此页面是自动翻译的,不保证翻译的准确性。请参阅 英文版 对于源文本。

SenseToKnow 自闭症筛查设备验证研究

2026年3月4日 更新者:Duke University

SenseToKnow STAR 研究:评估儿童发展的技术研究

这是一项关键的前瞻性双盲研究,旨在评估 SenseToKnow 应用程序检测 16-36 个月大儿童自闭症谱系障碍的敏感性和特异性。

研究概览

地位

招聘中

详细说明

这是一项关键的、前瞻性的、双盲的研究,旨在评估父母在 16-36 个月大的患者样本中使用 SenseToKnow 应用程序对自闭症谱系障碍分类的敏感性和特异性。 该试验设计是一项非干预性横断面研究,比较 SenseToKnow 应用程序对自闭症谱系障碍(“自闭症”)和非自闭症的分类,以及基于儿科患者群体的专家临床诊断得出的患者诊断状态。

研究类型

观察性的

注册 (估计的)

350

联系人和位置

本节提供了进行研究的人员的详细联系信息,以及有关进行该研究的地点的信息。

学习联系方式

研究联系人备份

学习地点

    • North Carolina
      • Durham、North Carolina、美国、27705
        • 招聘中
        • Duke University
        • 接触:
          • Geraldine Dawson, PhD
          • 电话号码:919-668-0070

参与标准

研究人员寻找符合特定描述的人,称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。

资格标准

适合学习的年龄

  • 孩子

接受健康志愿者

是的

取样方法

非概率样本

研究人群

参与者将是从 > 6 个地点招募的 16-36 个月大的患者,这些地点包括儿科诊所,这些诊所是北卡罗来纳州更广泛的杜克大学卫生系统的一部分。

描述

纳入标准:

  1. Duke Health 儿科患者入组时
  2. 入学时 16-<37 个月
  3. 父母/法定监护人会说英语或西班牙语
  4. 父母/法定监护人理解并自愿提供知情同意

排除标准:

  1. 妨碍研究措施完成的严重运动障碍
  2. 已知的遗传病
  3. 身体检查确定的严重听力或视力障碍
  4. 可能妨碍成功或有效数据收集的急性疾病
  5. 不受控制的癫痫或发作障碍
  6. 临床上显着的医学疾病的病史或存在,或研究者确定的可能混淆研究或对受试者有害的精神状态
  7. 慢性疾病的急性加重可能会阻止成功或有效的数据收集
  8. 接受影响视力的疗法
  9. 家长/法定监护人和/或调查员认为孩子无法/不愿意坐在家长腿上观看应用视频
  10. 父母/法定监护人表示他们或他们的孩子不愿意或无法完成应用管理、调查或诊断评估
  11. 被研究者判断为无法遵守方案的参与者
  12. 研究者认为会使研究措施无效的任何其他因素

学习计划

本节提供研究计划的详细信息,包括研究的设计方式和研究的衡量标准。

研究是如何设计的?

设计细节

队列和干预

团体/队列
通过儿科诊所招募的16-36个月龄的儿科患者
将通过≥6个参与站点招募并纳入连续的儿科参与者,这些站点包括儿科医疗诊所(例如,初级保健和家庭医学诊所),这些诊所属于位于北卡罗来纳州的更广泛的杜克大学卫生系统(DUHS)的一部分。 招募将持续进行,直到达到N = 150名被诊断为自闭症谱系障碍的参与者和N = 200名非自闭症参与者的目标。

研究衡量的是什么?

主要结果指标

结果测量
措施说明
大体时间
基于结合SenseToKnow数字数据和SenseToKnow Caregiver调查数据的机器学习算法的SenseToKnow筛查设备用于自闭症检测的敏感性
大体时间:将根据基线/时间点1的数据计算得出
灵敏度 = #参与者同时在(1)基于结合SenseToKnow数字数据与SenseToKnow照护者调查数据的机器学习算法的SenseToKnow筛查设备上显示自闭症阳性,以及(2)专家临床诊断上显示自闭症阳性 / #参与者同时在SenseToKnow和专家临床诊断上显示自闭症阳性
将根据基线/时间点1的数据计算得出
基于机器学习算法的SenseToKnow筛查设备特异性,该算法将SenseToKnow数字数据与SenseToKnow照护者调查数据相结合,用于自闭症检测
大体时间:将根据基线/时间点1的数据计算得出
特异性 = #参与者同时在以下两方面均未表现出自闭症:(1) 基于结合SenseToKnow数字数据与SenseToKnow护理人员调查数据的机器学习算法的SenseToKnow筛查设备,以及(2)专家临床诊断 / #参与者经专家临床诊断未患有自闭症
将根据基线/时间点1的数据计算得出

次要结果测量

结果测量
措施说明
大体时间
SenseToKnow筛查设备(基于使用SenseToKnow数字数据并结合SenseToKnow照护者调查数据的机器学习算法)在自闭症检测方面与专家临床诊断相比的阳性预测值
大体时间:将根据基线/时间点1的数据进行计算
(基于机器学习算法使用SenseToKnow数字数据并结合SenseToKnow照护者调查数据)获得阳性测试结果的参与者被诊断为自闭症(基于专家临床诊断)的可能性。 阳性预测值将计算调整和不调整人群患病率两种情况。
将根据基线/时间点1的数据进行计算
SenseToKnow筛查设备(基于使用SenseToKnow数字数据和SenseToKnow照护者调查数据的机器学习算法)在自闭症检测中与专家临床诊断相比的阴性预测值
大体时间:将根据基线/时间点1的数据计算得出
基于SenseToKnow数字数据和SenseToKnow看护者调查数据的机器学习算法得出阴性测试结果的参与者,未获得自闭症诊断(基于专家临床诊断)的可能性。 阴性预测值将计算调整人口患病率前后的结果。
将根据基线/时间点1的数据计算得出
SenseToKnow筛查设备(使用SenseToKnow数字数据和SenseToKnow照护者调查数据)在自闭症与非自闭症分类准确性方面的接收者操作特征曲线及曲线下面积
大体时间:将根据基线/时间点1的数据计算得出
受试者工作特征曲线(ROC)是一种图形化绘图,用于展示二元分类器系统在不同判别阈值下的诊断能力。 曲线下面积(AUC)衡量整个ROC曲线下方的面积。 测试的准确性基于使用SenseToKnow数字数据并结合SenseToKnow护理者调查数据的机器学习算法,与专家临床诊断进行比较。
将根据基线/时间点1的数据计算得出
基于仅使用SenseToKnow数字数据进行自闭症检测的机器学习算法的SenseToKnow筛查设备的敏感性
大体时间:将根据基线/时间点1的数据计算
敏感性 = #同时符合以下两项条件(1)仅基于SenseToKnow数字数据通过机器学习算法进行SenseToKnow筛查设备检测结果为自闭症阳性的参与者,以及(2)专家临床诊断为自闭症阳性的参与者数量 / # 经专家临床诊断为自闭症阳性的参与者数量
将根据基线/时间点1的数据计算
基于仅使用SenseToKnow数字数据进行自闭症检测的机器学习算法的SenseToKnow筛查设备特异性
大体时间:将根据基线/时间点1的数据计算得出
特异性 = (1)仅使用SenseToKnow数字数据的机器学习算法基于SenseToKnow筛查设备和(2)专家临床诊断均未诊断为自闭症的参与者人数 / 专家临床诊断未诊断为自闭症的参与者人数。
将根据基线/时间点1的数据计算得出
基于仅使用SenseToKnow数字数据进行自闭症检测的机器学习算法,SenseToKnow筛查设备相对于专家临床诊断的阳性预测值
大体时间:将根据基线/时间点1的数据计算得出
参与者检测结果为阳性时实际被诊断为自闭症(基于专家临床诊断)的可能性。 阳性预测值将计算调整人口患病率前后的两种结果。
将根据基线/时间点1的数据计算得出
仅使用SenseToKnow数字数据进行自闭症检测的机器学习算法,其SenseToKnow筛查设备相较于专家临床诊断的阴性预测值
大体时间:将根据基线/时间点1的数据计算
阴性测试结果的参与者未被诊断患有自闭症(基于专家临床诊断)的可能性。 阴性预测值将根据是否调整人群患病率进行计算。
将根据基线/时间点1的数据计算
仅使用SenseToKnow数字数据进行自闭症与非自闭症分类时,SenseToKnow设备准确性的接收者操作特征曲线及曲线下面积
大体时间:将根据基线/时间点1的数据进行计算
接收器操作特征曲线(ROC)是一种图形化图表,用于说明二元分类器系统在不同判别阈值下的诊断能力。 曲线下面积(AUC)测量整个ROC曲线下方的面积。 测试的准确性基于仅使用SenseToKnow数字数据的机器学习算法,与专家临床诊断进行比较。
将根据基线/时间点1的数据进行计算

合作者和调查者

在这里您可以找到参与这项研究的人员和组织。

调查人员

  • 首席研究员:Geraldine Dawson, PhD、Duke University

研究记录日期

这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查,以确保它们在发布到公共网站之前符合特定的质量控制标准。

研究主要日期

学习开始 (实际的)

2023年7月7日

初级完成 (估计的)

2027年12月1日

研究完成 (估计的)

2027年12月1日

研究注册日期

首次提交

2023年5月12日

首先提交符合 QC 标准的

2023年5月12日

首次发布 (实际的)

2023年5月25日

研究记录更新

最后更新发布 (实际的)

2026年3月6日

上次提交的符合 QC 标准的更新

2026年3月4日

最后验证

2026年2月1日

更多信息

与本研究相关的术语

关键字

其他研究编号

  • Pro00111371
  • 2P50HD093074 (美国 NIH 拨款/合同)

计划个人参与者数据 (IPD)

计划共享个人参与者数据 (IPD)?

是的

IPD 计划说明

所有符合 PHI 和 IRB 保密要求的个人级数据将在资助期结束前提交给 NIH/NIMH 数据存储库。

IPD 共享时间框架

我们将向国家医学图书馆 PubMed Central 提交经过同行评审的最终作品的电子版本,包括统计分析代码,并在正式出版日期后 12 个月内公开。

IPD 共享访问标准

通过 PubMed Central 公开

IPD 共享支持信息类型

  • 分析代码

药物和器械信息、研究文件

研究美国 FDA 监管的药品

不

研究美国 FDA 监管的设备产品

不

此信息直接从 clinicaltrials.gov 网站检索,没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求,请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改,我们的网站上也会自动更新.

订阅