Mobiililaitteiden vaikutus pienten lasten kehitykseen ja terveyteen (iKids)

Laadunvarmistustutkijat, jotka tekevät mittauksia, ovat erittäin koettuja menettelyissä ja analyysissä. Tutkijat käyttävät vain validoituja työkaluja, jotka ovat vakiintuneita kirjallisuudessa. Interaktiivisten elektronisten laitteiden (esim. Tablet -laitteiden ja älypuhelimien) altistuminen ja käyttö mitataan sovelluksella, joka käyttää tietoja suoraan osallistujan laitteista (Android tai iOS) käyttämällä mobiilitunnistusohjelmistoja näytön ajan ja sovelluksen käytön kaappaamiseen (Lind et al. . Sovellusta on käytetty onnistuneesti älypuhelimien käytön mittaamiseen lapsilla (Bagot et al., 2022; Wade et ai., 2021).

Kirjallisuudessa on validoitu ja laajalti käytetty laajasti syntyvien kykyjen mittaus, ensisijainen tulosmitta (Howard ym. 2017). Tutkijat käyttävät hallinnon uskollisuuden tarkistusluetteloa arvioidakseen tutkijoiden käytäntöä ennen tiedonkeruun alkamista. Toissijaisia ​​tuloksia tallennetaan (ts. BMI (kalibroidut asteikot ja toistuvat mitat), liikkumiskäyttäytyminen (kiihtyvyys Cliff ym. 2024), motorinen kehitys (NIH Toolbox, Ruuben et ai., 2013), vanhempien ja lasten vuorovaikutus (Stimq2, Cates et al. 2023). Näitä mittauksia on käytetty auringonnousun tutkimuksessa, joka kerää tietoja tämän iän lapsista 63 maassa ympäri maailmaa (https://sunrise-study.com/) ja julkaistu protokollassa (Okely et al., 2021) .

Sunrise -tiimi on tarjonnut koulutusvideoita ja tukea, ja niitä on käytetty tietoa tutkimusprotokollamme. Koska lasten kehitykseen vaikuttavat monet muuttujat, tutkijat ovat valinneet kirjallisuudessa yleisimmin ilmoitetun ja PPI -ryhmämme ehdottamat (ts. Seksi, ikä, etnisyys, äitien koulutus, vanhemmuustyyli (PSDQ-SV. Robinson et ai. 2001), lastenhoitoon osallistuminen, vanhempien riippuvuus älypuhelimista (SAS-SV, Kwon ym., 2013) ja näytön katselukäytäntö.

Tietojenkäsittelytietojen kaappauslomakkeet on luotu sovellettaville toimenpiteille tiedon syötteen ja avun standardisoimiseksi tietojen syöttämisellä. Tietojenkäsittelyn ja analyysin suhteen. Tutkijat suorittavat alustavan tietojen puhdistuksen tutkimalla, ovatko jatkuvien muuttujien arvot alueella, keskiarvojen ja keskihajontojen uskottavuus sekä koodattujen luokkien pätevyys. Tutkijat arvioivat tietojen jakautumisia ja tunnistavat mahdolliset yksimuuttujaiset poikkeavuudet graafisista menetelmistä ja tapauksista, joissa on erittäin suuria, standardisoituja pisteitä, jotka on irrotettu muista pisteistä ja monimuuttujaisten poikkeavuuksista graafisilla menetelmillä ja vipuvaikutuksen/Mahalanobis -etäisyyksien, ristiriitaisuuden ja vaikutustilastojen tarkistamisella. Mahdolliset virheet tutkitaan yksilöllisesti. Tutkijat tutkivat myös puuttuvien tietojen laajuutta, mallia ja luonnetta. Jos puuttuvien tietojen osuus on pieni (alle 5%), he harkitsevat täydellisiä tapausanalyysejä. Jos puuttuvien tietojen määrä tai malli estää täydellisen tapausanalyysin, tutkijat harkitsevat tietojen imputointia. Useita imputointeja käytetään niiden kestävyyden vuoksi tiedon puuttuvan tyyppiin. Jos imputointi suoritetaan, herkkyystutkimukset suoritetaan vertaamalla tuloksia, jotka johdetaan tietoista imputointiin ja ilman.

Data -analyysi Kuvaileva analyysi Näyte on yhteenveto kuvaavasti. Tutkijat ilmoittavat lasten lukumäärän jokaisessa koulutusyksikössä ja ensisijaiset ja toissijaiset tulokset ajankohdan mukaan (lähtötaso ja seuranta). Jatkuvien tulosten osalta yhteenvetotiedot esitetään keskiarvoina (standardipoikkeamat (SD); alueet). Kategoristen tulosten osalta yhteenvetotiedot esitetään taajuuksina (prosenttimäärät). Arvioidaan muuttuvien muunnosten tarve varianssin vakauttamiseksi tai normaalisuuden saavuttamiseksi.

Päätelmäanalyysi Seuraavat testimuuttujat otetaan huomioon analyysissä: 1) IED -kesto; 2a) IED -moodin koulutus; 2B) IED-tila ikä-sopiva.

1. Primaarisen lopputuloksen monitasoinen regressiomallinnus Tutkijat käsitteellisesti 2-tason satunnaisten sieppausten monitasoinen malli, jossa lapset ryhmittyivät koulutusyksiköihin. Tämä malli pitää EA: n seurannassa tulosmittana, joka on suunniteltu vastaamaan ensisijaisiin tutkimuskysymyksiin: miten IED: n kesto (tuntia päivässä) ja moodi (koulutus vs. ei-koulutus; ikäryhmä vs. ei-ikäinen -PREPRATE) lähtötilanteessa lasten tason kovariaattien (mukaan lukien EA: n lähtötilanteiden) ja koulutusyksikkötason kovariaattien hallinta, joka liittyy EA: hen seurannassa monitasoisessa mallissa, jossa lapset ovat ryhmittyneet koulutusyksiköihin? Varianssiosiokerroin (VPC; mallin jokaiseen tasoon liittyvän jäännösvarianssin osuus) arvioidaan nollamallin kautta ennen siirtymistä kovariaattimalliin. Tutkijat harkitsevat mallin tasojen yhdistämistä, jos VPC -tilastot paljastavat merkityksettömät klusterointivaikutukset (vähäinen jäännösvarianssi koulutusyksikön tasolla). Epälineaarinen monen regressiomallinnus suoritetaan, jos IED: n käyttötason ja EA: n välillä on todisteita epälineaarisesta suhteesta seurannan yhteydessä, mikä mahdollistaa yhden maksimin (vastaa optimaalisia lähtötasoja IED-käyttöä)) tai tasangolla; Muutoin suoritetaan lineaariset regressiomallit. Jos tiedot osoittavat optimaalisen IED-käyttötason, joka liittyy EA-pistemäärän tiettyyn maksimiarvoon seurannassa, vaihtoehtoisia epälineaarisia funktionaalisia muotoja tarkastellaan maksimien tai tasangon ominaisuuksilla, mukaan lukien polynomi (esim. kvadraattinen) ja logaritmiset muodot ja osittain toiminnot. Tutkijat vertaavat useiden jakaumien sopivuutta minkä tahansa käännekohdan läheisyyteen ja valitsevat tällä alueella parhaiten sopivan mallin maksimoimaan tarkkuuden, jolla EA: n maksimiarvo voidaan saada. Luottamusvälit asennetaan funktion ympärille, jotta saadaan enimmäisarvo arvoalueen.

   Tutkijat johtavat sekä ei-sopeutuneita että säädettyjä malleja säädettyjen mallien mukaisesti kaikille kovariaatteille mallin jokaisella tasolla. Sopeutumattomat mallit sisältävät (i) yksittäisen determinantin IED tila. Nämä determinantit lisätään kaikki mallin lapsen tasolle. Ensimmäisen asteen vuorovaikutukset sisällytetään oikaisemattomiin malleihin, jotta voidaan kaapata kaikki erilaiset vaikutukset IED-käytön tasot arvioitaessa erilaisia ​​hallitsevia käyttötapoja. Kaikki vuorovaikutukset, jotka paljastetaan olevan olennaisesti merkitystä Sopeutetut mallit perustuvat sekä IED -keston että IED: n hallitsevan moodin mukana oleviin muuttujiin, kaikkiin olennaisesti tärkeisiin vuorovaikutuksiin ja kaikkiin kovariaattien hallintaan mallin sopivalla tasolla. Tutkijat eivät käytä automatisoituja mallinnustrategioita muuttujien valintaan ja säilyttävät kaikki mukautetun mallin päävaikutukset. Collineaarisuus arvioidaan kuitenkin mukautetuissa malleissa ja harkitaan muuttujien hallinnan poistamista, jos liiallinen kollineaarisuus on ilmeinen (varianssin inflaatiokerroin> = 5 millä tahansa muuttujalla).

2. Toissijaisten tulosten monitasoinen regression mallintaminen Tutkijat suorittavat useita lineaarisia regressiomallinnuksia kaikissa numeerisissa sekundaarisissa tuloksissa ja monimuotoisessa logistisessa regression mallinnuksessa binaarisen sekundaarisen lopputuloksen mittaamiseksi käyttämällä samaa mallirakennetta kuin ensisijaisen lopputuloksen pääanalyysi. Jos paljastetaan mitään todisteita epälineaarisuudesta IED-keston tason ja sekundaaristen tulosten välillä, tutkijat harkitsevat epälineaarista mallintamista ensisijaisen lopputuloksen analysoimiseksi; Muuten he harkitsevat lineaarista mallintamista. Molemmissa tapauksissa samoja kovariaatteja ja ensisijaiselle tulokselle määritellyt vuorovaikutukset säädetään. Useiden analyysien säätöä ei tehdä; Hover, kaikki analyysit suunnitellaan etukäteen ja ne ilmoitetaan kokonaan.

3. Monitasoinen regressiomallinnus: tytäryhtiöanalyysi tutkimaan IED: n keston sosioekologisia korrelaatioita yksilöllä (sukupuoli, ikä ja etnisyys), ihmissuhde- (äitien koulutus, vanhemmuuden tyyli ja älypuhelinten riippuvuus) sekä organisaation (lastenhoitopolitiikka ja osallistuminen) taso Suoritetaan tytäryhtiöanalyysinä, kun otetaan huomioon yllä olevat muuttujien joukon IED: n determinantteina käyttämällä muuttujia, jotka ilmoitetaan kontrolloivina muuttujina.

   Randardien sieppaukset ja useita lineaarisia regressiomallinnuksia IED -keston lopputuloksessa suoritetaan lähtötilanteessa. Käytetään 2-tason hierarkkista rakennetta, ja muuttujat on osoitettu yksilölliseksi tai ihmissuhdeksi, joka on kiinnitetty alempaan (lapsen) tasoon ja muuttujiksi, jotka on osoitettu organisaation liitettynä (koulutusyksikössä).

   Kaikkia tämän prosessin aikana paljastettuja suhteita käytetään tulevassa mallinnuksessa hypoteesien tuottamiseksi laajemmassa rakenneyhtälön mallinnuskehyksessä.

4. Herkkyysanalyysi ja datan raportointi ensisijaiselle tulokselle, suunnitelmana on suorittaa herkkyysanalyysit mallin herkkyyden arvioimiseksi tiettyihin oletuksiin, kuten edellä mainittiin. Tutkijat vertaavat parametriarvioita testattujen muuttujien suhteen oikaisemattomiin ja mukautetuissa malleissa. IED-keston ja EA: n välisen suhteen monitasoista mallintamista varten käytetään sekä satunnaisia ​​kaltevuuksia että satunnaisia ​​sieppausmalleja, jotka arvioivat rinteiden vaihtelua korkeamman tason yksiköiden välillä. Jos tietojen imputointi on elinkelpoista, malleja suoritetaan tiedon kanssa ja ilman sitä (katso 'datan puhdistus ja puuttuvien tietojen arviointi').

Jatkuvien numeeristen tulosten lineaaristen ja epälineaaristen regressiomallien osalta pää- ja tytäryhtiöanalyyseissä tutkijat ilmoittavat kaikista standardoimattomista parametriarvoista, joissa on 95%: n luottamusvälejä ja p-arvoja. Logististen regressiomallien osalta raportoidaan kaikki kertoimien suhteet, joissa on 95%: n luottamusvälejä ja p-arvoja. Jos epälineaarisen trendin osalta paljastetaan todisteita, tutkijat ilmoittavat parhaiten istuvan käyrän toiminnallisen muodon ja tunnistavat tasangon vaikutusten maksimin tai aloittamisen sijainnin. Kaikki regression mallinnusoletukset tarkistetaan, mukaan lukien tulosmuuttujien varianssin homogeenisuus ja normaalisuus riippumattoman muuttujan jokaiselle arvolle jäännösanalyysin avulla. Tilastolliset analyysit suoritetaan käyttämällä MLWIN -versiota 3.06 (Charlton et ai., 2022) ja STATA -versio 17 (Stata Corp 2021).