Usando relógios inteligentes para detectar e monitorar o COVID-19 (CovIdentify)
Visão geral do estudo
Status
Descrição detalhada
Pacientes DUHS que fizeram testes diagnósticos para influenza, COVID-19, vírus sincicial respiratório e testes de rinovírus nos últimos 5 anos serão inicialmente selecionados para um endereço de e-mail. Os participantes receberão informações sobre este estudo por e-mail com um link para preencher a pesquisa. Um ID do estudo será gerado para todos os indivíduos com um e-mail.
Os participantes serão solicitados a preencher um consentimento eletrônico por meio de uma pesquisa REDCap. Se os participantes tiverem dúvidas, eles receberão informações de contato do estudo por e-mail. Os participantes preencherão a pesquisa que terá perguntas sobre sintomas anteriores e propriedade do dispositivo (tempo previsto para conclusão: 5 minutos). Se o participante possuir um dos seguintes dispositivos vestíveis (Fitbit, Garmin ou Apple Watch), ele será enviado para um URL de redirecionamento para fazer login na conta do dispositivo (para Fitbit ou Garmin) ou receberá instruções para exportar seus dados do Healthkit e despeje seus dados em um link exclusivo do Strongbox (para Apple Watch). Se os participantes optarem por contribuir com os dados de seus dispositivos vestíveis para o estudo e os dados obtidos passarem pelos limites de qualidade de dados, eles receberão uma compensação. Não há remuneração pela conclusão da pesquisa. Os investigadores perguntarão aos participantes se desejam ser contatados novamente para estudos futuros relacionados a este projeto.
Os investigadores coletarão valores de dados de endpoint do wearable. Esses dados serão usados para estimar a quantidade e intensidade da atividade diária (ou seja, exercícios e caminhada), ficar em pé, quantidade de sono, qualidade do sono, variabilidade da frequência cardíaca, SpO2, frequência respiratória e frequência cardíaca. Todos os dados do dispositivo vestível serão identificados usando um ID de estudo.
Os investigadores usarão modelos estatísticos e de aprendizado de máquina para desenvolver modelos de saúde de "linha de base" personalizados e detectar anomalias que podem ajudar na identificação da infecção por COVID-19. Os investigadores irão validar e testar a sensibilidade e especificidade do nosso modo para detectar infecção respiratória versus nenhuma infecção contra pesquisas de sintomas e testes de diagnóstico como verdade. O teste e validação do modelo serão feitos separadamente para cada marca de dispositivo e serão modificados posteriormente de acordo com o tipo de infecção respiratória.
Tipo de estudo
Inscrição (Real)
Contactos e Locais
Locais de estudo
-
-
North Carolina
-
Durham, North Carolina, Estados Unidos, 27705
- Duke University
-
-
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
Aceita Voluntários Saudáveis
Método de amostragem
População do estudo
Descrição
Critério de inclusão:
- 18 anos de idade e mais velhos
Critério de exclusão:
- Menor de 18 anos
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
- Modelos de observação: Outro
- Perspectivas de Tempo: Prospectivo
Coortes e Intervenções
Grupo / Coorte |
|---|
|
Adultos com idade igual ou superior a 18 anos
O estudo irá recrutar qualquer adulto com idade superior a 18 anos.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Desenvolva um modelo de previsão para prever o início da infecção antes do início dos sintomas usando a quantidade de tempo entre o início conhecido dos sintomas e as datas do teste
Prazo: 18 meses
|
O início conhecido dos sintomas e as datas dos testes servirão para validar o modelo
|
18 meses
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Determine se existem diferenças de sinal que possam diferenciar o tipo de infecção respiratória (por exemplo, COVID-19 vs. Influenza)
Prazo: 18 meses
|
18 meses
|
|
|
Porcentagem de falta de dados do dispositivo vestível
Prazo: 18 meses
|
Usado para determinar o desempenho do modelo de previsão.
|
18 meses
|
|
Determine o desempenho do modelo de previsão em uma nova cepa viral por meio de aprendizagem por transferência
Prazo: 18 meses
|
18 meses
|
|
|
Determinar se existem diferenças fisiológicas entre a infecção inicial e a reinfecção
Prazo: 18 meses
|
18 meses
|
|
|
Determinar se existem diferenças fisiológicas entre as diversas infecções respiratórias ao longo do tempo
Prazo: 18 meses
|
18 meses
|
|
|
Determine o desempenho do modelo de previsão com base na gravidade dos sintomas
Prazo: 18 meses
|
18 meses
|
Colaboradores e Investigadores
Patrocinador
Colaboradores
Investigadores
- Investigador principal: Chris Woods, Duke University
- Investigador principal: Jessilyn Dunn, Duke University
- Investigador principal: Ryan Shaw, Duke University
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Real)
Conclusão Primária (Real)
Conclusão do estudo (Real)
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (Real)
Atualizações de registro de estudo
Última Atualização Postada (Real)
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última verificação
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- PRO00106404
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .