Evaluación de la validez de un paradigma de la mirada para predecir el trastorno del espectro autista (EYE)

El estudio actual se realizará en cuatro fases: prueba piloto, desarrollo, validación y nueva prueba. En cada fase, los participantes verán un estímulo de atención visual con elementos sociales (paradigma de atención social) mientras se adquieren mediciones de seguimiento ocular de forma remota. El paradigma de la atención visual se refinará en la prueba piloto, pero seguirá siendo el mismo para las fases de desarrollo, validación y nueva prueba. Todo el proceso, incluida la calibración y la visualización del paradigma visual, llevará unos 15 minutos. El texto a continuación describe cada fase en detalle y revisa la metodología específica para el paradigma de atención social y los procedimientos de seguimiento ocular.

1. Fase piloto. Prueba piloto del paradigma de atención social utilizado para obtener mediciones de la mirada para garantizar que sean lo suficientemente atractivas en todas las edades de los niños participantes. Se espera que el paradigma de la atención visual durante esta fase sea de 10 a 12 minutos. Esta fase también se utilizará para determinar las estrategias óptimas para mantener la atención durante el período de prueba. Los datos iniciales también pueden proporcionar algunas ideas sobre los elementos de estímulo más discriminatorios para incluir en las fases futuras. Los investigadores prevén reclutar aproximadamente 10 ASD y 10 participantes sin ASD en esta fase. Se espera que la fase piloto requiera 2,5 meses de reclutamiento y 0,5 meses de reducción y análisis de datos.
2. Fase de desarrollo. Una vez que se complete la prueba piloto, se reclutarán 30 niños afectados por TEA y 30 niños sin TEA de 1,5 a 18 años. Cada niño completará el paradigma de atención social mientras se realiza un seguimiento remoto de su mirada. Luego, los datos de la mirada se califican para más de 100 parámetros y estos puntajes se ingresan en una base de datos que incluye información cognitiva y de diagnóstico sobre cada participante. Luego, los datos de seguimiento ocular se analizan para crear los algoritmos de diagnóstico y pronóstico que refinarán la sensibilidad y especificidad diagnósticas del sistema en la población con TEA. El período de desarrollo requerirá 6 meses de recopilación de datos, seguidos de 3 meses de puntuación y cálculo de algoritmos.
3. Fase de Validación. La recolección de la muestra de validación incluirá 60 niños afectados por TEA y 60 niños no afectados por TEA de 1,5 a 18 años. La fase de validación utilizará el mismo paradigma y métodos de atención social visual utilizados en la muestra de desarrollo. El período de validación se superpondrá al desarrollo del algoritmo y requerirá 8 meses de recopilación de datos y 1 mes de análisis.
4. Fase de Re-Prueba. Los participantes en la fase de reevaluación incluirán 30 niños con TEA y 30 niños sin TEA reclutados en la primera mitad de la fase de validación. A estos participantes se les explicará en la fase de validación que los investigadores los volverán a reclutar para la fase de nueva prueba aproximadamente de 3 a 6 meses después de su prueba inicial durante la fase de validación.

El tamaño de la muestra objetivo varía según la fase del estudio. A continuación se muestran los tamaños de muestra objetivo para cada fase:

Fase piloto = 10 TEA y 10 no TEA Fase de desarrollo = 30 TEA y 30 no TEA Fase de validación = 60 TEA y 60 no TEA Fase de reevaluación = 30 TEA y 30 no TEA (de la fase de validación) El estudio la población son personas con trastorno del espectro autista, o un diagnóstico clínico de otro trastorno psiquiátrico o del desarrollo (controles psiquiátricos/del desarrollo), o que no tienen un diagnóstico psiquiátrico o del desarrollo específico (controles sanos), de 1,5 (18 meses) a 18 (120 meses) en el momento del consentimiento.

Los datos de la mirada se recopilarán utilizando un rastreador ocular remoto de instrumentos sensoriomotores (SMI). El seguimiento ocular remoto ofrece una invasividad mínima en el campo de visión del espectador y recopila datos de la posición del ojo en 3D con marca de tiempo y de la mirada binocular y la pupila a una frecuencia de muestreo de 120 Hz. La captura de la mirada se calibra automáticamente en 2/5/9 puntos y proporciona una precisión de posición de 0,5° a una distancia de visualización de 60 cm. Los datos de seguimiento de la mirada, las grabaciones de pantalla, los eventos del usuario y la posición de la mirada se registrarán simultáneamente. Los datos se analizarán con énfasis en las áreas de interés y el tiempo de permanencia en objetivos específicos segundo a segundo. Los ejemplos de los tipos de medidas capturadas incluyen: tiempo de permanencia en cualquier área del estímulo, tiempo de permanencia en las regiones faciales y no faciales de una forma humana en el video, cambios de fijación entre estímulos.

Se recopilarán pruebas adicionales y datos demográficos de las citas de diagnóstico de autismo estándar de atención y de diagnóstico de salud conductual que se pueden encontrar en el registro médico.

Análisis piloto. En la fase piloto, los investigadores calcularán el tamaño del efecto (d de Cohen) entre los participantes con y sin TEA para cada uno de los parámetros de la mirada adquiridos para cada uno de los estímulos individuales en el paradigma de la atención social. Los elementos de estímulo que provoquen la mayor discriminación entre pacientes con TEA y sin TEA se mantendrán en la fase de desarrollo.

Análisis de algoritmos de diagnóstico de TEA. En la fase de desarrollo, todas las mediciones de la mirada adquiridas del paradigma de la atención social se incluirán como variables predictoras en un análisis de bosque aleatorio. Este análisis permite evaluar la capacidad discriminativa de un gran número de variables en conjuntos de datos con un número modesto de casos. Las variables con puntajes de mayor importancia, que indican una buena discriminación diagnóstica, se ingresarán en un análisis de regresión logística con el estado de diagnóstico de TEA (TEA versus no TEA) como variable dependiente dicotómica. Los predictores significativos se conservarán y los coeficientes de los predictores retenidos servirán como algoritmo de diagnóstico.

Luego, las puntuaciones del algoritmo de diagnóstico se enviarán a los análisis de la curva de características operativas del receptor (ROC) para proporcionar una evaluación detallada de la sensibilidad y la especificidad del algoritmo en la detección de ASD. Se esperan áreas bajo la curva de >.90, lo que indica una sólida validez diagnóstica.

Análisis de algoritmos de pronóstico. Para identificar un algoritmo de pronóstico, se llevará a cabo un proceso similar con todas las mediciones de seguimiento ocular disponibles como predictores y puntajes de capacidad cognitiva no verbal (dicotomizados en <70 y 70 y más) como variable dependiente en los análisis de bosque aleatorio. Las puntuaciones de capacidad cognitiva no verbal se dicotomizarán en función de datos anteriores que sugieran que las personas con TEA y discapacidad intelectual muestran peores resultados. Las variables predictoras con mayor importancia, que indican una buena discriminación diagnóstica, se incluirán en un análisis de regresión logística con la capacidad cognitiva no verbal (<70, >=70) como variable dependiente dicotómica. Los predictores significativos se conservarán y los coeficientes de los predictores retenidos servirán como algoritmo de pronóstico. Las puntuaciones del algoritmo de pronóstico se enviarán luego a los análisis de la curva de características operativas del receptor (ROC) para proporcionar una evaluación detallada de la sensibilidad y la especificidad del algoritmo en la detección de la discapacidad cognitiva no verbal. Se esperan áreas bajo la curva de >.80, lo que indica una buena validez para predecir la discapacidad cognitiva. La capacidad cognitiva no verbal será el foco principal de estos análisis debido a su relación documentada con el resultado en personas con autismo. Sin embargo, se calcularán análisis similares para la capacidad cognitiva verbal y las puntuaciones de la función adaptativa. Los investigadores también realizarán los análisis anteriores utilizando mediciones continuas, ya que la dicotomización puede desinflar la validez innecesariamente.

Análisis del algoritmo de seguimiento del tratamiento. Para identificar un algoritmo de seguimiento del tratamiento, los investigadores simplemente combinarán las medidas de seguimiento ocular identificadas en el algoritmo de diagnóstico y pronóstico en un único algoritmo de seguimiento del tratamiento. Para evaluar la fiabilidad test re-test de estas mediciones, los investigadores utilizarán coeficientes de correlación intraclase (modelo 2: concordancia absoluta).