L'effetto dei dispositivi mobili sullo sviluppo e sulla salute dei bambini piccoli (iKids)

I ricercatori di garanzia della qualità che intraprendono le misurazioni hanno un grande esperienza nelle procedure e nell'analisi. Gli investigatori stanno utilizzando solo strumenti validati che sono ben consolidati in letteratura. L'esposizione e l'uso di dispositivi elettronici interattivi (ad es. Tablet e smartphone) saranno misurati da un'app che accederà le informazioni direttamente dai dispositivi del partecipante (Android o iOS) utilizzando il software di rilevamento mobile per acquisire il tempo di schermatura e l'utilizzo delle app (Lind et al. 2023). L'app è stata utilizzata con successo per misurare l'uso dello smartphone nei bambini (Bagot et al., 2022; Wade et al., 2021).

La misurazione delle capacità emergenti, la nostra misura di risultato primaria, è stata convalidata e ampiamente utilizzata in letteratura (Howard et al. 2017). Gli investigatori utilizzeranno una lista di controllo della fedeltà amministrativa per valutare la pratica tra i ricercatori prima dell'inizio della raccolta dei dati. Verrà registrato una serie di risultati secondari (ovvero BMI (scale calibrate e misure ripetute), comportamento di movimento (Accelerometria Cliff et al. 2024), sviluppo motorio (Toolbox NIH, Reuben et al., 2013), interazione genitore e figlio (Stimq2, Cates et al. 2023). Queste misurazioni sono state utilizzate nello studio Sunrise, che sta raccogliendo dati sui bambini in questa età in 63 paesi di tutto il mondo (https://sunrise-study.com/) e pubblicato in un protocollo (Okely et al., 2021) .

I video di formazione e il supporto sono stati forniti dal team di Sunrise e sono stati utilizzati per informare il nostro protocollo di studio. Poiché lo sviluppo del bambino è influenzato da una serie di covariate, gli investigatori hanno selezionato i più comunemente riportati in letteratura e suggeriti dal nostro gruppo PPI (ad es. Sesso, età, etnia, educazione materna, stile genitoriale (PSDQ-SV. Robinson et al. 2001), frequenza alla cura dei bambini, dipendenza da parenti agli smartphone (SAS-SV, Kwon et al., 2013) e alla politica di visualizzazione dello schermo.

Elaborazione dei dati I moduli di acquisizione dei dati sono stati creati per misure applicabili per standardizzare l'input e l'aiuto dei dati con l'inserimento dei dati. In termini di elaborazione e analisi dei dati. Gli investigatori condurranno la pulizia preliminare dei dati, esplorando se i valori delle variabili continue rientrano nell'intervallo, la plausibilità delle medie e le deviazioni standard e la validità delle categorie codificate. I ricercatori valuteranno le distribuzioni dei dati e identificheranno eventuali valori anomali univariati da metodi grafici e da casi con punteggi molto grandi e standardizzati disconnessi da altri punteggi e valori anomali multivariati mediante metodi grafici e ispezione delle distanze di leva finanziaria/mahalanobis, discrepanza e statistica di influenza. Eventuali possibili errori saranno studiati su base individuale. Gli investigatori indagheranno anche nell'entità, nel modello e nella natura dei dati mancanti. Se la proporzione di dati mancanti è piccola (inferiore al 5%), prendono in considerazione analisi complete dei casi. Se l'importo o il modello di dati mancanti preclude l'analisi del caso completa, gli investigatori prendono in considerazione l'imputazione dei dati. Verranno utilizzate imputazioni multiple a causa della loro robustezza al tipo di mancanza di dati. Se viene condotta l'imputazione, verranno condotti studi di sensibilità confrontando i risultati derivati ​​dai dati con e senza imputazione.

Analisi dei dati Analisi descrittiva Il campione verrà riassunto in modo descrittivo. Gli investigatori riferiranno il numero di bambini in ciascuna unità educativa e risultati primari e secondari per punto temporale (basale e follow-up). Per i risultati continui, le informazioni di riepilogo saranno presentate come mezzo (deviazioni standard (SD); intervalli). Per i risultati categorici, le informazioni di riepilogo saranno presentate come frequenze (percentuali). Verrà valutata la necessità di trasformazioni variabili per stabilizzare la varianza o raggiungere la normalità.

Analisi inferenziale Le seguenti variabili di test saranno prese in considerazione per l'analisi: 1) durata IED; 2a) modalità IED educativa; 2b) Modalità IED adatto all'età.

1. Modellistica di regressione multilivello del risultato primario Gli investigatori hanno concettualizzato un modello multilivello di intercettazioni casuali a 2 livelli, con bambini raggruppati all'interno di unità educative. Questo modello prenderà in considerazione EA al follow-up come misura di risultato progettata per rispondere alle domande di ricerca primarie: come è la durata IED (ore al giorno) e la modalità (educativa vs. non educativa; adatto all'età contro non età -Pice) al basale, controllando le covariate a livello infantile (compresi i punteggi di base EA) e le covariate a livello di unità educative, associate a EA al follow-up in un modello multilivello in cui i bambini sono raggruppati all'interno di unità educative? Il coefficiente di partizione di varianza (VPC; la proporzione di varianza residua associata a ciascun livello del modello) sarà valutata tramite un modello nullo prima di procedere a un modello di covariata. Gli investigatori prendono in considerazione la fusione dei livelli nel modello se le statistiche VPC rivelano effetti di clustering trascurabili (varianza residua trascurabile a livello dell'unità educativa). Verrà condotta una modellazione di regressione multipla non lineare se ci sono prove di una relazione non lineare tra il livello di utilizzo IED al basale e EA al follow-up, consentendo un singolo massimo (corrispondente a livelli ottimali di utilizzo IED basale) o plateau; Altrimenti, verranno condotti modelli di regressione lineare. Se i dati indicano un livello di utilizzo IED ottimale associato a un valore massimo specifico del punteggio EA al follow-up, verranno presi in considerazione forme funzionali non lineari alternative con funzionalità massime o plateauing, incluso il polinomio (ad es. quadratico) e forme logaritmiche e funzioni a tratti. Gli investigatori confronteranno l'adattamento di più distribuzioni in prossimità di qualsiasi punto di svolta e selezionerà il modello più adatto in questa regione per massimizzare l'accuratezza con cui può essere ottenuto il valore massimo di EA. Gli intervalli di confidenza saranno montati attorno alla funzione per derivare un intervallo di valori per il valore massimo.

   Gli investigatori effettueranno sia modelli non perfettamente regolati che regolati, con modelli regolati regolati per tutte le covariate ad ogni livello del modello. I modelli non regolati includeranno (i) il singolo determinante del livello di utilizzo IED (durata) al basale, (ii) i determinanti della modalità predominante IED al basale (come definito sopra) e (iii) determinanti della durata IED e modalità. Questi determinanti saranno tutti aggiunti a livello di bambino del modello. Le interazioni del primo ordine saranno incluse all'interno di modelli non aggiustati per catturare effetti differenziali nella valutazione dei livelli di utilizzo IED con diverse modalità di utilizzo predominanti. Qualsiasi interazione rivelata per essere di sostanziale importanza verrà mantenuta in un modello ri-cast insieme a tutti gli effetti principali. I modelli regolati si basano sulle variabili incluse sia della durata IED che della modalità predominante IED, qualsiasi interazione di importanza sostanziale e tutte le covariate di controllo al livello appropriato del modello. Gli investigatori non utilizzeranno strategie di modellazione automatizzate per la selezione variabile e manterranno tutti gli effetti principali nel modello aggiustato. Tuttavia, la collinearità verrà valutata in modelli adeguati e considererà la cancellazione del controllo delle covariate se è evidente l'eccessiva collinearità (fattore di inflazione della varianza> = 5 per qualsiasi variabile).

2. Modellazione di regressione multilivello di esiti secondari Gli investigatori effettueranno più modelli di regressione lineare su tutti gli esiti secondari numerici e la modellazione di regressione logistica multipla per la misura di esito secondario binario, usando la stessa struttura del modello della principale analisi del risultato primario. Se viene rivelata prove per la non linearità tra il livello di durata IED e gli esiti secondari, gli investigatori prendono in considerazione la modellazione non lineare per l'analisi del risultato primario; Altrimenti, prendono in considerazione la modellazione lineare. In entrambi i casi, la stessa serie di covariate e interazioni definite per il risultato primario verrà regolata. Non verrà effettuata alcuna regolazione per più analisi; Hover, tutte le analisi saranno pianificate a priori e segnalate per intero.

3. Modellistica di regressione multilivello: analisi sussidiaria per esplorare i correlati socio-ecologici della durata IED a livello individuale (genere, età ed etnia), interpersonali (educazione materna, stile genitoriale e dipendenza da smartphone) e politica organizzativa (politica e presenza all'infanzia) essere condotto come un'analisi sussidiaria, considerando l'insieme sopra delle variabili come determinanti di IED usando le variabili riportate come variabili di controllo.

   Le intercettazioni casuali e la modellazione di regressione lineare multipla sull'esito della durata IED saranno condotti al basale. Verrà utilizzata una struttura gerarchica a 2 livelli, con variabili designate come singoli o interpersonali allegati a livello (bambino) inferiore e variabili designate come organizzative allegate al livello superiore (unità educativa).

   Eventuali relazioni rivelate durante questo processo verranno utilizzate nella modellazione futura per generare ipotesi all'interno di un framework di modellazione di equazioni strutturali più ampia.

4. Analisi della sensibilità e segnalazione dei dati per il risultato primario, il piano è di condurre analisi di sensibilità per valutare la sensibilità del modello a determinate ipotesi, come menzionato sopra. Gli investigatori confronteranno le stime dei parametri delle variabili testate in modelli non regolati e regolati. Per la modellazione multilivello della relazione tra durata IED e EA, verranno utilizzati sia pendenze casuali che modelli di intercettazioni casuali per valutare la variazione delle pendenze tra le unità di livello superiore. Se l'imputazione dei dati è praticabile, i modelli verranno eseguiti con e senza dati imputati (vedere "pulizia dei dati e valutazione dei dati mancanti").

Per i modelli di regressione lineare e non lineare di risultati numerici continui, nelle analisi principali e sussidiarie, gli investigatori riferiranno tutte le stime dei parametri non standardizzate con intervalli di confidenza e valori P associati. Per i modelli di regressione logistica, saranno riportati tutti i rapporti di probabilità con intervalli di confidenza e valori P associati. Se vengono rivelate prove per una tendenza non lineare, gli investigatori riferiranno la forma funzionale della curva più adatta e identificheranno la posizione di qualsiasi massimo o inizio degli effetti di plateauing. Verranno verificate tutte le ipotesi di modellazione di regressione, inclusa l'omogeneità della varianza e la normalità delle variabili di risultato per ciascun valore di una variabile indipendente, usando l'analisi residua. Le analisi statistiche saranno condotte utilizzando MLWIN versione 3.06 (Charlton et al., 2022) e Stata versione 17 (Stata Corp 2021).