Desenvolvimento e Validação de um Sistema de Antecipação de Comportamentos Desafiadores

Objetivos de estudo

O protocolo atual consiste em três fases, cada uma com um objetivo específico. O primeiro objetivo é avaliar as diferenças na reação fisiológica medida com uma Smart Wearable Shirt (SWS) entre adultos com Transtorno do Espectro do Autismo (TEA) de alto funcionamento e pares tipicamente desenvolvidos. O segundo objetivo é aprender quais parâmetros fisiológicos podem prever melhor o início iminente de um Comportamento Desafiador (CB). O terceiro objetivo é desenvolver um sistema capaz de prever a ocorrência de um CB em tempo real e informar o cuidador por meio de uma notificação de alerta enviada em um aplicativo de smartphone.

Design de estudo

Um projeto de estudo observacional será implementado nas duas primeiras fases da pesquisa atual. Na primeira fase, as reações fisiológicas dos participantes a dois estímulos visuais serão coletadas e analisadas. Na fase dois, serão coletadas as características fisiológicas dos CBs apresentados por pessoas com TEA. Um estudo de caso único com design de método misto será implementado na fase três, onde será realizada a prova de conceito da validade do sistema.

Questões de ética e segurança

A proposta de pesquisa foi aprovada pelo conselho de revisão institucional da Ariel University (AU-HEA-ML-20201203). O estudo será realizado seguindo os princípios da Declaração de Helsinque. No momento do recrutamento, será recolhido o consentimento informado por escrito de todos os participantes ou dos seus tutores legais. O SWS planejado para uso no protocolo atual é um dispositivo médico não invasivo. No entanto, se um participante não tolerar SWS, ele pode desistir do estudo a qualquer momento sem qualquer repercussão.

participantes

De acordo com uma análise de cálculo de tamanho de amostra, um grupo de 20 indivíduos diagnosticados com TEA de alto funcionamento com idade entre 20 e 40 anos residindo em casa (grupo de observação - GO) juntamente com um grupo de controle pareado por idade e sexo (GC) de 20 típicos desenvolveram os pares serão inscritos na primeira fase do protocolo. Para a segunda fase do estudo, serão recrutadas 10 pessoas com TEA apresentando CBs agressivos ou disruptivos com idade entre 20 e 40 anos e seus cuidadores. Por fim, participará da terceira fase da pesquisa um participante com TEA, com idade entre 20 e 40 anos, frequentando uma escola especial e morando em casa, que apresenta CBs agressivos ou disruptivos.

Procedimento

Fase um - comparação entre pessoas com e sem resultados fisiológicos de TEA.

Para a primeira fase do protocolo atual, os parâmetros fisiológicos das pessoas no GO e GC serão adquiridos usando o SWS enquanto os participantes assistem a dois vídeos de cinco minutos. Um vídeo mostrará imagens relaxantes e emitirá música relaxante (vídeo relaxante). O segundo vídeo apresentará deformidades impressionantes do corpo humano acompanhadas de música ansiosa (vídeo perturbador). Ambos os vídeos serão apresentados ao participante na posição sentada. Antes de iniciar o vídeo relaxante, o participante será convidado a relaxar e recostar-se no encosto da cadeira. O participante pode fechar os olhos ou mantê-los abertos a seu critério para promover o relaxamento. Os participantes serão solicitados a não se apoiar no encosto da cadeira e manter os olhos abertos durante a exibição do vídeo perturbador. O primeiro vídeo assistido por cada participante será escolhido aleatoriamente entre os dois vídeos. A duração de toda a sessão será de aproximadamente 15 minutos.

Fase dois - Classificar as variações dos parâmetros fisiológicos em pessoas com TEA.

Cada participante inscrito na fase dois do protocolo usará o SWS por sete dias consecutivos durante as horas de vigília, realizando suas atividades diárias habituais. Durante os mesmos sete dias, os cuidadores que cuidam do participante irão relatar o estado do participante no diário comportamental. Todas as noites, os dados coletados pelo SWS serão carregados em uma nuvem online junto com o diário comportamental do dia. Uma vez coletados os dados de todos os 10 participantes, um algoritmo de Deep Learning (DL) será desenvolvido para aprender as variações nos parâmetros fisiológicos do indivíduo que ocorrem antes de um CB e prever futuros CB. Além disso, será desenvolvido um aplicativo de smartphone para receber os dados do SWS em tempo real e enviá-los para um servidor remoto onde serão analisados ​​através do algoritmo desenvolvido e os eventos classificados do CB serão extraídos e apresentados na tela de notificação dos aplicativos. Ou seja: se o algoritmo detetar a possibilidade de entrada de CB, é enviada uma notificação para o smartphone do cuidador a informar da possível chegada de CB, permitindo assim a implementação da estratégia de intervenção selecionada.

Fase três - Prova de conceito do sistema.

Durante uma semana, o protótipo do sistema desenvolvido e sua eficácia serão testados em um participante com TEA durante sete dias com profissionais de saúde e professores em um ambiente escolar especial. O participante usará o SWS durante todo o horário de atendimento na escola especial. Ao final dos sete dias, o QUEST 2.0 será aplicado a cada profissional e professor que interagirá com o sistema, e será realizado um grupo focal com eles para abordar as questões de pesquisa mencionadas acima. O grupo focal terá como objetivo responder às seguintes questões de pesquisa:

• Usar a camiseta inteligente incomodou os participantes?
• O sistema foi capaz de detectar todos os CB relevantes?
• A velocidade de operação do sistema foi suficiente para permitir a aplicação em tempo de estratégias de prevenção adequadas?
• A utilização do sistema reduziu a quantidade de CB?
• Que melhorias podem ser aplicadas ao sistema para aumentar sua eficácia?

As informações obtidas da administração do QUEST 2.0 serão discutidas no grupo focal. Na última parte do grupo focal, será proposto ao grupo um somatório de soluções para cada questão de pesquisa, e será coletado o número de participantes que concordam ou discordam com as respostas do somatório proposto.

Análises de dados

Fase um

Os dados coletados pelo SWS dos participantes do GO e GC serão analisados ​​e comparados. A partir dos dados recebidos do ECG, a frequência cardíaca (FC) será calculada entre dois complexos QRS consecutivos. Considerando o intervalo de tempo entre dois complexos QRS como "t", a FC temporal correspondente será de 60/t. Um valor limite de porcentagem será definido usando o método de janela deslizante e a largura de pico mínima permitida será identificada para remover artefatos indesejados de HR. O processo de remoção será realizado para picos positivos e negativos em duas rodadas. Uma janela será deslizada sobre o sinal de FC, e seu valor mediano será calculado. A amplitude de pico máxima (positiva e negativa) permitida será determinada para cada janela multiplicando o valor mediano da janela por um valor limite. O valor limite para picos positivos foi definido em 30% (para a primeira rodada de remoção) e 25% (para a segunda rodada de remoção) do valor médio da janela. O valor limite foi definido para picos negativos em 50% (para a primeira rodada de remoção) e 30% (para a segunda rodada de remoção) do valor médio da janela. Então, todos os picos com amplitude maior que o valor permitido serão identificados em todas as janelas. Se um desses picos for mais estreito do que a largura de pico mínima permitida, ele será substituído pelo valor mediano da janela de referência. Caso contrário, se uma largura de pico identificada for maior que a largura de pico permitida, seu valor será substituído pela FC máxima permitida (para picos positivos) ou pela FC mínima permitida (para picos negativos). A FC máxima permitida será calculada com a seguinte fórmula: "209-(0,7×(Participant idade))". A FC mínima permitida será de 60 bpm. Após a remoção dos picos anormais, o sinal será filtrado com um filtro Gaussiano com sigma igual a 1. Após o processo de filtragem do sinal de FC, o sinal de FC limpo obtido será utilizado para classificar o estresse do participante nos seguintes níveis: "sem estresse", "estresse leve", "estresse moderado" e "estresse alto". Cada nível de estresse se referirá a um sinal de FC posicionado dentro de uma faixa específica de valores. O nível "sem estresse" incluirá os valores de FC abaixo de 90% do pico mais baixo do sinal de FC limpo. Se este valor de FC for inferior a O nível de "alto estresse" compreenderá valores acima de 90% do pico mais alto do sinal de FC limpo. Caso este valor esteja acima da FC máxima permitida, é substituído por 90% do valor da FC máxima permitida. O intervalo deixado entre esses dois limites será dividido em duas partes iguais (metade inferior e superior). Os dados de FC posicionados na metade inferior desta faixa serão classificados como "estresse leve" e os posicionados na metade superior como "estresse moderado". Cada valor de FC será classificado e atribuído com um valor numérico correspondente a um nível de estresse ("sem estresse" = 0, "estresse leve" = 1, "estresse moderado" = 2 e "estresse alto" = 3). Após aquisição das sequências dos níveis de estresse de todos os participantes da Fase um, as sequências dos sujeitos no GO e GC serão comparadas utilizando uma versão do algoritmo de Smith-Waterman adaptada para a análise dos dados obtidos.

Fase dois

Os dados coletados pelo SWS dos participantes inscritos na fase dois serão analisados ​​conforme descrito acima, e um algoritmo DL será desenvolvido para prever os níveis de estresse dos participantes que chegam. Para encontrar padrões de CBs entre os sujeitos, será construído um classificador baseado em aprendizado supervisionado para encontrar anomalias nos dados do sujeito que possam indicar um CB que está prestes a ocorrer. Um algoritmo de memória de longo prazo (LSTM) será ensinado a reconhecer padrões de dados correspondentes à ocorrência de CBs usando os dados coletados pelos cuidadores dos participantes por meio do diário comportamental e as informações coletadas na Fase um. LSTM é uma extensão da rede neural recorrente (RNN). Em contraste com outras aplicações de Machine Learning (ML) e DL, no processo de análise e previsão de informações de séries temporais, cada ponto de dados é baseado em informações anteriores, que também devem ser examinadas. A RNN é a rede mais usada para aplicações de séries temporais, pois pode formar o vetor de destino observando o histórico de dados de entrada atual, usando wights compartilhados entre as unidades ocultas da rede em cada passo de tempo dos dados. Os autores escolhem o LSTM, não o RNN, porque o RNN tem um problema de gradiente de fuga significativo. O gradiente de erro de saída é baseado em entradas anteriores e desaparece quando o tempo entre as entradas e os erros aumenta. Para superar esse problema, o LSTM é introduzido. O LSTM possui uma memória, que vem na prática substituindo as unidades não lineares de RNN nas camadas ocultas por blocos de memória. A rede propaga erros por toda a rede e, como resultado, pode aprender dependências de longo prazo e esquecer informações desnecessárias com base nos dados disponíveis. A precisão do modelo de previsão será calculada de acordo com métodos de estimativa padrão, como a matriz de confusão e os valores da área sob a curva (AUC). Esses valores variam de 0,5 a 1, sendo 1 classificação perfeita e 0,5 nada melhor do que sorte.

Fase três

Os temas que emergirão do grupo focal serão extraídos da transcrição da discussão. A estratégia de codificação axial será aplicada para calcular a extensão da discussão de cada tema. Essa análise de dados qualitativos consiste em atribuir um número de referência a cada tema e, em seguida, marcar qualquer frase relacionada a esse tema com esse número. Uma verificação de confiabilidade para as correspondências código-frase será aplicada, fornecendo a lista de códigos a um pesquisador independente experiente em análise qualitativa e solicitando-lhe que identifique a sentença que corresponde a cada código. O nível de concordância com o somatório das respostas às questões de pesquisa será obtido por meio do cálculo do percentual de participantes que concordam com a afirmação proposta. Os autores discutirão as respostas desenvolvidas à luz dos temas relevantes emergidos e do grau de concordância do grupo de discussão.