Marcador neurofisiológico de TDAH en niños
16 de febrero de 2024 actualizado por: Junwon Kim, Daegu Catholic University Medical Center
Marcador neurofisiológico del trastorno por déficit de atención con hiperactividad en niños
Este estudio investigó los subtipos de electroencefalografía cuantitativa (QEEG) como herramientas auxiliares para evaluar el trastorno por déficit de atención con hiperactividad (TDAH).
Los pacientes fueron evaluados utilizando la versión coreana del Programa de entrevistas de diagnóstico para niños, versión IV, y fueron asignados a uno de tres grupos: TDAH, TDAH no especificado (NOS) y neurotípico (NT).
Los investigadores midieron la potencia del EEG absoluto y relativo en 19 canales y realizaron una prueba de rendimiento auditivo continuo.
Los investigadores analizaron el QEEG según el rango de frecuencia: delta (1 a 4 Hz), theta (4 a 8 Hz), alfa lento (8 a 10 Hz), alfa rápido (10 a 13,5 Hz) y beta (13,5 a 30 Hz).
Hz).
Luego, los sujetos se agruparon mediante el método de análisis de conglomerados de Ward utilizando la distancia euclidiana al cuadrado para medir las diferencias.
Descripción general del estudio
Estado
Estado
Terminado
Condiciones
Condiciones
Intervención / Tratamiento
Intervención / Tratamiento
- Prueba de diagnóstico: electroencefalografía potencia delta absoluta
- Prueba de diagnóstico: potencia delta relativa de electroencefalografía
- Prueba de diagnóstico: electroencefalografía potencia theta absoluta
- Prueba de diagnóstico: electroencefalografía potencia theta relativa
- Prueba de diagnóstico: electroencefalografía potencia alfa lenta absoluta
- Prueba de diagnóstico: electroencefalografía relativa potencia alfa lenta
- Prueba de diagnóstico: electroencefalografía potencia alfa rápida absoluta
- Prueba de diagnóstico: electroencefalografía relativa potencia alfa rápida
- Prueba de diagnóstico: electroencefalografía potencia beta absoluta
- Prueba de diagnóstico: potencia beta relativa de electroencefalografía
- Prueba de diagnóstico: Escala de calificación de TDAH coreana
- Prueba de diagnóstico: Versión coreana del Programa de entrevistas de diagnóstico para niños Versión IV
Descripción detallada
Se incluyeron en el estudio participantes entre 7 y 12 años diagnosticados de TDAH según los criterios del DSM-5.
El diagnóstico de TDAH se basó en una versión coreana del Programa de entrevistas de diagnóstico para niños, versión IV (DISC-IV), que es una herramienta de entrevista estructurada, y estos diagnósticos fueron confirmados por varios psiquiatras de niños y adolescentes.
Si los participantes no cumplían con los criterios de diagnóstico de TDAH del DSM-IV y DISC-IV, se les asignaba al grupo Neurotípico (NT).
Con base en los resultados de la prueba DISC-IV, los participantes fueron asignados al grupo TDAH o no especificado (NOS).
Se incluyeron en el grupo NOS los pacientes que cumplían los criterios diagnósticos de TDAH del DSM-IV, pero cuya puntuación no excedía de seis, y tenían una puntuación superior a tres en la escala de déficit de atención o hiperactividad/impactividad del DISC-IV.
Se excluyó de la participación a niños con antecedentes de daño cerebral, trastornos neurológicos, trastornos genéticos, dependencia de sustancias, epilepsia o cualquier otro trastorno mental.
Los niños con un coeficiente intelectual de 70 o menos según la Escala de inteligencia para niños de Korean-Wechsler (cuarta edición) o que estaban recibiendo tratamiento farmacológico también fueron excluidos de este estudio.
Las grabaciones de EEG se realizaron utilizando un amplificador de corriente continua (CC) SynAmps2 y un sistema de colocación de electrodos Quick-Cap de 64 canales de diseño 10-20 (Neuroscan Inc., NC, EE. UU.).
Los datos del EEG se registraron digitalmente a partir de 19 electrodos de copa de oro colocados de acuerdo con el sistema internacional 10-20.
Las impedancias se mantuvieron por debajo de 5 kΩ y la frecuencia de muestreo fue de 1000 Hz.
Los investigadores utilizan la referencia mastoidea vinculada y dos electrodos bipolares adicionales para medir los movimientos oculares horizontales y verticales.
Durante la grabación, cada participante se acostó en una habitación con atenuación de sonido, protegida eléctricamente y con poca luz.
Las grabaciones de EEG en reposo se registraron después de tres minutos con los ojos cerrados de los participantes.
Tipo de estudio
Tipo de estudio
De observación
Inscripción (Actual)
Inscripción
140
Contactos y Ubicaciones
Esta sección proporciona los datos de contacto de quienes realizan el estudio e información sobre dónde se lleva a cabo este estudio.
Estudio Contacto
Estudio Contacto
- Nombre: Jun Won Kim, M.D. Ph.D.
- Número de teléfono: +82-53-630-4780
- Correo electrónico: f_affection@naver.com
Ubicaciones de estudio
-
-
Nam-gu
-
Daegu, Nam-gu, Corea, república de, 42471
- Daegu Catholic University Medical Center
-
-
Criterios de participación
Los investigadores buscan personas que se ajusten a una determinada descripción, denominada criterio de elegibilidad. Algunos ejemplos de estos criterios son el estado de salud general de una persona o tratamientos previos.
Criterio de elegibilidad
Criterio de elegibilidad
Edades elegibles para estudiar
3 años a 8 años (Niño)
Acepta Voluntarios Saludables
Sí
Método de muestreo
Muestra de probabilidad
Población de estudio
Pacientes con sospecha de trastorno por déficit de atención/hiperactividad realizados QEEG y diagnosticados de DISC-IV
Descripción
Criterios de inclusión:
- Se incluyeron en el estudio participantes entre 7 y 12 años diagnosticados de TDAH según los criterios del DSM-5
Criterio de exclusión:
- Se excluyó de la participación a niños con antecedentes de daño cerebral, trastornos neurológicos, trastornos genéticos, dependencia de sustancias, epilepsia o cualquier otro trastorno mental.
- Los niños con un coeficiente intelectual de 70 o menos según la Escala de inteligencia para niños de Corea-Wechsler (cuarta edición) o que estaban recibiendo tratamiento farmacológico también fueron excluidos de este estudio.
Plan de estudios
Esta sección proporciona detalles del plan de estudio, incluido cómo está diseñado el estudio y qué mide el estudio.
¿Cómo está diseñado el estudio?
Detalles de diseño
- Modelos observacionales: Solo caso
- Perspectivas temporales: Retrospectivo
Número de grupos/cohortes
3
Cohortes e Intervenciones
Grupo / CohorteGrupo / Cohorte |
Intervención / TratamientoIntervención / Tratamiento |
|---|---|
|
TDAH
|
Utilizamos MATLAB 7.0.1 (Math Works, Natick, MA, EE. UU.) y la caja de herramientas EEGLAB para preprocesar y analizar las grabaciones de EEG.
Primero, los datos de EEG se muestrearon a 250 Hz.
A continuación, se eliminó la tendencia de los datos de EEG y se restó la media para eliminar el componente de CC.
Se aplicaron un filtro de paso alto de 1 Hz y un filtro de muesca de 60 Hz para eliminar el ruido ocular y eléctrico.
A continuación, se realizó un análisis de componentes independientes (ICA) para eliminar las fuentes de artefactos bien definidas.
Se ha demostrado que ICA aísla de manera confiable los artefactos causados por los movimientos oculares y musculares y el ruido cardíaco (23).
Finalmente, los psiquiatras clínicos y los expertos en EEG inspeccionaron visualmente los EEG corregidos.
Para el análisis, seleccionamos más de dos minutos de lecturas de EEG sin artefactos de las grabaciones de tres minutos.
Utilizamos MATLAB 7.0.1 (Math Works, Natick, MA, EE. UU.) y la caja de herramientas EEGLAB para preprocesar y analizar las grabaciones de EEG.
Primero, los datos de EEG se muestrearon a 250 Hz.
A continuación, se eliminó la tendencia de los datos de EEG y se restó la media para eliminar el componente de CC.
Se aplicaron un filtro de paso alto de 1 Hz y un filtro de muesca de 60 Hz para eliminar el ruido ocular y eléctrico.
A continuación, se realizó un análisis de componentes independientes (ICA) para eliminar las fuentes de artefactos bien definidas.
Se ha demostrado que ICA aísla de manera confiable los artefactos causados por los movimientos oculares y musculares y el ruido cardíaco (23).
Finalmente, los psiquiatras clínicos y los expertos en EEG inspeccionaron visualmente los EEG corregidos.
Para el análisis, seleccionamos más de dos minutos de lecturas de EEG sin artefactos de las grabaciones de tres minutos.
Utilizamos MATLAB 7.0.1 (Math Works, Natick, MA, EE. UU.) y la caja de herramientas EEGLAB para preprocesar y analizar las grabaciones de EEG.
Primero, los datos de EEG se muestrearon a 250 Hz.
A continuación, se eliminó la tendencia de los datos de EEG y se restó la media para eliminar el componente de CC.
Se aplicaron un filtro de paso alto de 1 Hz y un filtro de muesca de 60 Hz para eliminar el ruido ocular y eléctrico.
A continuación, se realizó un análisis de componentes independientes (ICA) para eliminar las fuentes de artefactos bien definidas.
Se ha demostrado que ICA aísla de manera confiable los artefactos causados por los movimientos oculares y musculares y el ruido cardíaco (23).
Finalmente, los psiquiatras clínicos y los expertos en EEG inspeccionaron visualmente los EEG corregidos.
Para el análisis, seleccionamos más de dos minutos de lecturas de EEG sin artefactos de las grabaciones de tres minutos.
Utilizamos MATLAB 7.0.1 (Math Works, Natick, MA, EE. UU.) y la caja de herramientas EEGLAB para preprocesar y analizar las grabaciones de EEG.
Primero, los datos de EEG se muestrearon a 250 Hz.
A continuación, se eliminó la tendencia de los datos de EEG y se restó la media para eliminar el componente de CC.
Se aplicaron un filtro de paso alto de 1 Hz y un filtro de muesca de 60 Hz para eliminar el ruido ocular y eléctrico.
A continuación, se realizó un análisis de componentes independientes (ICA) para eliminar las fuentes de artefactos bien definidas.
Se ha demostrado que ICA aísla de manera confiable los artefactos causados por los movimientos oculares y musculares y el ruido cardíaco (23).
Finalmente, los psiquiatras clínicos y los expertos en EEG inspeccionaron visualmente los EEG corregidos.
Para el análisis, seleccionamos más de dos minutos de lecturas de EEG sin artefactos de las grabaciones de tres minutos.
Utilizamos MATLAB 7.0.1 (Math Works, Natick, MA, EE. UU.) y la caja de herramientas EEGLAB para preprocesar y analizar las grabaciones de EEG.
Primero, los datos de EEG se muestrearon a 250 Hz.
A continuación, se eliminó la tendencia de los datos de EEG y se restó la media para eliminar el componente de CC.
Se aplicaron un filtro de paso alto de 1 Hz y un filtro de muesca de 60 Hz para eliminar el ruido ocular y eléctrico.
A continuación, se realizó un análisis de componentes independientes (ICA) para eliminar las fuentes de artefactos bien definidas.
Se ha demostrado que ICA aísla de manera confiable los artefactos causados por los movimientos oculares y musculares y el ruido cardíaco (23).
Finalmente, los psiquiatras clínicos y los expertos en EEG inspeccionaron visualmente los EEG corregidos.
Para el análisis, seleccionamos más de dos minutos de lecturas de EEG sin artefactos de las grabaciones de tres minutos.
Utilizamos MATLAB 7.0.1 (Math Works, Natick, MA, EE. UU.) y la caja de herramientas EEGLAB para preprocesar y analizar las grabaciones de EEG.
Primero, los datos de EEG se muestrearon a 250 Hz.
A continuación, se eliminó la tendencia de los datos de EEG y se restó la media para eliminar el componente de CC.
Se aplicaron un filtro de paso alto de 1 Hz y un filtro de muesca de 60 Hz para eliminar el ruido ocular y eléctrico.
A continuación, se realizó un análisis de componentes independientes (ICA) para eliminar las fuentes de artefactos bien definidas.
Se ha demostrado que ICA aísla de manera confiable los artefactos causados por los movimientos oculares y musculares y el ruido cardíaco (23).
Finalmente, los psiquiatras clínicos y los expertos en EEG inspeccionaron visualmente los EEG corregidos.
Para el análisis, seleccionamos más de dos minutos de lecturas de EEG sin artefactos de las grabaciones de tres minutos.
Utilizamos MATLAB 7.0.1 (Math Works, Natick, MA, EE. UU.) y la caja de herramientas EEGLAB para preprocesar y analizar las grabaciones de EEG.
Primero, los datos de EEG se muestrearon a 250 Hz.
A continuación, se eliminó la tendencia de los datos de EEG y se restó la media para eliminar el componente de CC.
Se aplicaron un filtro de paso alto de 1 Hz y un filtro de muesca de 60 Hz para eliminar el ruido ocular y eléctrico.
A continuación, se realizó un análisis de componentes independientes (ICA) para eliminar las fuentes de artefactos bien definidas.
Se ha demostrado que ICA aísla de manera confiable los artefactos causados por los movimientos oculares y musculares y el ruido cardíaco (23).
Finalmente, los psiquiatras clínicos y los expertos en EEG inspeccionaron visualmente los EEG corregidos.
Para el análisis, seleccionamos más de dos minutos de lecturas de EEG sin artefactos de las grabaciones de tres minutos.
Utilizamos MATLAB 7.0.1 (Math Works, Natick, MA, EE. UU.) y la caja de herramientas EEGLAB para preprocesar y analizar las grabaciones de EEG.
Primero, los datos de EEG se muestrearon a 250 Hz.
A continuación, se eliminó la tendencia de los datos de EEG y se restó la media para eliminar el componente de CC.
Se aplicaron un filtro de paso alto de 1 Hz y un filtro de muesca de 60 Hz para eliminar el ruido ocular y eléctrico.
A continuación, se realizó un análisis de componentes independientes (ICA) para eliminar las fuentes de artefactos bien definidas.
Se ha demostrado que ICA aísla de manera confiable los artefactos causados por los movimientos oculares y musculares y el ruido cardíaco (23).
Finalmente, los psiquiatras clínicos y los expertos en EEG inspeccionaron visualmente los EEG corregidos.
Para el análisis, seleccionamos más de dos minutos de lecturas de EEG sin artefactos de las grabaciones de tres minutos.
Utilizamos MATLAB 7.0.1 (Math Works, Natick, MA, EE. UU.) y la caja de herramientas EEGLAB para preprocesar y analizar las grabaciones de EEG.
Primero, los datos de EEG se muestrearon a 250 Hz.
A continuación, se eliminó la tendencia de los datos de EEG y se restó la media para eliminar el componente de CC.
Se aplicaron un filtro de paso alto de 1 Hz y un filtro de muesca de 60 Hz para eliminar el ruido ocular y eléctrico.
A continuación, se realizó un análisis de componentes independientes (ICA) para eliminar las fuentes de artefactos bien definidas.
Se ha demostrado que ICA aísla de manera confiable los artefactos causados por los movimientos oculares y musculares y el ruido cardíaco (23).
Finalmente, los psiquiatras clínicos y los expertos en EEG inspeccionaron visualmente los EEG corregidos.
Para el análisis, seleccionamos más de dos minutos de lecturas de EEG sin artefactos de las grabaciones de tres minutos.
Utilizamos MATLAB 7.0.1 (Math Works, Natick, MA, EE. UU.) y la caja de herramientas EEGLAB para preprocesar y analizar las grabaciones de EEG.
Primero, los datos de EEG se muestrearon a 250 Hz.
A continuación, se eliminó la tendencia de los datos de EEG y se restó la media para eliminar el componente de CC.
Se aplicaron un filtro de paso alto de 1 Hz y un filtro de muesca de 60 Hz para eliminar el ruido ocular y eléctrico.
A continuación, se realizó un análisis de componentes independientes (ICA) para eliminar las fuentes de artefactos bien definidas.
Se ha demostrado que ICA aísla de manera confiable los artefactos causados por los movimientos oculares y musculares y el ruido cardíaco (23).
Finalmente, los psiquiatras clínicos y los expertos en EEG inspeccionaron visualmente los EEG corregidos.
Para el análisis, seleccionamos más de dos minutos de lecturas de EEG sin artefactos de las grabaciones de tres minutos.
El KARS es una herramienta de detección estandarizada para el TDAH en niños coreanos y una escala de calificación completada por los padres.
El DISC-IV es una herramienta diagnóstica estructurada que fue desarrollada para su uso en estudios epidemiológicos en niños y adolescentes.
|
|
NT neurotípico
|
Utilizamos MATLAB 7.0.1 (Math Works, Natick, MA, EE. UU.) y la caja de herramientas EEGLAB para preprocesar y analizar las grabaciones de EEG.
Primero, los datos de EEG se muestrearon a 250 Hz.
A continuación, se eliminó la tendencia de los datos de EEG y se restó la media para eliminar el componente de CC.
Se aplicaron un filtro de paso alto de 1 Hz y un filtro de muesca de 60 Hz para eliminar el ruido ocular y eléctrico.
A continuación, se realizó un análisis de componentes independientes (ICA) para eliminar las fuentes de artefactos bien definidas.
Se ha demostrado que ICA aísla de manera confiable los artefactos causados por los movimientos oculares y musculares y el ruido cardíaco (23).
Finalmente, los psiquiatras clínicos y los expertos en EEG inspeccionaron visualmente los EEG corregidos.
Para el análisis, seleccionamos más de dos minutos de lecturas de EEG sin artefactos de las grabaciones de tres minutos.
Utilizamos MATLAB 7.0.1 (Math Works, Natick, MA, EE. UU.) y la caja de herramientas EEGLAB para preprocesar y analizar las grabaciones de EEG.
Primero, los datos de EEG se muestrearon a 250 Hz.
A continuación, se eliminó la tendencia de los datos de EEG y se restó la media para eliminar el componente de CC.
Se aplicaron un filtro de paso alto de 1 Hz y un filtro de muesca de 60 Hz para eliminar el ruido ocular y eléctrico.
A continuación, se realizó un análisis de componentes independientes (ICA) para eliminar las fuentes de artefactos bien definidas.
Se ha demostrado que ICA aísla de manera confiable los artefactos causados por los movimientos oculares y musculares y el ruido cardíaco (23).
Finalmente, los psiquiatras clínicos y los expertos en EEG inspeccionaron visualmente los EEG corregidos.
Para el análisis, seleccionamos más de dos minutos de lecturas de EEG sin artefactos de las grabaciones de tres minutos.
Utilizamos MATLAB 7.0.1 (Math Works, Natick, MA, EE. UU.) y la caja de herramientas EEGLAB para preprocesar y analizar las grabaciones de EEG.
Primero, los datos de EEG se muestrearon a 250 Hz.
A continuación, se eliminó la tendencia de los datos de EEG y se restó la media para eliminar el componente de CC.
Se aplicaron un filtro de paso alto de 1 Hz y un filtro de muesca de 60 Hz para eliminar el ruido ocular y eléctrico.
A continuación, se realizó un análisis de componentes independientes (ICA) para eliminar las fuentes de artefactos bien definidas.
Se ha demostrado que ICA aísla de manera confiable los artefactos causados por los movimientos oculares y musculares y el ruido cardíaco (23).
Finalmente, los psiquiatras clínicos y los expertos en EEG inspeccionaron visualmente los EEG corregidos.
Para el análisis, seleccionamos más de dos minutos de lecturas de EEG sin artefactos de las grabaciones de tres minutos.
Utilizamos MATLAB 7.0.1 (Math Works, Natick, MA, EE. UU.) y la caja de herramientas EEGLAB para preprocesar y analizar las grabaciones de EEG.
Primero, los datos de EEG se muestrearon a 250 Hz.
A continuación, se eliminó la tendencia de los datos de EEG y se restó la media para eliminar el componente de CC.
Se aplicaron un filtro de paso alto de 1 Hz y un filtro de muesca de 60 Hz para eliminar el ruido ocular y eléctrico.
A continuación, se realizó un análisis de componentes independientes (ICA) para eliminar las fuentes de artefactos bien definidas.
Se ha demostrado que ICA aísla de manera confiable los artefactos causados por los movimientos oculares y musculares y el ruido cardíaco (23).
Finalmente, los psiquiatras clínicos y los expertos en EEG inspeccionaron visualmente los EEG corregidos.
Para el análisis, seleccionamos más de dos minutos de lecturas de EEG sin artefactos de las grabaciones de tres minutos.
Utilizamos MATLAB 7.0.1 (Math Works, Natick, MA, EE. UU.) y la caja de herramientas EEGLAB para preprocesar y analizar las grabaciones de EEG.
Primero, los datos de EEG se muestrearon a 250 Hz.
A continuación, se eliminó la tendencia de los datos de EEG y se restó la media para eliminar el componente de CC.
Se aplicaron un filtro de paso alto de 1 Hz y un filtro de muesca de 60 Hz para eliminar el ruido ocular y eléctrico.
A continuación, se realizó un análisis de componentes independientes (ICA) para eliminar las fuentes de artefactos bien definidas.
Se ha demostrado que ICA aísla de manera confiable los artefactos causados por los movimientos oculares y musculares y el ruido cardíaco (23).
Finalmente, los psiquiatras clínicos y los expertos en EEG inspeccionaron visualmente los EEG corregidos.
Para el análisis, seleccionamos más de dos minutos de lecturas de EEG sin artefactos de las grabaciones de tres minutos.
Utilizamos MATLAB 7.0.1 (Math Works, Natick, MA, EE. UU.) y la caja de herramientas EEGLAB para preprocesar y analizar las grabaciones de EEG.
Primero, los datos de EEG se muestrearon a 250 Hz.
A continuación, se eliminó la tendencia de los datos de EEG y se restó la media para eliminar el componente de CC.
Se aplicaron un filtro de paso alto de 1 Hz y un filtro de muesca de 60 Hz para eliminar el ruido ocular y eléctrico.
A continuación, se realizó un análisis de componentes independientes (ICA) para eliminar las fuentes de artefactos bien definidas.
Se ha demostrado que ICA aísla de manera confiable los artefactos causados por los movimientos oculares y musculares y el ruido cardíaco (23).
Finalmente, los psiquiatras clínicos y los expertos en EEG inspeccionaron visualmente los EEG corregidos.
Para el análisis, seleccionamos más de dos minutos de lecturas de EEG sin artefactos de las grabaciones de tres minutos.
Utilizamos MATLAB 7.0.1 (Math Works, Natick, MA, EE. UU.) y la caja de herramientas EEGLAB para preprocesar y analizar las grabaciones de EEG.
Primero, los datos de EEG se muestrearon a 250 Hz.
A continuación, se eliminó la tendencia de los datos de EEG y se restó la media para eliminar el componente de CC.
Se aplicaron un filtro de paso alto de 1 Hz y un filtro de muesca de 60 Hz para eliminar el ruido ocular y eléctrico.
A continuación, se realizó un análisis de componentes independientes (ICA) para eliminar las fuentes de artefactos bien definidas.
Se ha demostrado que ICA aísla de manera confiable los artefactos causados por los movimientos oculares y musculares y el ruido cardíaco (23).
Finalmente, los psiquiatras clínicos y los expertos en EEG inspeccionaron visualmente los EEG corregidos.
Para el análisis, seleccionamos más de dos minutos de lecturas de EEG sin artefactos de las grabaciones de tres minutos.
Utilizamos MATLAB 7.0.1 (Math Works, Natick, MA, EE. UU.) y la caja de herramientas EEGLAB para preprocesar y analizar las grabaciones de EEG.
Primero, los datos de EEG se muestrearon a 250 Hz.
A continuación, se eliminó la tendencia de los datos de EEG y se restó la media para eliminar el componente de CC.
Se aplicaron un filtro de paso alto de 1 Hz y un filtro de muesca de 60 Hz para eliminar el ruido ocular y eléctrico.
A continuación, se realizó un análisis de componentes independientes (ICA) para eliminar las fuentes de artefactos bien definidas.
Se ha demostrado que ICA aísla de manera confiable los artefactos causados por los movimientos oculares y musculares y el ruido cardíaco (23).
Finalmente, los psiquiatras clínicos y los expertos en EEG inspeccionaron visualmente los EEG corregidos.
Para el análisis, seleccionamos más de dos minutos de lecturas de EEG sin artefactos de las grabaciones de tres minutos.
Utilizamos MATLAB 7.0.1 (Math Works, Natick, MA, EE. UU.) y la caja de herramientas EEGLAB para preprocesar y analizar las grabaciones de EEG.
Primero, los datos de EEG se muestrearon a 250 Hz.
A continuación, se eliminó la tendencia de los datos de EEG y se restó la media para eliminar el componente de CC.
Se aplicaron un filtro de paso alto de 1 Hz y un filtro de muesca de 60 Hz para eliminar el ruido ocular y eléctrico.
A continuación, se realizó un análisis de componentes independientes (ICA) para eliminar las fuentes de artefactos bien definidas.
Se ha demostrado que ICA aísla de manera confiable los artefactos causados por los movimientos oculares y musculares y el ruido cardíaco (23).
Finalmente, los psiquiatras clínicos y los expertos en EEG inspeccionaron visualmente los EEG corregidos.
Para el análisis, seleccionamos más de dos minutos de lecturas de EEG sin artefactos de las grabaciones de tres minutos.
Utilizamos MATLAB 7.0.1 (Math Works, Natick, MA, EE. UU.) y la caja de herramientas EEGLAB para preprocesar y analizar las grabaciones de EEG.
Primero, los datos de EEG se muestrearon a 250 Hz.
A continuación, se eliminó la tendencia de los datos de EEG y se restó la media para eliminar el componente de CC.
Se aplicaron un filtro de paso alto de 1 Hz y un filtro de muesca de 60 Hz para eliminar el ruido ocular y eléctrico.
A continuación, se realizó un análisis de componentes independientes (ICA) para eliminar las fuentes de artefactos bien definidas.
Se ha demostrado que ICA aísla de manera confiable los artefactos causados por los movimientos oculares y musculares y el ruido cardíaco (23).
Finalmente, los psiquiatras clínicos y los expertos en EEG inspeccionaron visualmente los EEG corregidos.
Para el análisis, seleccionamos más de dos minutos de lecturas de EEG sin artefactos de las grabaciones de tres minutos.
El KARS es una herramienta de detección estandarizada para el TDAH en niños coreanos y una escala de calificación completada por los padres.
El DISC-IV es una herramienta diagnóstica estructurada que fue desarrollada para su uso en estudios epidemiológicos en niños y adolescentes.
|
|
TDAH NEOM
|
Utilizamos MATLAB 7.0.1 (Math Works, Natick, MA, EE. UU.) y la caja de herramientas EEGLAB para preprocesar y analizar las grabaciones de EEG.
Primero, los datos de EEG se muestrearon a 250 Hz.
A continuación, se eliminó la tendencia de los datos de EEG y se restó la media para eliminar el componente de CC.
Se aplicaron un filtro de paso alto de 1 Hz y un filtro de muesca de 60 Hz para eliminar el ruido ocular y eléctrico.
A continuación, se realizó un análisis de componentes independientes (ICA) para eliminar las fuentes de artefactos bien definidas.
Se ha demostrado que ICA aísla de manera confiable los artefactos causados por los movimientos oculares y musculares y el ruido cardíaco (23).
Finalmente, los psiquiatras clínicos y los expertos en EEG inspeccionaron visualmente los EEG corregidos.
Para el análisis, seleccionamos más de dos minutos de lecturas de EEG sin artefactos de las grabaciones de tres minutos.
Utilizamos MATLAB 7.0.1 (Math Works, Natick, MA, EE. UU.) y la caja de herramientas EEGLAB para preprocesar y analizar las grabaciones de EEG.
Primero, los datos de EEG se muestrearon a 250 Hz.
A continuación, se eliminó la tendencia de los datos de EEG y se restó la media para eliminar el componente de CC.
Se aplicaron un filtro de paso alto de 1 Hz y un filtro de muesca de 60 Hz para eliminar el ruido ocular y eléctrico.
A continuación, se realizó un análisis de componentes independientes (ICA) para eliminar las fuentes de artefactos bien definidas.
Se ha demostrado que ICA aísla de manera confiable los artefactos causados por los movimientos oculares y musculares y el ruido cardíaco (23).
Finalmente, los psiquiatras clínicos y los expertos en EEG inspeccionaron visualmente los EEG corregidos.
Para el análisis, seleccionamos más de dos minutos de lecturas de EEG sin artefactos de las grabaciones de tres minutos.
Utilizamos MATLAB 7.0.1 (Math Works, Natick, MA, EE. UU.) y la caja de herramientas EEGLAB para preprocesar y analizar las grabaciones de EEG.
Primero, los datos de EEG se muestrearon a 250 Hz.
A continuación, se eliminó la tendencia de los datos de EEG y se restó la media para eliminar el componente de CC.
Se aplicaron un filtro de paso alto de 1 Hz y un filtro de muesca de 60 Hz para eliminar el ruido ocular y eléctrico.
A continuación, se realizó un análisis de componentes independientes (ICA) para eliminar las fuentes de artefactos bien definidas.
Se ha demostrado que ICA aísla de manera confiable los artefactos causados por los movimientos oculares y musculares y el ruido cardíaco (23).
Finalmente, los psiquiatras clínicos y los expertos en EEG inspeccionaron visualmente los EEG corregidos.
Para el análisis, seleccionamos más de dos minutos de lecturas de EEG sin artefactos de las grabaciones de tres minutos.
Utilizamos MATLAB 7.0.1 (Math Works, Natick, MA, EE. UU.) y la caja de herramientas EEGLAB para preprocesar y analizar las grabaciones de EEG.
Primero, los datos de EEG se muestrearon a 250 Hz.
A continuación, se eliminó la tendencia de los datos de EEG y se restó la media para eliminar el componente de CC.
Se aplicaron un filtro de paso alto de 1 Hz y un filtro de muesca de 60 Hz para eliminar el ruido ocular y eléctrico.
A continuación, se realizó un análisis de componentes independientes (ICA) para eliminar las fuentes de artefactos bien definidas.
Se ha demostrado que ICA aísla de manera confiable los artefactos causados por los movimientos oculares y musculares y el ruido cardíaco (23).
Finalmente, los psiquiatras clínicos y los expertos en EEG inspeccionaron visualmente los EEG corregidos.
Para el análisis, seleccionamos más de dos minutos de lecturas de EEG sin artefactos de las grabaciones de tres minutos.
Utilizamos MATLAB 7.0.1 (Math Works, Natick, MA, EE. UU.) y la caja de herramientas EEGLAB para preprocesar y analizar las grabaciones de EEG.
Primero, los datos de EEG se muestrearon a 250 Hz.
A continuación, se eliminó la tendencia de los datos de EEG y se restó la media para eliminar el componente de CC.
Se aplicaron un filtro de paso alto de 1 Hz y un filtro de muesca de 60 Hz para eliminar el ruido ocular y eléctrico.
A continuación, se realizó un análisis de componentes independientes (ICA) para eliminar las fuentes de artefactos bien definidas.
Se ha demostrado que ICA aísla de manera confiable los artefactos causados por los movimientos oculares y musculares y el ruido cardíaco (23).
Finalmente, los psiquiatras clínicos y los expertos en EEG inspeccionaron visualmente los EEG corregidos.
Para el análisis, seleccionamos más de dos minutos de lecturas de EEG sin artefactos de las grabaciones de tres minutos.
Utilizamos MATLAB 7.0.1 (Math Works, Natick, MA, EE. UU.) y la caja de herramientas EEGLAB para preprocesar y analizar las grabaciones de EEG.
Primero, los datos de EEG se muestrearon a 250 Hz.
A continuación, se eliminó la tendencia de los datos de EEG y se restó la media para eliminar el componente de CC.
Se aplicaron un filtro de paso alto de 1 Hz y un filtro de muesca de 60 Hz para eliminar el ruido ocular y eléctrico.
A continuación, se realizó un análisis de componentes independientes (ICA) para eliminar las fuentes de artefactos bien definidas.
Se ha demostrado que ICA aísla de manera confiable los artefactos causados por los movimientos oculares y musculares y el ruido cardíaco (23).
Finalmente, los psiquiatras clínicos y los expertos en EEG inspeccionaron visualmente los EEG corregidos.
Para el análisis, seleccionamos más de dos minutos de lecturas de EEG sin artefactos de las grabaciones de tres minutos.
Utilizamos MATLAB 7.0.1 (Math Works, Natick, MA, EE. UU.) y la caja de herramientas EEGLAB para preprocesar y analizar las grabaciones de EEG.
Primero, los datos de EEG se muestrearon a 250 Hz.
A continuación, se eliminó la tendencia de los datos de EEG y se restó la media para eliminar el componente de CC.
Se aplicaron un filtro de paso alto de 1 Hz y un filtro de muesca de 60 Hz para eliminar el ruido ocular y eléctrico.
A continuación, se realizó un análisis de componentes independientes (ICA) para eliminar las fuentes de artefactos bien definidas.
Se ha demostrado que ICA aísla de manera confiable los artefactos causados por los movimientos oculares y musculares y el ruido cardíaco (23).
Finalmente, los psiquiatras clínicos y los expertos en EEG inspeccionaron visualmente los EEG corregidos.
Para el análisis, seleccionamos más de dos minutos de lecturas de EEG sin artefactos de las grabaciones de tres minutos.
Utilizamos MATLAB 7.0.1 (Math Works, Natick, MA, EE. UU.) y la caja de herramientas EEGLAB para preprocesar y analizar las grabaciones de EEG.
Primero, los datos de EEG se muestrearon a 250 Hz.
A continuación, se eliminó la tendencia de los datos de EEG y se restó la media para eliminar el componente de CC.
Se aplicaron un filtro de paso alto de 1 Hz y un filtro de muesca de 60 Hz para eliminar el ruido ocular y eléctrico.
A continuación, se realizó un análisis de componentes independientes (ICA) para eliminar las fuentes de artefactos bien definidas.
Se ha demostrado que ICA aísla de manera confiable los artefactos causados por los movimientos oculares y musculares y el ruido cardíaco (23).
Finalmente, los psiquiatras clínicos y los expertos en EEG inspeccionaron visualmente los EEG corregidos.
Para el análisis, seleccionamos más de dos minutos de lecturas de EEG sin artefactos de las grabaciones de tres minutos.
Utilizamos MATLAB 7.0.1 (Math Works, Natick, MA, EE. UU.) y la caja de herramientas EEGLAB para preprocesar y analizar las grabaciones de EEG.
Primero, los datos de EEG se muestrearon a 250 Hz.
A continuación, se eliminó la tendencia de los datos de EEG y se restó la media para eliminar el componente de CC.
Se aplicaron un filtro de paso alto de 1 Hz y un filtro de muesca de 60 Hz para eliminar el ruido ocular y eléctrico.
A continuación, se realizó un análisis de componentes independientes (ICA) para eliminar las fuentes de artefactos bien definidas.
Se ha demostrado que ICA aísla de manera confiable los artefactos causados por los movimientos oculares y musculares y el ruido cardíaco (23).
Finalmente, los psiquiatras clínicos y los expertos en EEG inspeccionaron visualmente los EEG corregidos.
Para el análisis, seleccionamos más de dos minutos de lecturas de EEG sin artefactos de las grabaciones de tres minutos.
Utilizamos MATLAB 7.0.1 (Math Works, Natick, MA, EE. UU.) y la caja de herramientas EEGLAB para preprocesar y analizar las grabaciones de EEG.
Primero, los datos de EEG se muestrearon a 250 Hz.
A continuación, se eliminó la tendencia de los datos de EEG y se restó la media para eliminar el componente de CC.
Se aplicaron un filtro de paso alto de 1 Hz y un filtro de muesca de 60 Hz para eliminar el ruido ocular y eléctrico.
A continuación, se realizó un análisis de componentes independientes (ICA) para eliminar las fuentes de artefactos bien definidas.
Se ha demostrado que ICA aísla de manera confiable los artefactos causados por los movimientos oculares y musculares y el ruido cardíaco (23).
Finalmente, los psiquiatras clínicos y los expertos en EEG inspeccionaron visualmente los EEG corregidos.
Para el análisis, seleccionamos más de dos minutos de lecturas de EEG sin artefactos de las grabaciones de tres minutos.
El KARS es una herramienta de detección estandarizada para el TDAH en niños coreanos y una escala de calificación completada por los padres.
El DISC-IV es una herramienta diagnóstica estructurada que fue desarrollada para su uso en estudios epidemiológicos en niños y adolescentes.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Gráficos topográficos QEEG de los resultados de las comparaciones estadísticas con valores normativos (puntuaciones z) utilizando el software Neuroguide
Periodo de tiempo: hasta la finalización de los estudios, un promedio de 1 año
|
Los investigadores miden QEEG en la primera clínica ambulatoria y realizan una topografía para el mapeo
|
hasta la finalización de los estudios, un promedio de 1 año
|
Colaboradores e Investigadores
Aquí es donde encontrará personas y organizaciones involucradas en este estudio.
Patrocinador
Patrocinador
Fechas de registro del estudio
Estas fechas rastrean el progreso del registro del estudio y los envíos de resultados resumidos a ClinicalTrials.gov. Los registros del estudio y los resultados informados son revisados por la Biblioteca Nacional de Medicina (NLM) para asegurarse de que cumplan con los estándares de control de calidad específicos antes de publicarlos en el sitio web público.
Fechas importantes del estudio
Inicio del estudio (Actual)
Inicio del estudio
8 de agosto de 2018
Finalización primaria (Actual)
Finalización primaria
28 de febrero de 2021
Finalización del estudio (Actual)
Finalización del estudio
28 de febrero de 2021
Fechas de registro del estudio
Enviado por primera vez
Enviado por primera vez
1 de julio de 2020
Primero enviado que cumplió con los criterios de control de calidad
Primero enviado que cumplió con los criterios de control de calidad
8 de julio de 2020
Publicado por primera vez (Actual)
Publicado por primera vez
13 de julio de 2020
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
Última actualización publicada
20 de febrero de 2024
Última actualización enviada que cumplió con los criterios de control de calidad
Última actualización enviada que cumplió con los criterios de control de calidad
16 de febrero de 2024
Última verificación
Última verificación
1 de febrero de 2024
Más información
Términos relacionados con este estudio
Palabras clave
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
Otros números de identificación del estudio
- CR-18-096
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
NO
Descripción del plan IPD
Los datos se compartirán a pedido por la razón adecuada
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
No
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
No
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .