Développement et validation d'un système d'anticipation des comportements difficiles

Objectifs de l'étude

Le protocole actuel se compose de trois phases, chacune avec un objectif spécifique. Le premier objectif est d'évaluer les différences de réaction physiologique mesurées avec une chemise intelligente portable (SWS) entre des adultes atteints de troubles du spectre autistique (TSA) de haut niveau et des pairs typiquement développés. Le deuxième objectif est d'apprendre quels paramètres physiologiques peuvent le mieux prédire l'apparition imminente d'un comportement difficile (CB). Le troisième objectif est de développer un système capable de prédire l'arrivée d'un CB en temps réel et d'informer le soignant via une notification d'alerte envoyée sur une application smartphone.

Étudier le design

Une conception d'étude observationnelle sera mise en œuvre dans les deux premières phases de la recherche actuelle. Dans la première phase, les réactions physiologiques des participants à deux stimuli visuels seront recueillies et analysées. Dans la deuxième phase, les caractéristiques physiologiques des CB présentées par les personnes atteintes de TSA seront recueillies. Une étude de cas unique avec une conception à méthodes mixtes sera mise en œuvre dans la phase trois, où la preuve de concept de la validité du système sera effectuée.

Problèmes d'éthique et de sécurité

La proposition de recherche a été approuvée par le comité d'examen institutionnel de l'Université d'Ariel (AU-HEA-ML-20201203). L'étude sera réalisée conformément aux principes de la Déclaration d'Helsinki. Lors du recrutement, un consentement éclairé écrit sera recueilli auprès de tous les participants ou de leurs tuteurs légaux. Le SWS prévu d'utiliser dans le protocole actuel est un dispositif médical non invasif. Cependant, si un participant ne tolère pas le SWS, il peut se retirer de l'étude à tout moment sans aucune répercussion.

Intervenants

Selon une analyse de calcul de la taille de l'échantillon, un groupe de 20 sujets diagnostiqués avec un TSA de haut fonctionnement âgés de 20 à 40 ans résidant à la maison (groupe d'observation - OG) ainsi qu'un groupe témoin apparié selon l'âge et le sexe de 20 les pairs seront inscrits dans la première phase du protocole. Pour la deuxième phase de l'étude, 10 personnes avec TSA présentant des BC agressifs ou perturbateurs âgées de 20 à 40 ans et leurs aidants seront recrutés. Enfin, un participant avec TSA, âgé entre 20 et 40 ans fréquentant une école spécialisée et vivant à la maison, qui présente des CB agressifs ou perturbateurs, participera à la troisième phase de la recherche.

Procédure

Phase un - comparaison entre les personnes avec et sans résultats physiologiques autistes.

Pour la première phase du protocole actuel, les paramètres physiologiques des personnes dans l'OG et le CG seront acquis à l'aide du SWS pendant que les participants regardent deux vidéos de cinq minutes. Une vidéo montrera des images relaxantes et émettra une musique relaxante (vidéo relaxante). La deuxième vidéo présentera d'impressionnantes difformités du corps humain accompagnées d'une musique anxiogène (vidéo dérangeante). Les deux vidéos seront présentées au participant en position assise. Avant de commencer la vidéo de relaxation, le participant sera invité à se détendre et à s'adosser au dossier de la chaise. Le participant peut fermer les yeux ou les garder ouverts à sa discrétion pour favoriser la détente. Il sera demandé aux participants de ne pas s'appuyer contre le dossier de la chaise et de garder les yeux ouverts pendant toute la durée du visionnage dérangeant de la vidéo. La première vidéo visionnée par chaque participant sera choisie au hasard entre les deux vidéos. La durée de la session entière sera d'environ 15 minutes.

Phase deux - Classer les variations des paramètres physiologiques chez les personnes atteintes de TSA.

Chaque participant inscrit à la phase deux du protocole portera le SWS pendant sept jours consécutifs pendant les heures de veille, effectuant ses activités quotidiennes habituelles. Au cours des mêmes sept jours, les soignants qui s'occupent du participant rapporteront l'état du participant dans le journal comportemental. Chaque soir, les données collectées par le SWS seront téléchargées sur un cloud en ligne avec le journal comportemental de la journée. Une fois que les données des 10 participants auront été collectées, un algorithme d'apprentissage en profondeur (DL) sera développé pour apprendre les variations des paramètres physiologiques de l'individu qui se produisent avant un CB et prédire le futur CB. De plus, une application pour smartphone sera développée pour recevoir les données SWS en temps réel et les envoyer à un serveur distant où elles seront analysées via l'algorithme développé et les événements CB classés seront extraits et présentés sur l'écran de notification des applications. En d'autres termes : si l'algorithme détecte la possibilité d'un CB entrant, une notification est envoyée sur le smartphone du soignant pour l'informer de l'éventuel avènement d'un CB, permettant ainsi la mise en œuvre de la stratégie d'intervention choisie.

Phase trois - Preuve de concept du système.

Pendant une semaine, le prototype du système développé et son efficacité seront testés sur un participant atteint de TSA pendant sept jours avec des professionnels de la santé et des enseignants dans un cadre scolaire spécialisé. Le participant portera le SWS pendant toutes les heures de présence à l'école spéciale. À la fin des sept jours, le QUEST 2.0 sera administré à chaque professionnel et enseignant qui interagira avec le système, et un groupe de discussion sera réalisé avec eux pour répondre aux questions de recherche mentionnées ci-dessus. Le groupe de discussion visera à répondre aux questions de recherche suivantes :

• Le port du smart-shirt a-t-il bouleversé les participants ?
• Le système a-t-il pu détecter tous les CB pertinents ?
• La vitesse de fonctionnement du système était-elle suffisante pour permettre l'application à temps des stratégies de prévention appropriées ?
• L'utilisation du système a-t-elle réduit la quantité de CB ?
• Quelles améliorations peut-on apporter au système pour augmenter son efficacité ?

Les informations obtenues auprès de l'administration QUEST 2.0 seront discutées au sein du groupe de discussion. Dans la dernière partie du groupe de discussion, un résumé des solutions à chaque question de recherche sera proposé au groupe, et le nombre de participants qui sont d'accord ou en désaccord avec les réponses de sommation proposées sera collecté.

Analyses de données

Première phase

Les données collectées par le SWS auprès des participants aux OG et CG seront analysées et comparées. À partir des données ECG reçues, la fréquence cardiaque (FC) sera calculée entre deux complexes QRS consécutifs. Considérant l'intervalle de temps entre deux complexes QRS comme « t », le HR temporel correspondant sera de 60/t. Une valeur de seuil en pourcentage sera définie à l'aide de la méthode de la fenêtre glissante, et la largeur de pic minimale autorisée sera identifiée pour supprimer les artefacts indésirables de HR. Le processus de suppression sera effectué pour les pics positifs et négatifs en deux tours. Une fenêtre sera glissée sur le signal de fréquence cardiaque et sa valeur médiane sera calculée. L'amplitude de crête maximale autorisée (positive et négative) sera déterminée pour chaque fenêtre en multipliant la valeur médiane de la fenêtre par une valeur de seuil. La valeur seuil des pics positifs a été fixée à 30 % (pour le premier tour de retrait) et 25 % (pour le deuxième tour de retrait) de la valeur moyenne de la fenêtre. La valeur seuil a été fixée pour les pics négatifs à 50 % (pour le premier cycle de suppression) et 30 % (pour le deuxième cycle de suppression) de la valeur moyenne de la fenêtre. Ensuite, tous les pics dont l'amplitude est supérieure à la valeur autorisée seront identifiés à partir de chaque fenêtre. Si l'un de ces pics est plus étroit que la largeur de pic minimale autorisée, il sera remplacé par la valeur médiane de la fenêtre de référence. Sinon, si une largeur de pic identifiée est supérieure à la largeur de pic autorisée, sa valeur sera remplacée par la HR maximale autorisée (pour les pics positifs) ou la HR minimale autorisée (pour les pics négatifs). La FC maximale autorisée sera calculée avec la formule suivante : "209-(0,7×(Participant âge))". La fréquence cardiaque minimale autorisée sera de 60 bpm. Après suppression des pics anormaux, le signal sera filtré avec un filtre Gaussien avec un sigma égal à 1. Après le processus de filtrage du signal HR, le signal HR nettoyé obtenu sera utilisé pour classer le stress du participant dans les niveaux suivants : "pas de stress", "stress léger", "stress modéré" et "stress élevé". Chaque niveau de stress fera référence à un signal de fréquence cardiaque positionné dans une plage de valeurs spécifique. Le niveau "sans stress" inclura les valeurs HR inférieures à 90 % du pic le plus bas du signal HR nettoyé. Si cette valeur HR est inférieure à Le niveau de « stress élevé » comprendra des valeurs supérieures à 90 % du pic le plus élevé du signal HR nettoyé. Si cette valeur est supérieure à la FC maximale autorisée, elle est remplacée par 90 % de la valeur de FC maximale autorisée. La plage laissée entre ces deux seuils sera divisée en deux parties égales (moitié inférieure et supérieure). Les données HR positionnées dans la moitié inférieure de cette fourchette seront classées en « stress léger » et celles positionnées dans la moitié supérieure en « stress modéré ». Chaque valeur de FC sera classée et affectée d'une valeur numérique correspondant à un niveau de stress (« pas de stress » = 0, « stress léger » = 1, « stress modéré » = 2 et « stress élevé » = 3). Après avoir acquis les séquences des niveaux de stress de tous les participants de la première phase, les séquences des sujets dans l'OG et le CG seront comparées à l'aide d'une version de l'algorithme Smith-Waterman adaptée à l'analyse des données obtenues.

Phase deux

Les données recueillies par le SWS auprès des participants inscrits à la phase deux seront analysées comme décrit ci-dessus, et un algorithme DL sera développé afin de prédire les niveaux de stress des participants entrants. Pour trouver des modèles de CB parmi les sujets, un classificateur basé sur l'apprentissage supervisé pour trouver des anomalies dans les données du sujet qui pourraient indiquer un CB qui est sur le point de se produire sera construit. Un algorithme de mémoire à long terme (LSTM) apprendra à reconnaître les modèles de données correspondant à l'occurrence des CB en utilisant les données collectées par les soignants des participants via le journal comportemental et les informations collectées lors de la première phase. LSTM est une extension du réseau neuronal récurrent (RNN). Contrairement à d'autres applications de Machine Learning (ML) et DL, dans le processus d'analyse et de prévision des informations de séries chronologiques, chaque point de données est basé sur des informations précédentes, qui doivent également être examinées. RNN est le réseau le plus utilisé pour les applications de séries chronologiques car il peut former le vecteur cible en observant l'historique des données d'entrée actuelles, en utilisant des poids partagés entre les unités cachées du réseau à chaque pas de temps des données. Les auteurs choisissent LSTM, pas le RNN, car RNN a un important problème de gradient de fuite. Le gradient d'erreur de sortie basé sur les entrées précédentes disparaît lorsque les décalages temporels entre les entrées et les erreurs augmentent. Pour surmonter ce problème, le LSTM est introduit. LSTM a une mémoire, qui se pratique en remplaçant les unités non linéaires de RNN dans les couches cachées par des blocs de mémoire. Le réseau propage les erreurs sur l'ensemble du réseau et, par conséquent, il peut apprendre les dépendances à long terme et oublier les informations inutiles basées sur les données disponibles. La précision du modèle de prédiction sera calculée selon des méthodes d'estimation standard telles que la matrice de confusion et les valeurs de l'aire sous la courbe (AUC). Ces valeurs vont de 0,5 à 1, 1 étant une classification parfaite et 0,5 n'étant pas meilleure que la chance.

Phase trois

Les thèmes qui émergeront du focus group seront extraits de la transcription des discussions. Une stratégie de codage axial sera appliquée pour calculer l'étendue de chaque discussion thématique. Cette analyse qualitative des données consiste à attribuer un numéro de référence à chaque thème, puis à marquer toute phrase liée à ce thème avec ce numéro. Une vérification de la fiabilité des correspondances code-phrase sera appliquée en donnant la liste des codes à un chercheur indépendant expérimenté dans l'analyse qualitative et en lui demandant d'identifier la phrase qui correspond à chaque code. Le niveau d'accord avec les réponses sommatives aux questions de recherche sera obtenu en calculant le pourcentage de participants qui sont d'accord avec l'énoncé proposé. Les auteurs discuteront des réponses développées à la lumière des thèmes pertinents dégagés et du niveau d'accord du groupe de discussion.