- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT06306378
La relation entre les troubles de la mémoire sociale et les fuseaux du sommeil chez les enfants atteints de troubles du spectre autistique
L'implication des ondes du fuseau du sommeil dans le diagnostic auxiliaire des troubles de la mémoire sociale chez les enfants atteints de troubles du spectre autistique
Contexte de recherche et base du projet
Le trouble du spectre autistique (TSA) est un trouble neurodéveloppemental permanent caractérisé par des troubles sociaux et des comportements stéréotypés répétitifs. Les troubles de la mémoire sociale sont une caractéristique importante des patients atteints de TSA, et la pathogenèse spécifique des troubles de la mémoire sociale chez les patients atteints de TSA n'est actuellement pas claire, et il n'existe aucun indicateur objectif pour mesurer les niveaux de mémoire sociale. L’onde fusiforme du sommeil est une onde cérébrale spéciale pendant le sommeil qui est étroitement liée à la consolidation de la mémoire. Cependant, personne n’a encore étudié l’impact des fuseaux de sommeil sur la mémoire sociale.
Des fins de recherche
Explorer la corrélation entre les fuseaux de sommeil et la mémoire sociale dans la population, fournissant une référence pour le diagnostic auxiliaire des troubles de la mémoire sociale chez les enfants atteints de TSA.
Aperçu de l'étude
Statut
Les conditions
Intervention / Traitement
Description détaillée
Type d'étude
Inscription (Estimé)
Contacts et emplacements
Coordonnées de l'étude
- Nom: Dongqi Cui, PhD
- Numéro de téléphone: 18501059233
- E-mail: 18501059233@163.com
Sauvegarde des contacts de l'étude
- Nom: Xiaodan Wang, PhD
- Numéro de téléphone: 13720418610
- E-mail: m19834513386@163.com
Lieux d'étude
-
-
Shaanxi
-
Xi'an, Shaanxi, Chine, 710061
- Recrutement
- First Afflicated Hospital Xian Jiaotong University
-
Contact:
- Yan Li, MD., PhD.
- Numéro de téléphone: 13720418610
- E-mail: liyanxjtu@xjtu.edu.cn
-
Contact:
- Dongqi Cui, PhD.
- Numéro de téléphone: 18501059233
- E-mail: 18501059233@163.com
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
- Enfant
- Adulte
Accepte les volontaires sains
Méthode d'échantillonnage
Population étudiée
La description
Critère d'intégration:
- Enfants atteints de TSA diagnostiqués via le DSM-V (les témoins sains n'ont pas cette exigence)
- Score de QI ≥ 75 (WISC-IV, échelle d'intelligence Wechsler pour les enfants)
- Âge : 6-18 ans
- Ne pas recevoir de médicaments psychotropes (Ou arrêter les médicaments au moins 2 semaines avant l'expérience)
Critère d'exclusion:
- Outre les TSA, d’autres maladies mentales sont également combinées
- Présence d'un trouble du sommeil, d'une apnée du sommeil, de mouvements périodiques des jambes pendant le sommeil ou de schémas EEG atypiques
- Gaucher
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
Cohortes et interventions
Groupe / Cohorte |
Intervention / Traitement |
|---|---|
|
Groupe TSA
Diagnostiqué comme TSA sur la base des critères diagnostiques du DSM-V et associé à des manifestations cliniques.
|
Faites un test de mémoire de reconnaissance faciale et un test de mémoire de reconnaissance de voiture comme contrôle.
Enregistrez ensuite les enregistrements EEG nocturnes après les deux tâches et effectuez une analyse ultérieure du fuseau. Effectuez donc la corrélation entre les niveaux de mémoire sociale et le niveau de fuseaux dans l'EEG en utilisant l'apprentissage automatique pour modéliser.
|
|
Groupe de contrôle
Enfants en bonne santé
|
Faites un test de mémoire de reconnaissance faciale et un test de mémoire de reconnaissance de voiture comme contrôle.
Enregistrez ensuite les enregistrements EEG nocturnes après les deux tâches et effectuez une analyse ultérieure du fuseau. Effectuez donc la corrélation entre les niveaux de mémoire sociale et le niveau de fuseaux dans l'EEG en utilisant l'apprentissage automatique pour modéliser.
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Précision de la reconnaissance
Délai: Grâce à l'achèvement des tâches de reconnaissance de visage et de voiture, une moyenne de 2 à 4 jours.
|
Précision de la reconnaissance comme indicateur d'évaluation des voitures et de la reconnaissance faciale. La tâche de reconnaissance de voiture et de visage comprenait une phase d'apprentissage la première nuit (environ 30 minutes avant le coucher) et une phase de test de reconnaissance le deuxième matin (environ 30 minutes après le réveil). La phase d'apprentissage comprenait 11 images de visages adultes (319 × 432 pixels). Pendant la phase d'apprentissage, les images ont été présentées de manière aléatoire pendant 3 secondes avec un intervalle inter-stimulus de 2 secondes. Au cours de la phase de test, deux images ont été présentées simultanément, l'image de la liste d'étude (appelée « ancienne ») associée à une image inédite (appelée « nouvelle »), dans un ordre aléatoire gauche-droite. Les participants ont été invités à sélectionner une image qu'ils avaient vue précédemment en appuyant sur les boutons gauche et droit. Et le stimulus suivant a été présenté immédiatement après que le participant ait répondu. La précision de la reconnaissance a été calculée en fonction du nombre de réponses correctes (clics). |
Grâce à l'achèvement des tâches de reconnaissance de visage et de voiture, une moyenne de 2 à 4 jours.
|
|
Délai de réponse
Délai: Grâce à l'achèvement des tâches de reconnaissance de visage et de voiture, une moyenne de 2 à 4 jours.
|
Le temps de réaction est couramment utilisé pour évaluer les capacités cognitives.
Les temps de réaction moyens (ms) ont été calculés pour les réponses correctes (hits), ce qui correspond au temps de réponse.
|
Grâce à l'achèvement des tâches de reconnaissance de visage et de voiture, une moyenne de 2 à 4 jours.
|
|
Densité du fuseau de sommeil
Délai: Grâce à l'achèvement de l'enregistrement EEG de 12 heures, une moyenne de 5 à 12 jours.
|
La reconnaissance des ondes du fuseau du sommeil et le traitement des données utilisent la boîte à outils YASA (Yet Another Spindle Algorithm) basée sur Python pour mettre en scène la reconnaissance automatique des ondes du fuseau du sommeil par EEG.
Calculez la densité (N/min) des fuseaux de sommeil.
|
Grâce à l'achèvement de l'enregistrement EEG de 12 heures, une moyenne de 5 à 12 jours.
|
|
Durée moyenne du fuseau de sommeil
Délai: Grâce à l'achèvement de l'enregistrement EEG de 12 heures, une moyenne de 5 à 12 jours.
|
Calculer la ou les durées moyennes d'une seule broche.
|
Grâce à l'achèvement de l'enregistrement EEG de 12 heures, une moyenne de 5 à 12 jours.
|
|
Amplitude du fuseau de sommeil
Délai: Grâce à l'achèvement de l'enregistrement EEG de 12 heures, une moyenne de 5 à 12 jours.
|
L'amplitude (μV) fait référence à la valeur d'énergie maximale possédée par l'onde du fuseau.
|
Grâce à l'achèvement de l'enregistrement EEG de 12 heures, une moyenne de 5 à 12 jours.
|
|
Fréquence du fuseau de sommeil
Délai: Grâce à l'achèvement de l'enregistrement EEG de 12 heures, une moyenne de 5 à 12 jours.
|
La fréquence (Hz) fait référence au nombre de fois où l'onde du fuseau vibre de manière répétée par seconde.
|
Grâce à l'achèvement de l'enregistrement EEG de 12 heures, une moyenne de 5 à 12 jours.
|
Collaborateurs et enquêteurs
Collaborateurs
Les enquêteurs
- Directeur d'études: Yan Li, PhD, First Afflicated Hospital of Xian Jiaotong University
Publications et liens utiles
Publications générales
- Lai M, Lee J, Chiu S, Charm J, So WY, Yuen FP, Kwok C, Tsoi J, Lin Y, Zee B. A machine learning approach for retinal images analysis as an objective screening method for children with autism spectrum disorder. EClinicalMedicine. 2020 Nov 5;28:100588. doi: 10.1016/j.eclinm.2020.100588. eCollection 2020 Nov.
- Georgescu AL, Koehler JC, Weiske J, Vogeley K, Koutsouleris N, Falter-Wagner C. Machine Learning to Study Social Interaction Difficulties in ASD. Front Robot AI. 2019 Nov 29;6:132. doi: 10.3389/frobt.2019.00132. eCollection 2019.
- Das S, Zomorrodi R, Mirjalili M, Kirkovski M, Blumberger DM, Rajji TK, Desarkar P. Machine learning approaches for electroencephalography and magnetoencephalography analyses in autism spectrum disorder: A systematic review. Prog Neuropsychopharmacol Biol Psychiatry. 2023 Apr 20;123:110705. doi: 10.1016/j.pnpbp.2022.110705. Epub 2022 Dec 24.
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (Réel)
Achèvement primaire (Estimé)
Achèvement de l'étude (Estimé)
Dates d'inscription aux études
Première soumission
Première soumission répondant aux critères de contrôle qualité
Première publication (Réel)
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
Dernière mise à jour soumise répondant aux critères de contrôle qualité
Dernière vérification
Plus d'information
Termes liés à cette étude
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- XJTU1AF2023LSK-481
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Étudie un produit d'appareil réglementé par la FDA américaine
Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .