Avaliando a validade de um paradigma de olhar fixo na previsão do transtorno do espectro do autismo (EYE)

O estudo atual ocorrerá em quatro fases: teste piloto, desenvolvimento, validação e reteste. Em cada fase, os participantes visualizarão um estímulo de atenção visual com elementos sociais (paradigma da atenção social) enquanto as medidas de eye tracking são adquiridas remotamente. O paradigma de atenção visual será refinado no teste piloto, mas permanecerá o mesmo nas fases de desenvolvimento, validação e reteste. Todo o processo, incluindo calibração e visualização do paradigma visual, levará cerca de 15 minutos. O texto abaixo descreve cada fase em detalhes e revisa a metodologia específica para o paradigma de atenção social e procedimentos de eye tracking.

1. Fase Piloto. Teste piloto do paradigma de atenção social usado para obter medições do olhar para garantir que sejam suficientemente envolventes em todas as idades das crianças participantes. Espera-se que o paradigma de atenção visual durante esta fase seja de 10 a 12 minutos. Esta fase também será usada para determinar estratégias ideais para manter a atenção durante todo o período de teste. Os dados iniciais também podem fornecer alguns insights sobre os elementos de estímulo mais discriminantes a serem incluídos em fases futuras. Os investigadores antecipam o recrutamento de aproximadamente 10 participantes ASD e 10 não ASD nesta fase. Espera-se que a fase piloto exija 2,5 meses de recrutamento e 0,5 mês de redução e análise de dados.
2. Fase de desenvolvimento. Assim que o teste piloto for concluído, 30 crianças afetadas pelo TEA e 30 crianças não autistas com idades entre 1,5 e 18 anos serão recrutadas. Cada criança completará o paradigma de atenção social enquanto seu olhar é rastreado remotamente. Os dados do olhar são pontuados para mais de 100 parâmetros e essas pontuações são inseridas em um banco de dados que inclui informações diagnósticas e cognitivas sobre cada participante. Os dados de rastreamento ocular são então analisados ​​para criar os algoritmos de diagnóstico e prognóstico que irão refinar a sensibilidade e especificidade de diagnóstico do sistema na população ASD. O período de desenvolvimento exigirá 6 meses de coleta de dados, seguidos de 3 meses de pontuação e computação de algoritmo.
3. Fase de Validação. A coleta da amostra de validação incluirá 60 crianças afetadas pelo TEA e 60 crianças não afetadas pelo TEA com idades entre 1,5 e 18 anos. A fase de validação usará o mesmo paradigma de atenção social visual e métodos usados ​​na amostra de desenvolvimento. O período de validação se sobreporá ao desenvolvimento do algoritmo e exigirá 8 meses de coleta de dados e 1 mês de análise.
4. Fase de novo teste. Os participantes na fase de reteste incluirão 30 crianças com TEA e 30 crianças sem TEA recrutadas na primeira metade da fase de validação. Esses participantes serão explicados na fase de validação que os investigadores irão recrutá-los para a fase de novo teste aproximadamente 3 a 6 meses após o teste inicial durante a fase de validação.

O tamanho da amostra alvo varia dependendo da fase do estudo. Abaixo estão os tamanhos de amostra de destino para cada fase:

Fase piloto = 10 ASD e 10 não TEA Fase de desenvolvimento = 30 ASD e 30 não TEA Fase de validação = 60 ASD e 60 não TEA Fase de reteste = 30 ASD e 30 não TEA (da fase de validação) O estudo população é de indivíduos com transtorno do espectro do autismo, ou um diagnóstico clínico de outro transtorno psiquiátrico ou do desenvolvimento (controles psiquiátricos/desenvolvimentais), ou não tem diagnóstico psiquiátrico ou de desenvolvimento específico (controles saudáveis), com idade de 1,5 (18 meses) a 18 (120 meses) no momento do consentimento.

Os dados do olhar serão coletados usando um rastreador ocular remoto de instrumentos sensório-motores (SMI). O rastreamento ocular remoto oferece invasão mínima ao campo de visão do visualizador e coleta data e hora, posição do olho 3D e olhar binocular e dados da pupila a uma taxa de amostragem de 120 Hz. A captura do olhar é calibrada automaticamente para 2/5/9 pontos e fornece precisão de posição de 0,5° a uma distância de visualização de 60 cm. Dados de rastreamento do olhar, gravações de tela, eventos do usuário e posição do olhar serão registrados simultaneamente. Os dados serão analisados ​​com ênfase nas áreas de interesse e tempo de permanência em alvos específicos segundo a segundo. Exemplos dos tipos de medidas capturadas incluem: tempo de permanência em qualquer área do estímulo, tempo de permanência nas regiões faciais e não faciais de uma forma humana no vídeo, mudanças de fixação entre os estímulos.

Testes adicionais e dados demográficos serão coletados de consultas de diagnóstico de autismo padrão e de diagnóstico de saúde comportamental que podem ser encontradas no prontuário médico.

Análises Piloto. Na fase piloto, os investigadores calcularão o tamanho do efeito (d de Cohen) entre participantes com TEA e não TEA para cada um dos parâmetros do olhar adquiridos para cada um dos estímulos individuais no paradigma de atenção social. Os elementos de estímulo que provocam a maior discriminação entre pacientes com TEA e não TEA serão retidos na fase de desenvolvimento.

Análises de algoritmo de diagnóstico de TEA. Na fase de desenvolvimento, todas as medidas do olhar adquiridas do paradigma de atenção social serão incluídas como variáveis ​​preditoras em uma análise de floresta aleatória. Essa análise permite avaliar a capacidade discriminativa de um grande número de variáveis ​​em conjuntos de dados com um número modesto de casos. As variáveis ​​com maiores pontuações de importância, indicando uma boa discriminação diagnóstica, serão inseridas em uma análise de regressão logística com diagnóstico de TEA (TEA vs. não TEA) como a variável dependente dicotômica. Os preditores significativos serão retidos e os coeficientes dos preditores retidos servirão como algoritmo de diagnóstico.

As pontuações do algoritmo de diagnóstico serão então submetidas a análises da curva Receiver Operating Characteristic (ROC) para fornecer avaliação detalhada da sensibilidade e especificidade do algoritmo na detecção de ASD. São esperadas áreas sob a curva de >0,90, indicando forte validade diagnóstica.

Análises de Algoritmos Prognósticos. Para identificar um algoritmo de prognóstico, um processo semelhante será conduzido com todas as medições de rastreamento ocular disponíveis como preditores e pontuações de capacidade cognitiva não verbal (dicotomizadas em <70 e 70 e acima) como a variável dependente em análises de floresta aleatória. Os escores de habilidades cognitivas não verbais serão dicotomizados com base em dados anteriores, sugerindo que indivíduos com TEA e deficiência intelectual apresentam resultados piores. As variáveis ​​preditoras com maior importância, indicando boa discriminação diagnóstica, serão então inseridas em uma análise de regressão logística com habilidade cognitiva não-verbal (<70, >=70) como variável dependente dicotômica. Os preditores significativos serão retidos e os coeficientes dos preditores retidos servirão como algoritmo de prognóstico. As pontuações do algoritmo prognóstico serão então submetidas a análises da curva Receiver Operating Characteristic (ROC) para fornecer avaliação detalhada da sensibilidade e especificidade do algoritmo na detecção de deficiência cognitiva não-verbal. São esperadas áreas sob a curva de >0,80, indicando boa validade na previsão de incapacidade cognitiva. A habilidade cognitiva não-verbal será o foco principal dessas análises por causa de sua relação documentada com o resultado em indivíduos com autismo. No entanto, análises semelhantes serão computadas para habilidade cognitiva verbal e escores de função adaptativa. Os investigadores também conduzirão as análises acima usando medições contínuas, pois a dicotomização pode esvaziar desnecessariamente a validade.

Análises de Algoritmo de Rastreamento de Tratamento. Para identificar um algoritmo de rastreamento de tratamento, os investigadores simplesmente combinarão as medições de rastreamento ocular identificadas no algoritmo de diagnóstico e prognóstico em um único algoritmo de rastreamento de tratamento. Para avaliar a confiabilidade teste-reteste dessas medidas, os investigadores usarão coeficientes de correlação intraclasse (modelo 2 - concordância absoluta).