Wearable Assisted Viral Evidence (WAVE)-Studie Eine dezentrale, prospektive Studie, die den Zusammenhang zwischen passiv erfassten Daten von tragbaren Aktivitätsgeräten und respiratorischen Virusinfektionen untersucht (WAVE)
Studienübersicht
Status
Status
Bedingungen
Bedingungen
Studientyp
Studientyp
Einschreibung (Tatsächlich)
Einschreibung
Kontakte und Standorte
Studienkontakt
Studienkontakt
- Name: Ernesto Ramirez, PhD
- Telefonnummer: 415-650-4741
- E-Mail: wavestudy@evidation.com
Studieren Sie die Kontaktsicherung
- Name: Stephanie Salwen, PhD
- E-Mail: wavestudy@evidation.com
Studienorte
-
-
California
-
San Mateo, California, Vereinigte Staaten, 94402
- Evidation Health
-
-
Teilnahmekriterien
Zulassungskriterien
Zulassungskriterien
Studienberechtigtes Alter
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Lebt in den Vereinigten Staaten
- Spricht, liest und versteht Englisch
- Besitzt und verwendet derzeit ein tragbares Verbrauchergerät (Apple Watch, Garmin oder Fitbit) mit mindestens den erforderlichen Schritt- und Herzfrequenzdaten oder ist bereit, ein von der Studie bereitgestelltes Gerät zu tragen und die Fitbit-App herunterzuladen
- Bereit, ihr tragbares Gerät mit der Evidation-Plattform zu verbinden und es während der Dauer der Studie täglich mindestens 10 Stunden lang zu tragen
- Besitzt ein Smartphone mit installiertem Apple iOS 15 oder höher ODER Android Version 9.0 oder höher oder ist bereit für ein Update
- Bereit, über einen Zeitraum von 10 Wochen täglich und wöchentlich Fragebögen zu beantworten
- Bereit, zu Hause Nasenabstrichtests durchzuführen und die Nasenabstrichproben innerhalb von 24 Stunden nach Aufforderung zurückzusenden
- Erfüllt die Anforderungen an die Datendichte für tragbare Geräte
Ausschlusskriterien:
- Selbstberichtete Diagnose von Grippe und COVID durch einen Arzt oder durch einen Heimtest in den letzten 3 Monaten
- Derzeit an einer anderen Interventionsstudie zur Vorbeugung oder Behandlung von COVID-19 oder an einem anderen von Evidation durchgeführten Grippeprogramm beteiligt (Personen, die derzeit am FluSmart-Programm von Evidation teilnehmen, werden darüber informiert, dass ihre Teilnahme pausiert wird)
- Verfügt über eine primäre Postanschrift, bei der es sich um ein Postfach, eine Adresse eines Army Post Office (APO), eines Fleet Post Office (FPO) oder eines Diplomatic Post Office (DPO) oder eine US-Militärbasis im Ausland oder US-Territorien (Puerto Rico, U.S. Virgin) handelt Inseln, Guam, Nördliche Marianeninsel oder Amerikanisch-Samoa)
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Anzahl der Gruppen / Kohorten
Kohorten und Interventionen
Gruppe / KohorteGruppe / Kohorte |
|---|
|
Studienpopulation
Erwachsene Teilnehmer (ab 18 Jahren), die in den angrenzenden Vereinigten Staaten wohnen
|
Was misst die Studie?
Primäre Ergebnismessungen
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Die Hauptziele bestehen darin, einen Datensatz aus gepaarten tragbaren Daten, selbst gemeldeten Symptomen und bestätigten respiratorischen Virusinfektionen zu entwickeln und den Datensatz zur Entwicklung eines Algorithmus zur Klassifizierung asymptomatischer/symptomatischer RVIs zu verwenden
Zeitfenster: Bis zum Abschluss des Studiums ca. 10 Monate
|
In dieser Studie werden Daten tragbarer Geräte erfasst, darunter Herzfrequenz, Schlaf, Aktivität und andere Datentypen von kommerziell erhältlichen tragbaren Aktivitäts-Trackern und Smartwatches (z. B.
Apple Watch, Fitbit, Garmin-Geräte) sowie selbstberichtete Daten im Zusammenhang mit dem Auftreten von Symptomen im Zusammenhang mit respiratorischen Virusinfektionen und koppeln diese Daten mit den Ergebnissen von PCR-Tests von seriellen Nasenabstrichen zu Hause auf SARS-CoV- 2, Influenza A, Influenza B und Respiratory Syncytial Virus (RSV).
Diese Daten werden verwendet, um zu bestimmen, ob diese Datentypen zur Entwicklung eines Algorithmus zur Klassifizierung von asymptomatischem und symptomatischem RVI verwendet werden können.
Die Leistung des Algorithmus wird in verschiedenen Dimensionen bewertet, darunter ROC AUC, Sensitivität, Spezifität, PPV und NPV.
|
Bis zum Abschluss des Studiums ca. 10 Monate
|
Sekundäre Ergebnismessungen
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Das sekundäre Ziel dieser Beobachtungsstudie besteht darin, festzustellen, ob die Algorithmusleistung in verschiedenen demografischen Gruppen unterschiedlich ist
Zeitfenster: Bis zum Abschluss des Studiums ca. 10 Monate
|
Wir werden die Leistung des Algorithmus für verschiedene Teilnehmergruppen testen, um besser zu verstehen, ob die Leistung des Algorithmus je nach Demografie der Teilnehmer unterschiedlich ist.
Beispielsweise werden wir Leistungsmetriken in verschiedenen Untergruppen in Bezug auf Geschlecht, ethnische Zugehörigkeit und Alter testen.
Für jede Untergruppe berichten wir über ROC-AUC, Sensitivität, Spezifität, PPV und NPV. wie angemessen.
|
Bis zum Abschluss des Studiums ca. 10 Monate
|
Mitarbeiter und Ermittler
Sponsor
Sponsor
Mitarbeiter
Mitarbeiter
Ermittler
Ermittler
- Hauptermittler: Ernesto Ramirez, PhD, Evidation Health
Publikationen und hilfreiche Links
Allgemeine Veröffentlichungen
- Tokars JI, Olsen SJ, Reed C. Seasonal Incidence of Symptomatic Influenza in the United States. Clin Infect Dis. 2018 May 2;66(10):1511-1518. doi: 10.1093/cid/cix1060.
- Wiemken TL, Khan F, Puzniak L, Yang W, Simmering J, Polgreen P, Nguyen JL, Jodar L, McLaughlin JM. Seasonal trends in COVID-19 cases, hospitalizations, and mortality in the United States and Europe. Sci Rep. 2023 Mar 8;13(1):3886. doi: 10.1038/s41598-023-31057-1.
- Temple DS, Hegarty-Craver M, Furberg RD, Preble EA, Bergstrom E, Gardener Z, Dayananda P, Taylor L, Lemm NM, Papargyris L, McClain MT, Nicholson BP, Bowie A, Miggs M, Petzold E, Woods CW, Chiu C, Gilchrist KH. Wearable Sensor-Based Detection of Influenza in Presymptomatic and Asymptomatic Individuals. J Infect Dis. 2023 Apr 12;227(7):864-872. doi: 10.1093/infdis/jiac262.
- Mezlini A, Shapiro A, Daza EJ, Caddigan E, Ramirez E, Althoff T, Foschini L. Estimating the Burden of Influenza-like Illness on Daily Activity at the Population Scale Using Commercial Wearable Sensors. JAMA Netw Open. 2022 May 2;5(5):e2211958. doi: 10.1001/jamanetworkopen.2022.11958.
- Shapiro A, Marinsek N, Clay I, Bradshaw B, Ramirez E, Min J, Trister A, Wang Y, Althoff T, Foschini L. Characterizing COVID-19 and Influenza Illnesses in the Real World via Person-Generated Health Data. Patterns (N Y). 2020 Dec 13;2(1):100188. doi: 10.1016/j.patter.2020.100188. eCollection 2021 Jan 8.
- Hunter V, Shapiro A, Chawla D, Drawnel F, Ramirez E, Phillips E, Tadesse-Bell S, Foschini L, Ukachukwu V. Characterization of Influenza-Like Illness Burden Using Commercial Wearable Sensor Data and Patient-Reported Outcomes: Mixed Methods Cohort Study. J Med Internet Res. 2023 Mar 23;25:e41050. doi: 10.2196/41050.
- Merrill MA, Safranchik E, Kolbeinsson A, et al. Homekit2020: A Benchmark for Time Series Classification on a Large Mobile Sensing Dataset with Laboratory Tested Ground Truth of Influenza Infections. Conference on Health, Inference, and Learning PMLR 209:207-228. 2023 Jun.
- Mayer C, Tyler J, Fang Y, Flora C, Frank E, Tewari M, Choi SW, Sen S, Forger DB. Consumer-grade wearables identify changes in multiple physiological systems during COVID-19 disease progression. Cell Rep Med. 2022 Apr 19;3(4):100601. doi: 10.1016/j.xcrm.2022.100601. eCollection 2022 Apr 19.
- Nestor B, Hunter J, Kainkaryam R, Drysdale E, Inglis JB, Shapiro A, Nagaraj S, Ghassemi M, Foschini L, Goldenberg A. Machine learning COVID-19 detection from wearables. Lancet Digit Health. 2023 Apr;5(4):e182-e184. doi: 10.1016/S2589-7500(23)00045-6. No abstract available.
- Shandhi MMH, Cho PJ, Roghanizad AR, Singh K, Wang W, Enache OM, Stern A, Sbahi R, Tatar B, Fiscus S, Khoo QX, Kuo Y, Lu X, Hsieh J, Kalodzitsa A, Bahmani A, Alavi A, Ray U, Snyder MP, Ginsburg GS, Pasquale DK, Woods CW, Shaw RJ, Dunn JP. A method for intelligent allocation of diagnostic testing by leveraging data from commercial wearable devices: a case study on COVID-19. NPJ Digit Med. 2022 Sep 1;5(1):130. doi: 10.1038/s41746-022-00672-z.
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Studienbeginn
Primärer Abschluss (Tatsächlich)
Primärer Abschluss
Studienabschluss (Tatsächlich)
Studienabschluss
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Zuerst gepostet
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Geschätzt)
Letztes Update gepostet
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
Andere Studien-ID-Nummern
- WAVE Study
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Beschreibung des IPD-Plans
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .