Studio WAVE (Wearable Assisted Viral Evidence) Uno studio prospettico decentralizzato che esplora la relazione tra i dati raccolti passivamente da dispositivi per attività indossabili e le infezioni virali respiratorie (WAVE)
Panoramica dello studio
Stato
Stato
Condizioni
Condizioni
Tipo di studio
Tipo di studio
Iscrizione (Effettivo)
Iscrizione
Contatti e Sedi
Contatto studio
Contatto studio
- Nome: Ernesto Ramirez, PhD
- Numero di telefono: 415-650-4741
- Email: wavestudy@evidation.com
Backup dei contatti dello studio
- Nome: Stephanie Salwen, PhD
- Email: wavestudy@evidation.com
Luoghi di studio
-
-
California
-
San Mateo, California, Stati Uniti, 94402
- Evidation Health
-
-
Criteri di partecipazione
Criteri di ammissibilità
Criteri di ammissibilità
Età idonea allo studio
- Adulto
- Adulto più anziano
Accetta volontari sani
Metodo di campionamento
Popolazione di studio
Descrizione
Criterio di inclusione:
- Vive negli Stati Uniti
- Parla, legge e capisce l'inglese
- Attualmente possiede e utilizza un dispositivo indossabile di consumo (Apple Watch, Garmin o Fitbit) con i dati necessari sui passi e sulla frequenza cardiaca al minimo o è disposto a indossare un dispositivo fornito dallo studio e scaricare l'app Fitbit
- Disposti a connettere il proprio dispositivo indossabile alla piattaforma Evidation e indossarlo quotidianamente per almeno 10 ore per tutta la durata dello studio
- Possiede uno smartphone con Apple iOS 15 installato o successivo OPPURE Android versione 9.0 installata o successiva o disposto ad aggiornare
- Disponibilità a rispondere a questionari giornalieri e settimanali per un periodo di 10 settimane
- Disponibilità a completare i test del tampone nasale a domicilio e a restituire i campioni del tampone nasale entro 24 ore dalla richiesta di completarlo
- Soddisfa i requisiti di densità dei dati per i dispositivi indossabili
Criteri di esclusione:
- Diagnosi auto-riferita di influenza e COVID da parte di un operatore sanitario o utilizzando un test domiciliare negli ultimi 3 mesi
- Attualmente iscritto a un altro studio interventistico per prevenire o curare il COVID-19 o a un altro programma correlato all'influenza condotto da Evidation (agli individui che attualmente partecipano al programma FluSmart di Evidation verrà comunicato che la loro partecipazione sarà sospesa)
- Ha un indirizzo postale principale che sia una casella postale, un ufficio postale dell'esercito (APO), un ufficio postale della flotta (FPO) o un ufficio postale diplomatico (DPO) o una base militare statunitense situata all'estero o territori degli Stati Uniti (Porto Rico, Isole Vergini americane) Isole, Guam, Isole Marianne Settentrionali o Samoa Americane)
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
Numero di gruppi/coorti
Coorti e interventi
Gruppo / CoorteGruppo / Coorte |
|---|
|
Popolazione dello studio
Partecipanti adulti (di età pari o superiore a 18 anni) che risiedono negli Stati Uniti contigui
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Gli obiettivi primari sono sviluppare un set di dati di dati indossabili accoppiati, sintomi auto-riferiti e infezioni virali respiratorie confermate e utilizzare il set di dati per sviluppare un algoritmo per classificare le RVI asintomatiche/sintomatiche
Lasso di tempo: Fino al completamento degli studi, circa 10 mesi
|
Questo studio raccoglierà dati sui dispositivi indossabili, tra cui frequenza cardiaca, sonno, attività e altri tipi di dati da tracker di attività indossabili e smartwatch disponibili in commercio (ad es.
Apple Watch, Fitbit, dispositivi Garmin), nonché i dati auto-riferiti relativi all'esperienza dei sintomi associati alle infezioni virali respiratorie e associare questi dati con i risultati dei test PCR di tamponi nasali seriali a domicilio per SARS-CoV- 2, influenza A, influenza B e virus respiratorio sinciziale (RSV).
Questi dati verranno utilizzati per determinare se questi tipi di dati possono essere utilizzati per sviluppare un algoritmo per classificare l'RVI asintomatico e sintomatico.
Le prestazioni dell'algoritmo saranno valutate in base a una varietà di dimensioni tra cui ROC AUC, sensibilità, specificità, PPV e NPV.
|
Fino al completamento degli studi, circa 10 mesi
|
Misure di risultato secondarie
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
L'obiettivo secondario di questo studio osservazionale è determinare se le prestazioni dell'algoritmo differiscono tra i vari gruppi demografici
Lasso di tempo: Fino al completamento degli studi, circa 10 mesi
|
Testeremo le prestazioni dell'algoritmo per vari gruppi diversi di partecipanti per capire meglio se l'algoritmo esegue differenze a seconda dei dati demografici dei partecipanti.
Ad esempio, testeremo le metriche delle prestazioni in diversi sottogruppi relativi a sesso, etnia ed età.
Per ciascun sottogruppo riporteremo l'AUC, la sensibilità, la specificità, il PPV e il NPV del ROC. come appropriato.
|
Fino al completamento degli studi, circa 10 mesi
|
Collaboratori e investigatori
Sponsor
Sponsor
Collaboratori
Collaboratori
Investigatori
Investigatori
- Investigatore principale: Ernesto Ramirez, PhD, Evidation Health
Pubblicazioni e link utili
Pubblicazioni generali
- Tokars JI, Olsen SJ, Reed C. Seasonal Incidence of Symptomatic Influenza in the United States. Clin Infect Dis. 2018 May 2;66(10):1511-1518. doi: 10.1093/cid/cix1060.
- Wiemken TL, Khan F, Puzniak L, Yang W, Simmering J, Polgreen P, Nguyen JL, Jodar L, McLaughlin JM. Seasonal trends in COVID-19 cases, hospitalizations, and mortality in the United States and Europe. Sci Rep. 2023 Mar 8;13(1):3886. doi: 10.1038/s41598-023-31057-1.
- Temple DS, Hegarty-Craver M, Furberg RD, Preble EA, Bergstrom E, Gardener Z, Dayananda P, Taylor L, Lemm NM, Papargyris L, McClain MT, Nicholson BP, Bowie A, Miggs M, Petzold E, Woods CW, Chiu C, Gilchrist KH. Wearable Sensor-Based Detection of Influenza in Presymptomatic and Asymptomatic Individuals. J Infect Dis. 2023 Apr 12;227(7):864-872. doi: 10.1093/infdis/jiac262.
- Mezlini A, Shapiro A, Daza EJ, Caddigan E, Ramirez E, Althoff T, Foschini L. Estimating the Burden of Influenza-like Illness on Daily Activity at the Population Scale Using Commercial Wearable Sensors. JAMA Netw Open. 2022 May 2;5(5):e2211958. doi: 10.1001/jamanetworkopen.2022.11958.
- Shapiro A, Marinsek N, Clay I, Bradshaw B, Ramirez E, Min J, Trister A, Wang Y, Althoff T, Foschini L. Characterizing COVID-19 and Influenza Illnesses in the Real World via Person-Generated Health Data. Patterns (N Y). 2020 Dec 13;2(1):100188. doi: 10.1016/j.patter.2020.100188. eCollection 2021 Jan 8.
- Hunter V, Shapiro A, Chawla D, Drawnel F, Ramirez E, Phillips E, Tadesse-Bell S, Foschini L, Ukachukwu V. Characterization of Influenza-Like Illness Burden Using Commercial Wearable Sensor Data and Patient-Reported Outcomes: Mixed Methods Cohort Study. J Med Internet Res. 2023 Mar 23;25:e41050. doi: 10.2196/41050.
- Merrill MA, Safranchik E, Kolbeinsson A, et al. Homekit2020: A Benchmark for Time Series Classification on a Large Mobile Sensing Dataset with Laboratory Tested Ground Truth of Influenza Infections. Conference on Health, Inference, and Learning PMLR 209:207-228. 2023 Jun.
- Mayer C, Tyler J, Fang Y, Flora C, Frank E, Tewari M, Choi SW, Sen S, Forger DB. Consumer-grade wearables identify changes in multiple physiological systems during COVID-19 disease progression. Cell Rep Med. 2022 Apr 19;3(4):100601. doi: 10.1016/j.xcrm.2022.100601. eCollection 2022 Apr 19.
- Nestor B, Hunter J, Kainkaryam R, Drysdale E, Inglis JB, Shapiro A, Nagaraj S, Ghassemi M, Foschini L, Goldenberg A. Machine learning COVID-19 detection from wearables. Lancet Digit Health. 2023 Apr;5(4):e182-e184. doi: 10.1016/S2589-7500(23)00045-6. No abstract available.
- Shandhi MMH, Cho PJ, Roghanizad AR, Singh K, Wang W, Enache OM, Stern A, Sbahi R, Tatar B, Fiscus S, Khoo QX, Kuo Y, Lu X, Hsieh J, Kalodzitsa A, Bahmani A, Alavi A, Ray U, Snyder MP, Ginsburg GS, Pasquale DK, Woods CW, Shaw RJ, Dunn JP. A method for intelligent allocation of diagnostic testing by leveraging data from commercial wearable devices: a case study on COVID-19. NPJ Digit Med. 2022 Sep 1;5(1):130. doi: 10.1038/s41746-022-00672-z.
Studiare le date dei record
Studia le date principali
Inizio studio (Effettivo)
Inizio studio
Completamento primario (Effettivo)
Completamento primario
Completamento dello studio (Effettivo)
Completamento dello studio
Date di iscrizione allo studio
Primo inviato
Primo inviato
Primo inviato che soddisfa i criteri di controllo qualità
Primo inviato che soddisfa i criteri di controllo qualità
Primo Inserito (Effettivo)
Primo Inserito
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Stimato)
Ultimo aggiornamento pubblicato
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo verificato
Ultimo verificato
Maggiori informazioni
Termini relativi a questo studio
Parole chiave
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
Altri numeri di identificazione dello studio
- WAVE Study
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
Descrizione del piano IPD
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .