptabilidad y el uso una cuestión de investigación principal, ya que las preocupaciones por la privacidad pueden impedir el uso y la efectividad de estas tecnologías.

PubMed Disclaimer

Conflict of interest statement

Andrew Anglemyer is a consultant for New Zealand’s national digital contact tracing solutions team and receives remuneration from Cochrane as a member of the Methods Support Unit. Theresa Moore is partly funded by the National Institute for Health Research Collaboration West (NIHR ARC West) at University Hospitals Bristol and Weston NHS Foundation Trust, partly funded by the University of Bristol, UK, and partly funded by the Cochrane Collaboration as Methodological Editor. Lisa Parker: none Tim Chambers is a consultant for New Zealand’s national digital contact tracing solutions team. Alice Grady: none Kellia Chiu: none Matthew Parry: none Magdalena Wilczynska is funded by nib Health. Ella Flemyng is employed by and receives a salary from Cochrane though has no financial interest in the review’s findings. Lisa Bero receives remuneration from Cochrane as Senior Editor Public Health and Health Systems Network and Research Integrity.

Figures

1
1
Study flow diagram
See this image and copyright information in PMC

Similar articles

See all similar articles

Cited by

See all "Cited by" articles

References

References to studies included in this review

Danquah 2019 {published data only}
    1. Danquah L, Hasham N, MacFarlane M, Conteh FE, Momoh F, Tedesco AA, et al. Use of a mobile application for Ebola contact tracing and monitoring in northern Sierra Leone: a proof-of-concept study. BMC Infectious Diseases 2019;19:810. - PMC - PubMed
Farrahi 2014 {published data only}
    1. Farrahi K, Emonet R, Cebrian M. Epidemic contact tracing via communication traces. PLoS One 2014;9(5):e95133. - PMC - PubMed
Ferretti 2020 {published data only}
    1. Ferretti L, Wymant C, Kendall M, Zhao L, Nurtay A, Abeler-Dörner L, et al. Quantifying SARS-CoV-2 transmission suggests epidemic control with digital contact tracing. Science 2020;368(6491):eabb6936. [DOI: 10.1126/science.abb6936] - DOI - PMC - PubMed
Fournet 2016 {published data only}
    1. Fournet J, Barrat A. Epidemic risk from friendship network data: an equivalence with a non-uniform sampling of contact networks. Nature Scientific Reports 2016;6:24593. [DOI: 10.1038/srep24593] - DOI - PMC - PubMed
Ha 2016 {published data only}
    1. Ha Y, Littman-Quinn R, Antwi C, Seropola G, Green R, Tesfalul MA, et al. A mobile health approach to tuberculosis contact tracing in resource-limited settings.. Studies in Health Technology and Informatics 2013;192:1188. - PubMed
    1. Ha YP, Tesfalul MA, Littman-Quinn R, Antwi C, Green RS, Mapila TO, et al. Evaluation of a mobile health approach to tuberculosis contact tracing in Botswana. Journal of Health Communication 2016;21(10):1115-21. - PMC - PubMed
Helmich 2017 {published data only}
    1. Helmich T, Clements C, El-Sherif N, Pasupathy KS, Nestler DM, Boggust A, et al. Contact tracing with a real-time location system: a case study of increasing relative effectiveness in an emergency department. American Journal of Infection Control 2017;45:1308-11. - PMC - PubMed
Hinch 2020 {published data only}
    1. Hinch R, Probert W, Nurtay A, Kendall M, Wymant C, Hall M, et al. Effective configurations of a digital contact tracing app: a report to NHSX. Available at cdn.theconversation.com/static_files/files/1009/Report_-_Effective_App_C... (accessed prior to 14 July 2020).
Kucharski 2020 {published data only}
    1. Kucharski A, Klepac P, Conlan A, Kissler SM, Tang M, Fry H, et al. Effectiveness of isolation, testing, contact tracing and physical distancing on reducing transmission of SARS-CoV-2 in different settings. Lancet Infectious Diseases 2020. [DOI: ] - PMC - PubMed
Leecaster 2016 {published data only}
    1. Leecaster M, Toth D, Pettey W, Rainey JJ, Gao H, Uzicanin A, et al. Estimates of social contact in a middle school based on self-report and wireless sensor data. PLoS One 2016. [DOI: 10.1371/journal.pone.0153690] - DOI - PMC - PubMed
Mastrandrea 2015 {published data only}
    1. Mastrandrea R, Fournet J, Barrat A. Contact patterns in a high school: a comparison between data collected using wearable sensors, contact diaries and friendship surveys. PLoS One 2015. [DOI: 10.1371/journal.pone.0136497] - DOI - PMC - PubMed
Smieszek 2014 {published data only}
    1. Smieszek T, Barclay V, Seeni I, Rainey JJ, Gao H, Uzicanin A, et al. How should social mixing be measured: comparing web-based survey and sensor-based methods. BMC Infectious Diseases 2014;14:136. - PMC - PubMed
Yasaka 2020 {published data only}
    1. Yasaka T, Lehrich B, Sahyouni R. Peer-to-peer contact tracing: development of a privacy-preserving smartphone app. JMIR mHealth and uHealth 2020;4:e18936. - PMC - PubMed

References to studies excluded from this review

Chen 2020 {published data only}
    1. Chen C, Jyan H, Chien S, Jen H, Hsu C, Lee P-C, et al. Containing COVID-19 among 627,386 persons in contact with the Diamond Princess cruise ship passengers who disembarked in Taiwan: big data analytics. Journal of Medical Internet Research 2020;22(5):e19540. - PMC - PubMed
Eisenkraft 2018 {published data only}
    1. Eisenkraft A, Afriat A, Hubary Y, Lev R, Shaul H, Balicer RD. Using cell phone technology to investigate a deliberate Bacillus anthracis release scenario. Health Security 2018;16(1):22-9. - PubMed
Menon‐Johansson 2018 {published data only}
    1. Menon-Johansson A. Innovative digital contact tracing tool data indicates that only one in three contactable contacts were seen and tested in England in 2016. Sexually Transmitted Diseases 2018;45 Suppl 2:POS 46-T.
Sacks 2015 {published data only}
    1. Sacks J, Zehe E, Redick C, Bah A, Cowger K, Camara M, et al. Introduction of mobile health tools to support Ebola surveillance and contact tracing in Guinea. Global Health: Science and Practice 2015;3(4):646-59. - PMC - PubMed
Tom‐Aba 2018 {published data only}
    1. Tom-Aba D, Toikkanen S, Gloeckner S, Adeoye O, Mall S, Fänrich C, et al. User evaluation indicates high quality of the surveillance outbreak response management and analysis system (SORMAS) after field deployment in Nigeria in 2015 and 2018. Studies in Health Technology and Informatics 2018;253:233-7. - PubMed
Tom‐Aba 2020 {published data only}
    1. Tom-Aba D, Silenou BC, Doerrbecker J, Fourie C, Leitner C, Wahnschaffe M, et al. The surveillance outbreak response management and analysis system (SORMAS): digital health global goods maturity assessment. JMIR Public Health and Surveillance 2020;6(2):e15860. - PMC - PubMed
Van Hest 2016 {published data only}
    1. Van Hest R, De Vries G. Active tuberculosis case-finding among drug-users and homeless persons: after the outbreak. European Respiratory Journal 2016;48:269-71. - PubMed
Voirin 2015 {published data only}
    1. Voirin N, Payet C, Barrat A, Cattuto C, Khanafer N, Régis C, et al. Combining high-resolution contact data with virological data to investigate influenza transmission in a tertiary care hospital. Infection Control and Hospital Epidemiology 2015;36(3):254-60. - PubMed
White 2018 {published data only}
    1. White E, Meyer A, Ggita J, Babirye D, Mark D, Ayakaka I, et al. Feasibility, acceptability, and adoption of digital fingerprinting during contact investigation for tuberculosis in Kampala, Uganda: a parallel-convergent mixed-methods analysis. Journal of Medical Internet Research 2018;20(11):e11541. - PMC - PubMed

References to studies awaiting assessment

Kendall 2020 {published data only}
    1. Kendall M, Milsom L, Abeler-Dorner L, Wymant C, Ferretti L, Briers M, et al. COVID-19 incidence and R decreased on the Isle of Wight after the launch of the Test, Trace, Isolate programme. medRxiv [Preprint] 2020. [DOI: ] - PMC - PubMed

References to ongoing studies

Ayakaka 2020 {published data only}
    1. Ayakaka I, Katamba A. Mobile health for implementation of home-based TB contact investigation in Uganda. apps.who.int/trialsearch/Trial2.aspx?TrialID=PACTR201509000877140 2020.
Cencetti 2020 {published data only}
    1. Cencetti G, Santin G, Longa A, Pigani E, Barrat A, Cattuto C, et al. Digital proximity tracing in the COVID-19 pandemic on empirical contact networks. medRxiv [Preprint] 2020. [DOI: ] - PMC - PubMed
Lambert 2020 {published data only}
    1. Lambert A. A mathematical assessment of the efficiency of quarantining and contact tracing in curbing the COVID-19 epidemic. medRxiv [Preprint] 2020. [DOI: ]

Additional references

Access Now 2020
    1. Access Now. Privacy and public health: the dos and don’ts for COVID-19 contact tracing apps. Available at www.accessnow.org/privacy-and-public-health-the-dos-and-donts-for-covid-... (accessed prior to 15 July 2020).
Altmann 2020
    1. Altmann S, Milsom L, Zillessen H, Blasone R, Gerdon F, Bach R, et al. Acceptability of app-based contact tracing for COVID-19: cross-country survey evidence. Lancet [Preprint] 2020. [DOI: ] - PMC - PubMed
Baharudin 2020
    1. Baharudin H. Wearable device for COVID-19 contact tracing to be rolled out soon, may be issued to everyone in Singapore. Straits Times 2020.
Booth 2016
    1. Booth A. Searching for qualitative research for inclusion in systematic reviews: a structured methodological review. Systematic Reviews 2016;5:74. [DOI: 10.1186/s13643-016-0249-x] - DOI - PMC - PubMed
Braithwaite 2020
    1. Braithwaite I, Calendar T, Bullock M, Aldridge R. Automated and partially-automated contact tracing: a rapid systematic review to inform the control of COVID-19. medRxiv [Preprint] 2020. [DOI: ] - PMC - PubMed
Braun 2020
    1. Braun V, Clarke V. Guidelines for reviewers and editors evaluating thematic analysis manuscripts. Available at cdn.auckland.ac.nz/assets/psych/about/our-research/documents/Checklist%2... (accessed prior to 14 July 2020).
Brozek 2020
    1. Brozek J, Canelo-Aybar C, Akl E, et al. GRADE Guidelines 30: The GRADE approach to assessing the certainty of modelled evidence - an overview in the context of health decision-making. Unpublished article. - PubMed
Campbell 2020
    1. Campbell M, McKenzie J, Sowden A, Katikireddi SV, Brennan SE, Ellis S, et al. Synthesis without meta-analysis (SWiM) in systematic reviews: reporting guideline. BMJ 2020;368:I6890. [DOI: ] - PMC - PubMed
CASP 2020
    1. Critical Appraisal Skills Programme UK . CASP checklists. Available at: casp-uk.net/casp-tools-checklists/ (accessed prior to 14 July 2020).
CCC 2020
    1. Chaos Computer Club (CCC). 10 requirements for the evaluation of "Contact Tracing" apps. Available at www.ccc.de/en/updates/2020/contact-tracing-requirements (accessed prior to 15 July 2020).
Cho 2020
    1. Cho H, Ippolito D, Yu Y. Contact tracing mobile apps for COVID-19: privacy considerations and related trade-offs. arXiv [Preprint] 2020. [arXiv:2003.11511]
Covidence [Computer program]
    1. Veritas Health Innovation Covidence. Version accessed prior to 14 July 2020. Melbourne, Australia: Veritas Health Innovation. Availabe at covidence.org.
Deeks 2019
    1. Deeks JJ, Higgins JP, Altman DG (editors). Chapter 10: Analysing data and undertaking meta-analyses. In: Higgins JP, Thomas J, Chandler J, Cumpston M, Li T, Page MJ, et al (editors). Cochrane Handbook for Systematic Reviews of Interventions version 6.0 (updated July 2019). Cochrane, 2019. Available from www.training.cochrane.org/handbook. - PubMed
Faye 2015
    1. Faye O, Boelle P-Y, Heleze E, Faye O, Loucoubar C, Magassouba N, et al. Chains of transmission and control of Ebola virus disease in Conakry, Guinea, in 2014: an observational study. Lancet Infectious Diseases 2015;15(3):320-6. - PMC - PubMed
FPF 2020
    1. Future of Privacy Forum (FPF). Privacy & pandemics: the role of mobile apps. Available at fpf.org/wp-content/uploads/2020/04/editPrivacy-Pandemics_-The-Role-of-Mo... (accessed prior to 15 July 2020).
Grundy 2019a
    1. Grundy Q, Chiu K, Bero L. Commercialization of user data by developers of medicines-related apps: a content analysis. Journal of General Internal Medicine 2019;34:2833-41. - PMC - PubMed
Grundy 2019b
    1. Grundy Q, Chiu K, Held F, Continella A, Bero L, Holz R, et al. Data sharing practices of medicines related apps and the mobile ecosystem: traffic, content, and network analysis. BMJ 2019;364:I920. - PMC - PubMed
Hart 2020
    1. Hart V, Siddarth D, Cantrell B, Tretikov L, Eckersley P, Langford J, et al. Outpacing the virus: digital response to containing the spread of COVID-19 while mitigating privacy risks. Center for Ethics, Harvard University. Available at ethics.harvard.edu/outpacing-virus 2020.
Higgins 2003
    1. Higgins JP, Thompson SG, Deeks JJ, Altman DG. Measuring inconsistency in meta-analyses. BMJ 2003;327:557-60. - PMC - PubMed
Kaptchuk 2020
    1. Kaptchuk G, Goldstein D, Hargittai E, Hoffman J, Redmiles EM. How good is good enough for COVID19 apps? The influence of benefits, accuracy, and privacy on willingness to adopt. aRxiv [Preprint] 2020. [arXiv:2005.04343 [cs.CY]]
Keeling 2020
    1. Keeling M, Hollingsworth T, Read J. The efficacy of contact tracing for the containment of the 2019 novel Coronavirus (COVID-19). Journal of Epidemioloy and Community Health 2020:jech-2020-214051. [DOI: 10.1136/jech-2020-214051] - DOI - PMC - PubMed
Kim 2020
    1. Kim H, Paul A. Contact tracing: a game of big numbers in the time of COVID-19. aRxiv [Preprint] 2020. [arXiv:2004.10762 [q-bio.PE]] - PMC - PubMed
Korea CDC 2020
    1. COVID-19 National Emergency Response Center, Epidemiology & Case Management Team, Korea Centers for Disease Control & Prevention. Contact transmission of COVID-19 in South Korea: novel investigation techniques for tracing contacts. Osong Public Health and Research Perspectives 2020;11(1):60-3. - PMC - PubMed
Kretzschmar 2020
    1. Kretzschmar, M, Rozhnova G, Van Boven M. Effectiveness of isolation and contact tracing for containment and slowing down a COVID-19 epidemic: a modelling study. Available at papers.ssrn.com/sol3/papers.cfm?abstract_id=3551343 [Preprint] 2020. [DOI: ]
Lewin 2015
    1. Lewin S, Glenton C, Munthe-Kaas H, Carlsen B, Colvin CJ, Gülmezoglu M, et al. Using qualitative evidence in decision making for health and social interventions: an approach to assess confidence in findings from qualitative evidence syntheses (GRADE-CERQual). PLoS Medicine 2015;12:e1001895. - PMC - PubMed
Lewin 2018
    1. Lewin S, Booth A, Glenton C, Munthe-Kaas H, Rashidian A, Wainwright M, et al. Applying GRADE-CERQual to qualitative evidence synthesis findings: introduction to the series. Implementation Science 2018;13:2. - PMC - PubMed
McKenzie 2019
    1. McKenzie JE, Brennan SE. Chapter 12: Synthesizing and presenting findings using other methods. In: Higgins JP, Thomas J, Chandler J, Cumpston M, Li T, Page MJ, Welch VA (editors). Cochrane Handbook for Systematic Reviews of Interventions version 6.0 (updated July 2019). Cochrane, 2019. Available from www.training.cochrane.org/handbook.
Microsoft 2020a [Computer program]
    1. Microsoft Excel. Microsoft Corporation. Microsoft Corporation, 2020. office.microsoft.com/excel.
Microsoft 2020b [Computer program]
    1. Microsoft Word. Microsoft Corporation. Microsoft Corporation, 2020. products.office.com/word.
Moher 2009
    1. Moher D, Liberati A, Tetzlaff J, Altman DG, The PRISMA Group (2009). Preferred reporting items for systematic reviews and meta-analyses: the PRISMA Statement. PLoS Medicine 2009;6(7):e1000097. [DOI: 10.1371/journal.pmed1000097] - DOI - PMC - PubMed
Nature 2020
    1. Nature. Show evidence that apps for COVID-19 contact-tracing are secure and effective. Available at www.nature.com/articles/d41586-020-01264-1 2020;580:563. [DOI: 10.1038/d41586-020-01264-1] - DOI - PubMed
Noyes 2019a
    1. Noyes J, Booth A, Moore G, Flemming K, Tunçalp Ö, Shakibazadeh E. Synthesising quantitative and qualitative evidence to inform guidelines on complex interventions: clarifying the purposes, designs and outlining some methods. BMJ Global Health 2019;4 (Suppl 1):e000893. - PMC - PubMed
Noyes 2019b
    1. Noyes J, Booth A, Cargo M, Flemming K, Harden A, Harris J, et al. Chapter 21: Qualitative evidence. In: Higgins JP, Thomas J, Chandler J, Cumpston M, Li T, Page MJ, et al (editors). Cochrane Handbook for Systematic Reviews of Interventions version 6.0 (updated July 2019). Cochrane, 2019. Available from www.training.cochrane.org/handbook.
Nussbaumer‐Striet 2020
    1. Nussbaumer-Streit B, Mayr V, Dobrescu A, Chapman A, Persad E, Klerings I, et al. Quarantine alone or in combination with other public health measures to control COVID-19: a rapid review. Cochrane Database of Systematic Reviews 2020, Issue 4. Art. No: CD013574. [DOI: 10.1002/14651858.CD013574] - DOI - PMC - PubMed
O'Neill 2020
    1. O’Neill P, Ryan-Mosley T, Johnson B. A flood of coronavirus apps are tracking us. Now it’s time to keep track of them. MIT Technology Review. MIT Technology Review. Available at www.technologyreview.com/2020/05/07/1000961/launching-mittr-covid-tracin... 2020.
Pitman 2012
    1. Pitman R, Fisman D, Zaric G, Postma M, Kretzschmar M, Edmunds J, et al. Dynamic transmission modelling: a report of the ISPOR-SMDM modelling Good Practices Task Force-5. Value in Health 2012;16:828-34. - PMC - PubMed
Redmiles 2020
    1. Redmiles E. User concerns & tradeoffs in technology-facilitated contact tracing. arXiv [Preprint] 2020. [arxiv.org/pdf/2004.13219.pdf]
Reuters 2020
    1. Reuters. Chinese city tightens coronavirus travel curbs in biggest outbreak. Available at www.reuters.com/article/us-health-coronavirus-china-harbin/chinese-city-... (accessed prior to 14 July 2020).
Sterne 2016
    1. Sterne JA, Hernán MA, Reeves BC, Savović J, Berkman ND, Viswanathan M, et al. ROBINS-I: a tool for assessing risk of bias in non-randomized studies of interventions. BMJ 2016;355:i4919. [DOI: 10.1136/bmj.i4919] - DOI - PMC - PubMed
Taylor 2020
    1. Taylor J. Victoria contact tracers access Covidsafe data 99 times but no identified close contacts reported. www.theguardian.com/world/2020/jul/04/victoria-contact-tracers-access-co... 2020.
UAB 2020
    1. University of Alabama, Birmingham. Smartphone-based automated contact tracing: is it possible to balance privacy, accuracy and security? Newswise 2020. Available at www.newswise.com/coronavirus/smartphone-based-automated-contact-tracing-... 2020.
Van Dorn 2020
    1. Van Dorn A, Cooney R, Sabin M. COVID-19 exacerbating inequalities in the US. Lancet 2020;395(10232):1243-4. - PMC - PubMed
Vandamme 2020
    1. Vandamme A, Nguyen T. Belgium-concerns about coronavirus contact-tracing apps. Available at www.nature.com/articles/d41586-020-01552-w?utm_source=feedburner&utm... 2020;581:384. [DOI: 10.1038/d41586-020-01552-w] - DOI - PubMed
Vaughan 2020
    1. Vaughan A. There are many reasons why COVID-19 contact-tracing apps may not workA. Available at www.newscientist.com/article/2241041-there-are-many-reasons-why-covid-19... 2020.
Verrall 2020
    1. Verrall A. Rapid audit of contact tracing for COVID-19 in New Zealand. Available at www.health.govt.nz/system/files/documents/publications/contact_tracing_r... (accessed prior to 14 July 2020).
WHO 2013
    1. World Health Organization. Closing the health equity gap: policy options and opportunities for action. World Health Organization 2013. Available at apps.who.int/iris/bitstream/handle/10665/78335/9789241505178_eng.pdf;jse... (accessed prior to 15 July 2020).
WHO 2020a
    1. World Health Organization. Coronavirus disease 2019 (COVID-19) situation report 190. Available from www.who.int/emergencies/diseases/novel-coronavirus-2019/situation-reports (accessed prior to 29 July 2020).
WHO 2020b
    1. World Health Organization. Digital tools for COVID-19 contact tracing. Annex: Contact tracing in the context of COVID-19. Available at www.who.int/publications/i/item/WHO-2019-nCoV-Contact_Tracing-Tools_Anne... (accessed prior to 14 July 2020).
WHO 2020c
    1. World Health Organization. Ethical considerations to guide the use of digital proximity tracking technologies for COVID-19 contact tracing: interim guidance. Available at www.who.int/publications/i/item/WHO-2019-nCoV-Ethics_Contact_tracing_app... (accessed prior to 14 July 2020).

References to other published versions of this review

Anglemyer 2020
    1. Anglemyer A, Moore TH, Parker L, Chambers T, Grady A, Chiu K, et al. Contact tracing technologies in epidemics: a rapid review. PROSPERO. Available from www.crd.york.ac.uk/prospero/display_record.php?ID=CRD42020188946 2020;(CRD42020188946). [CRD42020188946] - PMC - PubMed

MeSH terms

LinkOut - more resources