脳卒中後の空間無視とせん妄

せん妄の評価と予防は、入院の転帰と医療費に多大な影響を与えます。 せん妄は、認識、思考、注意、および記憶に影響を及ぼす、認知機能の急激な低下を特徴とする多要素症候群です。 米国の 65 歳以上の人口の 17% を占める脳卒中生存者 (CDC、2012 年) は、せん妄を発症する大きなリスクがあります (右半球の脳卒中の発生率は最大 50%)。 さらに、右半球の脳卒中患者の約 50% が空間無視を経験し、安全性と回復が損なわれます。 この研究では、右半球脳卒中後のせん妄と空間無視の両方の発生率が高いことを説明する潜在的な神経メカニズムを調査します。 研究の仮説は、覚醒と注意のための脳ネットワークは、中脳網状体形成からの上昇投射と、右優位の背側と腹側の皮質および大脳辺縁系の構成要素を統合することで構成され、これらの障害で影響を受ける可能性があるというものです。 この研究では、右半球脳卒中生存者の磁気共鳴画像法 (MRI) と行動データを評価します。 覚醒および注意のための脳ネットワークの活動障害および構造的完全性は、せん妄および空間無視の行動徴候と相関すると予測されています。 この研究は、急性 (n=45) および亜急性 (n=30) の患者サンプルを募集する 2 つの施設で実施されます。 この研究の発見は、重要なバイオマーカーと脳卒中後のせん妄の行動プロファイルを提供することにより、脳卒中ケアに影響を与える可能性があります。 これは、臨床医に、病院での罹患率と自立の喪失のリスクが高い患者に対して、予防的ケアと的を絞った介入を開始するよう警告する可能性があります。

研究仮説 仮説 1: 病変欠損分析により、せん妄および/または空間無視の患者では、注意、方向、および覚醒ネットワーク内の右脳領域が脳卒中病変の影響を受けることが明らかになるという仮説が立てられています。

仮説 2: 両方の障害が共通の脳ネットワークの機能不全に起因するという仮説が立てられているため、空間無視の重症度は、相対的な病変の大きさと脳卒中の重症度を制御して、せん妄の重症度の予測因子になると予想されます。 仮説 3: 空間無視とせん妄の両方重症度は、注意、向き、および覚醒ネットワーク内の脳領域間の機能的接続と相関します。

仮説 4: 手術後のせん妄患者、ネグレクトおよび昏睡状態の患者における以前の研究からの証拠に基づいて、注意、方向、および覚醒のための皮質および皮質下ネットワークを構成する脳領域間の白質接続の完全性が逆相関しているという仮説が立てられています。せん妄と空間無視の重症度を伴います。

計画された分析:

仮説 1:

脳卒中後のせん妄で影響を受ける重要なネットワーク コンポーネントを調べるために、研究では参加者の構造スキャンを調べます。 この研究で記録された構造スキャンには、30 人の亜急性脳卒中参加者の T1 強調および T2 強調 FLAIR 画像が含まれます。 さらに、45人の急性脳卒中参加者の臨床スキャンが取得され、合計75回の脳スキャンが行われます。 構造的病変は、MRIcron パッケージの半自動病変マッピングを使用してマッピングされます。この場合、各脳ボクセルは、病変または非病変としてバイナリ形式でスコア付けされます。 三次元病変マスクは、Matlab (ボクセル病変症状マッピング) で実装された VLSM 2 ソフトウェアに供給されます。 Behavioral Inattention Test (BIT) や Confusion Assessment Method-Severity (CAM-S) スコアなどの疑似連続アウトカムについては、特定の脳ボクセルの病変がより高いまたはより低い重症度スコアを予測するかどうかをテストする t スコアが計算されます。 . せん妄診断などのバイナリ結果については、ボクセルごとに Leibermeister 測定値が計算され、特定の病変ボクセルがせん妄を予測するか、すべての参加者でせん妄を予測しないかをテストします。 分析は、脳のボクセルを連続して移動し、各ボクセルでテストを実施します。 ボクセルは、少なくとも 5 人の患者で同時に発生するボクセルのみが考慮されるようにしきい値が設定されます。 典型的な病変研究では、これは参加者間で考慮される数百のボクセルになります。 最終結果は、p<.05 の False Discovery Rate を使用して多重比較のために修正されます。

仮説 2:

この仮説は、脳卒中後のせん妄と空間無視の存在と重症度との間に関連性が存在するかどうかを立証しようとしています。 この仮説を検証するために、BIT スコアを予測因子として、CAM スコアを結果として使用して、回帰分析を実施します。 分析は、NIH ストローク スケール スコアと病変サイズ、および年齢を制御します。 分析の両方のセットで、生の評価スコアは、スケールの均一性のためにパーセントに変換されます。

仮説 3:

シードベースの機能的接続分析が実行され、CAM-S および BIT スコアの関数として、選択された脳領域の時間経過間の相関関係がテストされます。 16 の関心領域 (ROI) を使用して、覚醒および注意ネットワーク内でこの分析を実行します。 全脳 ROI-to-voxel 分析も実施され、せん妄および無視の重症度との予期しない関連性を把握します。 この分析とデータの前処理は、fMRI における機能的結合の計算、表示、および分析のための Matlab ベースのクロスプラットフォーム ソフトウェアである CONN ツールボックスを使用して行われます。 最初に、連続するすべてのブレイン ボリュームとシリーズの第 1 ボリュームとの間で再配置が実行されます。 スライス タイミング補正は、脳スライスのインターリーブ取得の時間差を考慮して適用されます。 白質と脳脊髄液 (CSF) のマスクを作成するために、構造のセグメンテーションが実行されます。 これらのマスクは、生理学的ノイズを表す厄介なリグレッサーを推定する際に使用されます。 機能スキャンは、構造スキャンとアトラス テンプレートに対して正規化 (整列) されます。 これは、グループの比較と、解剖学的アトラスを使用した ROI 定義を可能にするために行われます。 機能的な画像は、半径 6mm のカーネルで平滑化されます。 次に、動きの外れ値 (大きな動き)、連続的な動き (ロール、ピッチ、およびヨー)、および生理学的ノイズの寄与がデータから回帰されます。 最後に、ROI-to-ROI および ROI-to-voxel 接続は、2 次比較を可能にするために各脳スキャン内で実行されます (すなわち、機能的接続に対するせん妄および無視の重症度スコアの寄与、共変量の制御)。

仮説 4:

文献からアプリオリに定義された 16 の ROI を使用して、確率論的トラクトグラフィー分析が実施されます。 分析は、FSL 分析スイート (例えば、Probtrax、FDT ツールボックス) で利用可能な拡散テンソル tractography ツールを使用して、DTI データに対して実行されます。 この分析は、注意と覚醒のネットワーク内の領域を接続する路を特定することが期待されています。 ファイバーの完全性の尺度として、ボクセル単位のフラクショナル アニソトロピー (FA) を推定します。 FA は 0 ～ 1 のスカラー値で、水分子の主な拡散方向を測定します。 0 の FA は、完全な球、つまり均一な拡散を示します。 隣接するボクセルが同じ拡散方向のコヒーレンスを持つ場所は、確率的に路の場所に割り当てられます。 値は、各地域のグローバル FA を取得するために平均化されます。 せん妄および無視の重症度スコアは、ANCOVA (臨床的/人口統計学的/生理学的/患者の特性を考慮して) の FA 値に回帰します。 ROI ベースのアプローチが成功しない場合、せん妄および無視の重症度スコアとの関連付けのために、関心のある脳ネットワークの外側の領域を含む全脳 FA マップが考慮されます。

サンプルサイズの決定。

効果の大きさを推定するために、パイロット調査が実施されました。 右脳卒中患者 19 人 (女性 12 人、白人 8 人、アフリカ系アメリカ人 8 人、アジア人 3 人)、年齢 60 歳 (SD=17 歳)脳卒中後) がパイロット研究に参加しました。 せん妄とネグレクトの重症度との関連については、0.26 の R 二乗値が得られました。 これにより、効果量 (Cohen の f2) が 0.35 になります。 この効果サイズでは、サンプル サイズが 75 人の患者でアルファが .05 であると仮定すると、効果を観察する検出力は 99% を超えます。 （仮説２）

病変欠損分析 (仮説 1) の検出力を推定するために、データは、同じボクセルが病変される参加者サンプルの割合として 15%、30%、および 50% を使用してシミュレートされました。 Leibermeister アプローチを適用して、ボクセル病変状態とせん妄状態との間に関連がないという帰無仮説をテストするための p 値を計算しました。 75 人の参加者 (急性 + 亜急性サンプル) の場合、サンプルの少なくとも 30% に同じ病変があり、病変が 40 ～ 100 ボクセルであり、タイトなクラスターを形成すると仮定すると、効果を検出する検出力は 80% を超えます。 これらは、過去の研究を考慮した合理的な仮定です。

パイロット研究では、回帰性せん妄または怠慢の重症度スコアとして含まれる一般的な線形モデルが、各参加者の 16X16 ROI 接続測定マトリックスに適用されました。 結果として得られた被験者間効果の t スコアは、BIT 測定では 4.61 から 7.88、CAM-S では 7.07 から 9.31 の範囲でした。 これらの t スコアは、大きな効果サイズに対応します。 .35 の Cohen の f を使用する (大きな効果) 線形重回帰の検出力を推定するため、4 つの予測変数、アルファ レベル 0.05、 両側検定では、30 人の参加者のサンプル (急性サンプル) を考えると、この効果を観察する検出力は 87% であると推定されます (仮説 3)。

以前の研究では、.315 の視床分数異方性 (FA) が報告されました。 (.026) .333 と比較してせん妄状態 (.023) せん妄のない患者。 これらの値は、大きな Cohen の d 効果サイズに対応します。 同様の範囲の FA 値が観察されると仮定すると、線形重回帰モデルを使用してこれらの効果を検出する優れた検出力があります。

平均的な患者の流れに基づいて、各サイトで試験の適格性について毎月最大 20 人の患者がスクリーニングされると推定されます。 パイロット サンプルの採用率に基づいて、スクリーニング サンプルの 10 ～ 20% が同意されると推定されます。 25 ～ 40% という保守的な脱落率を考慮に入れると、提案された研究サンプルが採用される可能性が高くなります。 患者の減少を説明するために、この研究では対象サンプルを 5 人の患者で過剰に募集します。

右脳卒中後のせん妄と怠慢の推定率は約 50% です。 したがって、研究サンプルの約 50 人が無視、せん妄、またはその両方を持っていると予想されます。 せん妄/ネグレクト状態を二分変数として使用することに加えて、各変数の準連続重症度スコアが使用されます。これにより、これら 2 つの障害と脳病変の位置との関連を検出する力が高まります。